Zeitreihenprognosen für Krypto-Trader

Eine Zeitreihe ist eine nach Zeit geordnete Sequenz von Datenpunkten — Aktienpreise zu jeder Minute, tägliche Bitcoin-Schlusskurse, stündliche Temperaturmessungen. Was Zeitreihen von anderen Daten unterscheidet, ist, dass die Reihenfolge zählt. Zeilen in einem Klassifikationsdatensatz zu mischen ist harmlos; eine Zeitreihe zu mischen zerstört ihre Bedeutung.

Drei Eigenschaften definieren den Charakter jeder Zeitreihe. Trend ist die langfristige Richtung — BTCs Preis bewegte sich von $3.000 Anfang 2019 auf $60.000 Ende 2021, ein klarer Aufwärtstrend. Saisonalität bezieht sich auf sich wiederholende Muster in festen Intervallen — Krypto-Märkte sehen oft erhöhtes Volumen während der US-Handelszeiten und reduzierte Aktivität an Wochenenden. Stationarität bedeutet, dass statistische Eigenschaften wie Mittelwert und Varianz über die Zeit konstant bleiben. Die meisten Finanzzeitreihen sind nicht stationär — Preise driften nach oben oder crashen —, was Herausforderungen für Modelle schafft, die stabile Verteilungen unterstellen.

Bevor du Finanzdaten in ein Modell gibst, musst du sie transformieren. Das Bilden von Log Returns (dem natürlichen Logarithmus des Preisverhältnisses zwischen aufeinanderfolgenden Perioden) wandelt nicht stationäre Preise in annähernd stationäre Renditen um. Differenzierung — das Subtrahieren des vorherigen Werts — erreicht einen ähnlichen Effekt. Diese Transformationen sind nicht optional; sie sind Voraussetzungen dafür, dass die meisten Prognosemethoden korrekt funktionieren.

ARIMA (AutoRegressive Integrated Moving Average) ist seit Jahrzehnten das Arbeitstier der Zeitreihenprognose. Es kombiniert drei Komponenten: AR(p) nutzt die vorherigen p Werte, um den nächsten vorherzusagen, I(d) differenziert die Reihe d-mal, um Stationarität zu erreichen, und MA(q) modelliert die Fehlerterme vergangener Vorhersagen.

Für Finanzdaten dient ARIMA als kritische Baseline. Jedes Machine-Learning-Modell, das ein gut abgestimmtes ARIMA auf deinem spezifischen Datensatz nicht schlagen kann, fügt Komplexität ohne Mehrwert hinzu. In der Praxis performt ARIMA für kurzfristige Prognosen niedrigfrequenter Daten (tägliche oder wöchentliche Kerzen), bei denen das Signal-Rausch-Verhältnis beherrschbar ist, oft überraschend gut.

# ARIMA-Baseline für tägliche BTC-Renditen
from statsmodels.tsa.arima.model import ARIMA
import pandas as pd

returns = prices.pct_change().dropna()
model = ARIMA(returns, order=(2, 0, 1))  # AR(2), keine Differenzierung (Renditen bereits stationär), MA(1)
fitted = model.fit()
forecast = fitted.forecast(steps=5)
print(f"AIC: {fitted.aic:.2f}")  # Niedrigerer AIC = besseres Modell

ARIMAs Grenzen werden bei komplexen nichtlinearen Mustern, Regimewechseln und hochdimensionalen Merkmalsräumen offensichtlich. Hier kommt Deep Learning ins Bild.

Long Short-Term Memory (LSTM)-Netze sind ein Typ von rekurrenten neuronalen Netzen, entworfen, um langreichweitige Abhängigkeiten in sequenziellen Daten zu lernen. Anders als einfache RNNs, die unter verschwindenden Gradienten leiden und Informationen bereits nach wenigen Zeitschritten vergessen, nutzen LSTMs einen Gating-Mechanismus — Forget Gate, Input Gate und Output Gate —, um Informationen über hunderte Schritte selektiv zu behalten oder zu verwerfen.

