KI-basierte Aktienprognosen. Wie funktioniert das? Technische Indikatoren, KI & Machine-Learning.

Neben den Schlusskursen nutzt das Modell explizit High- und Low-Informationen, um Intraday-Spannen, Gap-Strukturen und Extrempunkte zu erfassen. Open-, High-, Low- und Close-Werte in verschiedenen Aggregationen (z. B. rollierende Hochs/Tiefs über 5, 20 oder 60 Tage) bilden die Grundlage für trend-, volatilitäts- und strukturbezogene Features.

Grundgrößen:
High(t), Low(t), Close(t)

Rollierende Extremwerte:
RollingHigh_n(t) = max(High[t−n+1 … t])
RollingLow_n(t)  = min(Low[t−n+1  … t])

Der einfache gleitende Durchschnitt über n Tage wird im Modell in mehreren Längen verwendet: sehr kurze SMAs (5–10 Tage) erfassen kurzfristige Schwankungen, mittlere SMAs (20–60 Tage) beschreiben Swing-Trends und lange SMAs (100–200+ Tage) dienen als strukturelle Trendachse. Zusätzlich fließen normierte Abstände zwischen Kurs und SMA (z. B. Close/SMA − 1) als Features ein.

SMA(t, n) = (1 / n) · Σ_{i=0}^{n−1} Close(t − i)

EMAs reagieren schneller auf neue Informationen als SMAs. Im Modell werden kurze EMAs (z. B. 8, 12 Tage) für kurzfristige Trendwechsel, mittlere EMAs (26–50 Tage) für Swing-Trends und längere EMAs (100 Tage+) für die größere Trendstruktur verwendet. Kreuzungen zwischen EMAs unterschiedlicher Länge werden als separate Strukturfeatures modelliert.

EMA(t) = EMA(t−1) + α · (Close(t) − EMA(t−1))
mit α = 2 / (n + 1)

Neben EMAs auf Preisen werden exponentiell gewichtete Mittel auch auf andere Features angewendet (z. B. auf Volumen, ROC, ATR). Dadurch entstehen glatte Zeitreihen, die kurzfristige Ausreißer abmildern und mittelfristige Tendenzen sichtbar machen. Kurze EWM-Fenster reagieren stärker, lange Fenster liefern stabilere Signale.

EWM_Feature(t) = EWM_Feature(t−1) + α · (Feature(t) − EWM_Feature(t−1))

Der MACD wird in mehreren Parametervarianten eingesetzt: kurze Kombinationen (z. B. 6/13/5) für sehr kurzfristiges Momentum, klassische Einstellungen (12/26/9) für mittelfristige Signale und längere MACDs (z. B. 19/39/9) für strukturelle Trendbewegungen. Zusätzlich betrachtet das Modell die Abstände zwischen MACD-Linie, Signallinie und Nulllinie.

MACD(t)   = EMA_fast(t) − EMA_slow(t)
Signal(t) = EMA(MACD(t), n_signal)

Der PPO normiert den MACD relativ zum Preisniveau. Dadurch werden Trends über Aktien mit sehr unterschiedlichen Kursniveaus vergleichbar. Im Modell werden kurze und mittlere PPO-Varianten genutzt, um prozentuale Trendgeschwindigkeit und -stärke zu erfassen.

PPO(t) = (EMA_fast(t) − EMA_slow(t)) / EMA_slow(t) · 100

Der Parabolic SAR generiert eine Folge von Punkten, die typischerweise als dynamische Stop-Niveaus interpretiert werden. Im Modell wird PSAR in verschiedenen Beschleunigungs-Parametern berechnet, um Phasen gleichmäßiger Trendbewegungen von unruhigen Märkten zu unterscheiden.

PSAR(t) = PSAR(t−1) + AF · (EP − PSAR(t−1))
AF: Acceleration Factor, EP: Extreme Point

Neben den Rohwerten werden Kreuzungen (z. B. Golden Cross, Death Cross zwischen 50- und 200-Tage-SMA/EMA) und zeitliche Verzögerungen (Lags) der Indikatoren als eigene Features genutzt. So kann das Modell z. B. erkennen, wie lange ein Trend bereits läuft oder wie häufig Richtungswechsel in einem Zeitfenster auftraten.

