Schwarmintelligenz ermöglicht einen klareren Blick auf die Kryptomärkte

Kann erklärbare KI die Prognose von Kryptomärkten verbessern?

Ein Kryptowährungsprognosesystem kann geringere Fehler aufweisen, ohne zuverlässig vorherzusagen, ob die Preise steigen oder fallen werden. Dieser Unterschied wird leicht übersehen, trennt aber ein vielversprechendes Forschungsinstrument von einer nachweislich erfolgreichen Handelsstrategie.

Eine neue Studie, die zur Veröffentlichung in Applied Soft Computing angenommen wurde, untersucht diese Diskrepanz anhand eines Systems, das Schwarmintelligenz mit interpretierbaren statistischen Regeln kombiniert.¹ Statt die Kryptowährungsmärkte als einen einzigen kontinuierlichen Preisstrom zu behandeln, bringen die Forschenden ihrem Modell bei, unterschiedliche Marktzustände zu erkennen und abzuschätzen, wie diese ineinander übergehen.

Die Ergebnisse deuten auf eine vielversprechende Richtung für KI im Finanzbereich hin: Prognosen, die sich prüfen und hinterfragen lassen. Zugleich zeigen sie, warum Transparenz, statistische Genauigkeit und Anlageprofitabilität getrennt voneinander bewertet werden müssen.

Wie Schwarmintelligenz Marktzustände im Kryptobereich erlernt

Das System kombiniert Partikelschwarmoptimierung (PSO) mit Markov-Prognosen. Trotz der Fachbegriffe ist die zugrunde liegende Logik leicht verständlich.

Zunächst ordnet das Modell tägliche Renditen Zuständen zu, die unterschiedliche Marktentwicklungen abbilden. Diese könnten etwa moderate Verluste, weitgehend neutrale Bewegungen und Gewinne unterscheiden. Wo die Grenzen zwischen den Zuständen liegen, ist entscheidend: Eine ungeeignete Einteilung kann nützliche Muster verbergen oder irreführende erzeugen.

PSO sucht nach besseren Abgrenzungen. Mehrere mögliche Lösungen bewegen sich durch einen mathematischen Suchraum und passen ihre Positionen anhand von Informationen aus ihren eigenen vorherigen Ergebnissen und denen anderer Kandidaten an. Das Verfahren ähnelt einer Gruppe, die beim Suchen nach einem vielversprechenden Ort Hinweise austauscht.

Anschließend schätzt ein Markov-Modell die Übergangswahrscheinlichkeiten zwischen den Zuständen. Es fragt danach, was nach ähnlichen jüngsten Bedingungen tendenziell geschah, statt jede Preisbewegung erklären zu wollen.

Die Forschenden berücksichtigen bei diesen Zusammenhängen außerdem unterschiedliche Marktregime, darunter verschiedene Volatilitäts- und Richtungsphasen. Ein Übergang, der in einem ruhigen Markt beobachtet wird, muss in turbulenten Zeiten nicht dieselbe Bedeutung haben.

Die zentrale Neuerung besteht also darin, wie das System sein Vokabular für den Markt erlernt. Die Definition der Zustände wird Teil der Prognoseaufgabe, statt vor Beginn der Prognosen als feste Kategorien vorgegeben zu werden.

Was die Studie zur Prognose von Kryptomärkten tatsächlich ergab

Bitcoin (BTC ), Ethereum (ETH ), Litecoin (LTC ), und XRP vom 1. Januar 2018 bis zum 22. April 2026. Ein separater rollierender Vergleich bewertet Bitcoin, Ethereum und BNB anhand eines Random-Walk-Modells, des klassischen statistischen Modells ARIMA und des maschinellen Lernmodells XGBoost.

Dabei handelt es sich um ergänzende Analysen mit unterschiedlicher Abdeckung der Vermögenswerte. Im rollierenden Vergleich werden insgesamt 270 Prognosen außerhalb der Stichprobe ausgewertet. Der lange historische Datensatz ist daher nicht mit Tausenden unabhängig geprüfter Prognosen gleichzusetzen.

Der RMSE (Wurzel des mittleren quadratischen Fehlers) gewichtet größere Prognosefehler stärker. Der MAE (mittlerer absoluter Fehler) misst die durchschnittliche Fehlergröße, ohne diese zusätzliche Gewichtung. Beide Kennzahlen beziehen sich auf Renditeprognosen, nicht auf Handelsgewinne.

Das vorgeschlagene System erzielt den niedrigsten RMSE, sein Vorteil gegenüber ARIMA ist jedoch gering. ARIMA weist einen etwas besseren MAE auf, und formale statistische Tests belegen keinen Unterschied zwischen den beiden Modellen hinsichtlich des Prognoseverlusts.

