Das Wort „KI" hat still und leise drei verschiedene Dinge verschluckt
Wenn ein Hedgefonds-Analyst, ein Privatanleger und eine Journalistin über „KI im Finanzwesen" sprechen, meinen sie in der Regel drei verschiedene Dinge. Der Analyst meint jahrzehntealtes maschinelles Lernen — Gradient Boosting, Random Forests, Support Vector Machines — angewandt auf Alpha-Suche und Risikomodellierung. Der Privatanleger meint einen Hochglanz-Bot, der verspricht, den morgigen S&P-Schlusskurs vorherzusagen. Die Journalistin meint meist grosse Sprachmodelle wie GPT-4 oder Claude, die neuerdings einen 200-seitigen 10-K-Bericht in Sekunden lesen können. Alle drei existieren. Nur zwei funktionieren.
Diese drei auseinanderzuhalten ist der ganze Zweck dieses Artikels. KI hat eine reale, dauerhafte, profitable Rolle an den Märkten. Es ist nicht die Rolle, die die meisten Retail-Produkte bewerben, und es ist nicht das, was der LLM-Hype nahelegt. Um zu verstehen, was KI im Finanzwesen tatsächlich tut, muss man bei den Fonds anfangen, die es am längsten tun.
Die vierzigjährige Vorgeschichte bei den Quant-Fonds
Renaissance Technologies, 1982 von Jim Simons gegründet, liess statistische Lernmodelle auf Rohstoffdaten laufen, bevor „maschinelles Lernen" ein Begriff war, den die meisten Informatiker verwendeten. Mitte der 1990er-Jahre hatte Renaissance eine Generation von Kryptografen, Mathematikerinnen und Physikern von IBM und den Bell Labs angeworben, um Signale aus Kurs, Volumen und zunehmend exotischen alternativen Daten zu gewinnen. Die berichtete Bilanz des Medallion Fund — rund 39 % Nettorendite p. a. über dreissig Jahre — ist das Nächste, was das Finanzwesen an Beleg dafür hat, dass systematische, datengetriebene Ansätze einen Edge im grossen Massstab halten können.
D. E. Shaw, Two Sigma und Citadel bauten in den 1990er- und 2000er-Jahren parallele Programme auf. Keiner von ihnen nannte das, was er tat, „KI". Sie nannten es statistische Arbitrage, Faktormodellierung oder systematisches Alpha. Die Methoden waren nach jeder modernen Definition ML: regularisierte Regressionen, neuronale Netze, Ensemble-Bäume. Die Fonds mieden das Wort, weil „KI" im Finanzwesen einen Hype-Beiklang hatte, der von der eigentlichen Forschung ablenkte. Das hat sich inzwischen umgekehrt. Dieselben Firmen rekrutieren heute öffentlich „KI-Forscherinnen und -Forscher", weil der Arbeitsmarkt für Talente das Etikett belohnt.
Die Lehre aus vierzig Jahren maschinellem Lernen im industriellen Massstab an den Märkten ist unromantisch: Der Edge kommt aus Daten, Infrastruktur und Ausführung — nicht aus der Raffinesse der Algorithmen. Renaissance gewinnt nicht, weil seine Modelle klüger sind als die aller anderen. Es gewinnt, weil es sauberere Daten, schnellere Ausführung und einen vierzigjährigen Zinseszinsvorsprung darin hat, Signale zu erkennen, die noch nicht wegarbitriert sind.
Was moderne KI/ML an den Märkten tatsächlich leistet
Ohne Marketing betrachtet, fallen die produktiven Anwendungen maschinellen Lernens im Finanzwesen in eine Handvoll Kategorien. Jede hat eine jahrzehntelange Erfolgsbilanz. Keine davon besteht darin, „den Markt vorherzusagen" in dem Sinne, den Retail-Produkte nahelegen.
Signalsuche in alternativen Daten
Satellitenbilder von Parkplätzen, die Einzelhandelsergebnisse vorhersagen. Aggregierte Kreditkartentransaktionen, die Umsätze im Konsumgütersektor vorhersagen. Web-Scraping von Stellenanzeigen als Frühindikator für Unternehmensausgaben. Telemetriedaten von Containerschiffen, die Rohstoffströme vorhersagen. Maschinelles Lernen ist hervorragend darin, schwache, verrauschte Korrelationen zwischen unstrukturierten Daten und künftigen Vermögenspreisen zu finden und viele solcher schwachen Signale zu einem Komposit zu verbinden, das nach Kosten einen positiven Erwartungswert hat. Das ist das tägliche Brot der Multi-Strategie-Quant-Fonds.
