So gehst du beim Krypto-Preisforecasting mit Machine Learning vor (ohne beim Risiko die Augen zu verschließen)

Krypto zieht Data Scientists an – nicht ohne Grund: Es gibt ständig einen neuen Indikator, endlos mehr Datenquellen und jedes Modell verspricht „bessere Signale“. Der Haken ist: Krypto-Märkte können ihren Charakter ziemlich schnell wechseln. Wenn das passiert, funktioniert ein Forecast, der im Backtest gut aussah, im Live-Handel plötzlich nicht mehr.

Hier geht es nicht darum, Machine Learning abzuschreiben. Vielmehr darum, es so einzusetzen, dass du dich weniger leicht selbst täuschst: Forecasts mit dem koppeln, was du wirklich traden kannst, und Risiko sauber an R ausrichten (dein Risiko-„Einheitswert“), statt an Dollarbeträge.

Warum „Preisprognosen“ im Krypto oft enttäuschen

Forecasts enttäuschen aus ein paar ziemlich vorhersehbaren Gründen.

• Modelle können Rauschen und Signal in schnellen, regimewechselnden Märkten nicht zuverlässig trennen.
• Eine Vorhersage ist kein Trading-Plan. Selbst wenn ein Modell Richtung oder Wahrscheinlichkeiten schätzt, brauchst du trotzdem Einstiege, Stops und Risk Control.
• Viele ML-Ansätze liefern Richtung oder Wahrscheinlichkeit – die Ausführung hängt aber weiterhin von Marktstruktur ab (Levels, Fairness, Positionierung) und von deinem Risikomodell.

Man kann es auch simpel so formulieren: Forecasting hilft dir, Wahrscheinlichkeiten einzuschätzen. Trading verlangt dann Entscheidungen: Was genau machst du, wenn der Markt sich bewegt? Und wie viel kannst du verlieren, wenn du danebenliegst?

Was ein Modell im Krypto wirklich vorhersagen sollte

Wenn du ML-Outputs nutzen willst, die in der Praxis ins Trading passen, konzentriere dich auf Ziele, die du messen und umsetzen kannst.

Prognostiziere das Handelbare, nicht Fantasie

Nimm lieber Ziele, die du direkt verwenden kannst:

• Wahrscheinliche Marktphase: Trend, Range oder Chop
• Wahrscheinlichkeit für Fortsetzung (oder die Wahrscheinlichkeit, dass sich die Bewegung umkehrt)
• Bedingungen rund um den fairen Wert (zahlen Trader „zu teuer“ – oder werden sie günstiger gefüllt als der Durchschnitt?)

Mach das Ziel messbar

Statt „nächster Preis“ besser etwas, das sich klar traden lässt, z. B.:

• Wahrscheinlichkeit, dass der Kurs sich vor Ablauf deines Stops um einen definierten Betrag vorteilhaft bewegt

So zwingst du das Modell, Muster zu lernen, die wirklich mit deiner Ausführung zusammenpassen.

Regime am Einstieg markieren

In der Praxis machen Unterschiede in den Marktphasen oft mehr aus als feinste Anpassungen an Indikatoren. Deshalb sollte dein Modell dir helfen, zu entscheiden, welches Vorgehen gerade passt.

Modelleingaben, die häufig über Symbole und Zeiteinheiten funktionieren

Ein typischer Fehler ist es, Features zu bauen, die nur für ein bestimmtes Symbol, ein bestimmtes Timeframe oder eine bestimmte Volatilitätsumgebung funktionieren. Eingaben, die Marktverhalten beschreiben, übertragen sich meist besser.

„Fairness“ mit VWAP verankern

Nutze unter anderem:

• Session-VWAP (an UTC 00:00 geankert)
• Rolling VWAP über die letzten N Bars

VWAP (Volume-Weighted Average Price) ist der Durchschnittspreis – gewichtet nach dem gehandelten Volumen. In Krypto-Futures ist das ein nützlicher Anker für Fairness:

• Preis über dem Session-VWAP → Käufer zahlen im Schnitt „mehr“
• Preis unter dem Session-VWAP → Verkäufer werden höher gefüllt als der Durchschnittspreis, den der Markt gezahlt hat

Funding als Kosten-/Positionierungs-Signal lesen

Perpetual Futures nutzen eine Funding Rate, um den Perp-Preis nah am Spot-Preis zu halten.

