Worum es in diesem Themengebiet geht
KI im Trading umfasst zwei Bereiche, die oft vermischt werden. Der erste ist Machine Learning auf Markt- und Fundamentaldaten: Gradient Boosting, neuronale Netze wie LSTM oder Transformer, Reinforcement Learning. Der zweite sind Sprachmodelle, die Texte auswerten, Code schreiben und als Agenten über Schnittstellen auf Plattformen und Broker zugreifen können (Broker mit MCP-Zugang im Vergleich).
Beide Bereiche haben eigene Fehlerquellen. Finanzzeitreihen sind verrauscht und ändern ihr Verhalten über die Zeit; ein flexibles Modell findet in historischen Daten deshalb auch Muster, die reiner Zufall sind (Overfitting). Sprachmodelle erzeugen plausible, aber nicht zwingend richtige Aussagen, auch bei Zahlen, Tickern und Quellen (KI-Halluzinationen im Trading). Über das Ergebnis entscheiden deshalb meist Datenaufbereitung, Validierung und Kontrolle stärker als die Wahl der Modellarchitektur. KI kann eine begründete Handelsidee präziser umsetzen oder filtern; eine fehlende Idee ersetzt sie nicht. Was realistisch ist und was Werbung, ordnet KI im Trading: Realität vs. Marketing ein.
Für wen die Artikel gedacht sind
Die Artikel richten sich an Trader und Entwickler, die KI in eigene, regelbasierte Systeme einbauen, und an Leser, die Angebote einschätzen wollen. Sie beschreiben Technik und Methodik, keine Signale und keine Anlageempfehlungen.
- Wer Code mit KI schreibt: Coding-Agenten für Strategie- und Backtest-Code (Claude Code für Trader), Portierungen zwischen Plattformen und die Fehler, die ein Compiler nicht findet.
- Wer Modelle in eine Strategie einbaut: etwa Gradient Boosting als Signalmodell oder Meta-Labeling als Filter über bestehenden Regeln, jeweils mit Validierung auf ungesehenen Daten.
- Wer Sprachmodelle in Research-Werkzeuge einbindet: strukturierte Ausgaben statt Freitext, Kostenkontrolle und Umstellungen bei abgeschalteten Schnittstellen (Structured Output für Finanzdaten).
- Wer ein Angebot prüft: Merkmale unseriöser KI-Trading-Bots und was die Warnungen der Finanzaufsicht zeigen (KI-Trading-Bot-Betrug erkennen).
Typische Fehler
- Information aus der Zukunft im Training. Wird über den gesamten Datensatz normalisiert oder eine rollende Kennzahl falsch ausgerichtet, sieht das Modell Werte, die zum Handelszeitpunkt noch nicht bekannt waren. Der Backtest wird besser, ohne dass eine Fehlermeldung erscheint (Feature-Engineering ohne Leakage).
- Trefferquote statt Ergebnis nach Kosten. Eine hohe Trefferquote sagt wenig, wenn die Verluste größer ausfallen als die Gewinne oder Kosten den Vorsprung aufzehren. Aussagekräftig ist der Erwartungswert je Trade nach Spread, Slippage und Gebühren, gemessen auf Daten, die das Modell nie gesehen hat.
- Sprachmodelle rechnen lassen. Ein Sprachmodell kann Zahlen aus einem Bericht herauslesen und die passende Formel wählen; das Rechnen selbst gehört in deterministischen Code (Warum LLMs nicht rechnen sollten).
- Sicherheit im Prompt statt in den Rechten. Ein Agent mit Orderzugang lässt sich durch Anweisungen im Prompt nicht verlässlich begrenzen. Belastbarer sind Lesezugriff als Standard, harte Limits im Code, Freigaben durch einen Menschen und ein Notaus außerhalb des Agenten (Guardrails für Trading-Agenten).
- Nachtrainieren ohne Diagnose. Lässt ein Modell nach, kann sich die Verteilung der Eingangsdaten verschoben haben oder der Zusammenhang selbst. Beide Fälle verlangen unterschiedliche Reaktionen (Concept Drift vs. Data Drift).
Wegweiser
Neben den oben verlinkten Grundlagen helfen zwei Gruppen bei der Orientierung in den Methoden:
- Modelle für Marktdaten: was neuronale Netze und lernende Agenten bei Kursreihen leisten und wo sie an Datenmenge, Rauschen und wechselnden Marktphasen scheitern, zum Beispiel LSTM für Preisprognosen und Reinforcement Learning im Trading.
- Sprachmodelle für Text und Recherche: Earnings-Calls, Pflichtveröffentlichungen und Nachrichten strukturiert auswerten, ohne dass Abruf- oder Lesefehler unbemerkt in ein Signal wandern, etwa Earnings-Calls mit LLMs parsen und RAG für Finanzdaten.
