💰 quantitative finance

AgenticAITA: A Proof-Of-Concept About Deliberative Multi-Agent Reasoning for Autonomous Trading Systems

Dieser Beitrag stellt AGENTICAITA vor, ein Proof-of-Concept-Framework, das den traditionellen algorithmischen Handel durch ein trainingsfreies, multiagentisches deliberatives System ersetzt, in dem spezialisierte LLMs autonom handeln, verhandeln und Geschäfte unter strengen Sicherheitsbedingungen ausführen, wobei die operative Machbarkeit während eines fünf Tage dauernden Live-Markt-Dry-Runs erfolgreich demonstriert wurde.

Ursprüngliche Autoren: Ivan Letteri

Veröffentlicht 2026-05-14

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ivan Letteri

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen Hochrisiko-Börsenhandel vor, an dem statt eines einzelnen menschlichen Händlers, der in Sekundenbruchteilen Entscheidungen trifft, ein Team spezialisierter Roboter zusammenarbeitet. Doch dies sind keine einfachen Roboter, die einem starren Skript folgen; es sind „denkende" Roboter, die von fortschrittlicher KI angetrieben werden und in der Lage sind, miteinander zu reasoning, zu argumentieren und zu verhandeln, bevor sie einen Schritt tun.

Dieser Artikel stellt AGENTICAITA vor, ein neues System, das diese Idee in der chaotischen Welt des Kryptowährungshandels testet. So funktioniert es, aufgeteilt in einfache Konzepte:

Das Kernproblem: Warum alte Systeme versagen

Traditionelle Handelsbots sind wie Autopiloten in einem Flugzeug. Sie sind mit spezifischen Regeln programmiert (z. B. „Wenn der Preis um 5 % fällt, kaufen"). Sie funktionieren hervorragend bei ruhigem Wetter, doch wenn der Markt plötzlich seine Persönlichkeit ändert (ein „Regimewechsel"), geraten diese Bots in Verwirrung, weil sie nicht in der Lage sind, sich anzupassen oder darüber nachzudenken, warum die Dinge geschehen. Sie folgen einfach dem Skript, selbst wenn das Skript keinen Sinn mehr ergibt.

Die Lösung: Ein Team von KI-Spezialisten

AGENTICAITA ersetzt den einzelnen Autopiloten durch ein deliberatives Team. Es berechnet nicht nur eine Zahl; es hält eine Besprechung ab. Das System basiert auf vier Haupt„Gadgets", die dieses Team organisiert und sicher halten:

1. Der „Smarte Alarm" (AZTE)

Stellen Sie sich vor, Sie beobachten eine belebte Straße. Sie müssen Ihr Expertenteam nicht jedes Mal rufen, wenn ein Auto vorbeifährt. Sie rufen sie nur, wenn etwas Seltsames passiert, wie etwa ein Auto, das in die falsche Richtung fährt, oder eine plötzliche Explosion.

Funktionsweise: Dieses Modul beobachtet den Markt ständig. Es weckt das KI-Team nur, wenn es ein statistisch „seltsames" Ereignis erkennt (ein großer Preisanstieg oder -abfall). Dies spart Energie und verhindert, dass die KI von Rauschen überwältigt wird.

2. Der „Dreipersonen-Ausschuss" (SDP)

Sobald der Alarm losgeht, handelt die KI nicht einfach. Sie führt eine strukturierte Besprechung mit drei unterschiedlichen Rollen durch und kommuniziert über strenge digitale Verträge (wie das Ausfüllen eines Formulars):

Der Analyst: Dieser Agent betrachtet die Daten und sagt: „Ich denke, wir sollten dies kaufen oder verkaufen." Er schreibt seine Begründung auf.
Der Risikomanager: Dies ist der strenge Chef. Ihn interessiert die ausgefeilte Begründung des Analysten nicht; er prüft nur die Regeln. „Ist die Wette zu groß? Ist der Stop-Loss zu weit?" Wenn die Regeln nicht erfüllt sind, schlägt er die Tür zu und sagt „Nein".
Der Executor: Dies ist der einzige Agent, der tatsächlich einen Trade platzieren darf. Er wartet auf das grüne Licht des Risikomanagers.
Die Magie: Da sie getrennt sind, können sie sich disagree. Der Analyst möchte vielleicht kaufen, aber der Risikomanager sagt: „Nein, das ist zu riskant." Diese „Reibung" beweist, dass sie tatsächlich denken und nicht nur ein Skript wiederholen.

3. Der „Verkehrspolizist" (IGP)

Stellen Sie sich eine belebte Küche vor, in der fünf Köche versuchen, gleichzeitig den einzigen Herd zu benutzen. Chaos entsteht.

