Ich habe 432 KI-Trading-Bots getestet. Dieser hat gewonnen.
In diesem Video testet der Creator 432 KI-gestützte Trading-Strategien gegeneinander, um die beste zu ermitteln. Dafür wurde eine eigene Backtesting-Plattform entwickelt, die mit verschiedenen Datenquellen (u. a. Alpaca, Binance) arbeitet. Das Ziel: Nicht nur den Gewinner zu finden, sondern auch zu verstehen, warum eine Strategie funktioniert – und wie man sie selbst anpassen kann.
🔍 Was wurde getestet?- 432 Strategievarianten über verschiedene Krypto-Assets (BTC, ETH, DOGE)
- Getestet wurden bekannte Ansätze wie:
- EMA-Cross
- MACD-Trend
- SuperTrend
- Bollinger-Breakout
- Volume-Breakout
- Zeitraum: 9 Jahre (seit 2017) auf 4-Stunden-Kerzen
- Startkapital: 10.000 $
Die Siegerstrategie war ein Donchian-Channel-Breakout auf Ethereum (ETH).
So funktioniert sie:
- Kauf, wenn der Schlusskurs über dem höchsten Hoch der letzten 38 Kerzen (ca. 6,3 Tage) liegt
- Ziel: +6 % Gewinn
- Stop-Loss: −3 % Verlust
- Gehandelt wird auf 4-Stunden-Kerzen
Performance:
- Gewinnrate: 41,3 %
- Durchschnittlicher Gewinn: +5,72 %
- Durchschnittlicher Verlust: −3,13 %
- Gesamtergebnis: +24,9-fach (von 10.000 $ auf über 544.000 $)
- Besonders stark in Abwärtstrends – Cryptocrashs sind schneller und sauberer als Aufwärtsbewegungen
Der Creator betont: Backtesting ist kein Selbstläufer. Er erklärt, warum viele Testergebnisse unzuverlässig sind und wie man das vermeidet.
1. Overfitting-Bias vermeiden
- Overfitting: Eine Strategie wird zu stark an vergangene Daten angepasst – sie funktioniert dann nur auf diesen Daten, nicht in der Zukunft.
- Lösung: Out-of-Sample-Test – 70 % der Daten zum Trainieren, 30 % zum Testen. Nur wenn beide Ergebnisse ähnlich sind, ist die Strategie robust.
2. Mehr als nur Rendite betrachten
- Max Drawdown: Ein Gewinn von 70 % bei 60 % Drawdown kann schlechter sein als 30 % Gewinn bei 20 % Drawdown.
- Sharpe Ratio: Zeigt das risikobereinigte Ergebnis – je höher, desto besser.
- Handelsfrequenz: Viele kleine Trades vs. wenige große – jede Strategie hat ihr eigenes Risikoprofil.
3. Disziplin beim Backtesting
- Die Plattform ist pessimistischer als TradingView: Sie rechnet mit größeren Spreads und schlechteren Ausführungen.
- Kleine Unterschiede (0,1 % pro Trade) können sich über 758 Trades massiv auswirken.
- Keine Strategie ist perfekt – die besten Ergebnisse erzielt man durch Kombination von KI und eigenem Urteilsvermögen.
Der Creator stellt ein GitHub-Repository mit dem Backtesting-Engine-Code kostenlos zur Verfügung (Link in der Beschreibung). Damit kannst du:
- Eigene Strategien in Claude oder GPT entwickeln
- Historische Daten von Binance oder Alpaca nutzen
- Strategien vergleichen und anpassen
- PineScript exportieren und in TradingView testen
Zusätzliche Tipps:
- Mehrere Asset-Klassen testen: Funktioniert die Strategie nur auf einem Asset, ist das ein Warnsignal für Overfitting.
- Position Sizing anpassen: Verwende eine volatilitätsbasierte Größenanpassung (z. B. nach dem GARCH-Modell), um das Risiko zu steuern.
- Frage Claude/GPT nach Verbesserungen: Lade die CSV-Daten hoch und lass die KI die Strategie analysieren und optimieren.
- KI + menschliches Urteilsvermögen schlägt reine KI oder reine manuelle Strategien.
- Backtesting ist ein essenzielles Werkzeug, um Trades nicht blind zu platzieren.
- Der Creator kündigt eine $20.000 Live-Herausforderung an – der nächste Schritt nach der Theorie.
