KI weist versteckte Risiken beim Handel mit Krypto-Futures hin

Ein Bitcoin (BTC ) Ein Diagramm kann eine bescheidene Kursbewegung zeigen, während der darunter liegende Markt immer schwieriger zu handeln wird. Käufer könnten verfügbare Verkaufsaufträge verbrauchen, Liquiditätsanbieter könnten Angebote zurückziehen und gehebelte Positionen könnten sich ansammeln. Keine dieser Bedingungen wird vollständig durch die Höhe der Kursbewegung erklärt.

Eine neue Studie von Suresh Rajendran und Divya Singaravelu, die zur Veröffentlichung im International Review of Economics and Finance angenommen wurde, untersucht diese Lücke.¹ Anhand von Daten zu Bitcoin- und Ether-Perpetual-Futures untersuchen die Forschenden, ob maschinelles Lernen kurzfristige Toxizität im Orderflow erkennen kann, ohne sich direkt auf die jüngste Volatilität zu stützen.

Die Ergebnisse deuten darauf hin, dass Order‑Flow‑Signale helfen können, das Risiko von Adverse‑Selection zu bewerten. Ihre weitergehende Bedeutung liegt darin, dass die Identifizierung großer Kursbewegungen und die Erkennung kostspieliger Handelsbedingungen unterschiedliche Aufgaben sind. Für Investoren, Händler und Börsenbetreiber bietet das Verständnis dieses Unterschieds eine bessere Möglichkeit, sowohl die Marktqualität als auch die finanzielle KI zu beurteilen.

Was Order‑Flow‑Toxizität im Krypto‑Handel bedeutet

Market Maker stellen Liquidität bereit, indem sie zum Kauf und Verkauf anbieten. Sie versuchen, die Spanne zwischen diesen Preisen zu verdienen, während sie das Inventar und das Risiko managen, dass sich die Preise nach einem Handel zu ihren Ungunsten bewegen.

Betrachten wir ein vereinfachtes Beispiel. Ein Liquiditätsanbieter verkauft Bitcoin zu einem angegebenen Preis, doch Kaufdruck treibt den Markt unmittelbar danach nach oben. Der Anbieter verkaufte kurz bevor das Asset teurer wurde. Wiederholt über viele Trades hinweg können diese nachteiligen Ausführungen die aus Spreads erzielten Einnahmen übersteigen.

Order‑Flow‑Toxizität beschreibt Handelsbedingungen, die mit diesem Adverse‑Selection‑Risiko verbunden sind. Der Begriff bedeutet nicht, dass Transaktionen betrügerisch sind oder dass die verantwortlichen Händler über vertrauliche Informationen verfügen. Öffentliche Nachrichten, aggressiver Handel, Liquidationen und andere Druckfaktoren können schädliche Flüsse erzeugen.

Perpetual Futures machen dieses Thema besonders relevant. Diese Derivate haben in der Regel kein festes Verfallsdatum und nutzen Finanzierungszahlungen, um ihre Preise an das zugrunde liegende Asset anzupassen. Hebelwirkung fügt eine weitere Druckquelle hinzu, wenn erzwungene Positionsschließungen Aufträge in den Markt senden.

Wie KI den Order‑Flow von Bitcoin und Ether analysierte

Die Forschenden untersuchten die BTC/USDT- und ETH/USDT‑Perpetual‑Futures auf Bybit anhand von Daten vom 1. Februar 2025 bis zum 16. Februar 2026. Nachdem sie die ersten 21 Tage für das initiale Training reserviert hatten, bewerteten sie die Modelle über 360 Out‑of‑Sample‑Tage hinweg.

Das primäre Modell nutzte Gradient Boosting, ein Machine‑Learning‑Verfahren, das mehrere Entscheidungsbäume kombiniert. Seine 19 Eingangsvariablen beschrieben Bedingungen wie Spreads, Order‑Book‑Ungleichgewicht, Handelsaktivität und passive Order‑Rückzüge. Direkte Realisierte‑Volatilitäts‑Inputs wurden ausgeschlossen, um zu prüfen, ob das Modell etwas über die jüngste Preisvolatilität hinaus erfasst.

Die Prädiktoren nutzten Informationen, die bis zur vorherigen Sekunde verfügbar waren. Die Walk‑Forward‑Evaluation trainierte anhand früherer Beobachtungen, bevor spätere bewertet wurden, wodurch das Risiko reduziert wurde, dem Modell zukünftige Informationen zu geben.

