Multi-Agenten-Trading-Systeme: Wenn eine KI nicht reicht

Bitten Sie ein einzelnes Sprachmodell, „diese Aktie zu analysieren und sie gut zu handeln“, und Sie bekommen einen einzelnen Strom selbstsicherer Prosa, der seine eigenen Hausaufgaben benotet. Die meistzitierte Forschungsantwort auf dieses Problem ist Multi-Agenten-Trading: die Aufgabe in spezialisierte Rollen aufteilen (Analysten, Researcher, einen Trader, einen Risikomanager) und sie streiten lassen, bevor irgendeine Order existiert. Dieser Artikel erklärt das Muster anhand des TradingAgents-Papers, zeigt, warum die Zerlegung wirklich hilft, nimmt die Backtest-Ergebnisse genau so ernst, wie sie es verdienen, und übersetzt die Idee für den Privatgebrauch, wo Sie die Struktur weit mehr brauchen als fünf LLMs.

Was Multi-Agenten-Trading tatsächlich bedeutet

Ein Multi-Agenten-Trading-System betreibt mehrere KI-Komponenten, jede mit einer engen Aufgabe, eingeschränkten Eingaben und definierter Befugnis, koordiniert durch strukturierte Interaktion: eine Pipeline, eine Debatte oder ein Veto. Das ist die ganze Definition. Der Gegensatz ist der monolithische Prompt, bei dem ein Modell gebeten wird, Analyst, Bulle, Bär, Trader und Risikoverantwortlicher innerhalb einer einzigen Vervollständigung zu sein.

Warum der Monolith kämpft, ist mechanisch, nicht mystisch. Ein einzelnes Kontextfenster, vollgestopft mit Kurshistorie, Nachrichten, Fundamentaldaten und Anweisungen, lädt das Modell ein, sich an dem zu verankern, was es zuletzt gelesen hat. Eine Vervollständigung produziert eine Erzählung, und nichts innerhalb dieses Prozesses ist strukturell positioniert, ihr zu widersprechen. Schlimmer noch: Derselbe Text, der für einen Trade argumentiert, dimensioniert ihn auch, sodass das Risikourteil den Optimismus der These erbt, die es überprüfen sollte.

Die Zerlegung greift jede Schwäche einzeln an. Jede Rolle sieht nur die für ihre Aufgabe relevanten Daten. Uneinigkeit wird eingebaut, statt erhofft. Und die Komponente, die Nein sagen kann, ist nicht die Komponente, die handeln will. Für die Anatomie eines einzelnen Agenten in einem solchen System (Eingaben, Argumentationsebene, Werkzeuge, Gedächtnis, Leitplanken) siehe wie KI-Trading-Agenten tatsächlich funktionieren.

Im Inneren von TradingAgents: eine Firma aus Sprachmodellen

Das Referenzdesign ist „TradingAgents: Multi-Agents LLM Financial Trading Framework“ (Xiao et al., arXiv:2412.20138, Dez. 2024), mit über 250 Zitationen eine der meistzitierten Arbeiten des Feldes. Ihre Architektur spiegelt bewusst eine diskretionäre Trading-Firma wider statt einer Pipeline aus Indikatoren.

Spezialisierte Analyst-Agenten verarbeiten jeweils eine Scheibe der Information: einer liest Fundamentaldaten, einer bewertet Sentiment, einer arbeitet die Technik ab. Eine Researcher-Ebene stresstestet diese Ausgaben dann in expliziter Debatte und argumentiert den bullischen und den bärischen Fall gegeneinander, statt sie zu mitteln. Ein Trader-Agent synthetisiert, was überlebt, zu einer vorgeschlagenen Aktion, und ein Risikomanagement-Agent prüft diesen Vorschlag, bevor irgendetwas endgültig wird.

Die tragende Entscheidung ist die Debatte. Ein einzelnes Modell, das um Ausgewogenheit gebeten wird, produziert „einerseits, andererseits“-Brei und wählt dann eine Seite aus Gründen, die es nie offenlegt. Gegnerische Agenten, die die stärksten Punkte des jeweils anderen beantworten müssen, verhalten sich anders: Eine These, die ihren designierten Gegner nicht überlebt, stirbt in der Debatte, was ein viel günstigerer Ort zum Sterben ist als der Markt.

