AI Trading Guide
Veröffentlicht am 2026-05-06 · Keyword: trading bot mit ai bauen

Trading-Bot mit Claude bauen – der ehrliche Guide für 2026

Wenn du in den letzten zwölf Monaten irgendwo "AI Trading" gegoogelt hast, weißt du wie der Markt klingt: Promo-Pages mit Lambo-Stockfotos, Discord-Server die "98% Win-Rate" versprechen, YouTube-Videos in denen jemand in 10 Minuten einen Bot baut der angeblich 30% pro Monat macht. Das hier ist nicht das.

Das hier ist ein Guide für eine ganz bestimmte Sorte Mensch: Du tradest seit ein, zwei Jahren, du hast genug von Bauchgefühl-Entscheidungen, du kannst entweder schon ein bisschen Python oder bist bereit es zu lernen, und du willst verstehen, wie man einen Trading-Bot baut, in den ein Sprachmodell wie Claude eingebunden ist – auf eine Art, die nicht nach vier Wochen kollabiert.

Wir gehen die komplette Architektur durch: was ein AI-Trading-Bot überhaupt ist (und wo er sich vom klassischen Algo unterscheidet), warum 2026 fast jeder ernsthafte Builder Claude statt GPT oder Gemini einsetzt, wie das Setup mit MCP, MetaTrader, TradingView, Python und einem 5-Euro-VPS aussieht, wie du einen Backtest baust ohne Quant-Studium, und wie du Risk-Management so verdrahtest, dass eine Prop-Firm-Challenge realistisch wird. Konkrete Code-Snippets und Prompts gehören dazu. Wenn du am Ende sagst "ok, ich weiß was ich Schritt für Schritt zu tun habe" – dann hat der Artikel funktioniert.

Was ist ein AI-Trading-Bot eigentlich – und was nicht

Ein klassischer Algo-Bot ist ein deterministisches Stück Code. RSI < 30 plus 200-EMA aufwärts plus Volumen-Spike plus engerer Stop unter dem letzten Swing-Low – Buy. Wenn die Bedingungen erfüllt sind, feuert der Trade. Wenn nicht, passiert nichts. Das hat einen großen Vorteil: Backtest und Live-Trade verhalten sich identisch, solange du Slippage und Spreads korrekt modellierst. Es hat aber auch einen Nachteil, den jeder Retail-Trader kennt: starre Regeln passen nicht in dynamische Märkte. Ein Crossover-System, das in einem Trend brilliert, killt dich seitwärts.

Ein AI-Trading-Bot ist erst einmal nur ein Algo-Bot mit einer zusätzlichen Schicht: ein Sprachmodell sitzt zwischen den Marktdaten und der Entscheidung. Statt "wenn-dann" sagst du dem Modell: "Hier ist der Kontext der letzten 60 Kerzen, hier ist Marktstruktur, hier sind die Open Positions, hier ist meine Risk-Limit – soll ich traden, und falls ja, wo?". Das Modell antwortet strukturiert (JSON), der Code parst die Antwort, prüft die Risk-Constraints und feuert oder feuert nicht.

Das klingt entweder magisch oder verdächtig, je nach Vorerfahrung. Beides ist falsch. Das Sprachmodell ist kein Orakel. Es kann Marktstruktur in Worte fassen, mehrere Indikatoren gleichzeitig gewichten, Outlier erkennen ("FOMC in 12 Stunden, halt dich raus"), und Code für dich generieren. Es kann nicht in die Zukunft schauen. Wenn deine Strategie keine Edge hat, gibt das Modell ihr keine Edge. Wenn deine Strategie eine Edge hat, kann das Modell sie systematischer und disziplinierter umsetzen als du selbst um 23 Uhr nach drei verlorenen Trades.

Drei reale Use-Cases, die heute ohne große Spezialkenntnisse funktionieren: Markt-Briefing am Morgen ("welche News liegen heute auf XAUUSD und EURUSD, wo sind die Schlüssel-Levels?"), Trade-Validierung vor dem Klick ("hier ist mein geplanter Setup-Screenshot, finde Probleme") und Trade-Journal-Auswertung am Wochenende ("hier sind 40 Trades, wo bin ich systematisch schlechter geworden?"). Erst wenn diese drei laufen, würde ich überhaupt anfangen über vollautomatisches Live-Trading nachzudenken.

Warum Claude – und nicht GPT-5 oder Gemini

Es gibt drei ernstzunehmende Modell-Familien für Retail-AI-Trading 2026: Claude (Anthropic), GPT (OpenAI) und Gemini (Google). Jedes hat einen Sweet Spot.

