KI-gesteuerter Handel hat noch keinen "iPhone-Moment" erreicht, bei dem jeder einen algorithmischen Portfolio-Manager mit Verstärkungslernen in der Tasche trägt, aber so etwas kommt, sagen Experten.

Tatsächlich trifft die Kraft der KI auf ihren Gegner, wenn sie mit der dynamischen, gegnerischen Arena der Handelsmärkte konfrontiert wird. Anders als ein KI-Agent, der durch endlose Kreisläufe selbstfahrender Autos informiert wird, die lernen, Verkehrssignale genau zu erkennen, wird keine Menge an Daten und Modellierung jemals die Zukunft vorhersagen können.

Dies macht die Verfeinerung von KI-Handelsmodellen zu einem komplexen, anspruchsvollen Prozess. Der Erfolgsmaßstab war typischerweise die Bewertung von Gewinn und Verlust (PNL). Aber Fortschritte bei der Anpassung von Algorithmen bringen Agenten hervor, die kontinuierlich lernen, Risiko und Ertrag angesichts einer Vielzahl von Marktbedingungen auszubalancieren.

Die Verwendung risikoangepasster Metriken wie des Sharpe-Quotients (Sharpe-Ratio) zur Information des Lernprozesses vervielfacht die Komplexität eines Tests, sagte Michael Sena, Chief Marketing Officer bei Recall Labs, einem Unternehmen, das etwa 20 KI-Handelsarenen betrieben hat, in denen eine Community KI-Handelsagenten einreicht und diese Agenten über einen Zeitraum von vier oder fünf Tagen konkurrieren.

"Wenn es darum geht, den Markt nach Alpha zu scannen, erforscht die nächste Generation von Entwicklern die Algorithmus-Anpassung und Spezialisierung unter Berücksichtigung der Benutzerpräferenzen", sagte Sena in einem Interview. "Für ein bestimmtes Verhältnis optimiert zu sein und nicht nur für rohe PNL, ähnelt mehr der Arbeitsweise führender Finanzinstitute in traditionellen Märkten. Also, Dinge betrachten wie, was ist Ihr Maximum Drawdown (MDD), wie hoch war Ihr Risikowert, um diese PNL zu erzielen?"

Rückblickend hat ein kürzlicher Handelswettbewerb auf der dezentralisierten Börse Hyperliquid, an dem mehrere große Sprachmodelle (LLMs) wie GPT-5, DeepSeek und Gemini Pro beteiligt waren, eine Art Grundlinie dafür gesetzt, wo KI in der Handelswelt steht. Diese LLMs erhielten alle die gleiche Anweisung und führten autonom Entscheidungen aus. Aber sie waren nicht besonders gut, laut Sena, und übertrafen den Markt kaum.

"Wir nahmen die KI-Modelle, die im Hyperliquid-Wettbewerb verwendet wurden, und ließen Leute ihre selbst gebauten Handelsagenten einreichen, um gegen diese Modelle anzutreten. Wir wollten sehen, ob Handelsagenten besser sind als die grundlegenden Modelle, mit dieser zusätzlichen Spezialisierung", sagte Sena.

Die ersten drei Plätze in Recalls Wettbewerb wurden von angepassten Modellen belegt. "Einige Modelle waren unprofitabel und unterdurchschnittlich, aber es wurde offensichtlich, dass spezialisierte Handelsagenten, die diese Modelle nehmen und zusätzliche Logik, Inferenz und Datenquellen darauf anwenden, die Basis-KI übertreffen", sagte er.

Die Demokratisierung des KI-basierten Handels wirft interessante Fragen darüber auf, ob noch Alpha übrig bleibt, wenn jeder das gleiche Niveau an ausgeklügelter maschineller Lerntechnologie verwendet.

"Wenn jeder den gleichen Agenten verwendet und dieser Agent die gleiche Strategie für alle ausführt, kollabiert das dann in sich selbst?" fragte Sena. "Verschwindet das Alpha, das er erkennt, weil er versucht, es im großen Maßstab für alle anderen auszuführen?"

Deshalb sind diejenigen am besten positioniert, um von den Vorteilen zu profitieren, die der KI-Handel letztendlich bringen wird, die über die Ressourcen verfügen, um in die Entwicklung maßgeschneiderter Tools zu investieren, sagte Sena. Wie im traditionellen Finanzwesen sind die qualitativ hochwertigsten Tools, die das meiste Alpha generieren, typischerweise nicht öffentlich, fügte er hinzu.

"Die Leute wollen diese Tools so privat wie möglich halten, weil sie dieses Alpha schützen wollen", sagte Sena. "Sie haben viel dafür bezahlt. Das haben Sie bei Hedgefonds gesehen, die Datensätze kaufen. Das sehen Sie bei proprietären Algorithmen, die von Family Offices entwickelt wurden.

"Ich denke, der magische Sweet Spot wird dort sein, wo es ein Produkt gibt, das ein Portfolio-Manager ist, aber der Benutzer immer noch ein Mitspracherecht bei seiner Strategie hat. Sie können sagen: 'So handle ich gerne und hier sind meine Parameter, lass uns etwas Ähnliches implementieren, aber es besser machen.'"