Im letzten Post haben wir die Alpha-Arena-Ergebnisse durchgeschaut: sechs Frontier-LLMs, vier davon mit Verlusten über 60 Prozent. Der naheliegende Reflex bei solchen Daten ist die Frage „Warum funktioniert die AI noch nicht?" — als wäre das ein Implementierungsproblem, das mit der nächsten Modell-Generation behoben wird.
Das ist die falsche Frage. Die richtige Frage ist eine Stufe tiefer und unangenehmer: Warum sollten Sprachmodelle (oder irgendwelche Modelle) die Zukunft sehen können, wenn niemand sonst sie sehen kann?
Dieser Post ist ein Versuch, eine intellektuelle Selbstverständlichkeit auszupacken, die im AI-Trading-Hype gerade unter die Räder kommt: Märkte sind nicht das Problem, das man mit besserer Rechenleistung lösen kann. Sie sind etwas viel Interessanteres.
Erste Wahrheit: niemand sieht die Zukunft
Bevor wir über LLMs reden, über Hedge-Funds, über Discretionary-Trader oder Algos: Hat irgendjemand in den letzten 200 Jahren bewiesen, dass er Märkte zuverlässig vorhersagen kann?
Die Antwort ist: nein, im strengen Sinn nicht.
Es gibt Trader und Funds, die über Jahrzehnte konsistent positive Renditen erzielt haben — Renaissance Technologies' Medallion Fund, Jim Simons, ein paar andere. Aber selbst diese Ausnahmen verkaufen ihren Edge nicht. Medallion ist seit den 1990ern für externe Investoren geschlossen. Wenn man eine zuverlässige Methode hätte, Märkte vorherzusagen, würde man sie nicht für 99 Dollar im Monat lizenzieren — man würde sie selbst nutzen und nichts darüber schreiben.
Das ist nicht zynisch, das ist ökonomische Logik. Jedes profitable Marktwissen wird durch seine Verbreitung zerstört. Wenn fünf Menschen die Strategie kennen, performt sie weiter. Wenn fünfhunderttausend sie kennen, ist sie weg, weil alle gleichzeitig dasselbe tun und es niemanden mehr gibt, der die andere Seite des Trades nimmt. Die einzigen Edges, die überleben, sind die, die nicht weit verbreitet werden.
Daraus folgt eine merkwürdige Eigenschaft des Marketings für AI-Trading-Produkte: Das Marketing selbst ist Beweis dafür, dass das Produkt nicht funktioniert. Wenn QuantPilot, BotPredictAI oder irgendein anderes AI-Tool tatsächlich die Zukunft vorhersehen könnte, hätten die Anbieter zwei rationale Optionen — selbst damit reich werden oder es als Einzelkunde an einen Hedge-Fund verkaufen für 100 Millionen Dollar. Es als $99/Monat-Subscription an Retail zu verkaufen wäre die ökonomisch unsinnigste Variante. Die Tatsache, dass das passiert, ist die Tatsache, dass das Produkt nicht hält, was es verspricht.
Zweite Wahrheit: warum existieren Märkte überhaupt?
Hier wird es philosophisch interessant. Stell dir vor, alle Marktteilnehmer wären rational. Alle hätten die gleichen Informationen. Alle würden diese Informationen perfekt verarbeiten.
Dann müsste der Preis jedes Assets zu jedem Zeitpunkt korrekt sein — er würde genau widerspiegeln, was wir gemeinsam über das Asset wissen. Aber dann hätte niemand mehr einen Grund zu handeln. Wer kauft, würde dasselbe für fair halten wie wer verkauft. Es gäbe keine Bewegung, keinen Anreiz, keinen Trade.
Märkte würden aufhören zu existieren.
Das ist nicht meine Beobachtung. Das ist das Grossman-Stiglitz-Paradox, formuliert 1980 in einem der einflussreichsten Papers der modernen Finanzökonomie: „On the Impossibility of Informationally Efficient Markets". Sanford Grossman und Joseph Stiglitz (Letzterer wurde dafür unter anderem Wirtschafts-Nobelpreisträger) haben mathematisch gezeigt, dass perfekt effiziente Märkte logisch unmöglich sind. Wenn Preise alle Information widerspiegeln würden, hätte niemand einen Anreiz, Information zu beschaffen — denn Information zu beschaffen kostet, und die Belohnung wäre null, weil der Preis schon stimmt. Ohne Information-Beschaffer würden die Preise aber wieder ungenau werden. Es ist ein logischer Knoten, der sich nicht auflösen lässt.