Beispiele:
ΔMA(t) = MA_kurz(t) − MA_lang(t)
Lag(t, k) = Indikator(t) − Indikator(t−k)
CrossoverFlag = 1, wenn MA_kurz(t) > MA_lang(t) UND MA_kurz(t−1) ≤ MA_lang(t−1)

Die Ichimoku-Cloud kombiniert Conversion-Line, Base-Line und zwei Leading Spans, die in die Zukunft projiziert werden. Das Modell verwendet u. a. die relative Lage des Kurses zur Wolke, die Cloud-Dicke und die Ausrichtung von Conversion- und Base-Line als strukturierte Trendfeatures – sowohl in kürzeren als auch in längeren Fenstern.

Tenkan-sen, Kijun-sen, Senkou Span A/B gemäß Standarddefinition;
Cloud-Bereich = Fläche zwischen Span A und Span B.

Der RSI vergleicht durchschnittliche Aufwärts- mit Abwärtsbewegungen. Im Modell werden neben dem klassischen 14-Tage-RSI auch kürzere (z. B. 7 Tage) und längere (21–28 Tage) Varianten genutzt. So kann die KI unterscheiden, ob ein Extrem nur kurzfristige Übertreibung oder Teil eines länger anhaltenden Überkauft-/Überverkauft-Regimes ist.

RS  = AvgGain / AvgLoss
RSI = 100 − 100 / (1 + RS)

Der Stochastic-Oszillator misst, wo der Schlusskurs relativ zur jüngsten High-Low-Spanne liegt. Das Modell verwendet schnelle Varianten (%K) und geglättete Varianten (%D) in verschiedenen Fenstern (z. B. 14, 20 Tage), um Range-Bound-Märkte von Trendphasen mit häufigen Band-Breakouts zu unterscheiden.

%K = (Close − LowestLow) / (HighestHigh − LowestLow) · 100

ROC misst die prozentuale Preisänderung zwischen heute und einem Zeitpunkt n Perioden in der Vergangenheit. Das Modell verwendet kurze ROC-Fenster (z. B. 5 Tage) für kurzfristige Schwünge, mittlere (20 Tage) für Swing-Moves und längere (60 Tage), um größere Trendbewegungen zu quantifizieren.

ROC(t, n) = (Close(t) − Close(t−n)) / Close(t−n) · 100

Der CCI misst, wie stark der aktuelle typische Preis (Durchschnitt aus Hoch, Tief, Schluss) von seinem gleitenden Durchschnitt abweicht. Das Modell nutzt CCI-Varianten mit kürzeren und längeren Fenstern, um kurzzeitige Übertreibungen von strukturellen Extremphasen zu unterscheiden.

TypicalPrice = (High + Low + Close) / 3
CCI = (TypicalPrice − MA(TP)) / (0.015 · MeanDeviation)

Williams %R ähnelt dem Stochastic-Oszillator, ist aber invertiert skaliert (0 bis −100). Im Modell wird %R verwendet, um schnelle Umkehrpunkte in engen Spannen und mögliche Blow-Off-Moves in Trendspitzen zu erkennen.

%R = (HighestHigh − Close) / (HighestHigh − LowestLow) · (−100)

Das Directional-Movement-System liefert mit ADX ein Maß für Trendstärke und mit +DI/−DI Informationen über die dominierende Richtung. Das Modell nutzt kurze ADX-Fenster für aktuelle Trendintensität und längere Fenster, um zu erkennen, wie lange ein Trendregime bereits anhält.

Basierend auf DM+ / DM− und True Range;
ADX ≈ geglättete Größe, die die Differenz von +DI und −DI abbildet.

