Fallstudie · 2026 · KI · Blockchain
Ein Handelsbot, der allein agiert, wird von jedem Nachrichtenzyklus ausgelöscht.Ein Gremium aus 4 KIs für den Kryptohandel. Jede KI sieht den Handel aus einem anderen Blickwinkel, der Bot handelt erst, wenn alle übereinstimmen.
Multi-Agent Crypto Trading lässt vier KI-Agenten parallel laufen: einer liest Kurs und Volumen, einer die Stimmung in sozialen Medien, einer fährt ein quantitatives Modell, einer prüft den vorgeschlagenen Handel — gehandelt wird nur, wenn die Agenten übereinstimmen. Das Studio hat das Agentengefüge, die Datenaufnahme, das Prüfprotokoll sowie Weboberfläche und API geliefert.
- Python
- pandas
- NumPy
- scikit-learn
- LangChain
- Ollama
- SQLite
Im Einsatz
Überblick
- 4
- Gegenprüfende Agenten
- Top 50
- Beobachtete Kryptowerte
- 24/7
- Betriebstakt
- Quorum
- Konsens nötig, um zu handeln
Mehrere KI-Agenten laufen parallel: einer liest Daten, einer die Marktstimmung, einer fährt ein quantitatives Modell, einer prüft die Entscheidung. Arbeitet über die Top-50-Kryptowerte, quantitativ und qualitativ. Weboberfläche und API.
Was ausgeliefert wurde
Was es tut
- Mehrere KI-Agenten für eine Entscheidung
- Quantitative und qualitative Auswertung
- Die Top-50-Kryptowerte im Blick
- Weboberfläche und API
Das Problem
- Eine einzelne KI ist riskant, wenn sie allein handelt
- Krypto wird von Stimmung und Nachrichten getrieben, nicht nur vom Kurs
- Herkömmliche Bots sehen nur den Kurs
Warum es zählt
- Entscheidungen aus mehreren Blickwinkeln gegengeprüft
- Stimmung, Kurs und Nachrichten in einem System
- Handel rund um die Uhr, ohne Betreuung
Wie es entstand
- 01 · BRIEF
Warum ein einzelner Bot auffliegt.
Bots mit einem einzigen Signal fahren reine Kurslogik; bei Nachrichten oder Stimmungsumschwüngen werden sie zerlegt. Spezifiziert wurde ein Gefüge mit Quorum: Mindestens 3 von 4 Agenten müssen zustimmen, bevor ein Handel ausgelöst wird.
- 02 · BUILD
Vier Agenten auf LangChain und Ollama.
Lokale LLMs über Ollama für den Stimmungs- und den Prüfagenten · die Kosten bleiben begrenzt. Der quantitative Agent nutzt pandas und scikit-learn auf dem historischen SQLite-Speicher. Entscheidungen werden mit Begründung protokolliert.
- 03 · SHIP
Live · Weboberfläche, API und offenes Repository.
Weboberfläche zur menschlichen Aufsicht, JSON-API für nachgelagerte Automatisierung, öffentliches Repository, damit andere Studios das Agentengefüge forken können.
Stack
Quorum
Konsensprotokoll 3 von 4
Kein Handel wird ausgelöst, bevor mindestens drei Agenten zustimmen · Fehlalarme aus einer einzigen Quelle können nicht allein handeln.
Quant
scikit-learn-Modell auf Kurs und Volumen
Eine pandas-Pipeline liest den SQLite-Speicher, scikit-learn liefert die Stimme des quantitativen Agenten · nachvollziehbar.
Stimmung
Lokales LLM liest das Signal aus sozialen Medien
Ollama betreibt einen Stimmungsklassifikator lokal · keine externen API-Kosten je Prüfung.
Prüfer
Agent für die letzte Plausibilitätsprüfung
Ein unabhängiger Agent bewertet den Handel vor der Platzierung erneut gegen die Richtlinie · fängt den seltenen Fall ab, in dem alle einig und trotzdem im Unrecht sind.
Fallstudie
“Wir sind wiederholt von Einzelbot-Strategien zerlegt worden, die bei jedem Nachrichtenzyklus durchgedreht sind. Das Studio hat ein System gebaut, in dem vier KIs den Handel jeweils aus einem anderen Blickwinkel ansehen und nur handeln, wenn sie übereinstimmen — wie ein kleines Gremium. Die katastrophalen Verluste sind weg. Die kleinen gibt es weiter. Genau diesen Tausch wollten wir.”
Mehr Arbeiten
Nächstes Projekt
PhisGuard