Zur Performance berichten die Autoren verbesserte kumulierte Renditen und Sharpe Ratios gegenüber Basisstrategien in Backtests (arXiv:2412.20138, Dez. 2024). Diese beiden Worte, „in Backtests“, tragen hier viel Gewicht. Ein späterer Abschnitt nimmt sie ordentlich auseinander.

Warum Zerlegung hilft: drei Mechanismen

Spezialisierter Kontext. Jede Rolle bekommt einen abgegrenzten Prompt und abgegrenzte Daten, sodass es weniger irrelevantes Material zum Verankern und weniger Angriffsfläche für Erfindung gibt. Der enge Zuschnitt erkauft auch Prüfbarkeit: Wenn eine Entscheidung schiefgeht, können Sie das Transkript lesen und lokalisieren, welche Rolle versagt hat, statt auf eine lange Vervollständigung zu starren und sich zu fragen, wo die Argumentation abbog.

Adversariale Prüfung. Sprachmodelle sind von Natur aus zustimmend; sie vervollständigen Erzählungen, statt sich ihnen zu widersetzen. Zwei Agenten damit zu beauftragen, uneinig zu sein, verwandelt diese Schwäche in Abdeckung. Die gesamte Aufgabe des Bären-Agenten ist es, zu finden, was der Bulle übersah, und er wird (im Design-Sinne) für Erfolg belohnt. Sie bekommen die Red-Team-Prüfung, die ein einzelnes Modell sich nie selbst gibt.

Das explizite Veto. Der Risiko-Agent hält eine Befugnis, die den anderen fehlt: Er kann blockieren. Das zählt, weil eine harte Beschränkung, die als Satz in einem großen Prompt geschrieben ist, jedes Mal, wenn sie greift, ein Argument gewinnen muss, und manchmal verliert sie. Eine Beschränkung, die als separater Agent mit Veto-Macht kodiert ist, verhandelt nicht.

Die Kompromisse sind ebenso konkret. Jede Entscheidung kostet nun mehrere Modellaufrufe statt einen, sowohl an Latenz als auch an Geld. Die Koordination wird zu ihrer eigenen Fehlerfläche: falsch konfigurierte Rollen oder Debatten, in denen beide Seiten auf denselben selbstsicheren Unsinn konvergieren. Und ein komplexeres System ist schwerer zu reproduzieren und zu testen. Zerlegung erkauft Fehlerfang und Prüfbarkeit. Sie erkauft für sich genommen kein Alpha.

Was die Backtests beweisen und was nicht

TradingAgents berichtet seine Gewinne in Backtests, und die eigene Literatur des Feldes erklärt, warum diese Behauptung mit Handschuhen anzufassen ist. Ein Survey von LLM-Trading-Agenten fand, dass die meisten veröffentlichten Systeme überlegene Backtest-Performance berichten, und markierte dabei methodische Schwächen über das Feld hinweg: kurze Testfenster, Lookahead-Risiko und kleine Aktien-Universen (arXiv:2408.06361, 2024).

Das schärfere Problem ist Auswendiglernen. Wenn die Trainingsdaten eines Modells das Backtest-Fenster überlappen, kann es Ticker, Daten und Kursbewegungen faktisch erinnern, sodass die „Vorhersage“ teils Abruf ist; die Performance verschlechtert sich oft außerhalb der Stichprobe (arXiv:2505.07078, 2025). Ein speicherkontrollierter Benchmark aus 2026 kam von der anderen Seite zum selben Urteil: Kontrolliert man für durchgesickerte Markthistorie, schrumpft die scheinbare Fähigkeit stark (arXiv:2605.28359, 2026).

Die ehrliche Lesart der Multi-Agenten-Literatur lautet also: Die Architektur verbessert nachweislich den Entscheidungsprozess (strukturierte Uneinigkeit, getrennte Risikobefugnis, lesbare Argumentation), während dauerhafte Marktüberrendite unbelegt bleibt. Das passt zum breiteren Bild von was LLMs im Trading können und nicht können: wirklich stark bei Sprache und Argumentationsstruktur, unzuverlässig als Vorhersagemaschine. Kaufen Sie das Muster für seine Disziplin, nicht für ein backgetestetes Sharpe.