Claude ist im Code-Reasoning gerade vorne. Auf SWE-bench (dem realistischsten Coding-Benchmark) liegt Claude Opus und Sonnet über GPT-5.4, und in der Praxis merkst du das vor allem bei zwei Dingen: Bug-Erkennung in vorhandenem Trading-Code (Claude findet Off-by-One-Fehler in Indikator-Logik, die du selber zehnmal überlesen hast) und Refactoring größerer Strategie-Dateien ohne Halluzinationen. Wenn dein Bot aus 500 Zeilen Python besteht und du eine neue Filter-Bedingung einbauen willst, ist Claude derzeit das Modell, das den vollen Kontext im Kopf behält.

GPT-5 ist stark, wenn du Quant-Crunching machst – große Excel-Tabellen, Earnings-Daten, statistische Auswertungen. Wenn du eher quantitativ als systematisch arbeitest und viel mit Tabular-Data hantierst, ist GPT eine gleichwertige Wahl. Gemini hat einen ganz spezifischen Killer-Vorteil: native Google-Search-Integration. Für Markt-News ohne extra Plugin ist es das schnellste der drei.

Für den Use-Case "ich baue einen Trading-Bot" ist die Antwort 2026 trotzdem klar: Claude. Hauptgründe sind das Code-Reasoning, das stabile MCP-Ecosystem (dazu gleich) und die vergleichsweise saubere Tool-Use-Implementation. Wenn du tiefer in den Vergleich willst, haben wir das in Claude vs. GPT-4 für Trading: welches AI-Modell ist besser? anhand von vier echten Anwendungsfällen aufgeschlüsselt.

Das Stack-Bild: was du wirklich brauchst

Bevor wir in einzelne Schritte gehen, ein realistisches Architektur-Bild. Was sitzt wo, was redet mit wem.

┌──────────────────┐
│ TradingView Pro  │  ◄─── Charts, Alerts, PineScript
│ (Datenquelle)    │
└────────┬─────────┘
         │ Webhook / MCP
         ▼
┌──────────────────┐         ┌──────────────────┐
│  Python-Bot      │ ◄─MCP─► │  Claude API      │
│  (Logik-Schicht) │         │  (Reasoning)     │
└────────┬─────────┘         └──────────────────┘
         │ MetaTrader5 lib / cTrader Open API
         ▼
┌──────────────────┐
│  Broker / MT5    │  ◄─── Echte Order-Execution
└──────────────────┘
         ▲
         │ läuft auf
┌────────┴─────────┐
│  VPS (5–10 €/Mo) │  ◄─── 24/7-Verfügbarkeit
└──────────────────┘

Sechs Bausteine: TradingView (oder eine andere Datenquelle wie Polygon, ccxt, MT5-Native-Feeds), ein Python-Prozess der die Logik hält, das Anthropic-API als Reasoning-Layer, MCP als Verbindungsprotokoll, ein Broker-Connector (MetaTrader 5, cTrader, Alpaca, IBKR) und ein günstiger VPS. Jeder dieser Punkte ist für sich keine Hexerei. Schwierig wird es nur, wenn du alles gleichzeitig zum ersten Mal anfasst.

Schritt 1: MCP verstehen, bevor du irgendwas anderes anfasst

MCP steht für Model Context Protocol. Das ist seit 2024 der Standard, mit dem Sprachmodelle mit externen Tools reden – Anthropic hat es vorgeschlagen, große Anbieter (OpenAI, Google, Microsoft) haben es übernommen. Für Trader ist MCP wichtig, weil 90% der Tools die du brauchst (TradingView, MetaTrader 5, Bybit, Alpaca, Freqtrade) inzwischen einen MCP-Server haben oder dabei sind einen zu bekommen.

Konzeptuell: Ein MCP-Server stellt Tools (Funktionen) und Resources (Daten) bereit. Ein MCP-Client (Claude Desktop, Cursor, dein eigener Python-Prozess) ruft diese Tools auf. Statt selbst REST-Calls zu schreiben und Auth-Header zu jonglieren, sagst du Claude: "rufe das Tool get_account_balance auf" – und Claude weiß, was zu tun ist.