Funktionsweise: Das KI-System ist teuer im Betrieb. Der „Verkehrspolizist" stellt sicher, dass zu jedem Zeitpunkt nur eine Handelsentscheidung verarbeitet wird. Wenn zwei seltsame Marktereignisse gleichzeitig auftreten, lässt der Polizist eines durch und sagt dem anderen höflich, es solle warten. Dies hält das System ordentlich und erstellt eine perfekte, unveränderliche Aufzeichnung jeder Entscheidung.

4. Der „Diversifizierungs-Score" (CBD)

Beim Investieren sind Sie nicht wirklich diversifiziert, wenn Sie zehn verschiedene Aktien kaufen, die sich alle genau gleich bewegen; Sie wetten dann nur zehnmal auf dasselbe.

Funktionsweise: Das System berechnet einen Score, um zu prüfen, ob sich ein neuer Vermögenswert unabhängig vom Hauptmarkt (Bitcoin) bewegt. Es bevorzugt Vermögenswerte, die ihr eigenes Ding tun, und stellt sicher, dass das Team nicht einfach Wetten auf dasselbe Ergebnis häuft.

Das Experiment: Eine „Trockenübung"

Die Forscher testeten dieses System fünf Tage lang in einer Live-Marktumgebung, jedoch mit einem Sicherheitsnetz: Es wurde kein echtes Geld riskiert.

Sie ließen die KI 157 Entscheidungen bei 76 verschiedenen Vermögenswerten treffen.
Das System lief vollständig autonom mit null menschlichem Eingreifen.
Das Ergebnis: Das Team arbeitete genau wie geplant. Der „Risikomanager" sagte bei etwa 3 % der Ideen des Analysten „Nein", und der „Analyst" entschied, bei 8 % der Chancen nicht mitzumachen. Diese „Reibung" bewies, dass die Agenten tatsächlich verhandelten und nicht blind Befehlen folgten.

Das Ergebnis: Hat es Geld verdient?

Hier kommt der ehrliche Teil: Das System hat während des Tests einen winzigen Geldbetrag verloren (ca. 15 $).

Allerdings befand sich der Markt in diesen fünf Tagen in einem schrecklichen Crash. Eine Person, die einfach nur Bitcoin gehalten hätte, hätte 3.912 $ verloren.
Im Vergleich zu dieser Katastrophe schnitt AGENTICAITA viel besser ab und bewahrte effektiv das Kapital.
Der Artikel räumt ein, dass dies nur ein Proof-of-Concept ist. Er beweist, dass die Architektur funktioniert (das Team kann sprechen, verhandeln und sicher bleiben), aber es ist zu früh, um zu sagen, ob es langfristig profitabel sein wird. Das System hatte eine leichte Tendenz zum Kaufen („Long"-Position), als der Markt fiel, was ihm einige Punkte kostete.

Das Fazit

Dieser Artikel behauptet nicht, eine Geldmaschine erfunden zu haben. Stattdessen behauptet er, einen neuartigen Handelsmotor gebaut zu haben.

Er muss nicht wie ein Schüler, der für eine Prüfung lernt, auf vergangene Daten „trainiert" werden.
Er nutzt ein Team von KI-Agenten, die miteinander argumentieren und sich gegenseitig prüfen.
Er verfügt über eingebaute Sicherheitsvorkehrungen, die die KI außer Kraft setzen können, wenn es gefährlich wird.
Er erstellt ein perfektes, lesbares Protokoll jedes einzelnen Gedankens und jeder Entscheidung.

Die Autoren sagen: „Wir haben das Auto gebaut und es fünf Tage lang sicher durch einen Sturm gefahren. Es ist nicht abgestürzt und hat den Sturm besser gemeistert als das bloße Sitzen in einem geparkten Auto. Jetzt müssen wir es 90 Tage lang fahren, um zu sehen, ob es tatsächlich ein Rennen gewinnen kann."

Technische Zusammenfassung: AGENTICAITA

1. Problemstellung

Konventionelle algorithmische Handelssysteme verlassen sich auf deterministische Heuristiken oder offline trainierte statistische Modelle (z. B. Reinforcement Learning, statische Optimierung). Diese Systeme stehen vor einer fundamentalen Einschränkung: Sie kodieren Wissen zum Trainingszeitpunkt und verfügen nicht über die Fähigkeit zu expliziter, zur Inferenzzeit stattfindender Überlegung, wenn sie mit neuartigen, sich rasch wandelnden Marktregimen konfrontiert werden. Sie können sich ohne erneutes Training nicht an die semantische Komplexität neuer Marktbedingungen anpassen, was sie anfällig für Verteilungsverschiebungen macht. Darüber hinaus sind bestehende Anwendungen großer Sprachmodelle (LLM) im Finanzwesen (z. B. FinGPT, BloombergGPT) weitgehend auf Aufgaben der Verarbeitung natürlicher Sprache (NLP) oder beratende Rollen beschränkt und scheitern daran, sich direkt unter strengen Sicherheitsbedingungen in den Ausführungssteuerkreis zu integrieren.

