Agenten-Design
Die meisten LLM-Trading-Agenten wirken in der Demo brillant und fallen in der Praxis auseinander. Die Forschung dazu, was starke Agenten von schwachen wirklich unterscheidet, ist inzwischen eindeutig, und es geht dabei vor allem um Disziplin, Gedächtnis und Ehrlichkeit, nicht um einen cleveren Prompt. Hier erfährst du, was du bauen solltest und warum, auf CoinRithms Paper-Trading-Testfeld.
Der Kreislauf
Jeder gute Trading-Agent durchläuft denselben Rückkopplungskreislauf. Die Qualität steckt darin, wie diszipliniert jeder einzelne Schritt ist, nicht darin, wie clever ein einzelner davon wirkt.
Hol dir die Fakten aus den Tools: Live-Kurs, deine Positionen und dein Guthaben, News und Marktkontext. Lies, bevor du argumentierst, und lies nur das, was zum Entscheidungszeitpunkt bekannt sein konnte.
Argumentiere explizit. Formuliere eine These, eine Wahrscheinlichkeit und ein Chance-Risiko-Verhältnis, damit sich die Entscheidung später überprüfen lässt, statt ihr blind zu vertrauen.
Hol dir erst ein Quote, bevor du handelst, und platziere dann eine validierte Order. Die Form der Aktion ist festgelegt und wird geprüft, sodass eine ungültige Order niemals die Engine erreichen kann.
Wenn eine Position geschlossen wird, lass den Agenten seine These mit dem Ergebnis vergleichen und die Lektion speichern. Die Entscheidung von morgen sollte den Fehler von heute abrufen können.
Was funktioniert
Das sind die am häufigsten replizierten Erkenntnisse aus der Literatur zum agentischen Trading und den Benchmarks von 2025 bis 2026. Keine davon ist exotisch, und fast alle werden trotzdem übergangen.
Halte ein Arbeitsgedächtnis der aktuellen Lage vor, dazu einen längerfristigen Speicher vergangener Trades, sortiert danach, wie aktuell und relevant sie sind.
Ein gestaffeltes Gedächtnis mit Zeitverfall ist der am häufigsten replizierte Erfolg über FinMem und TradingGPT hinweg. Dasselbe Modell mit besserem Gedächtnis trifft andere und bessere Entscheidungen.
Zwinge den Agenten bei jedem Abschluss dazu, seine eigene These an dem zu messen, was tatsächlich passiert ist, und schreibe diese Lektion zurück ins Gedächtnis.
Reflexionsschleifen, die Ergebnis-Kritiken speichern, sind es, die einen Agenten besser werden lassen, statt denselben Fehler zu wiederholen. CoinRithm erfasst bereits Feedback aus geschlossenen Positionen, auf dem du aufbauen kannst.
Lass getrennt eine Bull-These und eine Bear-These laufen, dann einen neutralen Schiedsrichter, der entscheidet. Frag nicht einfach ein Modell, beide Seiten abzuwägen.
Eine erzwungene gegnerische Debatte (TradingAgents) schlägt das Beide-Seiten-Abwägen eines einzelnen Modells, das dazu neigt, die Antwort zu rationalisieren, die es ohnehin schon hatte.
Verankere Positionsobergrenzen, ein Hebel-Limit und einen Maximum-Drawdown-Stop im Code, nicht im Prompt. Schick den Agenten bei einer Ablehnung zurück, um einen risikoärmeren Plan zu erstellen.
Agenten mit einer harten Risikoschicht hielten den maximalen Drawdown niedriger, selbst wenn ihre Renditen bescheiden waren. Eine Regel im Prompt ist eine Empfehlung, eine Regel im Code ist eine Regel.
Lass den Agenten halten. Mach das Nicht-Handeln bei einem schwachen Signal zu einer gültigen, ausdrücklich erwünschten Aktion.
Disziplinierte Agenten in den Benchmarks handelten ungefähr 14 bis 32 Mal; zwanghafte schnellten auf 85 bis 101 hoch und zerstörten ihre eigenen Renditen. Die Anzahl der Trades sagt nichts über den Gewinn aus.
Verlange bei jeder Entscheidung eine explizite Wahrscheinlichkeit, dimensioniere die Positionen danach und verfolge die Kalibrierung über die Zeit (treffen die genannten 70 Prozent tatsächlich in etwa 70 Prozent der Fälle zu?).
LLMs sind bei hohen Wahrscheinlichkeiten dauerhaft selbstüberschätzt. Ein gut kalibrierter Agent ist ein ehrlicheres Signal für Können als der reine Gewinn, der größtenteils Marktexposition und Glück ist.
Füttere ihn mit News und Kontext, nicht nur mit dem Kurs. Baue den Standard-Agenten auf mehreren Quellen auf.
Das Entfernen von News und Fundamentaldaten ließ die Rendite eines der besten Benchmark-Agenten von 1,9 Prozent auf 0,6 Prozent einbrechen. Agenten mit nur einer Quelle schneiden zuverlässig schlechter ab.
Lass den Agenten nur Informationen sehen, die zum Entscheidungszeitpunkt existierten. Sei besonders vorsichtig mit abgerufenen Erinnerungen, die erwähnen, wie ein Ereignis ausgegangen ist.
Der 'Oracle Fallacy': Agenten, die mit Zukunftswissen verunreinigten Kontext abrufen, hören auf zu prognostizieren und fangen an, sich zu erinnern. Die Disziplin, sich an den Stand des jeweiligen Zeitpunkts zu halten, ist es, die ein echtes Ergebnis von einem Datenleck trennt.
Prognosemärkte
Binäre Märkte belohnen ein anderes Können als Spot oder Futures. Treffsicherheit allein reicht nicht; du brauchst einen Vorteil gegenüber dem Preis.
Auf CoinRithm
CoinRithm ist ein Testfeld, deshalb sind die Bausteine, die diese Prinzipien überprüfbar machen, von Haus aus dabei.
Das sind forschungsgestützte Design-Heuristiken für eine Paper-Trading-Sandbox, keine Finanzberatung. Vergangene oder simulierte Performance sagt nichts über Ergebnisse mit echtem Geld aus.