Die Privat-Übersetzung: Trennung der Zuständigkeiten, nicht fünf LLMs

Sie werden keine Debattiergesellschaft aus Sprachmodellen über Ihr Brokerkonto orchestrieren, und das müssen Sie auch nicht. Reduzieren Sie den Forschungsrahmen auf sein Skelett, und was bleibt, ist alte Ingenieursweisheit aufs Trading angewandt: Signalerzeugung, Risikomanagement und Ausführung trennen, und keine einzelne Komponente alle drei besitzen lassen.

In der Praxis sieht das nach drei unabhängigen, prüfbaren Ebenen aus. Ihre Strategielogik schlägt Ein- und Ausstiege vor. Eine Risiko-Ebene, die sie nicht übersteuern kann, prüft jeden Vorschlag gegen Positionsobergrenzen, Exposure-Limits und einen Drawdown-Schutzschalter – das Privat-Äquivalent zum Risikomanager-Veto des Papers, ausgeführt in Leitplanken für KI-Trading-Agenten. Eine Ausführungs-Ebene routet dann Orders mit ihren eigenen Prüfungen. Der Nutzen ist derselbe wie in der Forschung: Ihre Strategie kann falsch liegen, ohne dass Ihr Konto zerstört wird, weil die Ebene, die den Schaden begrenzt, nie den Optimismus der These geteilt hat.

Auf Obside ist dieses Muster die Form des Produkts statt ein Zusatz. Jede Strategie läuft als eigener Agent, und Risikolimits sind Felder am Agenten (Dimensionierung, Stops, Drawdown-Obergrenzen, Leverage-Grenzen), die zur Ausführungszeit durchgesetzt werden, keine Vorschläge in einem Prompt. Angenommen, Sie betreiben einen BTC-Momentum-Agenten neben einem monatlichen ETF-Rebalancing-Agenten: Das sind isolierte Automatisierungen mit separaten Obergrenzen, sodass der Momentum-Agent, der sein Drawdown-Limit erreicht, allein diesen Agenten anhält, während der Rebalancer weiterarbeitet. Selbst der Debattenschritt hat ein Privat-Analogon: Der Copilot formuliert Ihre Anweisung als exakte Bedingungen neu, bevor irgendetwas läuft, und zwingt die Uneinigkeit zwischen dem, was Sie sagten, und dem, was Sie meinten, an die Oberfläche, solange sie noch gratis ist.

Dieselbe Philosophie gilt auch eine Ebene tiefer, innerhalb einer einzelnen Regel: das Kombinieren unabhängiger Bedingungen (ein Preisniveau UND ein Trendfilter UND eine Nachrichten-Ruhe-Prüfung) ist Zerlegung auf Signale angewandt, behandelt in Multi-Condition-Automatisierungen.

Wie es von hier aus weitergeht

Die Multi-Agenten-Idee lohnt sich zu klauen, selbst wenn Sie nie einen Forschungsrahmen anfassen. Behalten Sie eine Frage aus diesem Artikel und wenden Sie sie auf jedes Setup an, das Sie bewerten, auch Ihr eigenes: Kann die Komponente, die handeln will, die Komponente überstimmen, die das Risiko begrenzt? Lautet die Antwort ja, haben Sie einen Agenten, der mehrere Hüte trägt, egal wie viele Modelle laufen.

Struktur schlägt hier Intelligenz. Eine bescheidene Strategie innerhalb einer echten Trennung der Zuständigkeiten überlebt ihre eigenen schlechten Wochen; eine brillante ohne Veto-Ebene trifft irgendwann die Woche, die sie beendet. Wenn Sie diese Struktur wollen, ohne sie zu bauen: Obside gibt Ihnen die getrennte Version standardmäßig: die Strategie in normaler Sprache beschreiben, sie backtesten, im Paper-Modus handeln und mit Risikolimits live gehen, gegen die Ihre Strategielogik nicht anargumentieren kann.

Nur zu Bildungszwecken. Dies ist keine Anlageberatung. Trading ist mit Risiken verbunden, einschließlich des möglichen Kapitalverlusts.