AI-Investieren in Aktien- und Kryptomärkten: Belege und Grenzen

Zusammenfassung

Dieser Überblick bewertet AI-Anwendungen bei Aktien, ETFs, zentralisierten Kryptomärkten, Perpetual Futures und On-Chain-Aktivitäten. Er beschreibt den Weg zu Anlageerträgen als Abfolge: Point-in-Time-Daten müssen ein zuverlässiges Signal, praktikable Positionen, ausführbare Aufträge und nach Kosten eine positive risikoadjustierte Leistung ermöglichen. Die untersuchten Ansätze umfassen maschinelles Lernen, Zeitreihen- und Sprachmodelle, Reinforcement Learning und automatisierte Agenten. Die größten berichteten Fortschritte betreffen Prognosen, Textanalyse, Portfoliodesign und Research-Abläufe.

Der Überblick findet weniger öffentlich zugängliche Belege für anhaltende Nettoprofitabilität. Historische Ergebnisse können durch Datenlecks, wiederholte Strategieauswahl, Survivorship-Effekte, schwache Vergleiche, Trading-Kosten, Einschränkungen der Handelsplätze und begrenzte Kapazität geschwächt werden. Genannt werden auch nachlassende Prognosekraft, korrigierte Look-ahead-Fehler, gemischte zukunftsgerichtete Ergebnisse und wenige geprüfte Belege aus dem Einsatz echten Kapitals. Krypto erfordert eine marktbezogene Analyse, da Spot-, Perpetual- und dezentrale Märkte unterschiedliche Zahlungsströme und Ausführungsbedingungen haben. Der Überblick findet keinen nachgewiesenen AI-Ansatz mit dauerhaftem Netto-Alpha über verschiedene Marktphasen und Kapazitätsniveaus hinweg. Bessere Evaluation erfordert Point-in-Time-Eingaben, an Handelsentscheidungen ausgerichtete Ziele, kombinierte Portfolio- und Ausführungstests, kontrollierte Anpassung, prospektive Bewertung und angemessene Governance; solche Verfahren verbessern die Beleglage, können aber keine Renditen sicherstellen.

Kernaussagen

• AI-Anwendungen haben sich bei Prognosen und der Unterstützung von Arbeitsabläufen stärker entwickelt als bei der nachgewiesenen dauerhaften Profitabilität.
• Ein nutzbares Anlagesignal muss jeden Schritt von Point-in-Time-Informationen bis zu ausführbaren, kostenbereinigten Renditen bestehen.
• Datenverunreinigung, Auswahlverzerrungen, schwache Referenzwerte, Umsetzungsprobleme und Kapazitätsgrenzen können historische Ergebnisse entwerten.
• Belege aus Aktien- und Kryptomärkten sollten vor dem Hintergrund ihrer unterschiedlichen Marktstrukturen und Zahlungsströme interpretiert werden.
• Prospektive Tests sowie gemeinsame Bewertungen von Portfolio, Ausführung und Governance stärken Aussagen, ohne Gewinne zu garantieren.

Schlagwörter

# 2609.04917


# Artificial Intelligence in Equity and Crypto Markets: Progress, Profitability Evidence, and the Limits of Automated Investing









Artificial intelligence (AI) now supports investment workflows from data and prediction through research, portfolios, execution, and tool use. Technical capability, however, is not evidence of investment profitability. This critical state-of-the-art review examines public research available through 31 August 2026 on listed equities, exchange-traded funds, centralized crypto spot, perpetual futures, and on-chain markets. We organize evidence with an alpha-translation chain: point-in-time information must yield a stable signal, feasible positions, executable orders, and risk-adjusted returns after costs. Across machine learning, time-series foundation models, financial language models, reinforcement learning, and agents, the examined record shows real but mainly upstream progress in prediction, text processing, portfolio design, and workflow integration. Evidence is thinner for durable net performance. Temporal contamination, repeated selection, survivorship, weak benchmarks, implementation costs, venue mechanics, and capacity can break translation to net alpha. Strong historical results coexist with predictor decay, corrected look-ahead failures, mixed prospective evidence, and few audited live-capital records. Crypto adds informative state but requires separate treatment of spot, perpetual, and decentralized cash flows and execution. Within the public evidence examined here, no general AI architecture is shown to deliver persistent, cross-regime, capacity-aware net alpha. More credible claims require point-in-time data and models, decision-aligned objectives, joint portfolio--execution evaluation, controlled adaptation, prospective tests, and authority-matched governance. These conditions can improve evidence and implementation; they do not guarantee profit.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.