Ein Preprint von Carlos Baquero von der Universität Porto aus dem Mai 2026 überprüfte 23 Bitcoin-Kursprognosepapiere, die nach Methoden, echter Out-of-Sample-Bewertung oder Einfluss ausgewählt wurden, und kam zu einem ernüchternden Ergebnis. Im gesamten begutachteten Bestand wies kein Modell eine dauerhafte Überlegenheit gegenüber dem passenden naiven Benchmark auf Horizonten von einem bis sechs Monaten auf, die mehrere Marktphasen umspannen. Die Übersichtsarbeit selbst wartet noch auf die Begutachtung.
Die Schwäche ist strukturell und nicht auf eine bestimmte Technik beschränkt. Naive Prognosen funktionieren, weil Finanzpreise persistent sind: Ein Modell, das bei einem Bitcoin-Kurs von $100,000 für morgen $100,100 vorhersagt, kann einen winzigen prozentualen Fehler erzeugen und dabei fast nichts über die Richtung lernen. Francesco Puoti, Fabrizio Pittorino und Manuel Roveri kamen zu einem ähnlichen Ergebnis, indem sie 12 Ansätze (ARIMA, Prophet, Random Forests, XGBoost, LSTM-Netzwerke und N-BEATS) über fünf große Kryptowährungen hinweg auf Horizonten von einem Tag, sieben Tagen und 30 Tagen verglichen. Einfache naive Modelle lieferten durchgängig bessere Prognosen als jede getestete komplexe Alternative.
Warum das wichtig ist
Bitcoin bietet riesige Datenmengen, aber die Zahl unabhängiger Marktzyklen bleibt gering. Millionen von Minutencharts wiederholen Beobachtungen aus demselben Bärenmarkt 2018 oder demselben Liquiditätsschock 2020. Eine Regel, die auf den vom Einzelhandel geprägten Zyklus 2017 kalibriert wurde, traf 2021 auf eine andere Derivatstruktur, und Spot-ETFs schufen 2024 einen weiteren Kanal für Kapital und Preisbildung. Jede Ära liefert historische Daten aus einer Version des Marktes, die so nicht mehr existiert, das Nichtstationaritätsproblem, das im Kern jedes quantitativen Prognoseversagens steht.
Backtest-Overfitting verschärft das Problem. Mehr Modellvariationen auszuprobieren erhöht die Wahrscheinlichkeit, durch Zufall ein hervorragendes historisches Ergebnis zu finden, und den Gewinner auszuwählen, während die gescheiterten Versuche verborgen werden, erzeugt das, was David Bailey und seine Koautoren als Wahrscheinlichkeit des Backtest-Overfittings formalisiert haben. Unter den begutachteten Papieren, die Baquero untersuchte, bewertete keines denselben Ansatz über mehrere nicht überlappende Holdout-Fenster, die unterschiedliche Phasen abdecken. Eine einzelne chronologische Aufteilung bietet wenig Schutz, da ein Forscher bis 2020 trainieren und 2021 evaluieren kann, was ein scheinbar echtes Out-of-Sample-Ergebnis liefert, das einen Großteil seiner Leistung einem einzigen Bullenmarkt verdankt.
Marktauswirkungen
Das Ergebnis hat direkte Auswirkungen auf die Bewertungen, die Privatanleger tatsächlich nutzen.
Häufig gestellte Fragen
-
Was hat das Preprint der Universität Porto zur Bitcoin-Kursprognose ergeben?
Carlos Baqueros Übersichtsarbeit aus dem Mai 2026 untersuchte 23 begutachtete Bitcoin-Prognosepapiere, die nach Methoden, Einfluss oder echter Out-of-Sample-Bewertung ausgewählt wurden. Keines zeigte eine dauerhafte Überlegenheit gegenüber dem passenden naiven Benchmark auf Horizonten von einem bis sechs Monaten über…
-
Warum schlagen naive Prognosen komplexe Modelle bei Bitcoin?
Finanzpreise sind persistent, sodass ein Modell, das bei einem heutigen Bitcoin-Kurs von $100,000 für morgen $100,100 vorhersagt, einen winzigen prozentualen Fehler erzeugt und dabei fast nichts über Richtung oder Rendite lernt. Puoti, Pittorino und Roveri bestätigten dies empirisch: Einfache naive Modelle schlugen…
-
Was ist Backtest-Overfitting und warum ist es für Krypto-Modelle relevant?
Backtest-Overfitting, formalisiert von David Bailey und Koautoren, beschreibt die erhöhte Wahrscheinlichkeit, durch Zufall ein hervorragendes historisches Ergebnis zu finden, wenn Forscher viele Modellvariationen ausprobieren. Den Gewinner auszuwählen, während gescheiterte Versuche verborgen werden, erzeugt eine…
-
Prognostizieren Stock-to-Flow- und Metcalfe-Modelle den Bitcoin-Kurs?
Alexander Sheltons begutachtete Untersuchung aus dem Jahr 2024 ergab, dass Stock-to-Flow- und Metcalfe-Variablen Bitcoin-Renditen in der Stichprobe erklärten, aber außerhalb der Stichprobe nur begrenzte oder keine Vorhersagekraft boten. Sobald Zeiteffekte in die Stock-to-Flow-Regression einflossen, verschwand ihre…
-
Was würde ein ehrlicher Bitcoin-Prognosestandard erfordern?
Baqueros Übersichtsarbeit umreißt mehrere Anforderungen: Den naiven Benchmark neben jedem Modell veröffentlichen, jede Marktphase getrennt ausweisen statt als einzelnen aggregierten Fehler, Handelskosten einbeziehen, öffentlichen Code und Daten zur Reproduzierbarkeit freigeben sowie offenlegen, wie viele…
Whale Alert
Lookonchain
WuBlockchain
Crypto Rank News