Für Finanzzeitreihen bieten LSTMs zwei Vorteile gegenüber ARIMA: Sie können nichtlineare Beziehungen modellieren (Preisdynamiken sind selten linear), und sie können mehrere Eingabemerkmale gleichzeitig einbeziehen — nicht nur vergangene Preise, sondern Volumen, Volatilität, Funding Rates, Orderbuch-Ungleichgewicht und jedes andere Signal, dem du prädiktive Information zutraust.

Die Vorbereitung von Daten für ein LSTM erfordert sorgfältiges Windowing. Du erstellst Eingabesequenzen fester Länge (z. B. 60 Zeitschritte), gepaart mit dem Zielwert (dem nächsten Preis oder der nächsten Rendite). Normalisierung ist entscheidend — skaliere Merkmale auf [0, 1] oder standardisiere auf Mittelwert null und Einheitsvarianz. Aber hier die Falle: Du musst den Scaler nur auf Trainingsdaten fitten und Validierungs- und Testdaten mit denselben Parametern transformieren. Das Fitten auf den vollständigen Datensatz leckt zukünftige Information.

# LSTM-Datenvorbereitung mit korrekter Normalisierung
import numpy as np
from sklearn.preprocessing import MinMaxScaler

def create_sequences(data, window=60):
    X, y = [], []
    for i in range(window, len(data)):
        X.append(data[i - window:i])
        y.append(data[i, 0])  # Nächsten Close vorhersagen
    return np.array(X), np.array(y)

# Scaler NUR auf Trainingsdaten fitten
scaler = MinMaxScaler()
train_scaled = scaler.fit_transform(train_data)
test_scaled = scaler.transform(test_data)  # transformieren, nicht fitten

X_train, y_train = create_sequences(train_scaled)
X_test, y_test = create_sequences(test_scaled)

Derselbe Self-Attention-Mechanismus, der die Verarbeitung natürlicher Sprache revolutionierte, hat sich auch für Zeitreihen als gleichermaßen mächtig erwiesen. Statt Sequenzen Schritt für Schritt wie ein LSTM zu verarbeiten, erlaubt Attention dem Modell, alle Zeitschritte gleichzeitig zu betrachten und zu lernen, welche historischen Momente für die Vorhersage der Zukunft am relevantesten sind.

Der Temporal Fusion Transformer (TFT), 2021 von Google Research eingeführt, ist speziell für Multi-Horizon-Zeitreihenprognosen gebaut. Er kombiniert mehrere Innovationen:

• Variable-Selection-Netzwerke — lernen automatisch, welche Eingabemerkmale am wichtigsten sind, und bieten so eingebaute Interpretierbarkeit. Du kannst sehen, ob sich das Modell stärker auf Preismomentum, Volumen oder Funding Rates verlässt.
• Gated-Residual-Netzwerke — unterdrücken irrelevante Eingaben und ermöglichen dem Modell, komplexe nichtlineare Merkmalsinteraktionen zu handhaben.
• Multi-Head-Attention über die Zeit — identifiziert, welche historischen Zeitschritte für jeden Prognosehorizont am informativsten sind.
• Quantil-Ausgaben — erzeugt Prognoseintervalle (10., 50., 90. Perzentil) statt Punktschätzungen und gibt dir so ein Maß an Unsicherheit — essenziell für Risikomanagement im Trading.

In der Praxis haben TFTs LSTMs und traditionelle Modelle bei Benchmarks übertroffen, darunter Stromnachfrageprognose, Einzelhandelsumsatzvorhersage und Modellierung von Finanzvolatilität. Für Krypto-Märkte, zugänglich über Plattformen wie GaiaEx, macht die Fähigkeit des TFT, heterogene Eingaben zu verarbeiten — statische Metadaten (Assettyp, Listing-Datum), bekannte zukünftige Werte (Wochentag, Tageszeit) und beobachtete zeitvariante Merkmale (Preis, Volumen, On-Chain-Metriken) — ihn besonders geeignet.

Seien wir ehrlich darüber, was erreichbar ist. Den exakten Bitcoin-Preis von morgen vorherzusagen, ist im Wesentlichen unmöglich. Die Effizienzmarkthypothese (EMH) argumentiert, dass Preise bereits alle verfügbaren Informationen widerspiegeln, was konsistente Vorhersage zu einem Ding der Torheit macht. In Krypto ist die schwache Form der EMH umstritten — Märkte sind weniger effizient als Aktien —, aber das Rausch-zu-Signal-Verhältnis bleibt brutal.

