NeutralNewsCH KLG untersucht den Einsatz künstlicher Intelligenz zur Analyse und Einordnung finanzmarktrelevanter Nachrichten. Diese Bachelorarbeit prüft ergänzend, ob ein Reinforcement-Learning-basierter Tradingagent aus historischen Marktdaten eine stabile Handelslogik entwickeln kann, die sich auf spätere Marktperioden übertragen lässt.

In einem explorativ-empirischen Vorgehen wurden mehrere RL-Tradingprototypen mit historischen Gold- und insbesondere Bitcoin-Daten entwickelt. Die Evaluation umfasste zeitlich getrennte Trainings-, Validierungs- und Testperioden, wiederholte Trainingsläufe sowie konstante und regelbasierte Vergleichsstrategien. Synthetische Aufgaben prüften zusätzlich die Lernbarkeit definierter Regeln und den Transfer zwischen Lernstufen.

Die untersuchten Agenten erzielten teilweise positive Trainings- oder Einzelresultate, entwickelten jedoch keine über wiederholte Trainingsläufe, unterschiedliche Marktperioden und einfache Vergleichsstrategien hinweg stabile Out-of-Sample-Handelsstrategie. Je nach Ausgestaltung entstanden passive, konstante oder extreme Positionierungen. Zudem entsprach ein hoher Reward nicht zwingend dem beabsichtigten Handelsverhalten. Einfache synthetische Regeln waren grundsätzlich lernbar. Zwischen verwandten Aufgaben zeigte sich ein begrenzter positiver Transfer. Auf historischen Marktdaten konnte dieser Vorteil jedoch nicht stabil bestätigt werden. Für NeutralNewsCH KLG wird deshalb kein unmittelbarer produktiver Einsatz des entwickelten Agenten empfohlen. Der zentrale Nutzen liegt in einem überprüfbaren Entwicklungs- und Entscheidungsrahmen für künftige KI-basierte Handelsanwendungen. Zukünftige Arbeiten sollten zunächst ein klar operationalisiertes Marktphänomen und dessen statistisch belastbaren Handelsvorteil prüfen, eine transparente Vergleichsstrategie entwickeln und Reinforcement Learning erst danach für klar abgegrenzte sequenzielle Entscheidungen einsetzen.