Praktisches Beispiel mit dem öffentlichen MetaTrader-MCP-Server (siehe GitHub: ariadng/metatrader-mcp-server): Sobald der Server läuft und in Claude Desktop registriert ist, kannst du im Chat schreiben "Zeig mir mein Account-Balance" und Claude führt den Tool-Call aus. Das ist nicht nur bequem, sondern auch der Einstiegspunkt für Vollautomation – jeder dieser Tool-Calls lässt sich auch programmatisch von einem Python-Skript triggern.

Was du als Trader wissen musst (mehr nicht): MCP-Server installieren ist meistens ein npm install oder pip install plus eine Config-Datei. Anthropic dokumentiert das ausführlich, und für die meisten Plattformen gibt es Plug-and-play-Server. Wenn du tiefer einsteigen willst – inklusive konkretem Setup-Tutorial –, lies Was ist MCP und wofür Trader es brauchen.

Schritt 2: Datenquelle – TradingView oder MetaTrader

Die zweite Entscheidung ist, wo deine Marktdaten herkommen. Drei sinnvolle Optionen für Retail:

TradingView: Die Industrie-Standard-UI für Charts. Dein Bot sieht TradingView nicht direkt, aber TradingView kann via Webhook oder via dem TradingView-MCP-Server Signale an deinen Bot pushen. Vorteil: Du kannst weiter visuell analysieren wie gewohnt, der Bot kriegt nur die Auslöser. Nachteil: Du brauchst einen Pro-Account (15 USD/Monat), Webhooks und du musst etwas mit PineScript hantieren. Für die konkrete Schritt-für-Schritt-Einrichtung – inklusive Webhook-Endpoint und PineScript-Snippet – siehe TradingView-MCP-Server Setup.

MetaTrader 5: Wenn du Forex oder Indizes tradest, hast du wahrscheinlich sowieso schon MT5. Mit der MetaTrader5-Python-Library (offiziell von MetaQuotes) hast du direkten Datenzugang ohne Extra-Account, plus Order-Execution im selben Stack. Das Setup ist vergleichsweise einfach, läuft aber nur auf Windows (oder Linux mit Wine). Tutorial: MetaTrader 5 mit Claude verbinden – die MCP-Bridge.

Custom (Polygon, Yahoo Finance, ccxt): Wenn du Aktien oder Crypto tradest, willst du wahrscheinlich Polygon (für US-Aktien, ab 30 USD/Monat ernsthaft brauchbar) oder ccxt (kostenlose Crypto-Daten). Mehr Flexibilität, mehr Setup-Arbeit.

Für die meisten DACH-Retail-Trader, die mit XAUUSD, EURUSD, DAX und ähnlichem arbeiten, ist die Kombination TradingView (Charts + Alerts) + MetaTrader 5 (Daten-Pull + Execution) das pragmatischste Setup. Das ist auch das, was wir im AI Trading Guide durchgehend benutzen.

Lead-Magnet-Hinweis

Wenn du noch unsicher bist, welche Setup-Variante zu dir passt, hol dir das kostenlose Starter-Bundle: 5 fertige Claude-Trading-Prompts plus eine Stack-Entscheidungsmatrix.

→ Kostenlose AI-Trading-Prompts holen

Schritt 3: Die Bot-Logik in Python – das Muster

Konzeptuell besteht jeder AI-Trading-Bot aus drei Funktionen, mehr nicht: eine zieht Marktdaten (Kerzen, Indikatoren, Open Positions), eine schickt diesen Kontext mit einem klar formulierten Prompt an Claude, und eine parst die Antwort und entscheidet, ob ein Trade gefeuert wird. Pseudo-Code:

def get_market_context(symbol):
    # letzte N Kerzen aus MT5/TradingView/Polygon ziehen
    ...

def ask_claude(context):
    # Anthropic-API mit System-Prompt aufrufen,
    # JSON-Schema für die Antwort vorgeben
    ...

def decide_and_execute(plan):
    # Risk-Limits prüfen (siehe Schritt 5),
    # bei Freigabe Order an Broker schicken
    ...

Drei Stellen entscheiden über Erfolg oder Misserfolg deines Bots, und keine davon ist trivial: (a) wie du den Marktkontext kompakt genug in den Prompt presst, ohne dass Claude an Token-Limits stößt, (b) wie du den System-Prompt formulierst, sodass das Modell strikt JSON antwortet und nicht in halbe Romane abdriftet, (c) wie du die Antwort parst und bei Halluzinationen oder Schema-Verletzungen sicher fängst statt kommentarlos einen Mülltrade zu feuern.