• Funding positiv bedeutet: Longs zahlen Shorts
• Funding negativ bedeutet: Shorts zahlen Longs

Behandle den Level nicht als reines „Stimmungsbild“. Betrachte ihn als Kosten-Signal. Am handelbarsten ist meistens, wie sich Funding entwickelt:

• dauerhaft negativ → überfüllte Shorts zahlen „drauf“
• dauerhaft positiv → überfüllte Longs zahlen „drauf“
• um Null herum und mean-revertend → eher ausgeglichenere Bedingungen

Orderbuch für Einstiegskontext nutzen – aber mit Vorsicht

Orderbuch-Ungleichgewicht (Bid-Volumen vs. Ask-Volumen nahe dem Touch) und gewichtete Tiefe können helfen, Einstiege nahe Levels besser zu timen.

Aber du musst gegen reale Trades prüfen. Spoofing passiert: Falsche Wände können sich innerhalb von Sekunden auflösen. Wenn das Ungleichgewicht starke Bids zeigt, aber Trades weiter „verkaufen“, können die Bids nur scheinbar echt sein.

Volatilität und Struktur mitdenken

ATR-basierte Features helfen dem Modell zu verstehen, wie „breit“ der Markt sich bewegen will. Das ist wichtig, weil das gleiche Muster je nach Volatilitätsregime völlig anders wirken kann.

Häufige Krypto-Signale in model-taugliche Regeln übersetzen

Viele Trader arbeiten schon mit VWAP, Funding und Orderbuch-Ideen. Der Knackpunkt ist, daraus Regeln zu machen, die das Modell lernen kann – und nicht nur schwammige Interpretationen.

VWAP als Anker, nicht als Einzel-Trigger

Behandle VWAP als Referenzpunkt:

• Preis über Session-VWAP heißt im Kern: Käufer zahlen im Schnitt „mehr“

Wenn du long-lastig bist, hilft dir VWAP, die Frage klarer zu stellen: Kaufe ich über dem, was der Markt bislang als fair akzeptiert hat? Wenn ja – warum?

VWAP-Retests in Trend-Regimen

Eine Fortsetzungsstruktur sieht oft so aus:

• Nach einem sauberen Session-Move beobachtest du den ersten VWAP-Retest
• Das kann ein Setup mit hoher Trefferquote sein – wenn das Regime weiterhin Trendverhalten unterstützt

Wichtig ist das kleine Wort wenn. VWAP-Retests funktionieren im Range anders als im Trend.

Funding: auf Veränderungen schauen, nicht nur auf das Vorzeichen

Daumenregeln, die sich gut in Modelle übersetzen lassen:

• dauerhaft negativ korreliert mit überfüllten Shorts, die bezahlen
• dauerhaft positiv korreliert mit überfüllten Longs, die bezahlen
• der größte Trading-Wert steckt oft in Stilwechseln, nicht darin, nur auf dem Level zu starren

Orderbuch: Timing nahe Levels

Nutze das Ungleichgewicht für den Timing-Teil:

• wenn ein Level zurückerobert wird und Bid-Support sichtbar ist, spricht das eher für Longs
• große, wartende Asks oberhalb des aktuellen Preises sind Gegenwind für Breakout-Versuche

Auch hier gilt: als Kontext nutzen. Das Orderbuch sollte nicht alleine deine These sein.

Regimeklassifikation als Fundament deines ML-Designs

Regime ist der nützlichste Filter, um das richtige Vorgehen auszuwählen.

Nutze drei praktische Regime: Trend, Range, Chop.

Trend

Trend ist gerichtete Struktur:

• steigendes ADX
• höhere Hochs / höhere Tiefs (umgekehrt für Shorts)

Trend eignet sich besonders für Momentum-Einstiege und nachlaufende Ausstiege.