Risikomodellierung und Portfoliokonstruktion
Die Kovarianzmatrix eines Portfolios aus tausend Anlagen zu schätzen ist ein Problem, das statistisches Lernen weit besser bewältigt als klassische Stichproben-Kovarianzverfahren. Shrinkage-Schätzer, Faktormodelle mit per ML gefundenen Faktoren und Graph-neuronale Netze zur Modellierung systemischer Risiken sind bei den grossen Banken und Quant-Fonds produktiv im Einsatz. Risk Parity, ursprünglich eine Heuristik, wird heute routinemässig über ML-Pipelines neu hergeleitet.
Ausführungsalgorithmen
Die Marktmikrostruktur-Ebene — wie Orders zerlegt, eingereiht und geroutet werden, um Impact und Slippage zu minimieren — wird seit Mitte der 2010er-Jahre von Reinforcement Learning geprägt. LOXM von JPMorgan und vergleichbare Ausführungsagenten auf Bankenebene lernen, die Platzierung von Teilorders anhand von Orderbuch-Merkmalen in Echtzeit zu timen. Der Nutzen bemisst sich in Basispunkten eingesparter Slippage auf enormen Nominalvolumina, nicht in gerichtetem Alpha.
Anomalieerkennung und Überwachung
Spoofing-Erkennung, Layering, Wash Trades und andere Formen der Marktmanipulation sind Mustererkennungsprobleme. Börsen und Aufsichtsbehörden trainieren seit zwei Jahrzehnten Klassifikatoren auf Daten gelabelter Vorfälle. Die Untersuchung des Flash Crash von 2010 stützte sich stark auf das, was im Vokabular von 2026 KI-Überwachung heisst.
Wo LLMs hineinpassen — und wo nicht
Mit den Modellen der GPT-4-Klasse kam 2023 eine wirklich neue Fähigkeit: unstrukturierten Text im grossen Massstab zu erfassen. Bloomberg veröffentlichte BloombergGPT, ein Modell mit 50 Milliarden Parametern, trainiert auf Finanzdokumenten. Die Open-Source-Projekte FinGPT und FinMA folgten. JPMorgan machte ein internes LLM zur Zusammenfassung von Analystenresearch publik. Bis 2026 betreibt jede Tier-1-Bank intern mindestens ein finanzspezifisch trainiertes LLM.
Was diese Modelle gut können, ist eng umrissen, aber wertvoll:
- Zusammenfassung von Earnings Calls. Ein 90-minütiges Transkript lesen und Prognosen, Investitionszusagen und Stimmungsverschiebungen im Management in Sekunden herausziehen.
- Diff-Analyse von Berichten. Den 10-Q dieses Quartals gegen die vorherigen fünf halten und Änderungen bei den Risikofaktoren sichtbar machen — eine Aufgabe, die vorher Analystenstunden verschlang.
- Nachrichtenklassifikation. Nachrichtenfluss nach Unternehmen, Ereignistyp und Stimmung schnell genug taggen, um ereignisgetriebene Strategien zu speisen. Der Latenzvorteil eines schnellen LLM gegenüber einer menschlichen Leserin beträgt inzwischen mehrere Minuten pro Artikel.
- Code- und Indikatorgenerierung. Eine Strategiespezifikation zum Prototyping in Pine Script, Python oder kdb+ übersetzen. Wird in den meisten Quant-Häusern intern als Produktivitätsmultiplikator eingesetzt.
Was LLMs schlecht können, ist die Kursprognose. Sie sind nicht dafür gebaut, haben kein eigenes Konzept von Vorhersage unter Unsicherheit und halluzinieren beim numerischen Schliessen mit grosser Überzeugung. Mehrere veröffentlichte Arbeiten haben gezeigt, dass Modelle der GPT-Klasse, denen man Kurshistorien vorlegt, plausibel klingende Prognosen erzeugen, die statistisch nicht von Random Walks zu unterscheiden sind. Wer ein „LLM, das den Markt vorhersagt" verkauft, verkauft entweder eine Hülle um ein klassisches Modell oder gar nichts.
Das Datenproblem, an dem die meisten „KI-Trading-Bots" scheitern
Finanzzeitreihen haben eine brutale Eigenschaft: ein extrem niedriges Signal-Rausch-Verhältnis. Die Tagesrendite eines Aktienindex ist näherungsweise normalverteilt mit einer annualisierten Volatilität um 16 % und einer mittleren Drift von 7 %. Die Drift, also das „Signal", wird von der Volatilität, dem „Rauschen", erdrückt. Standardverfahren des maschinellen Lernens — entwickelt für Bildklassifikation, wo das Signal-Rausch-Verhältnis enorm ist — überfitten auf solchen Daten katastrophal.