2. Methodik und Systemarchitektur

AGENTICAITA ist ein Proof-of-Concept-Framework, das entwickelt wurde, um das traditionelle Paradigma „Signal dann ausführen" durch einen vollständig autonomen, deliberativen Multi-Agenten-Loop zu ersetzen. Das System arbeitet ohne Offline-Training oder menschliches Eingreifen und stützt sich stattdessen auf strukturierte Schlussfolgerungen zwischen spezialisierten LLM-Agenten.

Die Architektur wird als containerisierte Mikroservices über ein isoliertes privates Netzwerk bereitgestellt und besteht aus vier Kernmodulen:

A. Adaptiver Z-Score-Auslöser (AZTE)

Als kognitiver Ressourcenallokator verhindert der AZTE, dass die teure LLM-Inferenzpipeline während Perioden mit niedrig-entropischem Rauschen aktiviert wird.

Mechanismus: Er berechnet die Momentan-Renditemagnitude ( $r_t$ ) und vergleicht sie mit einer gleitenden Basislinie (30 Beobachtungen), um einen anomalen Z-Score ( $z_t$ ) zu generieren.
Auslöser-Logik: Die Pipeline wird aktiviert, wenn $z_t \ge 2.0$ (statistische Anomalie) ODER $r_t \ge 0.003$ (absolute Renditeuntergrenze).
Innovation: Dieser duale Bedingungsansatz gewährleistet Regime-Invarianz, passt sich Schwankungsniveaus ohne manuelle Neujustierung an, während die absolute Untergrenze numerische Instabilität während Perioden niedriger Volatilität verhindert.

B. Sequentieller deliberativer Pipeline (SDP)

Dies ist der zentrale agentische Beitrag, der die Entscheidungsfindung in eine Kette von drei spezialisierten Agenten zerlegt, die über typisierte JSON-Verträge kommunizieren, um Rollenvermischung und Bestätigungsfehler zu verhindern.

Analyst-Agent: Empfängt Marktkontext (OHLCV, Orderbuch, Funding-Raten, episodisches Gedächtnis) und den Correlation-Break-Diversifizierungs-Score (CBD). Er gibt ein strukturiertes Handelssignal (Long/Short/Warten) mit Konfidenz und Begründung aus.
Risikomanager-Agent: Betreibt ein hybrides Gate.
- Schicht A (Deterministisch): Erzwingt harte Constraints (z. B. Signalvalidität, Konfidenz $\ge 0.60$ , Stop-Loss-Limits, maximale Positionsgröße von 500 $) vor jedem LLM-Aufruf.
- Schicht B (LLM): Wenn Schicht A bestanden wird, führt das LLM eine kontextuelle Validierung und Kalibrierung der Positionsgröße durch.
Executor-Agent: Der einzige Agent mit externen Nebenwirkungen. Er leitet Aufträge in „LIVE"-Modus über einen datenschutzfreundlichen Kanal (Tor/VPN) weiter oder protokolliert Entscheidungen im „DRY_RUN"-Modus.

C. Inferenz-Gating-Protokoll (IGP)

Ein mutex-basierter Scheduler, der den parallelen Zugriff auf gemeinsame LLM-Inferenzressourcen reguliert.

Funktion: Er serialisiert die Aktivierung von Agenten und stellt sicher, dass nur eine Pipeline gleichzeitig läuft. Dies verhindert Race Conditions, gewährleistet deterministische Ausführung und erzwingt eine minimale kognitive Verweildauer, um Mikrooszillationen herauszufiltern.

D. Correlation-Break-Diversifizierung (CBD)

Ein zusammengesetzter Score ( $\Omega$ ), der in die Begründung des Analysten integriert ist, um die Priorisierung idiosynkratischer Signale auf Portfolioebene zu operationalisieren.

Formel: $\Omega = \alpha \tilde{z}_t + (1-\alpha)\rho_{cb}$ , wobei $\tilde{z}_t$ ein gesättigter Anomaliescore und $\rho_{cb}$ ein Dekorrelationsmaß gegenüber Bitcoin ist.
Zweck: Er incentiviert die Auswahl von Vermögenswerten, die sich unabhängig vom breiteren Markt bewegen, mit dem Ziel, illusorische Diversifizierung zu reduzieren.

E. Datenschutz und Ausführung

Das System verwendet eine Dual-Kanal-Routing-Architektur: Marktdaten werden über direktes HTTPS abgerufen, während die Auftragsausführung über einen Tor-Circuit und ein VPN geleitet wird, um die Verknüpfung zwischen Agentenidentität und Handelsaktivität zu reduzieren.

