Aus technischer Analyse wird KI-basierte Marktprognose
Unsere Prognose-Engine verdichtet Trend, Momentum, Volatilität, Volumen, Marktstruktur und relative Stärke zu täglichen Wahrscheinlichkeiten für Aktien, Indizes, Rohstoffe und Kryptowährungen. Kein einzelner Indikator entscheidet allein – relevant ist die Kombination vieler Signale über mehrere Zeithorizonte.
Trend & gleitende Durchschnitte
Richtung erkennen, Trendqualität bewerten und Marktrauschen reduzieren
Trendindikatoren helfen der KI zu erkennen, ob ein Kurs nur kurzfristig schwankt oder sich in einer belastbaren Bewegung befindet. Dafür werden kurzfristige, mittelfristige und langfristige Trendfenster kombiniert. Das verbessert die Einordnung von UP- und DOWN-Signalen und hilft, Trendfortsetzungen, Trendwechsel und überdehnte Bewegungen voneinander zu trennen.
Kursdaten & Extrempunkte
Open, High, Low und Close bilden die Grundlage der technischen Analyse. Rolling Highs und Lows zeigen, ob ein Asset neue Stärke aufbaut, wichtige Bereiche testet oder in einer schwächeren Struktur bleibt.
SMA, EMA & EWM
Gleitende Durchschnitte glätten den Kursverlauf und machen Trendrichtung und Trendstabilität sichtbar. Schnelle Durchschnitte reagieren früher, langsamere Durchschnitte zeigen die übergeordnete Struktur.
MACD, PPO & Trenddynamik
MACD und PPO erfassen, ob ein Trend an Dynamik gewinnt oder verliert. Dadurch kann das Modell Momentum in Trendrichtung von nachlassender Stärke und möglichen Umkehrpunkten unterscheiden.
Crossovers & Trendwechsel
Kreuzungen zwischen schnellen und langsamen Trendlinien liefern Hinweise auf neue Marktphasen. Das Modell betrachtet nicht nur das Ereignis selbst, sondern auch, wie lange eine Struktur bereits anhält.
Momentum & Oszillatoren
Beschleunigung, Stärke und überkaufte oder überverkaufte Marktphasen erkennen
Momentum-Indikatoren zeigen, wie stark eine Bewegung ist und ob ein Markt in eine Extremzone läuft. Sie helfen der KI, starke Trends von kurzfristigen Übertreibungen zu unterscheiden und mögliche Wendepunkte früher zu erkennen.
RSI & Stochastic
Diese Oszillatoren zeigen, ob ein Kurs eher stark, überdehnt oder erschöpft wirkt. In Kombination mit Trenddaten erkennt das Modell, ob ein hoher Wert Stärke bestätigt oder eher ein Rückschlagsrisiko signalisiert.
ROC, CCI & Williams %R
Diese Indikatoren messen Geschwindigkeit und Lage innerhalb der aktuellen Handelsspanne. Sie sind besonders nützlich, um schnelle Impulse, Kapitulationsbewegungen oder überhitzte Trendphasen einzuordnen.
ADX & Richtungsdominanz
ADX hilft zu erkennen, ob ein Markt wirklich trendet oder nur seitwärts schwankt. Das verbessert die Interpretation von Signalen, weil Momentum in klaren Trends anders zu bewerten ist als in unruhigen Seitwärtsphasen.
Volatilität & Preisbänder
Schwankungen, Risikozonen und realistische Bewegungsspannen bewerten
Volatilitäts-Features helfen dem Modell einzuschätzen, wie groß typische Bewegungen sind und ob ein Signal in einem ruhigen oder riskanten Marktumfeld entsteht. Preisbänder zeigen, wann Kurse ungewöhnlich weit laufen oder aus engen Zonen ausbrechen.
ATR & typische Bewegungsspanne
ATR beschreibt, wie stark ein Asset normalerweise schwankt. Das hilft, Signale realistischer zu bewerten und Risk-/Upside-Spannen besser einzuordnen.
Bollinger, Keltner & Donchian
Bänder und Kanäle zeigen, ob ein Kurs innerhalb normaler Schwankungen bleibt oder in eine Ausbruchszone läuft. Das ist besonders wichtig für Breakout-Setups und Trendstarts.
Range- und Ereignisvolatilität
High/Low-basierte Volatilität erkennt Turbulenzen, die in Schlusskursdaten allein oft unsichtbar bleiben. So kann das Modell riskante Marktphasen besser von ruhigen Trendphasen unterscheiden.