Grossmans und Stiglitz's Lösung: Märkte existieren in einem „equilibrium degree of disequilibrium" — einem Gleichgewicht der Ungleichgewichtigkeit. Preise spiegeln Informationen teilweise wider, aber nie vollständig, damit informierte Marktteilnehmer einen Anreiz haben, weiter Informationen zu beschaffen, deren Beschaffung sie dann teilweise wieder in die Preise einarbeiten.
Das hat eine wunderbar paradoxe Implikation: Märkte funktionieren nur, weil sie nicht perfekt funktionieren. Sie sind keine Wahrheits-Maschinen, sondern Mechanismen für die ständige, nie endende Verhandlung von Uneinigkeit zwischen Marktteilnehmern, die unterschiedliche Informationen, unterschiedliche Interpretationen und unterschiedliche Zeithorizonte haben.
Dritte Wahrheit: jeder Trade hat einen Verlierer
Aus dem Grossman-Stiglitz-Paradox folgt etwas, das im Crypto-Marketing systematisch verdrängt wird: Bei jedem einzelnen Trade ist eine Seite überzeugt, dass sie klüger ist als die andere. Und im Schnitt haben beide nicht recht.
Konkret: Wenn du BTC kaufst, hat jemand anderes BTC verkauft. Diese Person ist nicht verrückt. Sie hält den aktuellen Preis für hoch genug, um zu verkaufen. Du hältst ihn für niedrig genug, um zu kaufen. Einer von euch wird im Nachhinein recht haben — der andere nicht. Marktstatistik in Aggregaten suggeriert, dass beide Seiten ziemlich genau die Hälfte der Zeit recht haben, was bedeutet: das Erwartungswert eures Disagreement vor Kosten ist ungefähr null. Nach Kosten — Spread, Slippage, Fees — ist es negativ.
Wer „konsistent Geld am Markt verdient", verdient gegen jemand anderen, der „konsistent Geld am Markt verliert". Es kann nicht anders sein. Bei Crypto-Spot ist die typische Verteilung: Retail verliert systematisch, Market-Maker verdienen den Spread, große Institutionelle verdienen durch Edge-Strategien (Information, Geschwindigkeit, Kapital), MEV-Bots verdienen durch technische Vorteile. Wenn du als Retail handelst, ist die Mathematik nicht auf deiner Seite. Das ist keine Verschwörung, das ist Statistik.
Jetzt überlegen wir, was passiert, wenn ein AI-Tool tatsächlich einen kleinen Edge hätte und massenweise verkauft würde. Hunderttausend Retail-Trader nutzen dasselbe Tool, das ihnen sagt „kauf BTC jetzt". Sie kaufen alle gleichzeitig. Wer verkauft? Niemand aus der Gruppe der Tool-Nutzer — die kaufen ja gerade. Also verkaufen Market-Maker und Institutionelle ihnen zu einem leicht höheren Preis. Das ist exakt das Gegenteil des versprochenen Edges. Der Edge wird durch Verbreitung in einen Anti-Edge umgewandelt.
AI-Trading-Tools können mathematisch keinen Massenmarkt-Edge produzieren. Wenn das Tool tatsächlich funktioniert und an viele verkauft wird, verliert es seinen Edge durch die Verbreitung selbst. Wenn das Tool nicht funktioniert, hat es nie einen Edge gehabt. Die einzige Variante, in der ein verbreitetes AI-Tool dauerhaft seinen Käufern Edge liefern könnte, wäre, dass die Käufer ihn nie ausreichend nutzen, um die Marktdynamik zu beeinflussen — was bedeutet, dass die meisten Käufer ihr Abo nicht nutzen.
Beobachtbar ist exakt das in jeder Newsletter-, Trading-Course- und Signal-Service-Industrie. Sie verkaufen Versprechen, deren Erfüllung sie sich nicht leisten können.
Vierte Wahrheit: was Backtesting tatsächlich macht
Hier kommen wir zu dem, warum dieser Post auf einer Backtesting-Plattform steht und nicht auf einem Philosophie-Blog. Wenn niemand die Zukunft sehen kann, was nützt dann Backtesting?
Die ehrliche Antwort ist: Backtesting behauptet nicht, die Zukunft zu zeigen. Es zeigt, was in der Vergangenheit funktioniert hat — und das ist eine viel bescheidenere, aber viel ehrlichere Aussage als „diese Strategie wird funktionieren".
