FoldAlpha – Anlagestrategien mit AI validieren und sogar automatisch benachrichtigen, in natürlicher Sprache

(app.foldalpha.com)

4 Punkte von sbyoun 2026-04-09 | Noch keine Kommentare. | Auf WhatsApp teilen

AI-Investments, interessieren die nicht alle?

Wenn man sich auf X oder Threads umschaut, gibt es wirklich viele Beiträge von Leuten, die ihre Erfahrungen mit Investments mithilfe von AI teilen. Wenn man einen Coding-Agenten damit beauftragt, kann er Anlagestrategien praktisch per Knopfdruck erstellen und auch ausführen. Wahrscheinlich fangen die meisten erst einmal damit an, die AI Aktien auswählen zu lassen.

Aber dieser Ansatz hat strukturelle Grenzen. Investments auf Basis von AI-Urteilen sind wissenschaftlich schwer zu validieren. Da AI vergangene Daten bereits gelernt hat, ergibt eine Anweisung wie „Wähle anhand der Nachrichten vom März 2020 Aktien aus“ keinen echten Sinn — denn das Ergebnis ist der AI bereits bekannt. Am Ende bleibt nur, das Ganze live laufen zu lassen und die tatsächliche Rendite zu verfolgen; eine Möglichkeit, die Profitabilität vorab abzuschätzen, gibt es nicht.

Wenn man das einmal erkannt hat, richtet sich das Interesse fast automatisch auf den Quant-Ansatz — faktorbasierte Screenings, datenbasierte Backtests. Wenn man Investments ernsthaft systematisieren will, halte ich das für den klassischen Königsweg.

Aber Daten sind schwieriger als gedacht

Für Quant-Investing braucht man Daten. Um Backtests sinnvoll durchführen zu können, muss man für den koreanischen Markt mehr als zehn Jahre an Tagesdaten, Finanzabschlüssen und Kapitalflussdaten haben. Natürlich kann ein Coding-Agent auch die Datensammlung übernehmen. Aber kostenlose, einmalig beschaffte Daten stoßen schneller an Grenzen als man denkt. Wenn man API-Limits, Datenkonsistenz und die Behandlung delisteter Aktien berücksichtigt, steckt doch einiges an Aufwand darin.

Dazu kommen noch ein Backtest-Engine, tägliche Ausführung per Scheduled Job, Benachrichtigungen und später sogar die Anbindung an automatisiertes Trading — es gibt also ziemlich viel zu tun.

Deshalb habe ich diese Umgebung vorab aufgebaut und mit FoldAlpha so umgesetzt, dass man sie einfach in natürlicher Sprache nutzen kann.

Das ist damit möglich

Backtests in natürlicher Sprache: Wenn man eine Strategie wie „PBR von 0,5 oder weniger, operative Marge von mindestens 10 %, quartalsweises Rebalancing“ in natürlicher Sprache definiert, wandelt der Agent sie in SQL um und führt einen Backtest über zehn Jahre aus. CAGR, MDD, Sharpe Ratio und die Überrendite gegenüber dem KOSPI werden automatisch berechnet.
Scheduled Jobs + Telegram-Benachrichtigungen: Wenn man Bedingungen wie „Analysiere jeden Morgen um 9 Uhr Aktien mit möglichem Kurssprung“ registriert, wird das täglich automatisch ausgeführt und das Ergebnis per Telegram versendet.
Frage-Antwort zu Finanzdaten: Finanzabschlüsse, Aktienkurse und Kapitalflussdaten lassen sich in natürlicher Sprache abfragen und analysieren.

Ich selbst investiere auf Basis dieser Daten tatsächlich im koreanischen und US-Markt, indem ich monatlich oder quartalsweise Aktien auswähle und Rebalancing durchführe. Ich würde nicht sagen, dass die Rendite spektakulär ist, aber ich halte es für die logischste und objektivste Methode, die einer Privatperson zur Verfügung steht.

Natürlich sind auch AI-Empfehlungen für Investments möglich

Nachrichten, Geschäftsberichte, „Profiteure der HBM-Value-Chain“, „Profiteure von Trumps Zöllen“ — fast alle in meinem Umfeld investieren auf diese Weise.

Auch das ist selbstverständlich möglich. Wenn man per Scheduled Job „Analysiere täglich auf Basis von Nachrichten die heutigen Aktien mit möglichem Kurssprung“ registriert, durchsucht und analysiert der Agent Echtzeit-News, gibt täglich Empfehlungen aus und kann verfolgen, ob die Kurse am nächsten Tag tatsächlich gestiegen sind. Dieses Szenario läuft derzeit live, während Ergebnisse gesammelt werden.

Im Moment möchte ich die Live-Ergebnisse noch etwas länger beobachten; im nächsten Schritt denke ich dann daran, sogar automatisiertes Trading anzubinden. Die initiale Einrichtung ist mit der API von Korea Investment & Securities zwar etwas komplex, aber wenn man nur die Schlüssel hinterlegt, dürfte das Platzieren von Orders selbst nicht allzu schwierig sein.

Auch für ein wissenschaftlich fundiertes, nachrichtenbasiertes Strategie-Investing braucht man ein News-Archiv, aber historische Nachrichten rückwirkend zu sammeln, dürfte selbst für Bloomberg keine leichte Aufgabe sein. Ich möchte das langfristig lösen.

Wie es gebaut wurde

Natürlich wurde es mit Vibe Coding gebaut. Ich nutze Claude Code, Codex und Cursor in verschiedenen Kombinationen. Aber mit Vibe Coding alles zu bauen ist kein bloßes „Klick und fertig“. Vor allem beim LLM-Agent-Runtime — also beim Aufbau des Harness — musste ich ziemlich tief einsteigen.

Der Agent, den Vibe Coding anfangs hervorgebracht hatte, bestand aus einer komplexen Pipeline mit einem Intent-Classifier und neun Tools; die Latenz war hoch und das System ließ sich nicht erweitern. Nachdem ich die Architektur kürzlich veröffentlichter Coding-Agenten wie Claude Code und Codex CLI analysiert hatte, habe ich das System als leichtgewichtige Single-Loop-Struktur neu entworfen, bei der das LLM in jedem Schritt direkt entscheidet. Dadurch sank die Latenz um mehr als das Doppelte. Diesen Prozess habe ich als Technical Report dokumentiert und den Runtime-Code auch als Open Source veröffentlicht.

Tech-Stack:

Frontend: Next.js (Vercel)
Backend: Fastify (Node.js)
LLM-Agent-Runtime: Python, Eigenimplementierung — Single-Loop-Agent-Pattern
Aktien-Datenbank: Oracle Autonomous DB (zehn Jahre Tagesdaten, Finanzdaten und Kapitalflussdaten für den koreanischen Markt)
Nutzerdaten: Supabase (PostgreSQL)
News-Suche: Brave Search API
LLM: Gemini / GPT / Claude (BYOK — Nutzer verwenden ihre eigenen API-Schlüssel)

Infrastruktur: alles im Free Tier

Vercel: Frontend-Hosting
Supabase: Nutzerdatenbank + Authentifizierung
Oracle ADB: Aktien-Datenbank (Always Free)
Oracle Cloud: 1 VM-Instanz — sowohl Produktions- als auch Entwicklungsserver laufen hier
Cloudflare: Domain + CDN

Die einzigen Kosten sind die Domain-Kaufkosten. Produktion und Entwicklung laufen auf derselben Instanz, lediglich auf unterschiedlichen Ports.