Das NeuPortal-Protokoll

Hintergrund: wer wir sind und wo wir angefangen haben

Wir haben nicht mit künstlicher Intelligenz angefangen, sondern mit rohen Marktdaten. Krypto-Handelsplätze, Prognosemärkte, Sportwetten: drei grundverschiedene Umgebungen, in denen wir jahrelang selbst Liquidität gestellt, von Hand gehandelt und eigene Software geschrieben haben.

Es war die klassische Ära der „dummen“ Bots: starre lineare Algorithmen, Automatisierungsskripte und Datenparser. Sie hatten kompromisslose Ein- und Ausstiegsregeln, feste numerische Signalschwellen und einen strikten Zeitplan. Solcher Code tut genau das, was in ihm steht – und absolut nichts darüber hinaus.

Das Problem war nicht, dass diese Algorithmen nicht funktionierten. Sie lieferten Ergebnisse – aber nur bis zum ersten Wechsel des Marktregimes. Eine Strategie, die bei ruhiger, zyklischer Volatilität gebaut und getestet war, zerfiel, sobald die Bewegung unruhig und impulsiv wurde. Gewöhnliches Marktrauschen durchbrach immer wieder die statischen Schwellen, die von Hand in Konfigurationsdateien gesetzt waren. Und jede solche makro- oder ereignisgetriebene Verschiebung bedeutete für uns dasselbe: Software anhalten, sich an den Code setzen und die Parameter von Hand neu einstellen. Immer wieder.

Der Wendepunkt: eine technologische Sackgasse

Es brauchte ein halbes Jahr harter, ununterbrochener Tests gegen die reale Marktmikrostruktur auf drei verschiedenen Märkten, um in eine technologische Sackgasse zu laufen.

Es war die klassische Geschichte eines großen technischen Fehlers. Wir versuchten, einen absolut universellen Algorithmus zu bauen – ein einziges abstraktes Regelwerk, das auf jedem Handelsplatz gleich gut funktionieren sollte. Auf historischen Daten zeichnete er eine makellose, glatte Equity-Kurve ohne tiefe Drawdowns. Im Live-Forward-Test verlor er stetig Geld. Die Entwicklungszeit des Teams und ein erheblicher Teil des Testkapitals gingen im Orderbuch unwiederbringlich verloren. Die reale Slippage fraß den gesamten berechneten Vorteil, und die zersplitterte Liquidität machte aus dem vom Modell geplanten Einstiegspreis einen ganz anderen, ungünstigen.

Die Erkenntnis, die uns diese Monate und Ressourcen gekostet haben, war grundlegend: Märkte unterscheiden sich nicht in kosmetischen Parametereinstellungen, sondern in ihrem inneren Aufbau.

• Auf Binance entsteht der Preis in einem dynamischen Orderbuch, in dem aktuelle Tiefe, Ausführungsgeschwindigkeit und Liquidität alles entscheiden.
• Auf Polymarket spiegelt der Preis eines Kontrakts nur eine kollektive Wahrscheinlichkeitsschätzung wider, während Endergebnis und Auszahlungen von einem unveränderlichen dezentralen Orakel festgestellt werden.
• An einer Sportwettbörse beruht die Mechanik auf dem sauberen Ergebnis eines Spiels und der hochfrequenten Bewegung der Quoten vor dem Anpfiff.

Für diese drei gegensätzlichen Mechaniken gibt es keinen universellen linearen Code.

Was wir gebaut haben: KI mit Verstand

Nachdem wir die Sackgasse erkannt hatten, gaben wir starren algorithmischen Code vollständig auf und wechselten zu einer flexiblen Architektur auf Basis neuronaler Netze.

Der entscheidende Unterschied ist, was das System in dem Sekundenbruchteil tut, bevor eine Order an den Markt geht. Der alte lineare Bot verglich blind den aktuellen Preis mit einer festen Schwelle. Unser KI-Agent erledigt in Millisekunden die Arbeit, für die früher ein Analystenteam Stunden brauchte: eine durchgängige Multifaktoranalyse der Marktstruktur, verborgener historischer Muster, externer Indizes und der Orderbuchtiefe – für alle Instrumente und Paare seines Handelsplatzes gleichzeitig.