ATR erfasst die durchschnittliche Handelsspanne inklusive Gaps. Das Modell nutzt ATR in mehreren Längen: kurz (10 Tage) für aktuelle Volatilität, mittel (20–30 Tage) für typische Bewegungsgrößen und lang (60+ Tage) für strukturelle Risikoregime. ATR wird u. a. relativ zum Preis und im Verhältnis zu früheren Werten betrachtet.

TR  = max(High − Low, |High − PrevClose|, |Low − PrevClose|)
ATR = (1 / n) · Σ TR

Bollinger-Bänder passen sich dynamisch an die Volatilität an. Das Modell verwendet verschiedene Kombinationen von SMA-Länge und Bandbreite (z. B. 20 Tage, 2σ; 50 Tage, 2,5σ), um enge Squeeze-Phasen und plötzliche Expansionen zu erkennen. Zudem fließen Aufenthaltsdauer des Kurses außerhalb der Bänder und die Bandbreite selbst als Features ein.

Middle = SMA_n
Upper  = SMA_n + k · σ
Lower  = SMA_n − k · σ

Keltner-Kanäle nutzen einen EMA als Mittellinie und ATR als Bandbreite. Im Gegensatz zu Bollinger-Bändern reagieren sie weniger empfindlich auf einzelne Ausreißer. Das Modell verwendet mehrere EMA-/ATR-Kombinationen, um Breakouts aus komprimierten Kanälen und Volatilitätsausdehnungen zu erkennen.

Middle = EMA_n
Upper  = EMA_n + k · ATR_n
Lower  = EMA_n − k · ATR_n

Donchian-Kanäle markieren das höchste Hoch und tiefste Tief eines n-Tage-Fensters. Kurze Fenster (z. B. 20 Tage) dienen als Signale für Breakout-Systeme, längere Fenster (55+ Tage) repräsentieren übergeordnete Trendgrenzen. Im Modell dienen Durchbrüche und Rückläufe an diese Grenzen als strukturelle Features.

Upper = max(High_{t−n+1 … t})
Lower = min(Low_{t−n+1  … t})

Diese Volatilitätsmaße verwenden High/Low-Spannen und, im Fall von Garman–Klass, zusätzlich Open/Close-Informationen. Sie liefern feinere Risikosignale als reine Schlusskurs-Volatilität. Das Modell nutzt kurze Fenster für aktuelle Range-Unruhe und lange Fenster, um strukturelle Volatilitätsregime zu identifizieren.

Vol_park, Vol_gar basieren auf High/Low/Open/Close nach den Standardformeln von Parkinson bzw. Garman–Klass.

Das Modell nutzt Tagesvolumen, gleitende Volumendurchschnitte und annualisierte Kennzahlen. Kurze Fenster (z. B. 5–10 Tage) erfassen aktuelle Aktivität, längere Fenster (60+ Tage) bilden strukturelle Liquidität ab. Zusätzlich werden Volumen-Spikes relativ zu historischen Verteilungen als eigenständige Features geführt.

zScoreVol = (Volume − Mean(Volume_n)) / Std(Volume_n)

Der Money-Flow-Index kombiniert typischen Preis mit Volumen und wird häufig als „RSI auf Geldflüssen“ beschrieben. Kurzfristige MFI-Fenster zeigen, ob Intraday-Bewegungen eher gekauft oder verkauft werden, während längere Fenster strukturelle Akkumulation/Distribution abbilden.

TypicalPrice = (High + Low + Close) / 3
MoneyFlow  = TypicalPrice · Volume
MFI        = RSI-ähnliche Kennzahl auf Basis positiver und negativer MoneyFlows

Chaikin-Indikatoren verbinden die Lage des Schlusskurses innerhalb der Tagesrange mit Volumen. Das Modell nutzt sowohl die AD-Linie (kumulative Accumulation/Distribution) als auch den Chaikin-Money-Flow in verschiedenen Fenstern, um zu erkennen, ob starke Schlusskurse auch tatsächlich von Kapitalzuflüssen getragen werden.

