Entscheidungshilfe auf Basis Künstlicher Intelligenz in Kryptowährungsmärkten: Ein spieltheoretisches & probabilistisches Modell

#DeepCreationCamp

In den letzten zehn Jahren haben sich Kryptowährungsmärkte als eine der disruptivsten Innovationen in der Finanzwelt etabliert und ziehen nicht nur aufgrund ihres hohen Renditepotenzials, sondern auch wegen der erheblichen Risiken Aufmerksamkeit auf sich. Im Gegensatz zu traditionellen Finanzanlagen werden Kryptowährungen nicht nur durch Angebot und Nachfrage beeinflusst, sondern auch durch Trends in sozialen Medien, technologische Updates und regulatorische Nachrichten, bedingt durch ihre dezentrale Struktur und den 24/7-Handel. Dies stellt die Gültigkeit klassischer ökonomischer Theorien in Frage, die rationale Marktteilnehmer voraussetzen.

Obwohl künstliche Intelligenz neue Perspektiven beim Verständnis menschlichen Verhaltens und der Marktdynamik bietet, sind bestehende Ansätze oft auf „Black-Box“-Modelle beschränkt und verfügen nicht über ausreichende Anpassungsfähigkeit bei plötzlichen Marktschocks.

Die meisten quantitativen Finanzmodelle und grundlegenden Machine-Learning-Algorithmen gehen davon aus, dass sich historische Muster in der Zukunft wiederholen. Kryptowährungsmärkte sind jedoch chaotisch und nicht stationär. Dabei ergeben sich zwei zentrale Probleme:

1. Aktuelle Algorithmen haben Schwierigkeiten, „irrationale“ Marktbewegungen zu modellieren.
2. Deep-Learning-Modelle sind oft nicht erklärbar, was es Menschen erschwert, die Entscheidungsgrundlagen für Kauf/Verkauf nachzuvollziehen.

Diese Einschränkungen untergraben das Vertrauen der Investoren in KI-basierte Systeme und verzögern die technologische Akzeptanz.

Diese Arbeit trägt bei durch:

Entwicklung eines hybriden probabilistischen Modells auf Basis der Dempster–Shafer-Überzeugungstheorie, das Unsicherheiten durch Evidenzgewichtung bewertet, anstatt nur auf Bayesianischer Wahrscheinlichkeit zu basieren.

Vorschlag eines Simulationsrahmens, der Marktdynamik als Mehr-Agenten-Spiel modelliert und so kreatives Problemlösen in interaktiven Umgebungen ermöglicht.

2. Verwandte Arbeiten

Der vorgeschlagene Ansatz basiert auf drei primären Forschungsbereichen: KI in der Wirtschaftstheorie, spielbasierte Simulationen und probabilistisches Schließen.

2.1 KI und Wirtschaftstheorie

Der Aufstieg der KI hat die Wirtschaftstheorie maßgeblich beeinflusst. Während traditionelle Modelle auf der Annahme des „Homo Economicus“ rationaler Akteure beruhen, erfassen moderne KI-Ansätze besser die begrenzte Rationalität und asymmetrische Informationen. Konzepte wie Angebot-Nachfrage-Gleichgewicht, Preisbildung und Spieltheorie wurden durch rechnergestützte Techniken, inspiriert von natürlicher Intelligenz, erweitert.

Diese Studie baut auf dieser Transformation auf, um irrationale Preisbewegungen in Krypto-Märkten zu interpretieren.

2.2 Simulationsumgebungen und Spieltheorie

Spiele bieten kontrollierte Umgebungen zur Untersuchung von Entscheidungsprozessen unter Unsicherheit. Kryptowährungshandel kann als komplexes, nicht-zero-sum-Spiel modelliert werden, bei dem mehrere Akteure konkurrieren und interagieren.

Obwohl spielbasierte Simulationen weit verbreitet sind, um Agenten zu trainieren, ist die Anpassung an Finanzmarktsimulationen—insbesondere zur Entwicklung kreativer Strategien—ein noch aufstrebendes Forschungsfeld. Diese Arbeit nutzt spielbasierte Umgebungen als Testfelder, um die Leistung der Agenten in Marktsimulationen zu verbessern.

2.3 Probabilistisches Schließen und Unsicherheitsmanagement

KI-Systeme stützen sich typischerweise auf die Bayessche Theorie oder die Überzeugungsfunktionstheorie, um probabilistisches Schließen zu handhaben. Während die Bayessche Theorie präzise numerische Wahrscheinlichkeiten zuweist, betont die Dempster–Shafer-Theorie die Evidenzstärke und das Unsicherheitsmanagement.

In verrauschten und unvollständigen Datenumgebungen wie den Kryptomärkten bieten Überzeugungsfunktionen eine flexiblere Struktur zur Darstellung von Unbekanntem. Diese Studie verfolgt eine nicht-Bayessche Perspektive, um die Zuverlässigkeit von Marktsignalen zu bewerten.

