Was macht ein KI-Trading-Bot für Kryptowährungen eigentlich?

Veröffentlicht: 12 November 2026 | Aktualisiert: 12 November 2026

Am 7 November 2026 beschreiben drei Tools zur Krypto-Automatisierung in ihrer eigenen Dokumentation drei verschiedene Dinge unter dem Begriff „KI“.

• Im Hilfecenter von Cryptohopper steht: „A.I. steht für: Algorithmic Intelligence“. Beschrieben wird die Bewertung der von dir bereitgestellten Strategien danach, wie oft ihre vergangenen Signale ein Gewinnziel erreicht haben.
• 3Commas erklärt, „keine Handelsberatung oder KI-Signale bereitzustellen“, und verbindet stattdessen externe KI-Tools mit seinen Bots.
• Das Open-Source-Modul FreqAI in Freqtrade trainiert Modelle wie LightGBM und XGBoost und trainiert sie nach einem Zeitplan erneut.

Keine dieser Beschreibungen sagt dir für sich genommen, ob der Bot Geld verdient.

Was kann „KI“ bei einem Krypto-Trading-Bot bedeuten?

Diese Mechanismen existieren häufig nebeneinander in einem Produkt. Auswahl und Optimierung sind im weiteren Sinne Formen statistischen Lernens. Etwas als Bewertungssystem statt als Vorhersagemodell zu bezeichnen, klärt nicht abschließend, ob es unter das KI-Label fällt. Und keine der beiden Beschreibungen belegt Profitabilität.

Die nützliche Frage lautet: Was wird aus welchen Daten gelernt, und wie wird es anhand von Daten geprüft, die es noch nicht gesehen hat?

Ich würde außerdem den Assistenten vom Handelsprozess trennen. Ein LLM kann bei der Erstellung einer Strategie helfen, ohne das Modell zu sein, das ihre Marktsignale erzeugt. Ebenso kann eine Strategie Parameter verwenden, die durch Backtests ausgewählt wurden, während sie explizite Regeln ausführt.

Was steht in der Dokumentation der Plattformen selbst?

Die Tabelle erfasst dokumentierte Mechanismen und die Fragen, die diese Beschreibungen offenlassen. Sie ist keine Rangliste. Dokumentation kann erklären, was eine Funktion leisten soll, ohne ihre serverseitige Implementierung offenzulegen oder ihre Leistungsfähigkeit nachzuweisen.

Alle oben stehenden Anbieterzitate wurden am 2026-11-12 erneut mit den Live-Seiten beziehungsweise den archivierten Seiten abgeglichen.

Fehlende Offenlegung lässt eine Frage offen. Sie ist kein Beleg dafür, dass ein Anbieter kein maschinelles Lernen einsetzt, und kein Grund, ein nicht offengelegtes Modell zu unterstellen.

Warum kann ein guter Backtest nicht beweisen, dass ein KI-Bot funktioniert?

Meine vereinfachten Experimente verwendeten öffentliche stündliche Binance-Spotdaten für BTCUSDT und ETHUSDT vom 2022-01-01 bis zum 2026-10-31. Sie demonstrieren Bewertungsprobleme in meinen eigenen Modellen und Simulatoren, nicht im System eines Anbieters. Ein absichtlich eingebauter Look-ahead-Fehler ließ einen fehlerhaften Test eine Genauigkeit von 84.6% ausgeben; die AUC des Walk-forward-Modells lag bei 0.51, mit Intervallen, die das Zufallsniveau einschlossen. Der letztgenannte Test isolierte den Effekt des erneuten Trainings nicht.

Für die Vorhersageaufgabe wurden stündliche Kerzen zu 4-Stunden-Kerzen zusammengefasst und eine binäre Zielgröße verwendet: „Aufwärts“ bedeutete, dass die logarithmische Rendite der nächsten 24 Stunden über die nächsten 6 Kerzen über null lag; null zählte als „abwärts“. Die Eingaben waren historische Renditen, Volatilität, RSI, der Abstand zwischen exponentiellen gleitenden Durchschnitten und ein Volumen-z-Score, berechnet aus Informationen, die beim Schluss der Kerze verfügbar waren; eine vorhergesagte Wahrscheinlichkeit über 0.5 bedeutete „aufwärts“.

