KI-Agenten für Krypto-Marktanalyse: Reasoning + Action pattern

Denken + Handeln: Muster für KI-Agenten in der Fundamentalanalyse von Kryptos

Vorhandene Repos für automatisierte Marktanalysen haben fundamentale Schwächen bei der Verarbeitung von Indikatoren und Nachrichten. Nehmen wir TauricResearch/TradingAgents: Der Pipeline holt Daten von Reddit, X, Bloomberg, Reuters und Yahoo Finance. Zwei Agenten streiten – einer bullisch, einer bärisch – über eine feste Anzahl von Runden. Die Seite mit den stärkeren Argumenten gewinnt.

Aber unter der Haube werden rohe Indikatoren wie RSI und Stoch RSI einfach als Klartext an LLMs gefüttert. Modelle kämpfen mit der Priorisierung: Denkketten sind chaotisch. Beispiel:

• RSI signalisiert überverkauft – bullische Hypothese.
• Keine Tools zur Überprüfung der Hypothese.
• Stoch RSI zeigt überkauft – Entscheidung fällt.

Festgelegte Prioritätsgewichte zerstören Anpassungsfähigkeit und führen zu Verlusten. Dynamische Priorisierung braucht 200k Tokens für Backtesting – von 1,20 € (Haiku) bis 6,00 € (Opus). Ohne Indikatoren ist das System blind gegenüber Social-Media-Lärm: Ein Influencer mit Fake-Accounts oder teure APIs (200 €/Monat für X).

node-ccxt-backtest setzt 8 Agenten nach Themen ein:

• Bilanz: On-Chain-Reserven, Abflüsse von Börsen, LTH-Angebot, HODL-Wellen.
• Geldfluss: ETF-Zuflüsse, Miner-Druck, Stablecoins, OTC.
• Fundamentals: Hashrate, MVRV, NVT, Stock-to-Flow.
• Nettoerlöse: Gebühren, Lightning, DeFi TVL.
• Insider: MicroStrategy, BlackRock ETF, Grayscale GBTC.
• Asset-Nachrichten: Regulierungen, Hacks, Institutionen.
• Globales Makro: Fed, CPI, DXY, Fear & Greed, M2.
• Preisgeschichte: Anomalous Volumen, Breakouts.

Das Problem? Es ignoriert Portfoliometriken (Max-Drawdown, Sharpe Ratio) und verpasst reale Wendungen: Ein Tweet des Präsidenten dreht alles um.

Warum starre Ansätze scheitern

Beide Beispiele basieren auf festen Abfragen an Quellen. Märkte ändern sich täglich: Anpassung ist Pflicht. Das „Denken + Handeln“-Muster löst das: LLMs wechseln zwischen Analyse und Nachrichtenjagd. Agenten fokussieren Schlüsseltrigger und filtern Lärm heraus.

Agenten-Implementierung: Signale aus April 2026

Die Fundamentalanalyse für April schrie VERKAUFEN: Negativfaktoren häuften sich – Fed hält Zinsen hoch, starker DXY, Abflüsse aus BlackRock ETF, niedrige Hashrate, 15 % Fundingrate, Fear-Index bei 28.

{
  "reasoning": "Alle Berichte heben bärische Signale hervor: 1) Makro – Fed hält Zinsen hoch, starker Dollar, robuste Jobdaten → risikoscheues Klima...",
  "signal": "VERKAUFEN"
}

• April – Geopolitik (Iran-Ultimatum): WARTEN. Preis unter MA, RSI 44, Fear bei 12, aber kein Katalysator.

• April – Trump-Tweet zu Waffenstillstand: KAUFEN. Rally auf 72k $, 425 Mio. $ Short-Liquidationen, Volumen >2 Mio. BTC/Stunde. Stop-Loss 70k $.

• April – gemischte Signale (Breakout über 71k $ vs. Miner-Verkäufe, 17 % Put-Optionen): WARTEN.

Agenten-Quellcode

Web-Suchagent

import { addAgent } from "agent-swarm-kit";
...
import { str } from "functools-kit";

addAgent({
  agentName: AgentName.WebSearchAgent,
  completion: CompletionName.OllamaTextCompletion,
  keepMessages: Infinity,
  prompt: str.newline(
    "Du bist ein Web-Suchagent in einem Trading-System-Schwarm.",
    "",
    "Deine Aufgabe ist es, einen objektiven Bericht zu erstellen..."
  ),
  tools: [
    ToolName.WebSearchTool,
  ],
});

Signal-Generator

import {
  addOutline,
  commitAssistantMessage,
  commitUserMessage,
  dumpOutlineResult,
  execute,
  fork,
  IOutlineHistory,
  IOutlineResult,
} from "agent-swarm-kit";

...

const DISPLAY_NAME_MAP = {
  BTCUSDT: "Bitcoin",
  // ...
};

const SEARCH_PROMPT = str.newline(
  "Du jagst nach Triggern bei Breaking Events...",
  "Level 1 – Breaking Events..."
);

Der Code nutzt agent-swarm-kit für einen Agenten-Schwarm. Suchen zielen auf frische Trigger: Breaking News, Hacks, Trump-Tweets, Makro-Überraschungen. Ausgabe ist JSON mit Begründung und Signal (KAUFEN/VERKAUFEN/WARTEN).

Wichtige Erkenntnisse

• Das „Denken + Handeln“-Muster sorgt für Anpassungsfähigkeit: Agenten holen News mitten in der Analyse.
• Fokus auf Breaking Events (Tweets, Geopolitik) schlägt statische Indikatoren.
• Erfolgsmetriken: Max-Drawdown, Sharpe Ratio – essenziell für Backtesting.
• Kosten: Optimiert für Ollama, umgeht teure APIs.
• Objektivität: Priorisiert bärische Signale, führt mehrere Abfragen durch.

— Editorial Team