Volumen & Money Flow
Erkennen, ob eine Bewegung von echter Marktaktivität getragen wird
Volumen- und Money-Flow-Indikatoren zeigen, ob eine Bewegung durch zunehmende Aktivität bestätigt wird. Sie helfen der KI zu unterscheiden, ob ein Kursanstieg nur dünn gehandelt ist oder von breiterem Kaufinteresse getragen wird.
Volumen & Volumen-Spikes
Stark steigendes Volumen kann anzeigen, dass institutionelle Aktivität oder hohes Marktinteresse vorliegt. Das macht Breakouts und Trendwechsel häufig aussagekräftiger.
Money Flow, OBV & Chaikin
Money-Flow-Signale verbinden Kursbewegung und Volumen. Sie helfen zu erkennen, ob Kapital eher in ein Asset hineinfließt oder aus dem Asset abgezogen wird.
VWAP & volumengewichtete Preiszonen
VWAP zeigt, wo ein Asset unter Berücksichtigung des Volumens gehandelt wurde. Diese Preiszonen können als wichtige Orientierung für institutionell relevante Niveaus dienen.
Marktstruktur & Preisniveaus
Unterstützungen, Widerstände, Breakouts und strukturelle Wendepunkte erfassen
Struktur-Features zeigen, wo der Markt in der Vergangenheit reagiert hat und welche Preisbereiche besonders relevant sein könnten. Dadurch kann die KI Signale besser im Kontext von Unterstützungen, Widerständen, Breakouts und Trendbrüchen bewerten.
Swing-Struktur & Break of Structure
Higher Highs, Higher Lows und Strukturbrüche helfen zu erkennen, ob ein Trend intakt ist oder ob eine neue Marktphase beginnt.
Order Blocks & Fair Value Gaps
Preisbereiche mit auffälliger Reaktion oder unvollständiger Preisfindung können spätere Entscheidungszonen markieren. Das Modell nutzt diese Zonen als Kontext für Trendfortsetzungen und Reversals.
Pivot-Punkte & Fibonacci-Level
Mathematisch abgeleitete Preisniveaus helfen, Unterstützungen, Widerstände und Rücklaufbereiche zu identifizieren, an denen Signale besonders relevant werden können.
Regime, Returns & Relative Strength
Renditeverlauf, Drawdown, Benchmark-Kontext und Marktphase verbinden
Diese Gruppe ergänzt klassische technische Indikatoren um den übergeordneten Markt- und Renditekontext. Die KI erkennt, ob ein Asset relativ stark ist, ob ein Rücksetzer gesund oder riskant wirkt und ob das Marktumfeld eher Trend, Seitwärtsphase oder Risk-Off signalisiert.
Return Lags & Multi-Horizon Performance
Historische Renditen über mehrere Zeitfenster zeigen, ob ein Asset kurzfristig überdehnt, mittelfristig stark oder langfristig strukturell schwach ist.
Drawdown & Recovery
Drawdown- und Recovery-Features helfen, normale Pullbacks von tieferen Schwächephasen zu unterscheiden. Das ist zentral für Risiko, Timing und Positionsgröße.
Relative Strength, Beta & Korrelation
Der Vergleich mit Benchmarks zeigt, ob ein Asset eigene Stärke entwickelt oder nur vom Gesamtmarkt getragen wird. Das verbessert die Qualität von Trend- und Reversal-Signalen.
Wichtig: Die Plattform erzeugt keine Signale aus einzelnen Standardindikatoren. Das Modell bewertet viele Merkmale gemeinsam und lernt aus historischen Mustern, welche Kombinationen für unterschiedliche Prognosehorizonte statistisch relevant waren.
Fünf Säulen der Modellbewertung
Um die Qualität der Prognosen greifbar zu machen, konzentrieren wir uns auf fünf zentrale Kennzahlen: ACC, BALACC, AUC, BRIER und MCC – ergänzt um einen gewichteten Durchschnitt über alle relevanten Horizonte. Jede Metrik beleuchtet einen anderen Aspekt der Modellgüte.
Trefferquote
ACC beschreibt den Anteil aller Prognosen, bei denen das Modell mit seiner Richtungseinschätzung richtig lag. Es ist die intuitivste Kennzahl: Wie oft lag die Prognose insgesamt richtig – unabhängig davon, ob der Markt steigt oder fällt.