Range

Range ist Schwanken um klar erkennbare Support-/Resistance-Zonen:

• ATR zieht sich zusammen (ATR contracting)

Range eignet sich gut für Fade-/Mean-Reversion-Einstiege mit engeren, vorab festgelegten Ausstiegen.

Chop

Chop ist unordentlich:

• keine saubere Struktur
• häufige Stop-Runs

Standard-Aktion: kleiner handeln oder ganz aussetzen. Wenn du traden musst, fokussiere dich nur auf die überzeugendsten Setups – und akzeptiere dann auch breitere Stops.

Markiere jeden Trade beim Einstieg mit dem Regime. Über die Zeit trennt Regime-getaggte Performance oft deutlich besser als ein Vergleich „Indikator A vs. Indikator B“.

Wo Machine Learning und Deep Learning wirklich Sinn ergeben

Eine gute Art, ML „ehrlich“ zu halten, ist die Ausrichtung des Ziels auf Entscheidungen.

Wahrscheinlichkeiten forecasten und Regime klassifizieren

Nutze ML/Deep Learning, um zu schätzen:

• die Wahrscheinlichkeit für Fortsetzung vs. Umkehr
• die Wahrscheinlichkeit, welcher Regime-Typ gerade vorliegt

Kein deterministischer Plan, der dir die nächsten Kurswege festnagelt. Märkte schulden dir keine Gerade.

Sequenzmodelle für Timing rund um Events

Sequenz-Ansätze (Deep Learning) können hilfreich sein, wenn du zeitliche Muster rund um lernen willst:

• VWAP-Retests
• Funding-Veränderungen
• Orderbuch-Verschiebungen

Outputs mit Ausführung und Risiko verbinden

Das Modell sollte Outputs liefern, die direkt in Ausführung und Risikoregeln passen.

Wenn das Modell nur „hoch“ oder „runter“ sagt, du es aber nicht in Einstiegstiming und Stop-Logik übersetzen kannst, rutschst du schnell zurück in subjektive Entscheidungen.

Risikomanagement: Forecast-Qualität ist ohne R-Controls praktisch wertlos

Selbst ein gutes Modell kann Geld verlieren, wenn deine Risikologik inkonsistent ist.

Alles an R verankern

R ist deine Risiko-Einheit: die Differenz zwischen Entry-Preis und Stop-Preis.

Alle Performance sollte in R ausgedrückt werden:

• Erwartungswert (Expectancy)
• MFE (Maximum Favorable Excursion)
• MAE (Maximum Adverse Excursion)

Das ist wichtig, weil der Dollar-PnL je nach Volatilität stark schwankt. Eine Strategie, die im Schnitt +0.35R pro Trade schafft, verdient auch +0.35R – ob der Markt ruhig oder wild ist. Dollar-Ergebnisse folgen dann eher deiner Positionsgröße und Volatilität.

Erwartungswert generalisiert, solange R konsistent ist

Wenn du Model-Performance bewertest, schau auf den Expectancy in R. Umrechnen in Dollar nur ganz am Ende, falls du es fürs Budget brauchst.

„Prognose“ ersetzt keine Stops

Ein Forecast ändert nicht, was dein Stop macht. Die Stop-Distanz, Positionsgröße und Ausstiegsregeln bestimmen die tatsächliche Verteilung der Trades.

Positionsgröße aus ATR: damit Stops logisch zusammenpassen

Wenn du die Stückzahl fixierst und nur die Volatilität laufen lässt, „driftet“ die implizite Stop-Distanz. So werden Trader überrascht.

So size’n, dass 1-ATR adverse Bewegung dein Risikobudget trifft

Positionsgröße sollte ATR-gestützt sein:

• Stop-Distanz = k * ATR setzen
• k nach Regime auswählen

Typische k-Bereiche:

• 1.0–1.5 im Trend
• 1.5–2.0 im Chop

Dann so positionieren, dass eine 1-ATR adverse Bewegung exakt deinem Risiko entspricht.

Häufiger Fehler: Positionsgröße fix lassen und während Volatilitätsspitzen den Stop „wandern“ lassen. Das System funktioniert nur so, wie vorgesehen, wenn Stop-Logik und Größenanpassung zusammen skalieren.