Das Modell erzeugte ein Risikobewertungs‑Signal namens TailScore. Der primäre Vergleich wählte die höchstbewerteten 1 % der evaluierten Sekunden aus, bezeichnet als 1‑Prozent‑Gate. Dies war ein retrospektiver Evaluationsschwellenwert und keine vollständig spezifizierte Live‑Handelsregel.

Die oben genannten monetären Schätzungen gelten für das primäre Modell beim 1‑Prozent‑Gate unter Annahme einer Fill‑Rate von 25 %. Sie stellen modellierte vermiedene Verluste dar, nachdem der entgangene Spread‑Einkommen berücksichtigt wurde, nicht jedoch Anlageerträge oder realisierte Handelsgewinne.

Warum eine bessere Volatilitätserkennung weniger Wert erzeugen kann

Die nützlichste Erkenntnis betrifft die Diskrepanz zwischen Leistungskennzahlen. Einfachere Modelle, die auf Renditen, Flüssen oder Volatilität basieren, konzentrierten extreme Kursbewegungen in der Regel effektiver über die ausreichend unterstützten 1‑%‑ bis 5‑%‑Gates. Dennoch lieferte das primäre Modell ohne direkte Volatilitäts‑Inputs die höchsten illustrativen Punkt­schätzungen für vermiedene Verluste bei beiden Assets.

Das beweist nicht, dass es eindeutig jede Alternative übertroffen hat. Beim primären Bitcoin‑Gate überschneidet sich sein Konfidenzintervall mit dem des linearen Modells und dem Modell, das Volatilität einbezog. Es verdeutlicht, warum die Auswahl eines Finanzmodells anhand einer einzigen beeindruckenden Kennzahl irreführend sein kann.

Ein System, das turbulente Phasen erkennt, kann helfen, die Gesamtexposition zu reduzieren. Ein System, das passive Quotes schützen soll, muss eine engere Frage beantworten: Welche potenziellen Ausführungen werden wahrscheinlich kostspielig, und lohnt sich das Vermeiden dieser Ausführungen im Hinblick auf das dafür aufgegebene Einkommen?

Diese Unterscheidung reicht über Krypto hinaus. Finanz‑KI sollte anhand der wirtschaftlichen Entscheidung bewertet werden, die sie unterstützt. Klassifikationsgenauigkeit, Erkennung extremer Kursbewegungen, Ausführungskosten und Rentabilität messen unterschiedliche Dinge. Die Verbesserung eines Aspekts führt nicht automatisch zur Verbesserung der anderen.

Warum ein ruhiger Kryptomarkt weiterhin Risiken bergen kann

Der August 2026 Marktpositionierungsbericht von Coinbase Institutional beschrieb im Juli steigendes Open Interest bei Derivaten neben rückläufigen Spot‑ und Perpetual‑Handelsvolumina. Er berichtete zudem über eine schwächere Liquidität auf der Bid‑Seite des Order‑Books.

Diese Beobachtungen validieren das Modell dieser Studie nicht. Sie verdeutlichen einen anderen Punkt: Ausstehende Exposure, Handelsaktivität und verfügbare Liquidität können sich in unterschiedliche Richtungen entwickeln. Ein ruhigerer Markt enthält nicht zwangsläufig weniger Risiko.

Liquidität hat zudem verschiedene Bedeutungen. Securities.io’s Analyse von globaler Liquidität und Krypto‑Renditen befasst sich mit der Kapitalverfügbarkeit im gesamten Finanzsystem. Die Order‑Book‑Liquidität bezieht sich auf die Aufträge, die Transaktionen zu bestimmten Preisen aufnehmen können. Mehr Kapital im System garantiert nicht, dass an jedem Handelsplatz tiefe, ausführbare Liquidität vorhanden ist.

Was das für gewöhnliche Händler bedeutet

Die Studie liefert keinen fertigen Einzelhandelsindikator. Ihr praktischer Beitrag besteht darin, eine breitere Sicht auf die Ausführungsqualität zu fördern:

• Bewerten Sie die verfügbare Markttiefe zusammen mit dem notierten Spread.
• Unterscheiden Sie steigendes Open Interest von steigendem Handelsvolumen.
• Bewerten Sie Ausführungskosten zusammen mit der Vorhersagegenauigkeit jedes Modells.