Den dritten Schwerpunkt bilden Coding-Agenten, Plattformen wie MetaTrader 5 und TradingView sowie der Notaus für Bots und Agenten; die zentralen Artikel dazu stehen im Einstieg in 5 Schritten.
Einstieg in 5 Schritten
- KI im Trading: Realität vs. Marketing-Versprechen: Der Überblick trennt, was Machine Learning, Sprachmodelle und Reinforcement Learning im Trading leisten können, von Werbeversprechen und setzt den Rahmen für alle weiteren Artikel.
- Feature-Engineering ohne Leakage: die unsichtbaren Lecks in Zeitreihen schließen.: Bevor ein Modell bewertet wird, muss feststehen, dass kein Feature Zukunftsinformation enthält; der Artikel zeigt, wo solche Lecks bei Zeitreihen entstehen und wie man sie findet.
- Pine Script in MQL5 umwandeln: was KI dabei falsch macht: Am Beispiel einer Portierung von Pine Script nach MQL5 wird deutlich, warum KI-generierter Code fehlerfrei kompilieren und trotzdem anders handeln kann als das Original.
- Claude Code für MQL5: Expert Advisors mit Kompilier-Schleife: Der Leitfaden zeigt, wie ein Coding-Agent mit Rückmeldung des Compilers arbeitet und welche Prüfungen nötig bleiben, bevor ein Expert Advisor über das Demokonto hinauskommt.
- Kill-Switch für Trading-Bots: Notaus auch für KI-Agenten: Bevor ein Bot oder KI-Agent Orders auslösen darf, braucht er einen mehrstufigen Notaus, der unabhängig vom Bot funktioniert und unter realistischen Bedingungen getestet wird.
Häufige Fragen
Kann KI Kurse zuverlässig vorhersagen?
Nein. Finanzmärkte sind stark verrauscht, und ein Muster verliert oft an Wert, sobald viele Teilnehmer es ausnutzen. Kein Modell sagt Kurse deshalb zuverlässig voraus. Machine Learning kann trotzdem nützlich sein, etwa um Signale einer bestehenden Regel zu filtern, Marktphasen zu unterscheiden oder Kosten und Risiken besser zu schätzen. Auch dann liefert ein Modell Wahrscheinlichkeiten mit Unsicherheit, keine Gewissheiten.
Sollte ein KI-Agent selbst Orders auslösen dürfen?
Technisch ist das bei einigen Brokern und Plattformen inzwischen möglich. Ob es sinnvoll ist, hängt davon ab, welchen Schaden ein Missverständnis des Modells anrichten kann. Für Recherche, Überwachung und Berichte genügt Lesezugriff. Sollen Orders möglich sein, gehören die Grenzen in Technik und Rechte statt in das Sprachmodell: ein API-Schlüssel ohne Auszahlungsrecht und mit IP-Sperre, feste Obergrenzen für Ordergröße und Tagesverlust im Code und ein Protokoll jeder Aktion des Agenten.
Woran erkenne ich unseriöse Angebote für KI-Trading-Bots?
Typische Warnsignale sind feste Renditeversprechen, Zeitdruck, kein überprüfbarer Firmensitz, kein ordentliches Impressum und die Aufforderung, Geld direkt an die Plattform oder auf fremde Konten zu überweisen. Seriöse Software lässt sich dagegen nachvollziehen: Regeln, Testmethodik und Risiken sind beschrieben, und gehandelt wird auf einem Konto in Ihrem Namen bei einem regulierten Broker. Ob die BaFin vor einem Anbieter gewarnt hat oder ob er eine Erlaubnis besitzt, lässt sich in ihren Verbraucherwarnungen und ihrer Unternehmensdatenbank prüfen.
Kann ChatGPT oder Claude meinen Trading-Code schreiben?
Als Assistenz ja, und Coding-Agenten können Code sogar selbst kompilieren und testen. Fehlerfrei kompilierter Code ist aber nicht automatisch richtig: Ausführungsmodell, Zeitzonen, Rückgabewerte von Order-Funktionen und Positionslogik weichen oft unbemerkt ab. Sinnvoll sind eine schriftliche Spezifikation vor dem Code, ein Trade-für-Trade-Abgleich mit dem Original, Tests im Demokonto und kein Zugriff des Agenten auf Live-Konten.
Brauche ich Deep Learning, oder reichen einfachere Modelle?
Für tabellarische Merkmale wie Indikatoren oder Fundamentaldaten sind lineare Modelle und Gradient Boosting oft ausreichend, schneller zu trainieren und leichter zu prüfen. Tiefe Netze brauchen mehr Daten und bieten mehr Möglichkeiten, sich an Rauschen anzupassen. Sinnvoll ist, mit einem einfachen Modell als Vergleichsbasis zu beginnen und ein komplexeres nur zu behalten, wenn es auf ungesehenen Daten und nach Kosten messbar besser abschneidet.