Wie ein Look-ahead-Fehler einen Test 85% Genauigkeit ausgeben ließ

Ein absichtlich hinzugefügter zentrierter gleitender Durchschnitt über 13 Kerzen verwendete 6 zukünftige Kerzen und schleuste trotz chronologischer Aufteilung in Trainings- und Testdaten Zukunftsinformationen in die logistische Regression ein.

Die daraus resultierende Genauigkeit von 84.6% und die AUC von 0.93 sind die Ausgabe eines fehlerhaften Tests, kein Beleg für die Vorhersagefähigkeit des Modells; ohne dieses Merkmal lag die Genauigkeit desselben Modells bei etwa 50%.

Warum zufällig gemischte Trainings- und Testaufteilungen Ergebnisse aufblähen

Benachbarte Kerzen teilen den Großteil ihres 24-Stunden-Label-Fensters, sodass die Beobachtungen unabhängig von der Aufteilung voneinander abhängig sind; zusätzlich gelangen durch das zufällige Mischen unmittelbare Nachbarn in die Trainingsdaten, wodurch sich überschneidende Testergebnisse über deren Labels durchsickern. Außerdem ermöglicht es Training auf späteren Daten.

Die blockweise gebildeten Folds trainieren auf beiden Seiten jedes Testblocks, mit einer Bereinigung von 24h davor und einer Sperrfrist von 48h danach. Nur der Walk-forward-Test trainiert deshalb ausschließlich auf früheren Daten.

Dieser Vergleich auf derselben Stichprobe misst den Unterschied zwischen den Aufteilungsverfahren, ohne ihn zwischen Informationslecks durch überlappende Labels und Training auf späteren Beobachtungen aufzuteilen.

Ließ sich ein Walk-forward-Modell vom Zufall unterscheiden?

Meine logistische Regression verwendete ein rollierendes Fenster von 365 Tagen und wurde alle 30 Tage neu angepasst, wodurch 35 Modelle entstanden; ihre AUC-Intervalle schlossen das Zufallsniveau von 0.5 ein, und ihre Genauigkeit lag unter einer Schätzung, die „immer aufwärts“ annimmt.

Damit wurde ein Walk-forward-Verfahren bewertet, ohne den Effekt des erneuten Trainings zu isolieren: Dafür wäre ein Vergleich mit einem unveränderten Modell oder einem anderen Anpassungszeitplan an denselben Daten erforderlich, über den ich hier nicht berichte.

Eine logarithmische Rendite ist der natürliche Logarithmus des Endwerts geteilt durch den Anfangswert. 0 bedeutet keine Veränderung, etwa +0.69 bedeutet eine Verdopplung des Werts und etwa −0.69 eine Halbierung. +0.59 ist also nicht +59% und −0.91 nicht −91%. Das Modell prognostiziert die Richtung über die nächsten 24 Stunden, aber dieses Beispiel entscheidet bei jeder 4-Stunden-Kerze erneut über die Position. Es testet damit eine auf der Prognose aufbauende Handelsregel, nicht den Prognosehorizont selbst.

Wie stark überschätzte die beste von 16 Grid-Einstellungen die folgende Woche?

Mein eigener Spot-Grid-Simulator wählte aus 16 Kombinationen aus Spannenbreite und Grid-Anzahl die Einstellung mit der höchsten Rendite der vergangenen 7 Tage aus und maß anschließend ihre Rendite über die nächsten 7 Tage; auch die Spanne stammte aus der Auswahlwoche, wodurch das In-Sample-Ergebnis konstruktionsbedingt optimistisch ausfiel.

Der unten gezeigte durchschnittliche Abstand blieb auch unter der alternativen Annahme zum Kursverlauf innerhalb der Kerzen bestehen. Er bedeutet aber nicht, dass jede Woche schlechter ausfiel. Die Intervalle stammen aus einem Moving-Block-Bootstrap, der Abschnitte von 12 aufeinanderfolgenden Wochen neu zieht und dadurch die Abhängigkeit zwischen benachbarten Wochen erhält.

Anny unterstützt keine Grid-Bots.

Bleibt die am höchsten bewertete Strategie an der Spitze?

Mein Auswahlverfahren wählte wöchentlich zwischen fünf stündlichen Regeln anhand der Trefferquoten vollständig abgeschlossener Ergebnisse aus den vergangenen 90 Tagen. Als Treffer galt, wenn innerhalb von 24 Stunden ein Kurs von mindestens 2% über dem Schlusskurs der Signalkerze erreicht wurde. Anschließend verglich es die Trefferquote der ausgewählten Regel über die nächsten 28 Tage mit dem Durchschnitt der fünf Regeln.