Interpretation: Eine solide ACC ist ein guter Startpunkt, reicht aber alleine nicht aus, um die Modellqualität zu beurteilen – besonders, wenn Märkte längere Zeit in eine Richtung laufen.
Balanced Accuracy
Balanced Accuracy gewichtet Aufwärts- und Abwärtsphasen gleich stark. Statt nur alle Treffer zu zählen, betrachtet die Kennzahl getrennt, wie gut das Modell in steigenden Phasen und in fallenden Phasen arbeitet – und bildet daraus einen Mittelwert.
Interpretation: BALACC ist besonders wichtig in Märkten, die über längere Zeit stark einseitig sind. Sie zeigt, ob das Modell wirklich beide Richtungen beherrscht – und nicht nur ein bestimmtes Umfeld „mag“.
AUC – Trennschärfe
Die AUC zeigt, wie gut das Modell Fälle mit später steigenden Kursen von Fällen mit später fallenden Kursen unterscheiden kann. Statt nur eine feste Schwelle zu betrachten, bewertet AUC die gesamte Verteilung der Modell-Scores.
Interpretation: Hohe AUC-Werte bedeuten: Hohe Modell-Scores sind typischerweise mit besseren Ergebnissen verbunden als niedrige Scores. Die Kennzahl eignet sich ideal, um die Qualität von Ranking- und Selektionsstrategien zu beurteilen.
Brier Score – Wahrscheinlichkeitsgüte
Der Brier Score misst, wie gut die ausgegebenen Wahrscheinlichkeiten mit der Realität übereinstimmen. Er bewertet nicht nur, ob ein Ereignis eingetreten ist, sondern wie weit die vorhergesagte Eintrittswahrscheinlichkeit danebenlag.
Interpretation: Je kleiner der Brier Score, desto besser ist die Kalibrierung: Ein Modell, das bei 70-%-Signalen langfristig in etwa 70 % Treffer liefert, besitzt eine hohe probabilistische Qualität.
MCC – Matthews-Korrelation
Der Matthews-Korrelationskoeffizient fasst alle Einträge der Konfusionsmatrix zu einem einzigen robusten Wert zusammen. Er berücksichtigt richtige und falsche Signale in beide Richtungen und reagiert sensibel auf unausgewogene Klassen.
Interpretation: MCC eignet sich hervorragend, um Modelle über verschiedene Märkte und Zeiträume hinweg fair zu vergleichen. Werte nahe 0 deuten auf Zufall hin, positive Werte auf echte Informationsgehalte im Signal.
Gewichteter Durchschnitt über Horizonte
Statt nur einen Horizont zu betrachten, werden mehrere Zeithorizonte zu einer Gesamtkennzahl kombiniert. Dabei können kurzfristige und längerfristige Vorhersagen unterschiedlich stark gewichtet werden – je nach Strategie und Nutzungsprofil.
Interpretation: Gewichtete Durchschnittsmetriken helfen, ein Modell mit einer einzigen Zahl einzuordnen, ohne die Detailtiefe der einzelnen Horizonte zu verlieren. Sie eignen sich besonders gut für Vergleiche zwischen Modellen oder Märkten.
Gemeinsam zeichnen diese Kennzahlen ein klares Bild: Wie oft das Modell richtig liegt, wie fair es beide Richtungen behandelt, wie gut es starke von schwachen Signalen trennt – und wie zuverlässig seine Wahrscheinlichkeiten sind.
FAQ
Antworten auf die häufigsten Fragen zu unserer Technologie, den Wahrscheinlichkeiten, den Kennzahlen und der Interpretation der Aktienprognosen.
Welche Technologie steckt hinter euren Aktienprognosen?+
Unsere Prognosen basieren auf einem Ensemble moderner Machine-Learning-Modelle, die speziell für zeitabhängige Finanzdaten optimiert wurden. Die Modelle verarbeiten gleichzeitig Hunderte technischer Indikatoren, Marktstruktursignale und Volumeninformationen. Das Training ist sehr rechenintensiv und läuft auf GPU-beschleunigter Infrastruktur in der Cloud. Die Modelle werden in der Regel jede Nacht automatisch neu trainiert bzw. aktualisiert, sobald neue Schlusskurse verfügbar sind, damit sich das System laufend an aktuelle Marktbedingungen anpassen kann.
