KI-Trading-Agent
Ein Agent, der News und Kurse liest, sich von einem Sprachmodell Trades vorschlagen lässt und nur ausführt, was harte Regeln im Code freigeben – seit November 2026 mit echtem Geld.
- Jahr
- Rolle
- Idee und Umsetzung
- Stack
- TypeScript, Node.js, Claude API, SQLite, Hono, React, Vitest, Docker
Ausgangslage
Ich wollte herausfinden, wie weit ein Sprachmodell beim Handeln mit Aktien kommt, ohne ihm die Kontrolle zu überlassen. Die Grundregel stand vor der ersten Zeile Code: Die KI schlägt vor, der Code entscheidet.
Umsetzung
- Ein Dauerprozess: Ein Scheduler sammelt laufend News (Finnhub, RSS, SEC-Meldungen) und Kurse. Zu festen Zeiten während der US-Börsenzeit bekommt das Modell daraus eine Zusammenfassung und antwortet über ein Tool mit strukturierten Kauf- und Verkaufsvorschlägen.
- Harte Grenzen statt Vertrauen: Jeder Vorschlag läuft durch ein eigenes Risk-Paket aus reinen Funktionen – Kill-Switch, Verlustlimits pro Tag und gesamt, maximale Ordergröße, Positionsanteil, kein Leerverkauf. Erst danach geht die Order an die Trading-212-API. Für dieses Paket erzwingt die CI vollständige Testabdeckung.
- Alles nachvollziehbar: Zyklen, Entscheidungen samt Begründung, abgelehnte Orders mit Grund und Depotstände landen in SQLite. Ein schreibgeschütztes Dashboard (Hono und React) zeigt den Stand und vergleicht Strategien mit einem Benchmark.
- Erst Demo, dann live: Mehrere Strategien liefen zuerst auf einem Demokonto gegeneinander. Eine davon handelt jetzt mit einem kleinen Betrag echtem Geld; eine zweite, die direkt auf Nachrichten reagiert, läuft parallel weiter auf dem Demokonto.
- Betrieb: Agent und Dashboard laufen per Docker Compose, das Dashboard ist über einen Cloudflare Tunnel mit Zugriffsschutz erreichbar. Entscheidungen wie Broker, Datenquellen oder Hosting halte ich als Architecture Decision Records fest.
Ergebnis
Ein Agent, der mit echtem Geld handelt und bei dem ich jede einzelne Order im Nachhinein erklären kann. Ob er dabei Geld verdient, ist für mich zweitrangig – das Projekt zeigt vor allem, wie man ein Sprachmodell in einen Ablauf einbaut, in dem es keinen Schaden anrichten kann.