Der „iPhone-Moment“ des maschinellen Lernens im Kryptobereich rückt näher, da KI-Agenten den Markt handeln

Der durch KI unterstützte Handel hat noch nicht den „iPhone-Moment“ erreicht, bei dem jeder einen algorithmischen Portfolio-Manager mit Verstärkungslernen in der Tasche trägt, doch Experten zufolge zeichnet sich ein solcher Moment ab.

Tatsächlich stößt die Kraft der KI an ihre Grenzen, wenn sie auf die dynamische, adversarielle Arena der Handelsmärkte trifft. Im Gegensatz zu einem KI-Agenten, der durch endlose Schleifen von selbstfahrenden Autos darin geschult wird, Verkehrssignale präzise zu erkennen, wird keine Datenmenge und kein Modell jemals in der Lage sein, die Zukunft vorherzusagen.

Dies macht die Verfeinerung von KI-Handelsmodellen zu einem komplexen und anspruchsvollen Prozess. Der Erfolg wurde bislang typischerweise durch die Bewertung von Gewinn und Verlust (P&L) gemessen. Fortschritte bei der Anpassung von Algorithmen führen jedoch zu Agenten, die kontinuierlich lernen, Risiko und Ertrag angesichts einer Vielzahl von Marktbedingungen auszubalancieren.

Ermöglichen von risikobereinigten Kennzahlen wie der Sharpe Ratio zur Information des Lernprozesses vervielfacht die Komplexität eines Tests, sagte Michael Sena, Chief Marketing Officer bei Recall Labs, ein Unternehmen, das etwa 20 KI-Handelsarenen betreibt, in denen eine Community KI-Handelsagenten einreicht, und diese Agenten über einen Zeitraum von vier oder fünf Tagen gegeneinander antreten.

„Wenn es darum geht, den Markt nach Alpha zu durchsuchen, erforscht die nächste Generation von Entwicklern die Anpassung und Spezialisierung von Algorithmen unter Berücksichtigung der Nutzerpräferenzen“, sagte Sena in einem Interview. „Optimiert zu sein für ein bestimmtes Verhältnis und nicht nur für den reinen Gewinn und Verlust ähnelt eher der Arbeitsweise führender Finanzinstitute in traditionellen Märkten. Deshalb schaut man sich Dinge an wie: Was ist Ihr maximaler Drawdown, wie hoch war Ihr Value at Risk, um diesen Gewinn und Verlust zu erzielen?“

Einen Schritt zurücktreten, ein kürzlich stattgefundener Handelswettbewerb auf der dezentralen Börse Hyperliquid, unter Einbeziehung mehrerer großer Sprachmodelle (LLMs) wie GPT-5, DeepSeek und Gemini Pro, setzten gewissermaßen den Maßstab dafür, wo die KI im Handelsumfeld steht. Diese LLMs erhielten alle denselben Prompt und handelten eigenständig, wobei sie Entscheidungen trafen. Nach Angaben von Sena waren sie jedoch nicht besonders leistungsfähig und übertrafen den Markt kaum.

„Wir haben die in dem Hyperliquid-Wettbewerb eingesetzten KI-Modelle verwendet und den Teilnehmern die Möglichkeit gegeben, ihre eigenen Trading-Agenten einzureichen, die gegen diese Modelle antreten sollten. Wir wollten herausfinden, ob spezialisierte Trading-Agenten den grundlegenden Modellen überlegen sind“, erklärte Sena.

Die drei Spitzenplätze im Wettbewerb von Recall wurden von maßgeschneiderten Modellen eingenommen. „Einige Modelle waren unrentabel und schnitten unterdurchschnittlich ab, doch es wurde deutlich, dass spezialisierte Handelsagenten, die diese Modelle nutzen und zusätzliche Logik, Inferenz, Datenquellen und weitere Elemente darauf anwenden, die Basis-KI übertreffen“, sagte er.

Die Demokratisierung des KI-basierten Handels stellt interessante Fragen darüber, ob es noch Alpha zu erzielen gibt, wenn alle denselben Stand an ausgefeilter Machine-Learning-Technologie nutzen.

„Wenn alle denselben Agenten verwenden und dieser Agent für jeden dieselbe Strategie ausführt, führt das dann nicht zu einem Zusammenbruch in sich?“ sagte Sena. „Verschwindet die entdeckte Alpha, weil versucht wird, sie für alle anderen in großem Maßstab auszuführen?“

Deshalb sind es laut Sena diejenigen, die über die Ressourcen verfügen, in die Entwicklung maßgeschneiderter Werkzeuge zu investieren, die am besten davon profitieren werden, welchen Vorteil der KI-Handel letztlich bringen wird. Wie in der traditionellen Finanzwelt sind die qualitativ hochwertigsten Werkzeuge, die den meisten Alpha generieren, in der Regel nicht öffentlich zugänglich, fügte er hinzu.

„Die Menschen möchten diese Werkzeuge so privat wie möglich halten, weil sie dieses Alpha schützen wollen“, sagte Sena. „Sie haben viel dafür bezahlt. Man sieht das bei Hedgefonds, die Datensätze kaufen. Man erkennt es auch bei proprietären Algorithmen, die von Family Offices entwickelt wurden.

„Ich denke, der magische Sweet Spot liegt dort, wo es ein Produkt gibt, das als Portfoliomanager fungiert, der Nutzer aber dennoch Einfluss auf seine Strategie hat. Sie können sagen: ‚So handle ich gerne und das sind meine Parameter, lassen Sie uns etwas Ähnliches umsetzen, aber besser.‘“