Die selbstverbessernde Schleife — Jeder abgeschlossene Trade lehrt die Engine

Die meisten Trading-Bots sind in der Zeit eingefroren. Die Logik, die sie heute ausführen, ist die Logik, die sie am ersten Tag ausgeführt haben. Wenn sie einmal einen schlechten Trade gemacht haben, werden sie morgen bereitwillig denselben schlechten Trade machen. Wir entschieden, dass das eine inakzeptable Obergrenze war.

Stand heute wird StormBot mit einem Selbstverbesserungsschleife – fünf ineinandergreifende Module, die jeden geschlossenen Trade verfolgen, sezieren und daraus lernen. Die Strategie passt sich auf Basis echter Ergebnisse an, nicht der Theorie.

Hier ist, was jedes Modul tut:

1. Trade-Ergebnis-Tracker & Gewinnraten-Rechner

Jeder Trade, der ausgeht — durch Stop-Loss, Profit-Ziel oder Marktauflösung — wird mit vollem Kontext dauerhaft aufgezeichnet: die Marktfrage, Einstiegspreis, Ausstiegspreis, welche Stadt, welches Datum, welcher Trading-Modus aktiv war, was die Vorhersagemodelle vorhergesagt haben und der finale P&L.

Aus diesen Daten berechnet die Engine in Echtzeit Gewinnraten, aufgeschlüsselt nach Stadt, Trading-Modus, Einstiegspreisbereich, und Zeitraum. Nach nur wenigen Tagen Trading zeigen sich Muster. Vielleicht gewinnt der Bot 85% der London-Trades, aber nur 45% der Seoul-Trades. Vielleicht brilliert er bei Einstiegen unter 15¢, aber schwach über 40¢. Das sind keine Ahnungen — das sind harte Zahlen aus echten Trades, die direkt in Claudes nächste Entscheidung einfließen.

2. Feedback-Schleife nach Auflösung — Modellgenauigkeit-Tracking

Das ist reine Meteorologie. Nach jeder Marktauflösung zeichnet die Engine auf, was jedes Wettermodell vorhergesagt hat im Vergleich zu dem, was tatsächlich passiert ist. Mit der Zeit baut dies eine Datenbank zur Modellgenauigkeit pro Stadt.

Das Ergebnis? Nach 30 Tagen Daten weiß der Bot vielleicht, dass „ECMWF in Seoul im März konsistent 0,8°C zu warm läuft" oder „GFS in Miami im Sommer 1,2°C zu kalt ist". Diese systematischen Bias werden automatisch in die Konsensberechnung einbezogen. Kein anderer Wetter-Trading-Bot hat das — die meisten behandeln alle Modelle gleich, unabhängig von ihrer Bilanz für eine bestimmte Stadt und Saison.

3. Claude beurteilt seine eigenen Trades — KI-Post-Mortem-Analyse

Dies ist das mächtigste Modul. Alle 30 Minuten überprüft der Bot seine kürzlichen Verlust-Trades und sendet jeden mit einer einfachen Frage zurück an Claude: "Was ist schiefgelaufen?"

Claude untersucht den Trade im Nachhinein — die verfügbaren Vorhersagedaten, den Einstiegspreis, das tatsächliche Ergebnis — und schreibt ein knappes Post-mortem: was der Fehler war und eine umsetzbare Regel, um ihn künftig zu vermeiden. Diese Lektionen sammeln sich in einem „Playbook" und werden in jeden zukünftigen KI-Prompt eingespielt.

Nach 100 Trades hat Claude praktisch sein eigenes Trading-Handbuch auf Basis realer Erfahrung verfasst. Beispiele für Lektionen aus unseren Tests:

• "Vermeide BUY_YES über 30¢ bei asiatischen Städten — der Markt ist zu diesem Preis meist schon effizient"
• "Wenn GFS und ECMWF um mehr als 2°C abweichen, immer SKIP — die Unsicherheit ist zu hoch"
• "Die Temperaturen in Seoul liegen im März durchweg unter dem Modellkonsens — wende eine Korrektur von -1°C an"

4. KI-Vertrauenskalibrierung

Wenn Claude sagt, dass ein Trade "VERY_HIGH"-Confidence hat, wie oft gewinnt er tatsächlich? Dieses Modul verfolgt die Antwort präzise. Das Confidence-Level jedes Trades wird zusammen mit seinem Ergebnis aufgezeichnet und baut eine Kalibrierungstabelle auf:

Diese Daten werden direkt in Claudes Prompt eingespielt. Wenn Claude sieht, dass seine VERY_HIGH-Calls nur 60% der Zeit gewinnen, wird er natürlich selektiver — und reserviert VERY_HIGH für wirklich sichere Ergebnisse. Das Vertrauen der KI wird tatsächlich bedeutungsvoll statt willkürlich, was direkt das Trade-Sizing verbessert (da größere Einsätze auf höheren Vertrauensstufen platziert werden).

5. Rollender Performance-Kontext — Mustererkennung

Jede KI-Analyse erhält jetzt eine rollende 7-Tage-Leistungszusammenfassung mit:

• Gesamte Gewinn-/Verlust-Bilanz und Netto-P&L
• Best performende Städte (wo der Bot konstant gewinnt)
• Schwächste Städte (wo vorsichtig oder gar nicht gehandelt werden sollte)
• Gewinnquoten nach Einstiegspreis-Spanne (<15¢, 15–40¢, >40¢)

Claude passt sein Verhalten basierend auf diesem Kontext natürlich an. Wenn London-Trades eine 9er-Siegesserie haben, lehnt er sich aggressiver in London-Gelegenheiten. Wenn Seoul ein konstanter Verlierer war, setzt er die Latte höher, bevor er Seoul-Trades empfiehlt. Die Strategie des Bots entwickelt sich täglich auf Basis dessen, was tatsächlich funktioniert.