KI‑basierte Aktienprognosen als Hobby – mein technisches Forschungsprojekt

Dieses Projekt ist ein privates Hobbyforschungsprojekt.
Ich nutze es, um meine technischen Fähigkeiten in Bereichen wie Machine Learning, Feature Engineering, Modellarchitektur, Backtesting und Softwareentwicklung zu erweitern.
Es ist kein Finanzprodukt, keine Anlageempfehlung und nicht käuflich.

Das System ist nicht an einem Wochenende entstanden. Es hat sich über viele Monate entwickelt — durch kontinuierliche Tests, praktische Erfahrungen und die gründliche Analyse von Fehlern. Viele der heute wichtigsten Mechanismen, wie die Riskfehler‑KI oder der Regime‑Filter, entstanden erst dadurch, dass frühere Versionen in realen Marktphasen an ihre Grenzen kamen oder unerwartete Ergebnisse lieferten.

Statt solche Fehlprognosen als Rückschlag zu sehen, waren sie der wichtigste Motor der Weiterentwicklung. Manche Modelle lieferten zwar statistisch korrekte Vorhersagen, führten aber in volatilen Marktstrukturen zu schlechten Ergebnissen. Genau aus diesen Situationen kam die Erkenntnis: Ein Modell muss nicht nur rechnerisch stimmen, sondern auch robust gegen Marktbedingungen sein. Daraus entwickelte sich die Riskfehler‑KI, die solche Muster erkennt und automatisch herausfiltert.

Der iterative Entwicklungsprozess ist daher ein zentraler Bestandteil dieses Projekts.
Jede Fehleranalyse führte zu neuen Regeln, jeder Rückschlag zu einer neuen Schutzebene und jede Beobachtung zu einer gezielten Erweiterung der Modelle. Dieses System ist über Monate gereift – durch Tests, Fehlschläge, Neudesign und konsequente Optimierung.

Motivation – Warum Aktienprognosen?

Aktienkurse sind extrem anspruchsvoll: volatil, verrauscht und voller kurzfristiger Richtungswechsel. Genau deshalb eignen sie sich hervorragend für technische Experimente im Bereich Zeitreihenanalyse und maschinelles Lernen.

Mein Ziel ist nicht, „den Markt zu schlagen“, sondern ein vollständig nachvollziehbares und robustes End‑to‑End‑ML‑System zu entwickeln.

Wofür dieses Projekt nicht gedacht ist

• Kein Trading‑System für Dritte
• Kein Signalservice
• Kein Kauf-/Verkaufsprodukt
• Nicht zur Nachnutzung vorgesehen

Reine Forschung, reines Hobby, reine Technik.

Systemarchitektur: Python als Sensorik – Dashboard visualisiert

• Python führt alle ML‑Modelle aus
  – Prognosen
  – Genauigkeitsbewertungen
  – Risiko‑Erkennung
  – Sicherheitsmechanismen
  – BUY/SELL/HOLD‑Entscheidungen

• Dashboard sammelt die Ergebnisse, stellt sie tabellarisch dar, fasst sie zusammen und erzeugt Rankings und Diagramme.

Dashboard ist nur Oberfläche und Aggregation —
alle Signale entstehen in Python.

Trainingsdaten in drei klar getrennten historischen Epochen

Um Data Leakage zu vermeiden, werden alle Modelle in getrennten Zeitbereichen trainiert:

• Epoche 1: –45 Tage bis –2,5 Jahre
• Epoche 2: –2,5 bis –5 Jahre
• Epoche 3: –5 bis –7,5 Jahre

Die Modelle kennen keine jüngere Vergangenheit.
Dadurch bleiben Ergebnisse reproduzierbar und realistisch.

225 unterschiedliche Perspektiven

Jedes Setup liefert:

• eine eigene Prognose
• eine eigene Genauigkeit
• ein eigenes BUY/SELL/HOLD‑Signal
• vollständig unabhängig von den anderen

Python – das technische Herz

Hier laufen:

• Datenimport & Bereinigung
• Feature Engineering
• Training aller Modelle
• Genauigkeitsbewertungen
• BUY/SELL/HOLD‑Regeln
• Riskfehler‑KI
• Angst-&‑Gier‑Filter
• Market‑Regime‑Filter (nur ruhige Märkte)

Angst-&‑Gier‑Filter

Die KI arbeitet nur bei neutraler bis leicht positiver Marktstimmung.

• Extreme Angst → Handel pausiert
• Extreme Gier → Handel pausiert

Erst wenn der Markt wieder stabil ist, werden Modelle aktiviert.

Regime‑Filter – nur ruhige Märkte

Die Modelle laufen nur, wenn:

• Volatilität niedrig ist
• keine starken Ausschläge vorliegen
• keine Trendbrüche sichtbar sind
• kein Panik‑ oder Euphorie‑Orderflow herrscht

Unruhige Marktphasen → KI meldet Gefahr

Einzelbewertung der Modelle (7D / 14D / 21D)

Jede Aktie wird über alle Modelle bewertet.
Die drei Zeitachsen liefern getrennte Scores:

• BUY, wenn ein Mindestanstieg prognostiziert wird
• SELL, wenn ein Mindestabfall prognostiziert wird
• HOLD, wenn weder noch

Nur Modelle mit ≥ 70 % tatsächlicher Genauigkeit (out‑of‑sample) werden berücksichtigt.

Dashboard – Darstellung, Summierung & Ranking

Dashboard übernimmt:

• Anzeige aller Einzelwerte
• Summenbildung pro Zeitfenster
• Farbcodierung
• Gesamt‑Ranking
• Diagramme

Wichtig:

Widersprüche neutralisieren sich automatisch.
(+1 und –1 ergeben 0)
→ dadurch bleibt das Gesamtsignal stabil und extrem robust.