Punkt (b) ist der größte Hebel und gleichzeitig der subtilste. Ein guter System-Prompt enthält mindestens: Rolle (Risk-Coach, nicht Hype-Trader), Output-Schema (strenges JSON), Skip-Regeln (kein Trade vor FOMC/NFP, Mindestkonfidenz), und Marktstruktur-Anker (welche Levels du als gültig akzeptierst). Wenn dieser Prompt schlecht ist, wird Claude alles unterschreiben, was du ihm vorlegst – das ist nicht das Modell, das ist die Aufgabenstellung.

Den vollständigen, getesteten System-Prompt mit Skip-Logik, Konfidenz-Schwellen und JSON-Schema-Validierung – plus den dazugehörigen get_market_context()-Code für MT5 und das fertige decide_and_execute()-Wrapper-Setup – haben wir im AI Trading Guide aufgeschrieben. Der Grund warum das nicht in einem Blog-Artikel landet ist nicht Geheimniskrämerei: ein halb-funktionierender Bot, der ohne saubere Risk-Schicht in Schritt 5 läuft, kann dir mehr Schaden zufügen als gar kein Bot. Der Guide stellt sicher, dass die Bausteine in der richtigen Reihenfolge ankommen.

Schritt 4: Backtest – ohne Backtest gibt es keine Edge

Live-Trading ohne Backtest ist Glücksspiel mit Style-Points. Egal wie elegant dein Code ist, du brauchst Zahlen aus mindestens 12 Monaten Marktdaten, idealerweise mit verschiedenen Phasen (Trend, Range, Vola-Spike). Die gute Nachricht: Claude generiert dir den Backtest-Code in Minuten, sobald du ihm dein Strategie-Setup beschreibst.

Drei Frameworks, die 2026 sinnvoll sind: VectorBT (am schnellsten, perfekt für Parameter-Sweeps und Robustness-Tests, läuft komplett vektorisiert auf Pandas/NumPy), Backtrader (klassischer, leichter zu lesen, aber seit ~2018 kaum noch entwickelt – ok für Lernen, nicht für Production), Freqtrade (Crypto-spezifisch, kommt mit Live-Execution und Optimization out-of-the-box).

Mein Standard-Ablauf, wenn ich eine neue Idee teste: VectorBT für die ersten 200 Variationen (Parameter-Sweep, schnelles Pruning), dann die top 5 Konfigurationen in Backtrader oder NautilusTrader nochmal mit realistischer Slippage und Latenz. Wenn deine Idee nach dem zweiten Schritt noch lebt, ist sie eines Live-Tests würdig.

Praktisch heißt das: Du beschreibst Claude die Strategie in Klartext (Symbol, Timeframe, Entry- und Exit-Regeln, Position-Sizing-Modell, gewünschte Output-Metriken) und lässt dir den ersten Backtest-Code generieren. Was zurückkommt, ist meistens 80–90% korrekt, der Rest ist Debugging-Dialog ("der EMA-Cross-Filter feuert auch auf Noise, kannst du eine Mindestabstands-Regel einbauen?"). Wer das das erste Mal macht, scheitert nicht am Code – sondern an der präzisen Aufgabenstellung. Wenn du komplett bei null anfängst, geh durch Backtesting in Python für Anfänger – mit AI-Code-Generierung. Im AI Trading Guide haben wir zusätzlich sechs vollständige Backtest-Setups durchgerechnet (XAUUSD-Scalping, EURUSD-Trend, DAX-Open-Range u.a.) inklusive der Prompt-Vorlagen, die wir über Monate auf Stabilität gefiltert haben.

Bei Sharpe denk dran: Sharpe > 1 ist gut, > 2 ist verdächtig, > 3 ist meistens Overfitting. Max-Drawdown ist genauso wichtig wie der Profit – ein 20%-DD ist die Grenze, bei der die meisten Retail-Trader die Strategie psychologisch nicht durchhalten, völlig egal wie hoch der Endgewinn theoretisch ist.

Schritt 5: Risk-Management – der Teil, an dem alle scheitern

Wenn dein Backtest eine Edge zeigt, ist das immer noch nicht genug. Du brauchst eine Schicht die dafür sorgt, dass der Bot nie mehr riskiert als er soll – nicht nur pro Trade, sondern pro Tag, pro Woche, und in Drawdown-Phasen.