3. Methodik und Ansatz

Das vorgeschlagene System trägt den Namen Crypto-Game-Belief-Framework. Es besteht aus modularen Komponenten, die Marktdaten verarbeiten, Unsicherheiten managen und Strategien in simulierten Umgebungen entwickeln.

3.1 Kernkomponenten

Datenwahrnehmung und Überzeugungsbildung

Das System sammelt Rohdaten wie Kursbewegungen, Handelsvolumen und Social-Media-Stimmung. Anstatt direkte Kauf-/Verkaufssignale zu generieren, werden diese Eingaben mithilfe der Dempster–Shafer-Theorie in Überzeugungsmassen umgewandelt.

Beispielsweise wird ein bullishes technisches Signal zu einem gewichteteten Beweisstück, nicht zu einer festen Wahrscheinlichkeit. Dies ermöglicht es dem System, Unsicherheit bei widersprüchlichen Signalen zu modellieren.

Kreatives Problemlösen (CPS) und Anomalie-Management

Kryptomärkte erleben häufig beispiellose Ereignisse. Autonome Systeme benötigen Fähigkeiten zum kreativen Problemlösen (CPS), um solche außergewöhnlichen Situationen zu bewältigen.

Dieses Modul ermöglicht adaptives Denken jenseits auswendig gelernter Muster und generiert logische Strategien in unbekannten Kontexten.

Mehr-Agenten-Spielsimulation

Die Überzeugungsergebnisse fließen in eine spielbasierte Simulationsumgebung ein. Der KI-Agent konkurriert gegen andere virtuelle Agenten, die verschiedene Handelsstrategien repräsentieren.

Mittels Reinforcement Learning maximiert der Agent eine Belohnungsfunktion und testet Strategien ohne echtes finanzielles Risiko.

3.2 Evaluationsplan

Ein hypothetischer Bewertungsrahmen umfasst:

Datensatz: Stündliche BTC- und ETH-Daten (2018–2023) plus Social-Media-Metriken.

Benchmark-Modelle: Buy-and-Hold-Strategie und ein standardmäßiges LSTM-Neuronales Netzwerk.

Kennzahlen:

Return on Investment (ROI)

Sharpe Ratio

Maximaler Drawdown

Das System wird auf 70 % der Daten trainiert und auf 30 % getestet. Künstliche „Black-Swan“-Szenarien (z. B. plötzliche 20%-Abstürze) werden eingeführt, um die CPS-Anpassungsfähigkeit zu prüfen.

4. Diskussion

4.1 Praktische Anwendungen und Vertrauen

Das Framework kann nicht nur als automatisiertes Handelstool, sondern auch als Risikomanagementhilfe für institutionelle Investoren dienen. Das Vertrauen der Nutzer hängt jedoch stark von der Erklärbarkeit ab.

Erklärbare KI (XAI) zeigt, dass nachvollziehbare Begründungen das Vertrauen erheblich verbessern. Daher sollte das System anstelle einer bloßen „Verkaufen“-Empfehlung kontextbezogene Erklärungen liefern, wie etwa:

„Das Marktunsicherheitsniveau liegt laut Überzeugungsfunktionen bei 80 %; das Risiko wird reduziert.“

4.2 Einschränkungen Rechenaufwand: Mehr-Agenten-Simulationen und Überzeugungsaktualisierungen erfordern erhebliche Rechenleistung, was potenziell zu Latenzzeiten führen kann. Historische Verzerrung: KI ist durch die historischen Muster, auf denen sie trainiert wurde, eingeschränkt. Psychologische Komplexität: Die Modellierung subjektiver menschlicher Wahrscheinlichkeitsurteile bleibt eine Herausforderung.

4.3 Ethische Überlegungen Der Einsatz von KI in Kryptomärkten birgt Risiken der Manipulation. Große algorithmische Akteure könnten Marktsignale unethisch ausnutzen. Finanzielle KI-Systeme müssen Prinzipien der Transparenz, Fairness und Nicht-Schädigung einhalten.

4.4 Zukunftsperspektiven Zukünftige Forschungen könnten große Sprachmodelle (LLMs) integrieren, um Nachrichten und wissenschaftliche Literatur automatisch zu analysieren. Zudem könnten verknüpfte KI-Ethikrahmen die Entwicklung universeller ethischer Standards für Handelsbots unterstützen.

5. Fazit Kryptowährungsmärkte stellen eine hochriskante Schnittstelle von Technologie und Finanzen dar. Diese Studie schlägt ein ganzheitliches KI-Framework vor, das Spieltheorie, Dempster–Shafer-Überzeugungsfunktionen und kreative Problemlösungsansätze kombiniert. Durch die Modellierung der Märkte als dynamische, interaktive Systeme anstelle statischer Datensätze verbessert das Framework die Entscheidungsfindung unter Unsicherheit. Zukünftige Versionen mit Erklärbarkeitsfunktionen könnten ein transparenteres und vertrauenswürdigeres Finanzökosystem für sowohl private als auch institutionelle Investoren fördern.