Doch ein neuronales Netz allein kann weder sicher noch systematisch handeln. Deshalb haben wir sein rechnendes „Gehirn“ mit dem Fundament verbunden, das wir bereits hatten: unseren eigenen mathematischen Strategien und harten Formeln des Risikomanagements, die sich über Jahre manuellen Tradings herausgebildet haben. In dieser Kombination ist die KI für die sofortige vorausschauende Einschätzung der Lage zuständig und die Mathematik für Positionsgröße, Exposure-Limits und harte Risikogrenzen. Zusammen ergeben sie eine Prognosemaschine, die sofort über den Einstieg entscheidet – und strikt innerhalb des Sicherheitsrahmens.

Das Problem – warum Trading-Berichte gezeichnet und nicht bewiesen werden

Die Idee unserer Verifizierung entstand aus einem gewöhnlichen Streit über den Trading-Bericht eines anderen. Eine schöne Tabelle, eine makellos glatte Equity-Kurve, ein zufriedener Autor – und keine einzige Zeile, die jemand unabhängig hätte prüfen können.

Ein Screenshot, eine Tabelle, eine Aussage wie „mein Ergebnis im Monat“ – das sind Behauptungen, hinter denen nichts steht als das Wort des Autors.

Wir haben die technische Aufgabe umgekehrt gestellt: ein System bauen, in dem es nichts mehr zu behaupten gibt. In dem das Endergebnis nicht deklariert, sondern automatisch aus den Rohdaten des Handelsplatzes berechnet und sofort in ein Journal geschrieben wird, das sich nachträglich nicht umschreiben lässt. Wenn das funktioniert, beruht Vertrauen nicht mehr auf Werbeversprechen, sondern auf der Bauweise der Plattform.

Die bisherige Entwicklung in Zahlen

Einsatz und praktische Lehren

Krypto: wo wir zurückweichen mussten

Krypto war die erste Richtung, die wir umgesetzt haben. Dort gibt es eine riesige, dichte Menge historischer Daten, sodass sich Hypothesen am schnellsten testen ließen. Das Ergebnis dieser Arbeit ist das Modul B-Scalper: Hochfrequenz-Scalping auf Binance mit Einstieg, wenn mehrere unabhängige Marktfaktoren zusammentreffen, und dynamisch aus der aktuellen Volatilität berechnetem Take-Profit und Stop-Loss.

Streichen mussten wir den Handel mit illiquiden Paaren. Auf historischen Daten zeigten sie hervorragende Renditen. In der Live-Ausführung ging der gesamte mögliche Vorteil in Slippage und Finanzierungskosten auf. Die Strategie verdiente auf dem Papier stetig und verlor im Orderbuch echtes Geld.

Prognosemärkte: Das Problem war ein anderes

Die Aufgabe des Algorithmus ist nicht, das Ergebnis vorherzusagen, sondern die Ineffizienz des Moments zu finden. Ein Prognosemarkt bündelt das Wissen Tausender informierter Teilnehmer, und der Versuch, ihn beim Erraten der Zukunft frontal zu schlagen, ist von vornherein eine verlorene Position. Der Preis eines binären Kontrakts ist die aktuelle Wahrscheinlichkeitsschätzung des Marktes. Hinkt er dem zugrunde liegenden Referenzmarkt hinterher, öffnet sich ein Spread – und genau diese strukturelle Abweichung ist der Auslöser.