Outputs mit Ausführungs-Playbooks verbinden

Sobald du Regime-Wahrscheinlichkeit und Fortsetzungswahrscheinlichkeit hast, leitest du daraus ein Playbook ab.

Trend-Bias + Modellkonfidenz: in VWAP hinein skalieren (nicht hinterherjagen)

Statt die Breakout-Kerze zu kaufen, kannst du Entries um den vorherigen VWAP staffeln.

Ein typisches Schema:

• 30% beim ersten VWAP-Reclaim
• 30% beim bestätigten Retest mit dünnerer Sell-Side-Tiefe
• 40% nachdem nach dem Retest ein höheres Tief (higher-low) entstanden ist

Übrige Tranchen werden storniert, falls der Kurs im Working Timeframe wieder unter VWAP schließt.

Range-Bias: Mean-Reversion mit engen Exits

Für Range-Bedingungen bevorzugen:

• enge Stops
• Ausstieg nahe der gegenüberliegenden Range-Kante

Hier nicht Trend-Logik recyceln. Ein VWAP-Reclaim kann im Mean-Reversion-Kontext etwas völlig anderes bedeuten.

Chop: kleinere Größe oder lieber Abstand halten

Im Chop gilt:

• Größe reduzieren oder Trades auslassen
• falls du tradest: nur die höchsten Conviction-Setups wählen
• breitere Stops akzeptieren, wenn die Struktur das verlangt

Modell testen: Miss das, was wirklich zählt

Backtests sollten Fragen zu Vorteil und Risiko beantworten – nicht nur „Genauigkeit“.

Expectancy in R bewerten

So generalisierst du über Symbole und Volatilitätsregime hinweg. R-basierte Kennzahlen halten die Bewertung konsistent.

Outcome-Verteilung mittracken

Nicht nur auf die Trefferquote schauen.

Wichtig sind z. B.:

• MAE/MFE in R, um zu sehen, ob Signale früh genug ankommen, damit deine Stop-Logik funktioniert

Wenn MAE regelmäßig viel zu groß im Verhältnis zu deinem Stop ist, kann dein Edge eine Illusion sein – ausgelöst durch Timing in der Ausführung.

Stress-Test nach Regime

Tagge jeden Trade beim Einstieg (Trend/Range/Chop) und prüfe, ob sich die Performance wirklich mit dem Regime unterscheidet. Wenn dein Modell überall gleich gut läuft, lernt es oft gar nicht die Regime-Struktur.

Implementierungs-Checkliste (und was du Live überwachen solltest)

Die Modellarbeit endet dort, wo die Ausführung beginnt. Für saubere Ausrichtung halte Analyse und Execution auf derselben Plattform.

Die XT Exchange ist der Ort, an dem unsere Live-Marktfeeds Snapshots und Signale liefern.

Praktische Checkliste:

• Wenn du ein bestimmtes Perp tradest, prüfe die Session-VWAP-Dynamik, das Verhalten des rolling VWAP, Funding-Trends und das Orderbuch-Ungleichgewicht auf XT für dieses Pair.
• Nutze Live-Charts, um zu verifizieren, ob deine Regime-Tags stimmen und ob VWAP-Retests im aktuellen Session-Setup wie erwartet laufen.

Krypto kann seine „Persönlichkeit“ schnell ändern. Live-Monitoring ist Teil der Forschung.

Nächster Schritt: Inputs auf XT prüfen und mit R-basiertem Risiko aufbauen

Wenn du das Framework umsetzen willst, starte simpel.

• Öffne dein XT-Konto und traden ein BTC-Pair (oder deinen bevorzugten Perp), um Session-VWAP, rolling VWAP, Funding-Shifts und Orderbuch-Reaktionen in Echtzeit zu beobachten.
• Überführe danach den Modell-Output in R-basiertes Entry-/Stop-Logic – mit ATR-getriebener Größenberechnung, damit Backtest- und Live-Verhalten konsistent bleiben.

Starte mit einem Symbol, tagge Trades nach Regime und steigere erst danach die Komplexität.