Was Backtesting tatsächlich leistet:
Es eliminiert Strategien, die in der Vergangenheit nicht funktioniert hätten. Wenn eine Regel über 10 Jahre BTC-Historie konsistent verliert, ist sie für die Zukunft kein vielversprechender Kandidat. Das ist keine Garantie für die Zukunft — aber es ist eine starke Indikation, dass die Annahmen hinter der Strategie nicht stabil sind.
Es kalibriert Erwartungen. Wenn eine Strategie historisch 12 Prozent CAGR bei 30 Prozent Max-Drawdown lieferte, sind das die realistischen Erwartungen für die Zukunft — mit dem Caveat, dass die Zukunft nie wie die Vergangenheit ist und Max-Drawdown im Live-Trading typischerweise größer ausfällt als im Backtest.
Es zwingt zu Disziplin. Eine ausformulierte, getestete Regel widerstehbar diskretionärem Impuls. Wer „BTC bei RSI < 30 auf 1W kaufen, SMA-200-Trend respektieren" als Regel hat, trifft im Drawdown bessere Entscheidungen als wer keine Regel hat.
Es macht Annahmen explizit. Eine getestete Regel zwingt dich, deine Annahmen über Märkte hinzuschreiben. „Ich glaube, dass Pullbacks in starken Trends profitable Einstiege bieten." Das kannst du dann gegen Daten halten. AI-Bots zwingen dich nicht zu solchen Annahmen — sie behaupten einfach, die richtige Antwort zu haben, ohne dass du sie kennst.
Was Backtesting nicht leistet — und keine ehrliche Backtesting-Plattform behauptet, dass sie es leistet:
Es sagt die Zukunft nicht vorher. Niemand kann das. Backtesting ist kein Orakel.
Es garantiert keine Outperformance. Wenn eine Strategie historisch funktioniert hat, kann das Zufall sein, kann das ein echter Edge sein, kann das ein Edge sein, der in dem getesteten Regime existierte und in zukünftigen Regimen nicht mehr existiert. Out-of-Sample-Tests und Multi-Regime-Tests reduzieren das Risiko, eliminieren es aber nicht.
Es schützt nicht vor dir selbst. Die getesteste Strategie funktioniert nur, wenn du sie exakt so live umsetzt. Die meisten Trader weichen unter Stress von ihren getesteten Regeln ab, was alle Backtest-Statistiken bedeutungslos macht.
Fünfte Wahrheit: warum das gerade jetzt wichtig ist
Die AI-Industrie verkauft 2026 ein Versprechen, das den 2024er-Versprechen ähnelt, aber eine Stufe stärker: nicht mehr nur „AI versteht Sprache" oder „AI schreibt Code", sondern „AI handelt autonom in der Welt für dich". Trading-Bots sind dabei die prominenteste Manifestation, weil sich die Versprechen unmittelbar in Dollar messen lassen.
Die Versprechen werden empirisch widerlegt — Alpha Arena ist der bisher klarste Datenpunkt — aber das hindert die Industrie nicht daran, sie weiter zu machen. Im Gegenteil. Je klarer empirisch wird, dass autonome AI-Agents nicht funktionieren, desto teurer werden die Lifetime-Pakete und Premium-Tiers, mit denen die Versprechen verkauft werden.
Das ist eine vorhersehbare ökonomische Dynamik. Die Konsumenten von Trading-Tools sind in ihrer Mehrheit nicht in der Position, die Versprechen rigoros zu prüfen — sie haben kein quant-finance Hintergrundwissen, kein Grossman-Stiglitz im Studium gehabt, keine Erfahrung mit Out-of-Sample-Tests. Sie kaufen Erzählungen. Und Erzählungen werden teurer, je besser sie sind, nicht je wahrer sie sind.
Die intellektuell ehrliche Position ist unromantischer: Niemand kann die Zukunft sehen. Märkte sind keine Lösung dieses Problems, sondern sein institutionalisierter Ausdruck. Backtesting ist kein Werkzeug, das die Zukunft offenbart, sondern eines, das Strategien gegen Vergangenheit hält und dabei explizit macht, was man eigentlich glaubt. Diese Position lässt sich nicht als Lifetime-Abo verkaufen, weil sie kein Versprechen enthält, das man kaufen möchte.
Sie ist trotzdem die richtige Position.
Sechste, abschließende Wahrheit: was du daraus machen kannst
Wenn du bis hierher gelesen hast, ist die wahrscheinliche Frage: „Okay, niemand kann die Zukunft sehen, Märkte sind paradoxe Disequilibrien — was mache ich denn dann?"