Welche historischen Daten nutzt ihr für die Prognosen?+
Wir arbeiten mit qualitativ hochwertigen historischen Marktdaten. Dazu gehören Schlusskurse (Close), Eröffnungs-, Hoch- und Tiefstkurse (Open, High, Low), tägliche Handelsvolumina sowie daraus abgeleitete Größen wie Renditen, Volatilität und eine Vielzahl technischer Indikatoren. Die Daten werden in der Regel auf Basis von End-of-Day-Informationen (Handelsschluss) verarbeitet, bereinigt und normalisiert. So stellen wir sicher, dass die Modelle auf konsistenten Zeitreihen aufbauen und keine Verzerrungen durch Ausreißer, Splits oder fehlerhafte Kurse entstehen.
Was bedeutet die angezeigte Wahrscheinlichkeit und warum gibt es nur Signale ab 70 % bzw. unter 30 %?+
Die Wahrscheinlichkeit gibt an, wie hoch – laut Modell – die Chance ist, dass der Kurs über einen definierten Horizont steigt (UP) oder fällt (DOWN). Ein Wert von 72 % bedeutet zum Beispiel: In historisch ähnlichen Situationen ist der Markt in etwa 72 % der Fälle gestiegen. Um Rauschen zu vermeiden, zeigen wir nur Signale an, wenn die Wahrscheinlichkeit klar erhöht oder klar reduziert ist, also typischerweise bei ≥ 70 % für Aufwärtsbewegungen oder ≤ 30 % für Abwärtsbewegungen. In der neutralen Zone dazwischen ist der Markt statistisch schwer unterscheidbar, daher verzichten wir bewusst auf Signale.
Was ist ein UP- und was ist ein DOWN-Signal?+
Ein UP-Signal bedeutet, dass das Modell eine erhöhte Wahrscheinlichkeit dafür sieht, dass der Kurs über den gewählten Zeithorizont steigt. Ein DOWN-Signal weist auf eine erhöhte Wahrscheinlichkeit für fallende Kurse hin. Beide Signale sind rein statistische Aussagen der technischen Chartanalyse und keine direkten Kauf- oder Verkaufsempfehlungen. Sie können als zusätzlicher Baustein in einem eigenen Entscheidungsprozess genutzt werden, der auch Risikoprofil, Diversifikation und Fundamentaldaten berücksichtigt.
Was genau bedeutet der Prognosehorizont?+
Der Prognosehorizont gibt an, über wie viele Handelstage sich die Erwartung des Modells erstreckt. Ein 1D-Horizont bezieht sich auf den nächsten Handelstag, 5D auf rund eine Woche, 20D auf mehrere Wochen und 60D auf einen mittel- bis längerfristigen Zeitraum. Es geht immer um Arbeitstage bzw. Handelstage, nicht um Kalendertage. Für sehr kurze Horizonte ist der Markt deutlich verrauschter, während längere Horizonte eher strukturelle Trends und Regime abbilden.
Wie sollte ich die Wahrscheinlichkeiten richtig interpretieren?+
Die Wahrscheinlichkeiten sind keine Zusage für einen bestimmten Kursverlauf, sondern statistische Aussagen auf Basis historisch ähnlicher Marktsituationen. Eine Wahrscheinlichkeit von 70 % bedeutet nicht, dass der Markt ‚sicher‘ steigt, sondern dass er in vergleichbaren Fällen häufiger gestiegen ist als gefallen. Einzelereignisse können immer davon abweichen. Sinnvoll ist daher, Wahrscheinlichkeiten als Gewichtung oder Zusatzinformation im eigenen Entscheidungsprozess zu nutzen – nicht als Garantie.
Was bedeutet es, wenn unterschiedliche Horizonte widersprüchliche Signale zeigen?+
Unterschiedliche Horizonte spiegeln unterschiedliche Marktlogiken wider. Ein positives 5D-Signal kann auf kurzfristiges Momentum hindeuten, während ein negatives 60D-Signal auf einen übergeordneten Abwärtstrend hinweist. Solche Konstellationen sind typisch in Korrektur- oder Übergangsphasen. Viele Nutzer nutzen diese Information, um Positionsgrößen anzupassen, Einstiege zu staffeln oder kurzfristige Trades vorsichtiger zu handeln.