Zwei Konzepte, die man verstanden haben muss:

Position-Sizing ist die Frage: wie viel Geld setze ich auf diesen einen Trade? Die professionelle Standard-Antwort ist Fixed-Fractional, also 0,5% bis 2% des Account-Equity pro Trade. Das CFA Institute empfiehlt für Retail nicht mehr als 2%. Wer optimieren will, kann das Kelly-Criterion nutzen – die Formel rechnet aus historischer Win-Rate und Risk-Reward eine "optimale" Positionsgröße aus. In der Praxis fährt fast niemand Full-Kelly, weil Drawdowns dann brutal sind. Half-Kelly oder Quarter-Kelly fängt etwa 75% des Wachstums ein bei deutlich weniger Schmerz.

Drawdown-Limits sind harte Stopps. Tagesziel: wenn dein Bot heute mehr als 3% verloren hat, hört er auf zu traden bis morgen. Wochenziel: bei 7% Drawdown pause, bis du den Code reviewt hast. Das ist nicht nur Disziplin, das ist Pflicht für jede Prop-Firm-Challenge – FTMO erlaubt 5% Tages-DD und 10% Total-DD, ein Verstoß und der Account ist weg.

Konzeptuell sitzt um jeden Trade-Trigger ein Wrapper, der vor Order-Submission drei Fragen stellt: bin ich heute schon über mein Daily-Loss-Limit? bin ich über mein Total-DD-Limit? und reicht mein Equity, um die geplante Position bei Stop-Loss-Hit innerhalb des Risk-per-Trade-Budgets zu halten? Wenn eine der drei Antworten "nein" ist, kein Trade. Klingt simpel, ist aber genau die Schicht, an der Retail-Bots regelmäßig vor die Wand fahren – weil entweder das Tracking nicht persistent ist (Bot-Restart vergisst den heutigen Loss), oder weil die Position-Size-Formel den Hebel des Brokers nicht korrekt mitrechnet, oder weil keine "Cool-Down"-Phase nach einer Verlust-Serie eingebaut ist.

Den fertigen Risk-Layer mit persistenter State-Speicherung, korrekter Pip-Value-Berechnung pro Symbol, FTMO-konformen Limits und einem getesteten Cool-Down-Mechanismus haben wir im AI Trading Guide ausgearbeitet – inklusive der häufigsten 5 Bugs, die diese Schicht in der Praxis killen. Wenn du parallel auf eine Prop-Firm-Challenge hinarbeitest, lies vorher Prop-Firm-Challenge mit AI bestehen – dort gehen wir das Regelwerk im Detail durch.

Schritt 6: VPS und 24/7-Verfügbarkeit

Auf deinem MacBook läuft der Bot, solange du wach bist. Das reicht zum Testen. Für ernsthaftes Trading brauchst du einen VPS, also einen virtuellen Server der 24/7 läuft. Drei Anbieter, mit denen ich gute Erfahrung habe und die alle unter 10 Euro pro Monat liegen:

Was du auf dem VPS willst: Ubuntu 22.04 LTS, Python 3.11+, dein Bot-Code in einem Git-Repo, ein systemd-Service der ihn neu startet wenn er crasht, und einen Cron-Job für tägliche Logs. Wenn du Forex über MT5 tradest, brauchst du Windows oder Wine – das kompliziert das Setup ein bisschen, aber die meisten VPS-Anbieter bieten Windows-Templates.

Sicherheits-Mindeststandard: SSH nur mit Key-Auth (Passwort komplett deaktivieren), automatische Security-Updates an, fail2ban installieren, Anthropic-API-Key in .env und nicht im Code committen. Wenn das fremd klingt, hat sich der Aufwand für VPS für Trading-Bot: 5 €/Monat reicht gelohnt – dort gehen wir das Setup vom ersten SSH-Login bis zum laufenden Bot durch.

Schritt 7: Build in Public statt 6 Monate stille Entwicklung

Letzter Punkt, den die meisten Tutorials weglassen. Du wirst beim Bauen Sachen lernen, die nirgendwo dokumentiert sind – wie sich ein bestimmter MCP-Server unter Last verhält, welche Token-Limits Claude bei großen Backtest-Logs erreicht, warum dein Broker bei NFP-Spike den Spread aufmacht und deine Stops lückenhaft hält. Das alles ist Content, falls du irgendeinen Wunsch hast eine Audience aufzubauen.

Build in Public bedeutet konkret: jede Woche ein Post über das, was du gelöst hast. Code-Snippet, kurzer Kontext, nicht poliert. Die DACH-AI-Trading-Niche ist 2026 noch frei – ein paar US-YouTuber dominieren englischsprachig, deutschsprachig gibt es fast niemand. Wenn du parallel zum Bot-Bauen 1×/Woche dokumentierst, bist du in 6 Monaten in den Top 5 deiner Niche. Das ist kein "growth hack", das ist einfach das, was passiert, wenn andere es nicht machen.