Ein realistischeres Ziel ist Richtungsgenauigkeit: Wird BTC höher oder niedriger schließen, als es eröffnet hat? Dieses binäre Klassifikationsproblem ist zugänglicher, und selbst moderate Verbesserungen über 50% Genauigkeit (sagen wir konsistent 53–55%) können mit richtiger Positionsgröße und Risikomanagement hochprofitabel sein.

Eine praktische Pipeline sieht so aus:

• Merkmale: 60-Perioden-Renditen, RSI, MACD-Histogramm, Bollinger-Band-Breite, Volumenverhältnis (aktuell vs. 20-Perioden-Durchschnitt), Funding Rate aus Perpetual Futures, BTC-Dominanz und Open-Interest-Änderung.
• Modell: zweischichtiges LSTM mit 128 versteckten Einheiten, Dropout von 0,3, gefolgt von einer dichten Schicht mit Sigmoid-Aktivierung für binäre Klassifikation.
• Split: Training auf 2020–2023, Validierung auf Jan–Jun 2024, Test auf Jul–Dez 2024. Niemals mischen — immer chronologisch splitten.
• Evaluierung: Richtungsgenauigkeit, Precision/Recall für Aufwärts- vs. Abwärtsvorhersagen und — am wichtigsten — simulierter PnL unter Annahme einer festen Positionsgröße pro Signal.

Erreicht dein Modell 54% Richtungsgenauigkeit auf dem Out-of-Sample-Testset mit einem Profitfaktor über 1,2, hast du etwas, das weiter zu erforschen sich lohnt. Zeigt es 65% Genauigkeit, hast du fast sicher overfittet. Echte Vorteile an den Finanzmärkten sind klein, und wer etwas anderes behauptet, verkauft dir etwas.

Die Wahl der richtigen Metrik entscheidet, ob du für das Richtige optimierst. MAE (Mean Absolute Error) sagt dir die durchschnittliche Größe deiner Vorhersagefehler in denselben Einheiten wie deine Daten — intuitiv, bestraft aber große Fehler nicht überproportional. RMSE (Root Mean Squared Error) quadriert Fehler vor der Mittelung und bestraft Ausreißer stark — angemessen, wenn eine einzelne katastrophale Fehlvorhersage mehr zählt als viele kleine. Richtungsgenauigkeit misst den Prozentsatz, zu dem dein Modell korrekt vorhersagt, ob der Preis steigt oder fällt — oft die relevanteste Metrik für Trading-Signale.

Ensemble-Methoden kombinieren Vorhersagen mehrerer Modelle, um Varianz zu reduzieren und Robustheit zu verbessern. Verbreitete Ansätze umfassen:

• Einfache Mittelung — mittle die Vorhersagen eines LSTM, eines Transformers und eines ARIMA. Erfasst jedes Modell unterschiedliche Aspekte des Signals, übertrifft das Ensemble jedes einzelne Modell.
• Stacking — trainiere ein Meta-Modell (z. B. einen Gradient-Boosted-Tree), um die optimale Kombination der Basismodell-Vorhersagen zu lernen.
• Regime-bewusstes Umschalten — nutze einen Volatilitätsregime-Detektor, um auszuwählen, welchem Modell zu vertrauen ist. Ein LSTM könnte in trendenden Märkten glänzen, während ein Mean-Reversion-Modell in Range-Bedingungen übertrifft.

Egal welchen Ansatz du wählst, bedenke, dass die Lücke zwischen Forschung und Produktion riesig ist. Ein Modell, das die BTC-Richtung in einem Jupyter-Notebook mit 55% Genauigkeit vorhersagt, muss Latenz, Slippage und Transaktionskosten überleben, wenn es live über eine Plattform wie GaiaEx ausgeführt wird. Baue deine Evaluierungspipeline von Anfang an so, dass sie diese Realitäten simuliert — nicht nachträglich.