3. Experimentelle Ergebnisse

Das Framework wurde über eine fünftägige autonome Dry-Run-Sitzung (6.–11. April 2026) an einer dezentralen Perpetual-Futures-Börse unter Verwendung von Live-Marktdaten validiert. Das System nutzte das Modell qwen3.5:9b über Ollama.

Operative Korrektheit: Das System führte 157 autonome Pipeline-Aufrufe über 76 eindeutige Vermögenswerte hinweg aus, bei null menschlichen Eingriffen.
Agentische Reibung: Das System zeigte eine Reibungsrate von 11,5 % ( $F = 11,5\%$ ), berechnet als Summe der Selbst-Enthaltungen des Analysten (8,3 %) und der harten Gate-Ablehnungen durch den Risikomanager (3,2 %). Dies bestätigt, dass die Agenten unabhängige Urteile fällten, anstatt Signale passiv weiterzuleiten.
Leistungsindikatoren:
- Netto-PnL: –15,07 $ (–0,058 % auf 26.079 $ Nominalwert).
- Gewinnquote: 51,80 % (72 Gewinne, 67 Verluste).
- Profit-Faktor: 0,841 (deutet auf einen strukturellen Verlust in absoluten Werten während dieses spezifischen widrigen Regimes hin).
- Benchmark-Vergleich: Gegenüber einer passiven BTC-Kauf-und-Halte-Strategie über denselben Zeitraum (die ~15 % oder –3.912 $ verlor), erzielte AGENTICAITA einen benchmark-relativen Alpha von +14,94 Prozentpunkten.
Statistische Signifikanz: Die Autoren stellen ausdrücklich fest, dass die Stichprobengröße (139 Trades) für eine statistisch robuste Leistungsinferenz unzureichend ist. Ein Binomialtest ergibt einen p-Wert von ~0,34, was bedeutet, dass in diesem Stadium kein statistisch signifikanter richtungsbezogener Vorteil beansprucht werden kann.

4. Hauptbeiträge

Die Arbeit identifiziert vier architektonische Beiträge, die AGENTICAITA von früheren Systemen unterscheiden:

Trainingsfreie Orchestrierung: Im Gegensatz zu RL-basierten Systemen erfordert es kein aufgabenspezifisches Training, Fine-Tuning oder Policy-Optimierung, wodurch Verwundbarkeiten durch Verteilungsverschiebungen eliminiert werden.
Deterministische Sicherheitsbedingungen: Das System erzwingt überprüfbare Risikolimits durch harte Gates und typisierte Verträge und begrenzt das Agentenverhalten unabhängig von der Stochastik des LLM.
Kognitive Ressourcenallokation: Die Module AZTE und IGP verwalten die Rechenkosten und die Parallelität, stellen sicher, dass das System nur bei hochinformativen Ereignissen aktiviert wird, und serialisieren die Ausführung zur Nachvollziehbarkeit.
Episodisches Gedächtnis und Deliberation: Das System implementiert eine übergreifende Persistenz und eine strukturierte deliberative Pipeline (Analyst $\to$ Risikomanager $\to$ Executor), die Verhandlungen zwischen Agenten und Selbst-Enthaltung ermöglicht.

5. Bedeutung und Behauptungen

Die Arbeit positioniert AGENTICAITA als vorläufigen Proof-of-Concept, der die Machbarkeit einer trainingsfreien, deterministischen, sicherheitsbeschränkten Multi-Agenten-Orchestrierung in finanziellen Entscheidungskreisläufen nachweist.

Bescheidene Behauptungen: Die Autoren beanspruchen keinen statistisch robusten Handelsvorteil oder langfristige Profitabilität. Sie rahmen die Ergebnisse explizit als „regimespezifische operative Indikatoren" ein, die zeigen, dass die deliberative Pipeline unter Live-Marktbedingungen korrekt funktioniert.
Primärer Wert: Die Bedeutung liegt in der architektonischen Validierung: dem Nachweis, dass ein Multi-Agenten-System autonom wahrnehmen, schlussfolgern, verhandeln und innerhalb strenger Sicherheitsgrenzen handeln kann, ohne menschliches Eingreifen.
Einschränkungen: Die Arbeit erkennt mehrere Einschränkungen an, darunter das Fehlen einer Transaktionskostenmodellierung im Dry-Run (was den PnL weiter reduzieren würde), die lang-direktionale Verzerrung des LLM (90,4 % Long-Signale) und die Notwendigkeit einer 90-tägigen Live-Bereitstellung mit 500+ Trades, um die statistische Validität zu etablieren.

Zusammenfassend zeigt AGENTICAITA, dass agentische KI so entwickelt werden kann, dass sie sicher und autonom in Finanzmärkten operiert, wobei in dieser initialen Validierungsphase die operative Korrektheit und Nachvollziehbarkeit über die unmittelbare Gewinnerzielung priorisiert werden.