Der Retail-Markt für „KI-Trading-Bots" wird von Produkten beherrscht, die entweder implizit historische Daten überfittet haben oder klassische Strategien fahren (RSI, MACD, einfache gleitende Durchschnitte) und „KI" aufs Etikett schreiben. Das ehrliche Erkennungsmerkmal ist die Marketingsprache. Echte ML-Quant-Teams werben nicht mit Trefferquoten, weil sie wissen, dass eine Trefferquote ohne Payoff-Verhältnis, Drawdown und statistische Signifikanz eine bedeutungslose Kennzahl ist. Produkte, die „85 % Genauigkeit" versprechen, lügen entweder oder messen etwas Nutzloses.
Dasselbe Datenproblem erklärt auch, warum die akademische Literatur zu ML im Trading weitgehend enttäuscht. Die Arbeit von López de Prado aus dem Jahr 2020, The 10 Reasons Most Machine Learning Funds Fail, führt überfittete Backtests, ignorierte Transaktionskosten, Stichprobenselektionsverzerrung und Survivorship Bias unter den häufigsten Fehlern auf. Jedes Retail-„KI"-Produkt begeht mindestens vier der zehn Fehler, fast schon strukturell zwangsläufig — es kann sich die Infrastruktur nicht leisten, sie zu vermeiden.
Wo Privatanleger KI ehrlich einsetzen können
Die unehrlichen Anwendungen bekommen die Marketing-Aufmerksamkeit. Die ehrlichen sind unglamourös und tatsächlich nützlich. Eine Privatanlegerin mit Zugang zu einem kompetenten LLM und üblichen Datenpipelines kann 2026 mehrere Dinge tun, die vor fünf Jahren unmöglich waren.
Research-Unterstützung
Research-Notizen, Zentralbankmitteilungen, FOMC-Protokolle und Earnings Calls zu lesen und zusammenzufassen, ist heute günstig und schnell. Wer pro Quartal fünfzig Earnings Calls mit LLM-Zusammenfassungen durchsieht, deckt zehnmal mehr Boden ab als jemand, der Transkripte manuell liest. Das Ergebnis muss überprüft werden — LLMs halluzinieren Zahlen —, aber als Triage-Ebene ist es wirklich produktiv.
Prototyping von Indikatoren und Strategien
Eine Idee („zeichne den Z-Score des Spreads zwischen 10-jährigen Renditen und der S&P-Dividendenrendite, mit Markern für Regimewechsel") in lauffähiges Pine Script oder Python zu übersetzen, dauert heute Minuten statt Tage. Der erste Entwurf ist selten korrekt, aber der Iterationszyklus ist dramatisch kürzer. Das ist der grösste einzelne Produktivitätsgewinn, den die aktuelle KI-Generation systematisch-diskretionären Tradern bringt.
Screening und Ereigniserkennung
Tausende Aktien nach Ereignissen auf Narrativ-Ebene zu filtern — Wechsel im Management, revidierte Prognosen, Produkteinführungen, regulatorische Massnahmen — ist genau das, worin LLMs gut sind. Ein LLM-gestützter Screener zusammen mit klassischen technischen Filtern ergibt eine Triage-Pipeline, die Ereignisse erfasst, die eine Sichtprüfung übersehen würde.
Risiko- und Positionsprotokollierung
Natürlichsprachliche Schnittstellen zum Trading-Journal — „wie hoch ist mein durchschnittlicher Verlust bei Momentum-Trades, die ich in den letzten sechs Monaten über Nacht gehalten habe?" — machen aus einer mühsamen Tabellenübung ein Gespräch. Das Journal bleibt die Datengrundlage; das LLM ist die Abfrageebene.
Die Fehlermodi, die jede Nutzerin kennen sollte
Auch in den ehrlichen Anwendungsfällen hat maschinelles Lernen vorhersehbare Fehlermodi, die Privatanwender im Blick behalten sollten.
- Overfitting. Ein Modell, das im Backtest brilliert und ausserhalb der Stichprobe nur mässig abschneidet, ist die Regel, nicht die Ausnahme. Walk-Forward-Validierung ist Pflicht; In-Sample-Kennzahlen sind nahezu bedeutungslos.
- Regimewechsel. Modelle, die auf dem Nullzinsumfeld nach 2008 trainiert wurden, brachen, als sich die Zinsen 2022 normalisierten. Jedes ML-Modell, das seit dem jüngsten Regimewechsel nicht neu validiert wurde, ist als fragwürdig zu behandeln.