Es gab einen kleinen beobachteten Unterschied — BTC lag leicht unter und ETH leicht über diesem Durchschnitt —, aber für die gepaarte Differenz wurde kein Konfidenzintervall berechnet, und die Bewertungsfenster überlappen sich.

Das belegt weder Gleichwertigkeit noch, dass Auswahl keinen Nutzen hat. Und Trefferquoten sind keine Gewinne: Dieser Aufbau enthielt weder einen Stop noch einen Ausstieg oder Kosten.

Diese Experimente umfassen einfache Merkmale und Modelle, eine begrenzte Auswahl an Assets sowie einen einzigen Handelsplatz und Zeitraum. Überlappende Labels verringern die Unabhängigkeit, die Ausführung ist vereinfacht, und Trefferquoten messen keinen Gewinn. Diese Tests zeigen, wie Bewertungsentscheidungen Ergebnisse verändern. Sie zeigen nicht, dass maschinelles Lernen im Kryptomarkt nicht funktionieren kann, und sie sagen nichts über die Modelle eines bestimmten Anbieters aus.

Welche Nachweise solltest du von einem Anbieter für KI-Bots verlangen?

Nutze die folgende Checkliste für Anbieternachweise. Eine Modellbeschreibung allein lässt die Performance ungeklärt; ein Renditechart allein lässt den Mechanismus und das Testverfahren ungeklärt.

Behandle eine unbeantwortete Frage als ungeklärt. Fordere weitere Details an, statt dir eine Erklärung für die Funktionsweise des Systems auszudenken.

Auch ein reproduzierbarer Backtest kann auf seine Assets, Zeiträume und Ausführungsannahmen beschränkt bleiben. Ein Unsicherheitsintervall kann eine berichtete Kennzahl beschreiben, ohne jede zuvor getroffene Forschungsentscheidung zu klären.

Wo ist Anny Trade einzuordnen?

Anny Trade verwendet große Sprachmodelle für Ask Anny, den Assistenten. Auf der öffentlichen Optimizer-Seite steht, dass Indikatoren, Backtests, Parametersuche und Validierung „deterministischer Code — kein LLM an irgendeiner Stelle dieses Ablaufs“ sind. Die CFO Anny Line und die Mathematik des Optimizers verwenden kein LLM.

Annys Bots führen explizite, regelbasierte Ein- und Ausstiegsregeln auf den von dir verbundenen Börsenkonten aus, und Anny unterstützt keine Grid-Bots. Diese Beschreibungen zeigen, wo Sprachmodelle eingesetzt werden; sie belegen keine Profitabilität.

Erkunde die deterministischen Backtests und die Parametersuche des Optimizers und wende dieselbe Checkliste darauf an.

FAQ

Kann ein KI-Trading-Bot Kryptopreise vorhersagen?

Ein trainiertes Modell kann ein definiertes Marktergebnis schätzen, aber das Vorhandensein einer Vorhersage belegt keine nützliche Vorhersagefähigkeit. Meine Aufgabe betraf die Richtung über einen festgelegten Horizont, keinen exakten zukünftigen Preis. Keines der Modelle in diesem Artikel zeigte eine verlässliche Fähigkeit zur Richtungsprognose außerhalb der Trainingsstichprobe.

Ist eine Strategiebewertung anhand der Trefferquote maschinelles Lernen?

Leistungsbasierte Strategieauswahl kann im weiteren Sinne als statistisches Lernen gelten, weil sie historische Ergebnisse nutzt, um verfügbare Strategien zu bewerten. Das Label sagt dir nicht, ob diese Entscheidungen später nützlich sein werden. Eine Trefferquote ist kein Gewinnmaß.

Bedeutet die Verwendung eines LLM, dass ein Bot mit maschinellem Lernen handelt?

Ein LLM kann eine Strategie schreiben oder Trading-Tools aufrufen, ohne ein Marktvorhersagemodell zu sein. Frage, was es erzeugt, auf welche Tools es zugreifen kann und wie die Ausführung kontrolliert wird. Bewerte die daraus entstandene Strategie anschließend separat; der Einsatz eines Sprachmodells allein belegt keine Handelsperformance.

Was ist Walk-forward-Validierung?