Wie häufig treten Signale auf?+
Signale werden bewusst selektiv erzeugt. In ruhigen oder statistisch uneindeutigen Marktphasen kann es vorkommen, dass über längere Zeit keine klaren Signale angezeigt werden. In trendstarken oder sehr volatilen Phasen treten Signale häufiger auf. Die genaue Frequenz hängt vom Markt, dem Zeithorizont und der aktuellen Marktdynamik ab.
Funktionieren die Signale auch in Seitwärtsmärkten oder Krisen?+
Seitwärtsmärkte und extreme Krisenphasen gehören zu den schwierigsten Umfeldern für jede Form der Prognose. In solchen Phasen sinkt oft die Trennschärfe zwischen UP- und DOWN-Szenarien, was sich in weniger oder vorsichtigeren Signalen widerspiegelt. Das System ist darauf ausgelegt, diese Unsicherheit sichtbar zu machen, statt künstlich klare Aussagen zu erzwingen.
Wie genau sind KI-basierte Aktienprognosen?+
Die Genauigkeit hängt stark vom Zeithorizont, der Marktphase und der jeweiligen Aktie ab. Finanzmärkte enthalten immer einen hohen Anteil zufälliger Bewegungen, insbesondere kurzfristig. Ziel der Modelle ist daher nicht perfekte Vorhersage, sondern eine statistisch messbare Verbesserung gegenüber Zufall. Entscheidend ist, ob Wahrscheinlichkeiten über viele Fälle hinweg konsistent besser sind als eine neutrale Erwartung – genau das messen wir mit mehreren Metriken.
Wie verhindert ihr Overfitting und unrealistische Backtests?+
Wir trennen Trainings-, Validierungs- und Testzeiträume strikt zeitlich und verwenden konsequent Out-of-Sample-Auswertungen. Zusätzlich kommen Walk-Forward-Tests zum Einsatz, bei denen Modelle wiederholt neu trainiert und auf nachfolgenden, bislang ungesehenen Daten bewertet werden. So stellen wir sicher, dass die gemessene Performance nicht auf rückwirkender Optimierung beruht, sondern auf echter Generalisierungsfähigkeit.
Was bedeuten ACC, BALACC, AUC, Brier Score und MCC in euren Auswertungen?+
ACC (Accuracy) beschreibt, in welchem Anteil der Fälle das Modell die Richtung korrekt vorhergesagt hat – also wie oft UP- bzw. DOWN-Signale im Nachhinein richtig lagen. BALACC (Balanced Accuracy) gewichtet Aufwärts- und Abwärtsphasen gleich, damit Modelle nicht dadurch ‚gut‘ aussehen, dass sie nur ein bestimmtes Marktregime bevorzugen. AUC misst die Trennschärfe der Modellwerte: Fälle mit später steigenden Kursen sollten im Durchschnitt höhere Scores erhalten als Fälle mit später fallenden Kursen. Der Brier Score bewertet die Güte der Wahrscheinlichkeiten: Je kleiner der Score, desto besser passen die prognostizierten Wahrscheinlichkeiten zu den tatsächlich eingetretenen Ergebnissen. MCC (Matthews Correlation Coefficient) fasst alle Einträge der Konfusionsmatrix zu einer robusten Kennzahl zusammen und eignet sich besonders gut, um Modelle über verschiedene Märkte und Zeiträume hinweg fair zu vergleichen.
Was ist eine Trefferquote (Hit Rate) und wie wird sie berechnet?+
Die Trefferquote misst, wie häufig ein ausgegebenes Signal im Nachhinein korrekt war. Ein einfaches Beispiel: Ein UP-Signal mit hoher Wahrscheinlichkeit gilt als ‚Hit‘, wenn der Kurs über den betrachteten Horizont tatsächlich steigt, und als ‚Miss‘, wenn er fällt. Analog dazu muss ein DOWN-Signal von einem fallenden Kursverlauf bestätigt werden. Aus der Anzahl der Hits im Verhältnis zu allen Signalen ergibt sich die Hit Rate. Diese Kennzahl kann für jeden Zeithorizont separat betrachtet werden und liefert ein sehr intuitives Gefühl dafür, wie oft die Signale in der Vergangenheit gestimmt haben.
Was bedeutet „Walk-Forward“ (Walk-Forward-Validation)?+
Walk-Forward-Validation ist ein kontinuierliches Testverfahren für Zeitreihen. Statt ein Modell einmalig auf der gesamten Historie zu trainieren und anschließend „rückwirkend“ zu bewerten, wird das Modell Schritt für Schritt in der Zeit weitergeschoben: Es wird nur mit Daten trainiert, die zu diesem Zeitpunkt bereits verfügbar waren, und anschließend auf den darauffolgenden Zeitraum getestet. So entsteht eine realistischere Messung der Prognosegüte unter wechselnden Marktregimen.