Für Börsen besteht zudem ein mögliches Spannungsfeld. Wenn die Risikoerkennung Liquiditätsanbietern hilft, gefährliche Phasen zu identifizieren, könnten sie die Quote‑Größen reduzieren oder Aufträge zurückziehen. Das kann ihre Bilanzen schützen, während anderen Teilnehmern weniger verfügbare Liquidität bleibt. Eine verbesserte individuelle Risikosteuerung führt nicht automatisch zu einem insgesamt widerstandsfähigeren Markt.

Was die Studie nicht belegt

Die Evidenz umfasst zwei Vermögenswerte an einer Börse über etwa ein Jahr. Sie kann nicht belegen, dass dieselben Zusammenhänge an anderen Handelsplätzen, bei kleineren Tokens oder in unterschiedlichen Marktregimen gelten.

Das Toxicity‑Label der Studie kombiniert Order‑Flow mit einem fünfsekündigen Preis‑Impact. Es ist ein konstruiertes Proxy‑Signal und kein Nachweis privater Informationen. Nach dem Abgleichen von Ereignissen unter relevanten Marktbedingungen fanden die Forscher keinen statistisch signifikanten Persistenzvorteil für modell‑selektierte Ereignisse in den getesteten Zeithorizonten.

Die wirtschaftlichen Schätzungen schließen Gebühren, Slippage, Funding‑Zahlungen, Hedging‑Kosten, Queue‑Positionen sowie überlappende oder korrelierte Positionen aus. Ein Live‑Einsatz würde zudem Schwellenwerte erfordern, die ausschließlich mit zum jeweiligen Zeitpunkt verfügbaren Informationen kalibriert werden. Diese Auslassungen verhindern, dass die Ergebnisse als nachgewiesene rentable Strategie interpretiert werden können.

Beide Autoren geben an, Mitbegründer von Alphashots.AI zu sein, einem Unternehmen für quantitative Forschung und Handelstechnologie. Diese Zugehörigkeit ist ein relevanter Kontext bei der Bewertung möglicher kommerzieller Anwendungen.

CME Group und die Erweiterung des Krypto-Risikomanagements

Die breitere Chance betrifft die Infrastruktur, die es Teilnehmern ermöglicht, digitale Asset‑Exposures zu handeln und zu managen. Securities.io’s Berichterstattung über Perpetuals für reale Vermögenswerte untersucht, wie die Derivatambitionen über die konventionellen Kryptomärkte hinausgehen. Mit der Erweiterung der Produkte wird die Ausführungsqualität immer bedeutender.

Für Anleger, die an einem Aktienengagement in dieser Infrastruktur interessiert sind, bietet CME Group über ihren Derivatemarktplatz eine passende Anknüpfungsmöglichkeit. Im Juni 2026 kündigte das Unternehmen die Einführung des 24/7-Handels mit Kryptowährungs-Futures und -Optionen an. Außerdem führte es Futures auf den Nasdaq CME Crypto Index ein und erweiterte damit sein Produktangebot um ein diversifiziertes Engagement in Kryptowährungen.

CME bietet die Möglichkeit, das Geschäft mit Handelsinfrastruktur zu analysieren, anstatt lediglich eine Kryptowährung auszuwählen. Relevante Überlegungen umfassen anhaltende Kundenteilnahme, Produktakzeptanz, Wettbewerb und die Kosten zur Unterstützung kontinuierlicher Märkte. Das breitere Geschäft erstreckt sich zudem über mehrere Asset‑Klassen.

Die Bybit‑Ergebnisse belegen nicht, dass CME dieses Modell verwendet oder dass die Resultate auf seine Kontrakte übertragbar sind. Die Verbindung liegt in der zunehmenden Bedeutung eines ausgefeilten Risikomanagements. Die Entwicklung des Kryptomarktes hängt nicht nur von der Kapitalakquise ab: Teilnehmer benötigen zudem zuverlässige Methoden, um Trades auszuführen, Exposure zu hedgen und zu beurteilen, was ihre Risikowerkzeuge tatsächlich leisten.

Referenzen:

¹ Rajendran, S. und Singaravelu, D. (2026). Toxizität des Orderflows bei Kryptowährungs-Perpetual-Futures: Orderflowsignale, Persistenz der Kursauswirkungen und die Grenzen volatilitätsbasierter Kennzahlen. International Review of Economics and Finance. Vorab-Onlineveröffentlichung. https://doi.org/10.1016/j.iref.2026.105876