AD = kumulative Summe von
((Close − Low − (High − Close)) / (High − Low)) · Volume

On-Balance-Volume kumuliert das Volumen abhängig von Kursanstieg oder -rückgang. Das Modell verwendet normalisierte OBV-Varianten (z. B. z-Scores, prozentuale Änderungen), um Werte zwischen Aktien vergleichbar zu machen und Divergenzen zwischen OBV-Verlauf und Preisverlauf zu erkennen.

OBV(t) = OBV(t−1) + Volume(t) · sign(Close(t) − Close(t−1))

VWAP repräsentiert den volumengewichteten Durchschnittspreis. Das Modell verwendet rollierende VWAPs (z. B. 5-, 20-Tage-VWAP), kumulierte VWAPs seit bestimmten Ereignissen (z. B. Earnings) und anchorgestützte VWAPs, die an markanten Swing-Punkten starten. So lassen sich institutionell relevante Preisniveaus approximieren.

VWAP = Σ(Price · Volume) / Σ Volume

Das Modell erkennt automatisch Higher Highs (HH), Higher Lows (HL), Lower Highs (LH) und Lower Lows (LL) in mehreren Zeitebenen. Übergänge zwischen bullischen Sequenzen (HH/HL) und bärischen Sequenzen (LH/LL) werden als Break of Structure (BOS) gekennzeichnet. Zusätzlich wird der aktuelle Struktur-State (z. B. bullisch, bärisch, neutral) als Feature codiert.

Regelbasierte Erkennung lokaler Hochs/Tiefs;
State-Übergänge z. B.:
• bullisch, wenn HH/HL-Sequenz aktiv
• bärisch bei LH/LL
• BOS bei Wechsel des Sequenztyps

Order-Block-Zonen werden anhand von Volumenclustern, Spannen und anschließenden starken Bewegungen identifiziert. Kurze Order Blocks bilden intraday-Reaktionsniveaus ab, während breite, über längere Zeit gehaltene Blöcke wahrscheinlich auf Aktivitäten größerer Marktteilnehmer hinweisen.

Cluster-Analyse von Preis-Volumen-Daten zur Identifikation von Konsolidierungsbereichen vor starken Ausbrüchen (Order Blocks).

FVGs sind Lücken, in denen der Markt schnell durchgelaufen ist, ohne dass benachbarte Kerzenbereiche sauber überlappen. Das Modell unterscheidet zwischen kurzfristigen FVGs (z. B. nach News) und länger bestehenden Ungleichgewichten, die über Wochen offen bleiben und später häufig „gefüllt“ werden.

Aufwärts-FVG: High(t−1) < Low(t+1)
Abwärts-FVG: Low(t−1)  > High(t+1)

Das Modell kombiniert strukturelle Volatilität (z. B. ATR relativ zur Zonengröße) mit FVG- und Order-Block-Positionen. So entstehen Features, die nicht nur sagen, wo eine Zone liegt, sondern auch, wie volatil der Markt typischerweise in dieser Zone reagiert.

Beispiele:
• ATR_in_Zone / Zonenhöhe
• Anzahl FVGs innerhalb einer Zone
• Distanz (in ATR-Einheiten) vom Kurs zum Zonenmittelpunkt

Pivot-Punkte teilen die Spanne des Vortags in potenzielle Unterstützungs- und Widerstandsniveaus auf. Das Modell verwendet klassische, Fibonacci- und Camarilla-Varianten und betrachtet dabei sowohl tägliche als auch wöchentliche und monatliche Pivots.

Classic:
P  = (High + Low + Close) / 3
R1 = 2P − Low
S1 = 2P − High
…
Fibonacci- und Camarilla-Pivots verwenden entsprechende Multiplikatoren.

Fibonacci-Retracements markieren prozentuale Rückläufe einer vorangegangenen Bewegung (z. B. 23,6 %, 38,2 %, 50 %, 61,8 %). Das Modell berücksichtigt sowohl Retracements innerhalb lokaler Swings als auch auf höheren Zeitebenen, um mehrstufige Reaktionsbereiche zu identifizieren.

Retracement-Level = Start + (End − Start) · Fib-Faktor
Fib-Faktoren: 0.236, 0.382, 0.5, 0.618, …