Was heißt „Out-of-Sample“ bei euch konkret – sind das echte Marktdaten?+
Out-of-sample bedeutet: Die Bewertung erfolgt auf Zeiträumen, die das Modell zum Trainingszeitpunkt noch nicht „gesehen“ hat. Unsere Kennzahlen werden auf echten, fortlaufenden Marktdaten berechnet, sobald neue Handelstage entstehen. Damit spiegeln die Werte nicht nur eine Rückrechnung auf historischen Trainingsdaten wider, sondern eine laufende, zeitnahe Messung unter realen Marktbedingungen.
Wie verhindert ihr Look-Ahead Bias und Data Leakage?+
Bei Finanzzeitreihen ist es entscheidend, dass Features und Labels strikt zeitlich getrennt sind. Wir erzeugen alle Eingabefeatures ausschließlich aus Informationen, die bis zum jeweiligen Handelsschluss verfügbar waren, und testen im Walk-Forward-Setup auf nachfolgenden Perioden. Dadurch wird verhindert, dass zukünftige Informationen unbeabsichtigt in Training, Normalisierung oder Feature-Berechnung einfließen.
Wie oft werden die Modelle aktualisiert und wann erscheinen die Signale?+
Die Prognosen werden typischerweise täglich aktualisiert, sobald neue End-of-Day-Daten (Handelsschluss) verfügbar sind. Die Signale stehen anschließend vor dem nächsten Börsenstart bereit. So sind die Analysen konsistent, reproduzierbar und orientieren sich an stabilen Schlusskursdaten statt an kurzfristigem Intraday-Rauschen.
Berücksichtigt ihr Splits, Dividenden und Corporate Actions?+
Ja. Für robuste Zeitreihen werden Kursdaten und abgeleitete Indikatoren so verarbeitet, dass typische Datenbrüche (z. B. durch Splits) nicht zu künstlichen Sprüngen in Features und Auswertungen führen. Ziel ist eine konsistente Historie, damit Signale und Kennzahlen über lange Zeiträume sinnvoll vergleichbar bleiben.
Warum verwendet ihr separate Modelle pro Aktie und Prognosehorizont?+
Aktien verhalten sich unterschiedlich — Liquidität, Volatilität, Trendstärke und Reaktionsmuster können sich deutlich unterscheiden. Zusätzlich ist ein 1D-Signal statistisch ein anderes Problem als ein 60D-Signal. Deshalb werden Modelle horizon-spezifisch und asset-spezifisch trainiert, damit die Prognosen besser zum jeweiligen Verhalten und Zeithorizont passen.
Warum sind manche Genauigkeiten oder Metriken auf bestimmten Horizonten relativ niedrig?+
Finanzmärkte sind nicht stationär und werden von vielen externen Faktoren beeinflusst – etwa von makroökonomischen Daten, Zinsentscheidungen, geopolitischen Entwicklungen oder Unternehmensnachrichten. Besonders auf sehr kurzen Horizonten überwiegt zufälliges Rauschen, sodass Metriken wie ACC oder BALACC naturgemäß näher an der Zufallslinie liegen können. Niedrigere Werte bedeuten daher nicht zwingend, dass das Modell ‚schlecht‘ ist, sondern häufig, dass der entsprechende Marktabschnitt statistisch schwer vorhersagbar war. Wichtig ist, Metriken immer im Kontext des Zeithorizonts, der Marktphase und der eigenen Strategie zu interpretieren.
Welche Rolle spielen Lags und warum normalisiert ihr die Features?+
Lags beschreiben, wie sich vergangene Werte eines Indikators auf künftige Kursbewegungen auswirken. Wenn zum Beispiel ein bestimmtes Momentum-Signal vor drei Tagen historisch häufig mit später steigenden Kursen einherging, kann das Modell diese Verzögerung (Lag) lernen und die aktuelle UP-Wahrscheinlichkeit entsprechend anpassen. Damit solche Zusammenhänge über verschiedene Aktien, Preisniveaus und Volumenklassen hinweg vergleichbar bleiben, werden alle Features normalisiert. Das verhindert, dass besonders teure, sehr volatile oder extrem illiquide Werte die Modellschätzung verzerren, und sorgt dafür, dass die Wahrscheinlichkeitsskalen über den gesamten Markt konsistent bleiben.