Drei Empfehlungen, die aus dem Vorangegangenen folgen:
Erstens, behandle Trading wie Versicherung, nicht wie Vorhersage. Statt zu fragen „welche Strategie wird gewinnen?", frag „welche Strategie hat akzeptable Verluste in den Szenarien, in denen sie verliert?" Das ist ein anderer mentaler Rahmen. Du kalibrierst Risiko, du sagst keine Zukunft vorher.
Zweitens, akzeptiere, dass dein Edge — wenn du einen hast — von etwas kommt, das andere nicht haben oder nicht nutzen. Das kann Information sein (selten, meistens illegal), Geduld (häufiger, aber unterschätzt), Disziplin (sehr selten), oder Zugang (z.B. zu institutionellen Märkten). Wenn dein „Edge" das ist, was ein 99-Dollar-Tool dir verspricht — das hat jeder, also ist es kein Edge.
Drittens, nutze Backtesting für das, wofür es da ist: deine eigenen Annahmen explizit machen und gegen historische Daten halten. Nicht um die Zukunft vorherzusagen. Sondern um zu sehen, ob deine Annahmen über die Vergangenheit überhaupt stimmen. Wenn ja, hast du wenigstens eine konsistente Basis für deine Erwartungen. Wenn nein, weißt du es jetzt und bevor du echtes Geld verlierst.
Backtesting Arena ist mit dieser Haltung gebaut. Es ist ein Werkzeug, das deine Hypothesen testbar macht und dir realistische Drawdown- und Performance-Erwartungen liefert. Es ist explizit kein Werkzeug, das dir sagt, was du tun sollst. Diese Trennung ist nicht ein Feature-Gap, sondern eine intellektuelle Haltung, die wir nicht ändern werden.
Wenn dir das zu unromantisch ist und du lieber jemanden hörst, der dir sagt, dass die nächste AI-Generation die Märkte knackt — das Angebot dafür ist gerade besonders üppig. Aber bevor du dafür Geld bezahlst, lies das Grossman-Stiglitz-Paper. Oder zumindest die ersten zwei Seiten. Es kostet nichts und ist seit 1980 nicht aus der Welt verschwunden.
FAQ
Wenn Märkte nicht effizient sind, gibt's also doch Edges? Ja, aber transient und meistens nicht skalierbar. Grossman-Stiglitz sagt, es muss Edges geben, sonst gäbe es keine Märkte. Aber sie sind verteilt: Information-Sammler bekommen einen kleinen Edge dafür, dass sie Information sammeln, der Edge wird teilweise in Preise eingebaut, andere müssen weiter Information sammeln, um den nächsten Edge zu finden. Das ist nicht das gleiche wie „kauf dieses Tool und der Edge ist deiner."
Heißt das, Trading ist immer Glücksspiel? Nein. Es heißt, dass Trading ein Geschicklichkeits-Spiel mit hoher Zufalls-Komponente ist. Wie Poker. Im Aggregat schlagen geschickte Poker-Spieler unfähige Spieler systematisch. Aber jede einzelne Hand ist Glücksanteil-dominiert, und kurzfristige Outcomes sind schlechte Indikatoren für Können. Trading hat dieselbe Struktur. Das macht Backtesting wertvoll: es gibt dir Hinweise darauf, ob deine „Strategie" überhaupt eine ist, oder ob du nur eine Glückssträhne hattest.
Was halten Sie von Renaissance Technologies / Medallion Fund / Jim Simons? Ehrliche Antwort: Es gibt sehr wenige nachweislich konsistent profitable systematische Funds in der Geschichte. Medallion ist einer. Sie verkaufen nichts an externe Investoren. Sie publizieren ihre Methoden nicht. Sie sind eine der intellektuell ehrlichsten Quant-Firmen — und sie sind die Ausnahme, die die Regel bestätigt: wenn du einen echten Edge hast, behältst du ihn für dich.
Sie kritisieren AI-Trading-Tools — wieso ist Ihre Plattform dann erlaubt? Wir kritisieren AI-Tools, die Trading-Entscheidungen treffen oder vorhersagen. Backtesting Arena tut weder das eine noch das andere. Wir bieten Werkzeuge zur Strategie-Validierung, die User mit ihren eigenen Strategien füttern. Die Entscheidung trifft der User. Die Strategie kommt vom User. Wir validieren sie ehrlich gegen historische Daten. Das ist eine fundamentale andere Kategorie als „AI tradet für dich".