KI-Trading-Bots
Maschinelles Lernen wird im professionellen Handel tatsächlich eingesetzt. Die für Privatanleger beworbenen Systeme haben damit meist wenig zu tun und scheitern an denselben Grundproblemen wie jede andere Strategie.
Vorweg: Große Handelsfirmen setzen tatsächlich lernende Systeme ein, und zwar erfolgreich. Das ist kein Marketing. Nur haben ihre Systeme wenig mit dem zu tun, was dir im Internet angeboten wird.
Der Unterschied liegt in den Zutaten. Professionelle Systeme arbeiten mit Datenquellen, die viel Geld kosten, mit Ausführung in Millisekunden und mit Teams von Fachleuten. Der Vorteil steckt in diesen Zutaten, nicht im Wort Künstliche Intelligenz.
Für ein verkauftes System gilt außerdem weiterhin die Frage aus der Guru-Lektion: Warum verkauft es jemand, statt es zu benutzen? Ein System, das funktioniert, verdient mit Kapital mehr als mit Kunden.
Und ein Grundproblem bleibt bestehen, egal wie gut die Technik ist: Ein Modell lernt aus der Vergangenheit. Je mehr Freiheitsgrade es hat, desto besser beschreibt es diese Vergangenheit und desto größer ist die Gefahr, dass es nur sie beschreibt.
Maschinelles Lernen an Finanzmarktdaten leidet an einem ungünstigen Verhältnis von Signal zu Rauschen. Die Anzahl unabhängiger Beobachtungen ist begrenzt, während die Zahl möglicher Merkmale sehr groß ist, was Overfitting begünstigt. Erschwerend kommt die Nichtstationarität hinzu: Zusammenhänge ändern sich, weil Marktteilnehmer auf ihre Ausnutzung reagieren.
Der Vorteil professioneller Anwender liegt überwiegend außerhalb des Modells: exklusive oder teure Datenquellen, Infrastruktur mit geringer Latenz, Zugang zu günstiger Ausführung und die Fähigkeit, viele schwache Signale über eine große Zahl von Positionen zu bündeln. Diese Bestandteile sind für Privatanleger nicht verfügbar und lassen sich durch Software nicht ersetzen.
Bei angebotenen Systemen sind die üblichen Prüfkriterien anzuwenden: vollständige, extern nachvollziehbare Ergebnisaufstellung über mehrere Jahre einschließlich Kosten, Angabe der Zahl geprüfter Varianten, Stabilität gegenüber Parameteränderungen und eine benennbare ökonomische Ursache. Fehlt eines davon, ist eine Bewertung nicht möglich.
Drei Sätze zum Mitnehmen
- Der professionelle Vorteil liegt in Daten und Infrastruktur, nicht im Modell.
- Finanzdaten haben wenig Signal und viel Rauschen, das begünstigt Overfitting.
- Ein verkauftes System sagt etwas über seine Ertragsquelle aus.
Hast du es verstanden?
Warum ist maschinelles Lernen an Finanzdaten besonders schwierig?
Wenig Signal, viel Rauschen, begrenzte unabhängige Beobachtungen und sich ändernde Zusammenhänge.
Worin liegt der Vorteil professioneller Anwender?
In Daten, Infrastruktur, Ausführungskosten und der Bündelung vieler schwacher Signale, nicht im Modell selbst.
Was ist Nichtstationarität?
Zusammenhänge ändern sich über die Zeit, unter anderem weil Marktteilnehmer auf ihre Ausnutzung reagieren.
Passt dazu
- Warum Preise sich bewegenStufe 0
- Warum Nachrichten schon im Preis steckenStufe 3
- Meme-CoinsHype-Einordnung