Warum verwendet ihr gewichtete Durchschnitte der Kennzahlen über mehrere Horizonte?+
Anstatt nur einen einzelnen Horizont zu betrachten, fassen wir mehrere Zeithorizonte zu einer Gesamtbewertung zusammen. Kurzfristige Horizonte sind oft sehr verrauscht und schwanken stärker, während längere Horizonte die strukturelle Prognosekraft besser abbilden. In vielen Fällen erhalten daher längere Horizonte ein etwas höheres Gewicht, um ein robusteres Gesamtbild zu erzeugen. Gleichzeitig gehen auch die kurzfristigen Informationen nicht verloren, sondern fließen anteilig mit ein. So entsteht eine Kennzahl, die sowohl Trading- als auch Investmentperspektiven berücksichtigt und sich gut für Modell- oder Marktvergleiche eignet.
Für wen eignen sich die Prognosen besonders?+
Die Prognosen richten sich an informierte Privatanleger und Trader, die datenbasierte Entscheidungsunterstützung suchen. Sie eignen sich besonders für Nutzer, die bereits mit technischer Analyse, Fundamentaldaten oder systematischen Ansätzen arbeiten und Wahrscheinlichkeiten sinnvoll in eine eigene Strategie integrieren möchten.
Sind die Prognosen eine Anlageberatung oder Kaufempfehlung?+
Nein. Unsere Prognosen stellen keine Anlageberatung dar und ersetzen keine individuelle Beratung durch qualifizierte Expertinnen oder Experten. Es handelt sich um automatisierte, technisch orientierte Auswertungen historischer Kurs- und Indikatordaten. Deine persönliche finanzielle Situation, dein Risikoprofil und deine Anlageziele werden nicht berücksichtigt. Nutze die bereitgestellten Informationen daher immer nur als einen Baustein in einem breiteren Entscheidungs- und Risikomanagementprozess.
Wie kann ich die Signale für kurzfristige Trades nutzen?+
Für kurzfristige Setups eignen sich vor allem die 5D- und 20D-Horizonte, weil sie weniger zufällig sind als reine 1D-Bewegungen. In der Praxis werden Signale am besten als Zusatzfilter genutzt – zum Beispiel zur Bestätigung eines eigenen Setups aus Trend, Unterstützungs-/Widerstandsniveaus, Volumen oder News-Kontext. Sinnvoll ist außerdem, Fundamentaldaten und Ereignisse wie Earnings im Blick zu behalten und das Risiko konsequent über Positionsgröße, Stop-Niveaus und Diversifikation zu steuern. Die Signale sind statistische Wahrscheinlichkeiten und sollten nie als alleinige Entscheidungsgrundlage dienen.
Wie kann ich die Signale für mittel- bis langfristige Investments nutzen?+
Für mittel- bis längerfristige Entscheidungen sind insbesondere die 20D- und 60D-Signale relevant, weil sie eher Trend- und Regimephasen abbilden. Viele Nutzer verwenden diese Horizonte, um Einstiegs- und Nachkaufzonen zu timen, Positionsaufbau zu staffeln oder Risiko in Schwächephasen zu reduzieren. Besonders robust ist die Kombination mit Fundamentaldaten (Qualität, Bewertung, Wachstum) und einer klaren Portfolio-Logik. Auch hier gilt: Die Signale sind keine Kauf-/Verkaufsempfehlung, sondern eine datenbasierte Ergänzung zur eigenen Strategie.
Wie kann ich die Plattform testen und welche Kosten entstehen?+
Geplant ist, neuen Nutzerinnen und Nutzern einen kostenlosen Testzeitraum von einem Monat zu ermöglichen, in dem alle wichtigen Funktionen der Aktienprognosen ohne Risiko ausprobiert werden können. Anschließend sind verschiedene Modelle denkbar, zum Beispiel ein günstiger Tagespass für den kurzfristigen Zugriff oder ein monatliches bzw. jährliches Abonnement für regelmäßige Nutzer. Details zum finalen Preismodell werden in der Oberfläche transparent kommuniziert. Unabhängig davon bleibt der Fokus immer darauf, hochwertige, KI-gestützte technische Chartanalyse zu einem fairen Preis anzubieten.