- Halluzination in numerischen Kontexten. LLMs erfinden häufig plausibel klingende Zahlen. Alles, was aus einem LLM in eine finanzielle Entscheidung einfliesst, sollte am Quelldokument geprüft werden.
- Korrelationskaskaden. ML-getriebene Strategien clustern — sie finden tendenziell ähnliche Signale und handeln sie zu ähnlichen Zeiten. Die Quant-Equity-Krise von 2007 entstand, weil Dutzende Stat-Arb-Fonds gleichzeitig dieselben Positionen liquidieren mussten. Retail-„KI-Bots", die ähnliche Bibliotheken nutzen, tragen dasselbe Risiko im Kleinen.
- Black-Box-Risiko. Ein Modell, dessen Entscheidungen Sie nicht erklären können, ist ein Modell, das Sie nicht debuggen, nicht gegen Szenarien ausserhalb des Trainings stresstesten und nicht reparieren können, wenn es bricht. Interpretierbarkeit ist bei der Kapitalallokation nicht optional.
Die Sicht von MomentumQ
Die MomentumQ-Indikatorensuite ist bewusst nicht „KI-gesteuert". Jedes Signal ist das Ergebnis expliziter, deterministischer Regeln, die eine Nutzerin lesen, verstehen und stresstesten kann. Die Regime-Klassifikation nutzt ADX mit dokumentierten Schwellenwerten. Die Konfluenzbewertung nutzt eine transparente gewichtete Summe. Die Order-Block-Erkennung folgt einem veröffentlichten Swing-Struktur-Algorithmus. Es gibt kein neuronales Netz, das entscheidet, was gezeichnet wird.
Das ist Absicht. Diskretionäre Tradern, die ML-Werkzeuge einsetzen, die sie nicht interpretieren können, erben sämtliche Fehlermodi von Black-Box-Modellen ohne die institutionelle Risikoinfrastruktur, mit der Quant-Fonds sie eindämmen. Explizite, interpretierbare Indikatoren geben einem Trader das Eine, was KI nicht kann: genau zu wissen, warum ein Signal ausgelöst hat, und es zu übergehen, wenn der Kontext es nahelegt.
Wo KI auf Retail-Ebene hingehört, ist in den Schichten rund um den Chart — Research, Prototyping, Journal, Ereigniserkennung. Der Chart selbst, wo die eigentliche Handelsentscheidung fällt, profitiert von Klarheit statt Raffinesse. Ein korrekt angewandter gleitender Durchschnitt schlägt ein Deep-Learning-Modell, das ein kleines Trainingsfenster überfittet hat — und der Trader kann den gleitenden Durchschnitt debuggen, wenn er nicht mehr funktioniert.
Wohin das führt
Der ehrliche kurzfristige Pfad der KI im Finanzwesen ist inkrementell. LLMs werden weiter Research- und Analystenarbeit übernehmen. Multimodale Modelle, die Text, Zeitreihen und Bilder verbinden, werden aus alternativen Daten geringfügig bessere Signale erzeugen. Ausführung per Reinforcement Learning wird bei institutionellen Volumina weitere Basispunkte sparen. Nichts davon wird ein Retail-Produkt hervorbringen, das Kurse verlässlich vorhersagt — dieses Ziel hat vierzig Jahren brillanter Köpfe mit Milliardenbudgets und einer Infrastruktur widerstanden, mit der keine Einzelperson mithalten kann.
Am meisten profitieren jene Tradern von der heutigen KI, die sie als Produktivitätsmultiplikator auf eine Disziplin aufsetzen, die sie bereits haben. Geld verlieren an KI jene, die sie als Ersatz für die Disziplin behandeln, die sie nicht haben.
Quellen & weiterführende Literatur
- Marcos López de Prado, Advances in Financial Machine Learning (2018) — das kanonische Praxishandbuch für ML auf Finanzdaten.
- Marcos López de Prado, „The 10 Reasons Most Machine Learning Funds Fail" (Journal of Portfolio Management, 2018).
- Gregory Zuckerman, The Man Who Solved the Market (2019) — über Renaissance Technologies und den Ursprung der statistisch lernenden Quant-Fonds.
- Bloomberg, „BloombergGPT: A Large Language Model for Finance" (2023).
- JPMorgan AI Research, „LOXM: Learning to Optimize Execution" — öffentliche Vorträge und White Paper zu RL-basierter Ausführung.
- FinGPT und FinMA — Open-Source-Projekte für finanzspezifisch trainierte LLMs auf GitHub.
