Machine Learning für den Handel

Wie Händler mit KI bessere Entscheidungen treffen und ihren Hochfrequenzhandel verbessern

image

Zusammenfassung

Trading ist eine hart umkämpfte Welt. Und da KI als die neue Wunderwaffe für alles angepriesen wird, ist es verständlich, dass es ein großes Interesse daran gibt, wie sich KI für den Handel nutzen lässt.

Warnung vorab

KI spielt eine wichtige Rolle im Handel - aber vielleicht nicht so, wie man es erwarten würde. Leider lässt sich KI nicht dafür verwenden, eine übermenschliche Handelsmaschine zu bauen, die Händlern aus allen Marktsegmenten Gewinne einfährt. Nicht einmal Renaissance Technologies tut das. Zumindest noch nicht.

Warum nicht?

Die kurze Antwort: Menschlicher Wettbewerb - mehr dazu unten.

Unterdessen sind die Kämpfe, die KI tatsächlich gewinnt, viel eher auf schrittweise Erfolge aufgebaut - die aber immer noch eindrucksvoll sind. KI ist eher eine gute Unterstützung für Händler. Händler ersetzen wird KI wohl eher nicht.

Hier nun die vier wichtigsten Anwendungen von KI im Handel.

Sentimentanalyse

Menschen können nicht alle Informationen im Markt verarbeiten - Maschinen hingegen kommen dem schon sehr nahe. Mit KI können Maschinen inzwischen viel mehr - einschließlich Analyse und Zusammenfassung von Texten.

Sie können so auch die aktuelle Stimmung erfassen: Webscraper sammeln täglich Nachrichten, Tweets und andere Beiträge in sozialen Medien zu einem bestimmten Thema, und dann finden KI-Algorithmen (insbesondere durch Natural Language Processing) heraus, ob positive oder negative Ansichten überwiegen. Sie können sogar aus Texten Themen generieren, diese kategorisieren und auch automatisch menschenlesbare Textzusammenfassungen erstellen.

Solche Informationen sind sehr wertvoll für Händler, die ständig auf dem Laufenden sein müssen.

Vorhersage von Fundamental-Daten

Händler nutzen KI auch, um die Zuverlässigkeit von Fundamental-Datenprognosen zu verbessern - Statistiken also, die Händler für die Entscheidungsfindung nutzen.

Beispiele für solche Vorhersagen:

  • Das Wetter im Nordosten in den nächsten zwei Wochen;
  • Summe der Solarenergieversorgung in Deutschland morgen;
  • Das Ergebnis einer politischen Wahl.

Diese Prognosen basieren auf Algorithmen, die von anderen Unternehmen entwickelt wurden - aber das heißt nicht, dass man diese Vorhersagen nicht verbessern könnte.

Ein praktischer Trick besteht darin, einem Algorithmus beizubringen, mehrere Expertenprognosen zu einer neuen Vorhersage zu kombinieren - was dann zu genaueren Ergebnissen führt als jede der zugrunde liegenden Prognosen. Das nennt man Ensembling, und es funktioniert in diesem Fall ziemlich gut.

Muster finden

Beim Handel geht es darum, lokalisierte Muster, die oft zeitlich und räumlich begrenzt sind, zu identifizieren und dann herauszufinden, wie Sie sie nutzen können. Das Finden von Mustern ist mühsam und zeitaufwendig.

Aber KI-Algorithmen sind Musterfindungsmaschinen. Wenn Sie Unregelmäßigkeiten in einem bestimmten Datensatz vermuten, können Sie Zeit sparen, indem Sie KI dazu nutzen, die Muster zu finden.

Auf diese Weise kann KI nützliche Muster finden, jedenfalls solange das Programm von erfahrenen Data Scientists geleitet wird, die wissen, wonach sie suchen. Diese Muster werden dann von Händlern verwendet, die sie mit ihrer Erfahrung und Intuition verbinden und anwenden. Oder Sie können die Muster verwenden, um Highfrequency Trading Algorithmen zu entwerfen - wie im nächsten Abschnitt erläutert wird.