Eine Walk-forward-Bewertung trainiert auf früheren Daten und testet auf späteren Daten, wobei sie zeitlich voranschreitet. Mein Verfahren verwendete ein rollierendes Trainingsfenster und wiederholte Anpassungen, mit einer Bereinigung vor jedem Testblock. Es unterscheidet sich von geblockten Folds, die auf beiden Seiten eines Testblocks trainieren.

Kann ich die KI eines Closed-Source-Bots selbst überprüfen?

Öffentliche Dokumentation kann helfen, den behaupteten Mechanismus zu identifizieren, ohne die serverseitige Implementierung zu klären. Fehlende Offenlegung ist in keine Richtung ein Beleg. Meine vereinfachten Experimente untersuchen keine Closed-Source-Systeme und können nicht feststellen, was das nicht offengelegte Modell eines Anbieters tut.

Wie ich diese Tests durchgeführt habe (Methodik und Grenzen).

Jedes Ergebnis in diesem Artikel stammt aus Simulationen und Backtests auf historischen Daten, nicht aus tatsächlichem Handel. Hypothetische und simulierte Ergebnisse haben inhärente Einschränkungen: Sie entstehen mit rückblickendem Wissen, bilden keine reale Ausführung ab und sagen keine zukünftige Performance voraus.

Der oben beschriebene Datensatz enthielt 42,359 stündliche Kerzen pro Asset, mit einer börsenseitig fehlenden Stunde am 2023-03-24 13:00 UTC. Stichprobenartig geprüfte monatliche Prüfsummen stimmten mit den von Binance veröffentlichten Prüfsummen überein. Die Softwareversionen waren numpy 2.5.4, pandas 3.1.1 und scikit-learn 1.9.1.

Die Daten enden am 2026-10-31 23:00 UTC, und unvollständige Ergebnisse wurden wie folgt behandelt.

• Vorhersagetests: Kerzen ohne vollständiges Label für die nächsten 24 Stunden wurden entfernt, sodass die letzte mit einem Label versehene 4-Stunden-Kerze bei 2026-10-30 20:00 UTC liegt. Der letzte der 35 Walk-forward-Blöcke beginnt am 2026-10-17.
• Grid: Eine Entscheidung wurde nur beibehalten, wenn 30 vollständige Tage späterer Daten vorlagen. Daraus ergeben sich 195 wöchentliche Entscheidungen vom 2023-01-02 bis zum 2026-09-21.
• Auswahlverfahren: Es traf 199 wöchentliche Entscheidungen vom 2023-01-02 bis zum 2026-10-19. Bei den letzten drei, ab dem 2026-10-05, sind die 28-Tage-Fenster durch das Datenende verkürzt, und Signale in den letzten 24 Stunden zählen als Nichttreffer. Werden diese drei Entscheidungen entfernt, bleiben die kleinen Unterschiede in derselben Richtung bestehen (BTC 0.32 vs 0.34, ETH 0.47 vs 0.46).

Die logistische Regression verwendete standardisierte Merkmale mit der Regularisierung C = 0.1. Der Vergleich der Aufteilungen verwendete einen Random Forest mit 200 Bäumen und einer Mindestblattgröße von 5. Die Eingaben ohne Informationsleck umfassten Renditen über 1, 3, 6, 18 und 42 Kerzen; Volatilität über 18 und 42 Kerzen; RSI(14); den Abstand zwischen exponentiellen gleitenden Durchschnitten über 20 und 50 Kerzen; sowie einen Volumen-z-Score über 42 Kerzen.

Die Walk-forward-AUC-Intervalle verwendeten einen Moving-Block-Bootstrap mit 42 aufeinanderfolgenden 4-Stunden-Kerzen pro Block, 500 Wiederholungsstichproben und den Perzentilen 2.5–97.5. Das Handelsbeispiel erzielte die Rendite der nächsten 4 Stunden ab dem Schlusskurs der Signalkerze, ohne Latenz. Seine Kosten von 15 bps setzten sich aus einer angenommenen Gebühr von 10 bps und 5 bps Slippage pro Positionsänderung zusammen.

Obwohl die Prognose auf die Richtung der nächsten 24 Stunden zielt, überprüft diese Handelsregel ihre Position bei jeder 4-Stunden-Kerze erneut. Ihre Renditen bewerten diese konkrete Regel und keine direkte Monetarisierung des Prognosehorizonts. Weder eine AUC nahe 0.5 noch eine Genauigkeit unter „immer aufwärts“ schließt allein profitable Möglichkeiten aus: Auch die Größenordnung von Gewinnen und Verlusten, Schwellenwerte und die Performance unter bestimmten Bedingungen spielen eine Rolle.