Den kompletten Stack haben wir aufgeschrieben

81 Seiten, kompletter Code, sechs Backtests, FTMO-Setup, Risk-Coach-Logik. Das ist der Guide, in dem alle 5 Cluster-Themen aus diesem Artikel ausführlich behandelt sind – mit allem Code, den wir hier nur skizzieren konnten.

→ AI Trading Guide ansehen

Häufige Fragen (FAQ)

Wie lange dauert es realistisch, bis mein Trading-Bot mit Claude live geht? Wenn du Python halbwegs kannst und keine Vollzeit-Verpflichtungen hast: ein Wochenende für das Skelett, eine Woche für den ersten passable Backtest, einen Monat für ein Live-Setup mit Risk-Layer und VPS. Wenn du komplett bei null anfängst, plan eher 8-12 Wochen mit täglich 1-2 Stunden ein. Die meisten Builder unterschätzen Schritt 4 (Backtest) und 5 (Risk).

Brauche ich einen Anthropic-API-Key oder reicht Claude Pro? Für interaktive Analyse (Markt-Briefing am Morgen, Trade-Validierung) reicht Claude Pro im Browser oder Claude Desktop. Für jede Form von Automation brauchst du den API-Key. Die Anthropic-Console hat eine kostenlose Test-Tier mit ein paar Dollar Guthaben, danach zahlst du pro 1M Tokens je nach Modell. Realistisch: ein moderater Bot mit 200 Calls pro Tag kostet 5-15 USD pro Monat an Inferenz.

Ist das nicht alles overengineered für Retail? Genau das war meine Frage am Anfang auch. Antwort nach 18 Monaten: nein. Der Stack-Aufwand zahlt sich genau in dem Moment aus, in dem du eine Strategie systematisieren willst, die du discretionary nicht durchhältst. Wenn du Trade-Disziplin bei 100% hast, brauchst du keinen Bot. Falls nicht – willkommen im Club.

Welches Modell konkret? Sonnet oder Opus? Für Live-Decisions: Sonnet (schnell, billig, präzise genug). Für Strategie-Reviews am Wochenende, große Code-Refactorings, Backtest-Auswertung: Opus (langsamer, teurer, deutlich besser im Reasoning). Das ist wie 4-Zylinder vs. 6-Zylinder – beide bringen dich ans Ziel, je nach Last.

Was, wenn ich gar nicht programmieren kann? Realistische Antwort: dann ist das nicht der Einstiegspunkt für dich. Du müsstest entweder ein Wochenende Python-Basics nachholen (es geht in 10-20 Stunden) oder einen technischen Co-Founder finden. Die "klick-und-fertig"-AI-Trading-Plattformen, die online beworben werden, haben fast alle das gleiche Problem: zu inflexibel, kein Backtest-Zugang, du verstehst nicht was passiert wenn etwas schiefläuft.

Erfahre ich Probleme, die ich beim manuellen Trading nicht hatte? Ja. Latenz-Spikes, API-Rate-Limits, Token-Cost-Explosionen wenn du zu viel Kontext schickst, MCP-Server der unter Last hängt, Broker-Rejection bei zu schnellen Orders. Das sind alles lösbare Probleme, aber sie sind real und du wirst sie alle sehen. Plane für 2026 ein realistisches Verhältnis von 60% Code-Zeit zu 40% Strategie-Zeit ein.

TL;DR

Du brauchst sechs Bausteine: Datenquelle (TradingView oder MT5), ein Python-Skript als Logik-Schicht, Claude API als Reasoning-Layer (über MCP angebunden), einen Broker-Connector, einen 5-Euro-VPS und eine Risk-Schicht die Tages- und Total-Drawdowns hart cappt. Backtest immer vor Live, Half-Kelly oder Fixed-Fractional als Position-Sizing, Build-in-Public statt Inkubator. Die Architektur ist überschaubar – die Stolperfallen sitzen in den Details: Kontext-Token-Limits, JSON-Schema-Halluzinationen, persistente Risk-State-Speicherung, broker-spezifische Pip-Werte, FTMO-Compliance. Genau diese Details haben wir im AI Trading Guide ausgearbeitet, inklusive lauffähigem Code, sechs Backtests, FTMO-Setup und Risk-Coach-Logik.