Das Tunen von Hochfrequenz-Handelsmaschinen

Im Hochfrequenzhandel werden, wie der Name schon sagt, täglich Tausende oder Millionen von Trades ausgeführt, wobei versucht wird, Ineffizienzen auszunutzen, die nur über sehr kurze Zeiträume bestehen.

Menschen können diese Geschäfte nicht machen, es sind einfach zu viele. Menschen können aber die Regeln definieren, nach denen die Maschinen arbeiten.

Da sich der Markt jedoch ständig verändert, müssen diese Maschinen fortwährend angepasst werden. Das kostet viel Zeit und Mühe.

KI kann diese Rekalibrierungen automatisieren - und einen Großteil der sich wiederholenden statistischen Arbeit erledigen, die Analysten sonst leisten müssten.

Warnzeichen - worauf man achten sollte

Das Versprechen, einen Wunder-Algorithmus zu finden, der sozusagen eine Lizenz zum Gelddrucken ist, klingt sehr verlockend. Viele kluge Leute haben der Versuchung nachgegeben – ohne Erfolg. Warum?

Dies sind die wichtigsten Fallen, vor denen man sich hüten sollte:

KI heute ist NICHT “smarter” als Menschen

Tatsächlich sind selbst die fortgeschrittensten KI-Algorithmen heute sehr naiv im Vergleich zu menschlichen Gehirnen.

Wenn ein Algorithmus einen Menschen beim Schach oder GO schlägt, ist das wie ein Auto, das einen menschlichen Läufer in einem 400-Meter-Rennen schlägt: Ja, die Maschine ist schneller, aber das macht sie nicht überlegen. Es bedeutet nur, dass wir eine Maschine gebaut haben, die eine sehr eng definierte Aufgabe - unter bestimmten eng definierten Bedingungen - ausgezeichnet erledigen kann.

Auch wenn es auf den ersten Blick so erscheinen mag, der Handel ist keine so eng definierte Aufgabe. Warum? Im Handel konkurrieren Sie mit anderen Menschen - und die werden ihre ganze Intelligenz einsetzen, um Ihnen voraus zu sein.

Öffentlich verbreitete Handelsstrategien funktionieren im wirklichen Leben oft nicht

Es gibt eine Menge Forschung und viele Blog-Artikel, die einen profitablen KI-basierten Handelsalgorithmus versprechen. Aber diese Modelle funktionieren im wirklichen Leben meist nicht, und das aus mehreren Gründen.

Fehlerhafte Setups

Erstaunlich viele Artikel machen schon beim Setup ihres Lern- und Testrahmens Fehler. Sie verwenden Variablen, die zu der Zeit, als die KI eine Entscheidung treffen musste, nicht verfügbar gewesen wären (data leakage), oder sie gleichen die Vorhersagen mit dem aktuellen Preis ab und nicht mit dem zukünftigen Preis. Erstaunliche Fehler - aber Zeitreihen-Datensätze sind eine komplizierte Angelegenheit für das menschliche Gehirn.

Voreingenommenheit bei der Auswahl

Fondsmanager werden oft kritisiert, weil sie ihre höhere Rendite gern auf überlegene Fähigkeiten zurückführen, statt auf schlichtes Glück. Aber wenn viele Fondsmanager auf der Basis willkürlicher Vermutungen operieren, wird es auch immer einige geben, die durch Zufall gute Ergebnisse erzielen. Die Verlierer machen dicht, und wir hören nie wieder etwas von ihnen - es scheint also so zu sein, als gäbe es viele Fondsmanager, die sich im Markt zu behaupten verstehen.

In Wirklichkeit aber entspricht die Zahl der Fondsmanager, die sich im Markt behaupten, genau dem, was man nach dem Zufallsprinzip erwarten würde.