Die Grid-Kandidaten kombinierten Spannenbreiten vom 0.8×, 1.0×, 1.25× und 1.6× der zurückliegenden halben Handelsspanne mit 10, 25, 50 und 100 Stufen. Für jede Ausführung fielen 0.05% an, ohne Slippage. Jede Woche begann neu; nicht verkaufte Coins wurden zum letzten Schlusskurs ohne Ausstiegsgebühr bewertet. Die Differenzintervalle verwenden einen zirkulären Moving-Block-Bootstrap der 195 wöchentlichen Differenzen (Blöcke von 12 Wochen, 10,000 Wiederholungsstichproben, fester Startwert). Die wöchentlichen Differenzen waren bei Lag 1 leicht negativ autokorreliert, und eine automatische Regel zur Blocklänge schlug etwa 11 Wochen (BTC) und 16 Wochen (ETH) vor. Die Intervalle für Blöcke von 2–16 Wochen waren ähnlich breit wie die eines gewöhnlichen Bootstraps oder enger.

Die Regeln des Auswahlverfahrens verwendeten RSI, MACD, Bollinger-Bänder, eine EMA-Kreuzung und einen Ausbruch über das Hoch der vergangenen 48 Stunden. Eine Regel benötigte mindestens 5 vollständig abgeschlossene Signale, um eine Bewertung zu erhalten. Ihre überlappenden Bewertungsfenster sind bei der Interpretation der kleinen beobachteten Unterschiede relevant.

Bei einer zweiten internen Forschungsprüfung ließ ich alle vier ursprünglichen Skripte erneut laufen und erhielt byteidentische Ausgabedateien. An 40 von 40 zufällig ausgewählten Zeitpunkten ließ das Ersetzen zukünftiger Daten die Merkmale ohne Informationsleck unverändert; das absichtliche Look-ahead-Merkmal fiel konstruktionsbedingt bei 40 von 40 Prüfungen durch. Es gab 0 Walk-forward-Folds mit einer Label-Überlappung in den Testzeitraum, und der Skalierer wurde innerhalb der Pipeline ausschließlich an Trainingsdaten angepasst.

Diese Prüfung stützt die Reproduzierbarkeit und die Abwesenheit bekannter Informationslecks in den Pipelines ohne Look-ahead-Merkmal. Sie zeigt nicht, dass die Ergebnisse in anderen Zeiträumen, bei anderen Assets oder Handelsplätzen oder im Live-Handel Bestand hätten, und sie beseitigt keine Verzerrung durch die Auswahl von Forschungsansätzen.

Die Grenzen bleiben erheblich: 2 Assets, 1 Handelsplatz, ein Zeitraum und einfache Modelle. Labels überlappen sich; es gibt weder eine orderbuchbasierte Slippage-Modellierung noch eine über das Berichtete hinausgehende Korrektur für Mehrfachtests. Der Grid-Simulator verwendet einen Kursverlauf mit 4 Punkten innerhalb jeder Kerze, von dem die absoluten Renditen abhängen. Ich habe weder das tatsächliche System eines Anbieters getestet noch FreqAI ausgeführt oder live gehandelt.

Siehe auch

• Was ist Walk-forward-Validierung?
• Wie liest die CFO Anny Line Marktregime?
• Wie verbinde ich meine KI mit Live-Kryptomarktdaten?
• Freqtrades Dokumentation zur Lookahead-Analyse

Jedes Ergebnis in diesem Artikel stammt aus Simulationen und Backtests auf historischen Daten, nicht aus tatsächlichem Handel. Hypothetische und simulierte Ergebnisse haben inhärente Einschränkungen: Sie entstehen mit rückblickendem Wissen, bilden keine reale Ausführung ab und sagen keine zukünftige Performance voraus.

Dieser Artikel dient ausschließlich der Information — er ist keine Finanzberatung. Vergangene Performance lässt keine Rückschlüsse auf zukünftige Ergebnisse zu. Krypto-Assets sind volatil, und du kannst deine gesamte Investition verlieren. Anny Trade ist eine Analyseplattform, kein registrierter Anlageberater.