Bei der Prognose der Richtung fällt die Leistung schwächer aus. Das vorgeschlagene System bestimmt die Richtung in 48,89 % der Fälle korrekt; statistisch ist dieses Ergebnis nicht von einer Vergleichsmarke von 50 % zu unterscheiden. Keines der getesteten Modelle weist eine statistisch signifikant höhere Richtungsgenauigkeit als diese Marke auf.

Die Kalibrierung der Wahrscheinlichkeiten ist eine weitere Einschränkung. Bei einem gut kalibrierten Modell, das einem Ergebnis eine Wahrscheinlichkeit von 70 % zuweist, sollte dieses Ergebnis bei vergleichbaren Prognosen ungefähr in 70 % der Fälle eintreten. Bei den berichteten aggregierten Kalibrierungsmaßen schneiden ARIMA und XGBoost besser ab.

Warum geringere Prognosefehler keine Handelsgewinne garantieren

Ein Modell kann den tatsächlichen Renditen recht nahekommen und dennoch wiederholt deren Richtung falsch einschätzen. Wenn viele tägliche Bewegungen gering ausfallen, können Prognosen, die sich um null gruppieren, den Fehler begrenzen, ohne attraktive Handelsgelegenheiten zu erkennen.

Profitabilität setzt noch mehr voraus. Gewinne hängen von der Größe der Gewinn- und Verlustpositionen, den Ausführungspreisen, Gebühren, Spreads und der Häufigkeit der Trades ab. Eine hohe Trefferquote bei der Richtungsprognose kann dennoch zu Verlusten führen; eine niedrigere Trefferquote kann dagegen profitabel sein, wenn die Gewinne die Verluste übersteigen.

Die Studie berichtet keine Handelssimulation unter Berücksichtigung der Transaktionskosten. Ihre Ergebnisse sprechen dafür, die Prognose- und Überwachungsmöglichkeiten weiter zu untersuchen, belegen jedoch keinen praktisch umsetzbaren Anlagevorteil.

Diese Unterscheidung ergänzt die jüngste Berichterstattung von Securities.io über verborgene Risiken beim Handel mit Krypto-Futures. Eine Rendite zu schätzen und zu beurteilen, ob sich eine Position sicher handeln lässt, sind miteinander verbundene, aber getrennte Aufgaben.

Erklärbarkeit schafft einen anderen Mehrwert

Das vorgeschlagene Modell macht Übergangsregeln und die historischen Beobachtungen, auf denen sie beruhen, sichtbar. So könnte eine Analystin oder ein Analyst feststellen, ob ein scheinbares Muster auf umfangreicher Evidenz oder auf einer kleinen Zahl ungewöhnlicher Episoden beruht.

Ein Research-Dashboard könnte beispielsweise eine Übergangsregel mit begrenzter Datengrundlage zur manuellen Prüfung markieren. Das ist eine mögliche Anwendung, kein durch die Studie nachgewiesenes Ergebnis.

Transparenz erleichtert auch die Untersuchung von Fehlern. Analystinnen und Analysten können prüfen, ob Zustandsgrenzen ungeeignet geworden sind, sich ein Regime verändert hat oder ein früher häufig auftretender Übergang ausbleibt. Dieser diagnostische Mehrwert sollte neben der Prognoseleistung bewertet werden.

Das Gedächtnis des Kryptomarkts verändert sich mit den Bedingungen

In der Hauptanalyse mit vier Vermögenswerten wählen alle Vermögenswerte eine Abhängigkeit erster Ordnung. Praktisch bedeutet das: Der jüngste Zustand liefert den gewählten Kontext für den Übergang. Längere Sequenzen führen nicht automatisch zu nützlicheren Prognosen.

Das bedeutet nicht, dass ältere Informationen niemals wichtig sind. Historische Beobachtungen bleiben notwendig, um Zusammenhänge zu schätzen. Es bedeutet vielmehr, dass zusätzliche aufeinanderfolgende Zustände in einer Prognoseregel die verfügbare Evidenz aufsplitten können.

Bei einer größeren Zahl möglicher Sequenzen gibt es möglicherweise weniger Beispiele für jede einzelne. Regimewechsel erschweren dies zusätzlich, weil Zusammenhänge, die unter bestimmten Bedingungen erlernt wurden, sich unter anderen abschwächen können.

Die Schlussfolgerung gilt über Kryptowährungen hinaus: Komplexität muss sich durch Tests bewähren. Ein längeres Gedächtnis oder eine ausgefeiltere Architektur ist nur dann nützlich, wenn die zusätzlichen Informationen die zusätzliche Unsicherheit aufwiegen.