Dasselbe gilt für Forschungsliteratur. Wenn Sie viele Algorithmen ausprobieren, werden Sie schließlich einen finden, der bestimmte Gewinne zu erzielen scheint. Wenn Sie niemandem erzählen, wie viele Experimente Sie durchführen mussten, um dorthin zu gelangen, sieht es so aus, als wären Sie selber auf den einen überlegenen Ansatz gestoßen.

Es gibt jedoch keine einzige Garantie dafür, dass diese Strategie auch außerhalb der von Ihnen getesteten Daten funktioniert.

Transaktionsgebühren und Slippage

Tatsächlich ist das Programmieren einer Handelsstrategie, die den Markt schlagen kann, eher einfach - ABER NUR, wenn Sie die realen Kosten des Handels außer Acht lassen. Transaktionsgebühren (die Gebühren, die Sie für jeden Handel bezahlen) und Slippage (die Tatsache, dass sich der Preis zwischen dem Zeitpunkt, an dem Sie Ihre Order aufgeben, und dem Zeitpunkt, an dem die Order durchgeht, ändern kann) verschlingen eine Menge Geld. Und in den meisten Fällen reicht dieser Verlust aus, den Gewinn zu eliminieren, den die Simulation versprochen hat.

Die Muster ändern sich mit der Zeit

Eine der wichtigsten Annahmen im Machine Learning ist es, dass Muster, die Sie in den Daten der Vergangenheit finden, auch für Prognosen in der Zukunft brauchbar sind.

Im Handel funktioniert das aber nicht. Andere Händler konkurrieren darum, die gleichen Muster zu finden - so werden Muster gefunden, ausgenutzt, und dann verschwinden sie wieder. Muster existieren also meist nur kurz, und man muss ständig neue identifizieren.

Das erfordert eine große Anpassungsfähigkeit - etwas, was der Mensch im Moment viel besser kann als Maschinen.

Algorithmen allein werden Ihnen nie einen Vorteil verschaffen

Es ist leicht, sich mitreißen zu lassen und sich auf den Algorithmus als den wichtigsten Wettbewerbsvorteil bei der Entscheidung zwischen zwei Handelsstrategien zu konzentrieren.

Dies ist im Grunde auch, was Unternehmen wie Numerai empfehlen:

  1. Kombiniere viele gute Modelle zu einem Supermodell.
  2. Mach Gewinne an der Börse.

Aber das funktioniert nicht. Warum? Einfach weil Daten besser sind als Algorithmen. Die Daten, mit denen Sie Ihren Algorithmus füttern, haben einen viel größeren Einfluss auf die Leistung Ihres Modells als die Qualität des Algorithmus. Die Daten, die Numerai Ihnen gibt, sind festgelegt - Sie können nichts hinzufügen. Die Prognosen werden also immer schlechter sein als diejenigen von Händlern, die in der Verwendung ihrer Daten nicht eingeschränkt sind. Diese Händler haben Zugang zu einem offenen Datenpool, können ihre Algorithmen also kontinuierlich ausprobieren, testen und neue Datenpunkte hinzufügen – und damit verbessern.

Ein Hoffnungsschimmer - Ineffiziente Märkte sind eventuell ein fruchtbarer Boden

Märkte mit wenigen Handelsteilnehmern, hohen Eintrittsbarrieren, einem begrenzten Handelsvolumen und wenigen Akteuren, die Machine Learning zu nutzen verstehen, könnten eventuell Möglichkeiten für einen ungetrübten KI-Handelserfolg bieten.

In diesen Märkten steht der automatisierte Handel - insbesondere der Einsatz von Machine Learning - noch am Anfang, und Händler, die automatisierte Handelsmaschinen bauen, könnten durchaus gute Gewinne erzielen.

Brauchen Sie Hilfe bei einem Machine Learning Projekt?

Telefontermin buchen

ODER sende mir eine Beschreibung an: m.schmitt@datarevenue.de