Ein Prognosemarkt ist nicht eine Umgebung, sondern fünf voneinander unabhängige Themenbereiche, von denen jeder eine eigene Infrastruktur und eigene Rohdaten braucht:

• Kryptokontrakte – CPM Terminal. Das Modul handelt Up/Down-Kontrakte von Polymarket auf sechs Basiswerte, gleichzeitig auf Horizonten von 5 Minuten bis 4 Stunden. Die Referenz ist der Spot-Feed von Binance: Das Orderbuch von Polymarket wird laufend mit dem Spotmarkt synchronisiert, und die Verzögerung bei der Neubewertung der Wahrscheinlichkeit bildet das Signal.
• Wetter und Makro – CPM Terminal. Auf Wettermärkten stellt das Modul ein Ensemble unabhängiger Prognosemodelle dem aktuellen Marktkonsens gegenüber. Bei Makrokontrakten arbeitet es nach dem veröffentlichten Kalender amtlicher Statistiken (CPI, Non-Farm Payrolls und andere) und verarbeitet die sofortige Reaktion der Liquidität auf eine Überraschung gegenüber der Prognose.
• E-Sport – Cyber P-Term. Das Modul deckt Dota 2, LoL, CS2 und weitere Disziplinen ab: durchgängiges Auslesen von Team-Ratings, automatische Beobachtung von Nachrichten zu Kaderwechseln, kombiniert mit Orderbuch-Signalen und der Bewegung der Live-Quoten.
• Politik – integriert in Max K-Term. Ein eigenes Terminal für politische Ergebnisse haben wir nicht gebaut. Auf Kalshi ist Politik eng mit Kontrakten auf Makroereignisse verknüpft. Der Algorithmus verarbeitet Feeds von Wahlmodellen, Exit-Poll-Daten und gesetzgeberische Auslöser und bewertet Kandidaten schneller neu, als private Trader ihre Orders verschieben können.
• Ereigniskontrakte – Max K-Term (Kalshi). Hier ändert sich die technische Aufgabe vollständig: Es geht nicht um die Jagd nach Abweichungen, sondern um reines Market Making. Die Besonderheit von Kalshi sind Kontrakte um 50 Cent, bei denen die übliche Taker-Gebühr die gesamte Marge auffrisst. Das Modul arbeitet ausschließlich mit Limit-Orders (nur Maker) als passiver Liquiditätsgeber und verdient den Spread und die Rebates.

Die Sportwettbörse: das Modul SXB Pro

SX ist kein klassischer Buchmacher, sondern eine dezentrale Peer-to-Peer-Börse: Die Teilnehmer stellen einander Quoten per Limit-Order, und der Kern der Plattform führt sie zusammen. Unsere Infrastruktur liest das Orderbuch des Mainnets direkt über offene Protokolle – ohne Autorisierung und ohne Signatur, jede gestreamte Quote ist öffentlich.

Das Modul deckt 18 Sportarten ab; das Arbeitstrio sind Fußball, Tennis und Basketball. Im Fußball handelt der Algorithmus drei Marktfamilien:

• Spielausgang (MATCH_ODDS)
• Über/Unter (OVER_UNDER)
• Unentschieden keine Wette (DRAW_NO_BET)

Im Tennis und Basketball sammelt sich die Liquidität nur auf der Moneyline. Die Algorithmen rechnen in beiden Phasen fortlaufend: vor dem Spiel und live.

Die technische Aufgabe ändert sich erneut grundlegend. Es geht weder um die Prognose des Endergebnisses noch um die Suche nach Abweichungen von einem externen Referenzmarkt – ein einzigartiges Sportereignis hat keinen einheitlichen Spot-Feed. Das Modul findet mathematische Fehler in der Bepreisung benachbarter Auswahlen innerhalb eines Orderbuchs. Auf einer Peer-to-Peer-Plattform werden die Preise gegensätzlicher Ausgänge desselben Ereignisses von unabhängigen Gegenparteien gestellt; das erzeugt eine strukturelle Inkonsistenz der Quoten im Orderbuch, die mit einem zentralen Market Maker physisch unmöglich wäre.

Um diese Anomalien zu nutzen, laufen zwei unabhängige Strategien parallel:

1. Die Suche nach der Abweichung zwischen dem berechneten fairen Preis und der aktuellen Marktquote.
2. Ein Scalping-Modul, das auf die Rückkehr des Preises zu seinem mathematischen Mittelwert setzt.

Der Stack ist auf die Peer-to-Peer-Mikrostruktur abgestimmt: Die Tiefe des Orderbuchs wird alle 5 Sekunden abgefragt, der Pool verfügbarer Märkte alle 30 Sekunden aktualisiert.