Auch die Datenqualität ist wichtig. Die Berichterstattung von Securities.io über Wash-Trading und Marktvolatilität zeigt, warum scheinbare Marktaktivität kritisch geprüft werden muss. Werden künftigen Modellen Volumen- oder Liquiditätsindikatoren hinzugefügt, kommen neue Informationen hinzu – ebenso wie neue Anforderungen an die Datenvalidierung.

Was Anlegerinnen und Anleger von Finanz-KI verlangen sollten

Als Nächstes ist eine fundiertere Validierung über mehr Vermögenswerte, Marktbedingungen und konkurrierende Methoden hinweg erforderlich. Die Autorinnen und Autoren nennen umfassendere Benchmarks, eine verbesserte Kalibrierung, wiederholte Optimierungsläufe und eine wirtschaftliche Bewertung als Bereiche für weitere Arbeit.

Anlegerinnen und Anleger, die vergleichbare Tools bewerten, können sich auf drei Fragen konzentrieren:

• Bleibt die Leistung bei bislang ungesehenen Daten im Vergleich zu überzeugenden, einfacheren Alternativen bestehen?
• Stimmen die angegebenen Wahrscheinlichkeiten mit den beobachteten Ergebnissen überein?
• Bleibt ein etwaiger Handelsvorteil auch nach Abzug realistischer Ausführungskosten bestehen?

Wer diese Fragen getrennt betrachtet, verhindert, dass ein starkes Ergebnis bei einer Kennzahl zu einer unbelegten Behauptung über eine andere wird. Zugleich erhalten Entwicklerinnen und Entwickler klarere Ansatzpunkte für Verbesserungen.

Coinbase verbindet Kryptoanalysen mit Marktinfrastruktur

Für Anlegerinnen und Anleger, die sich für die Infrastruktur interessieren, die anspruchsvollere Kryptomärkte unterstützt, ist Coinbase ein relevantes börsennotiertes Unternehmen. Über Coinbase Prime bündelt die institutionelle Plattform Ausführung, Verwahrung, Finanzierung und weitere Dienstleistungen.

Der Zusammenhang reicht über diese spezielle Prognosemethode hinaus. Institutionen benötigen verlässliche Daten, operative Kontrollen und eine Ausführungsinfrastruktur, um Forschung in nutzbare Arbeitsabläufe zu überführen. Erklärbare Modelle könnten diese Systeme ergänzen, sofern weitere Tests einen praktischen Nutzen belegen.

Coinbase veröffentlicht auch Marktanalysen. Der am 7. Oktober erschienene Ausblick von Charting Crypto befasst sich mit On-Chain-Bedingungen, Bewertung und Liquidität und veranschaulicht, welche breitere Informationsgrundlage über historische Renditeübergänge hinaus verfügbar ist.

Die Studie belegt weder, dass Coinbase die Architektur nutzt, noch, dass eine Einführung dem Unternehmen finanziell zugutekäme. Eine Beteiligung an Coinbase ist zudem mit geschäftlichen, wettbewerblichen, regulatorischen und kryptomarktbedingten Risiken verbunden. Für Anlageentscheidungen ist maßgeblich, ob die Infrastruktur eine anhaltende Kundennachfrage bedienen kann – nicht, ob ein einzelnes Prognosemodell erfolgreich ist.

Aktuelle Nachrichten und Entwicklungen zu Coinbase (COIN)

Eine besser überprüfbare Zukunft für Krypto-Prognosen

Der Beitrag der Studie besteht in einem nachvollziehbaren Prognoseverfahren mit wettbewerbsfähiger Renditefehlerleistung. Auch ihre Einschränkungen sind aufschlussreich: Richtungsprognosen liegen weiterhin nahe am Zufallsniveau, die Kalibrierung muss verbessert werden, und die Rentabilität wurde nicht getestet.

Fortschritte lassen sich erzielen, indem Finanz-KI leichter hinterfragt werden kann. Wenn Nutzer die Regeln einsehen, die zugrunde liegenden Belege nachvollziehen und die statistische Leistungsfähigkeit vom wirtschaftlichen Nutzen unterscheiden können, haben sie eine bessere Grundlage für die Entscheidung, wo ein Modell in einem Anlageprozess eingesetzt werden sollte.

Literatur:

¹ do Nascimento, K. K. F., und dos Santos, F. S. (2026). Ein PSO-optimiertes intelligentes Markov-Prognosesystem für regimeabhängige Kryptowährungsdynamiken. Applied Soft Computing. Vorab-Onlineveröffentlichung. https://doi.org/10.1016/j.asoc.2026.116666