Harte Liquiditätsfilter: warum die meisten Märkte verworfen werden

Die Plattform ignoriert bewusst die meisten verfügbaren Quoten – auf Grundlage von vier Systemfiltern:

• Spread-Breite. Auf Peer-to-Peer-Handelsplätzen war der Spread schon immer breiter als an klassischen Spot-Börsen, deshalb sind die Schwellen auf Peer-to-Peer-Liquidität kalibriert.
• Mindesttiefe. Eine Quote, hinter der nur das Volumen eines einzelnen Wallets steht, zählt nicht – sie repräsentiert nicht den Markt.
• Anomalieprüfung. Einzelne Limit-Orders zu unplausiblen, offensichtlich falschen Quoten (Fat-Finger-Orders) werden vor jeder Berechnung verworfen.
• Nur reguläre Spielzeit. Verlängerung und Elfmeterschießen werden grundsätzlich nicht gehandelt. Der Agent arbeitet strikt innerhalb der regulären Spielzeit: Danach spiegelt der Preis keine saubere Wahrscheinlichkeit mehr wider, deshalb wird jedes offene Exposure vor dem Ende der regulären Spielzeit zwangsweise geschlossen.

Die Ordergröße wird während der Session dynamisch berechnet und hängt von der aktuellen Tiefe des Orderbuchs und der Größe des beobachteten Spreads ab. Die harte Kapitalgrenze ist fest und gilt für die gesamte Engine: Bei einem lokalen Verlustlimit von 20 % wird das Trading auf dem Handelsplatz sofort eingefroren.

Ausführungsinfrastruktur: wie Modelle in Trading-Terminals eingesetzt werden

Ein isoliertes mathematisches Modell, das Signale erzeugt, ist noch kein Trading-Agent. Zu einem wird es erst nach der Integration in eine ausfallsichere Produktivumgebung, die eine latenzarme Verbindung zum Handelsplatz, Orderausführung, durchgängige Positionsbuchhaltung und vollständige Beobachtbarkeit bereitstellt.

Die Sicherheit des Kapitals ist auf Architekturebene gewährleistet: Jeder Agent kommuniziert mit dem Börsenkern über einen eigenen API-Schlüssel mit getrennten Rechten. Erlaubt sind nur Handelsoperationen; jegliche Auszahlungsrechte sind vollständig gesperrt. Stellt die Schlüsselprüfung einen Auszahlungszugriff fest, verwirft die Sicherheitsebene die Session und lehnt die Verbindung ab. Die Trading-Algorithmen haben in keinem Szenario physischen Zugriff auf die Wallets oder Guthaben der Nutzer.

Außerdem haben wir die Datenlatenz ins Zentrum der Monitoring-Oberfläche gerückt. Diese Entscheidung folgte auf einen Vorfall, bei dem eine Verzögerung bei einem Ticker erst nachträglich bei der Analyse auffälliger Trades entdeckt wurde. Heute erkennt das Monitoring die kleinste Verzögerung, bevor sie sich in ausgeführten Orders zeigen kann.

Validierung der Algorithmen: wie wir uns selbst prüfen – und wo wir gegen den Markt verlieren

Um den subjektiven Faktor und jede bloß behauptete Rendite auszuschließen, führen wir ein offenes, öffentlich überprüfbares Prognosejournal. In dem Moment, in dem der KI-Kern seine eigene Schätzung der Wahrscheinlichkeit eines Ergebnisses berechnet, veröffentlicht das System sie. In derselben Millisekunde hält das Protokoll die aktuelle Marktquote fest – den Marktkonsens. Beides wird eingefroren und wartet auf die Abrechnung des Ereignisses.

Die Prognosequalität wird mit einer strengen wissenschaftlichen Kennzahl gemessen, dem Brier-Score. Je niedriger der Wert, desto besser die Wahrscheinlichkeitskalibrierung des Modells: desto kleiner der mittlere quadratische Fehler.

Was das für dich bedeutet