Ein neuronales Netz, das den Orderflow denkt

Der Unterschied zwischen einem Regel-basierten Trading-System und einem lernenden System ist fundamental. Regeln sind statisch: sie funktionieren, bis der Markt ihren Annahmerahmen verlässt. Ein lernendes System passt sich an. Die CORTEX Neural Engine ist ein solches System — ein Long-Short-Term-Memory-Netzwerk (LSTM), das tick-genau aus dem Orderbuch des E-mini S&P 500 und verwandter Futures-Kontrakte lernt.

Dieser Artikel erklärt, wie CORTEX technisch aufgebaut ist, wie sich die Engine vom klassischen Reversal-AI-Scanner unterscheidet, was Reinforcement Learning im Trading-Kontext praktisch bedeutet — und warum ein LSTM-Modell mit Regime-Adaption für Orderflow-Daten besser geeignet ist als übliche Machine-Learning-Ansätze.

Warum ein LSTM für Orderflow?

Klassische Machine-Learning-Modelle — Random Forests, Gradient Boosting, XGBoost — sind memoryless. Sie betrachten jede Sekunde als unabhängige Beobachtung. Für Orderflow ist das fatal. Orderflow ist ein sequenzieller Prozess: die Bedeutung einer einzelnen Market-Order hängt davon ab, was in den 200 Millisekunden davor im Buch passiert ist.

LSTM-Netzwerke (Long Short-Term Memory) sind genau für solche Sequenzdaten entwickelt. Sie besitzen interne Speicherzellen, die Zustände über Zeiträume von Sekunden bis Minuten behalten und selektiv vergessen. Eine Preis-Bewegung in Verbindung mit einem sich aufbauenden Iceberg und einem parallel einsetzenden Delta-Shift wird als Sequenz erkannt — nicht als drei zusammenhangslose Ereignisse.

LSTMs dominieren seit 2015 in der Sprachverarbeitung, weil Sprache ebenfalls sequenziell ist. Institutionelle Quant-Desks nutzen LSTM-Varianten seit etwa 2018 für Market-Making. Für Retail-Orderflow-Tools sind lernende Sequenzmodelle bis dato unüblich — hier liegt der eigentliche Hebel.

CORTEX verarbeitet einen 10-dimensionalen Feature-Vektor pro Zeitschritt: kumulatives Delta, Bid/Ask-Druck-Ratio, Orderbuch-Schieflage, Iceberg-Count, Spoof-Count, HTF-ATR, HTF-Trend-Score, Session-Phase, Regime-Tag und eine Preis-Differenzen-Reihe. Diese zehn Dimensionen werden in einem dreischichtigen LSTM verrechnet, gefolgt von einer Dense-Schicht mit Softmax-Output für die drei Klassen LONG / SHORT / NEUTRAL plus drei Regressions-Outputs für Confidence, Accuracy, Reversal-Phase.

CORTEX vs. Reversal AI Scanner — zwei unterschiedliche Netze

Auf der Produktseite existieren zwei KI-basierte Komponenten. Die Abgrenzung ist wichtig, weil beide unterschiedliche Aufgaben lösen:

Kurz: Der Reversal AI Scanner ist ein Alarmgeber. CORTEX ist ein Entscheidungssystem. Beide können parallel laufen — der Scanner liefert Regime-Hinweise, CORTEX trifft die Entscheidung.

Die drei Kern-Komponenten

Reinforcement Learning — was es im Trading wirklich bedeutet

Der Begriff "Reinforcement Learning" (RL) wird im Trading oft falsch verwendet. Bei CORTEX ist die Implementierung transparent und pragmatisch: Jeder geschlossene Trade erzeugt ein Label (Gewinn, Verlust, Breakeven) und eine Signal-Kombination. Die aktive Kombination wird in einer gewichteten Tabelle gespeichert — strategy_learn.json.

Wenn ein Signal-Paar wie Spoof_NEUTRAL in den letzten 50 Trades 65 Prozent Gewinnrate hatte, erhält die Kombination einen Multiplikator von 1.19. Ein Paar mit 35 Prozent Trefferquote fällt auf 0.82. Beim nächsten Entry-Scan werden diese Multiplikatoren auf die LSTM-Confidence angewendet — das Netz lernt also nicht direkt, aber seine Ausgaben werden kontextabhängig kalibriert.

Pretrained Model — der Kaltstart-Vorteil

Ein untrainiertes RL-System braucht in der Regel 200 bis 500 echte Trades, um stabile Gewichte zu bilden. Das ist für den Einzel-Trader unwirtschaftlich. CORTEX liefert daher eine vortrainierte Gewichtsdatei aus, die auf knapp 200 realen ES-Trades unter echten Marktbedingungen (Q1 2026, volle Session-Abdeckung, keine Simulation) erzeugt wurde.

Wer die Strategy zum ersten Mal aktiviert, startet nicht bei Null, sondern übernimmt diese vortrainierten Weights. Ab dem ersten eigenen Trade werden die Gewichte dann personalisiert — jeder Trader formt sein eigenes Modell weiter. Die Import-Funktion ist in Pro ab Build 33 direkt im UI verfügbar (File-Picker mit Sicherheits-Backup).

Integration — wie CORTEX mit der NT8-Strategy spricht

Die Engine läuft nicht innerhalb von NinjaTrader. Stattdessen ist sie ein Modul der OrderFlowAi-Pro-Desktop-App, das in Echtzeit Signale über eine JSON-Bridge an die NT8-Strategy OrderFlowAiStrategy.cs sendet. Die Strategy kombiniert diese Signale mit ihrer eigenen regelbasierten Logik (8 unabhängige Signalquellen, Score-basiert).

Das Schlusswort hat immer die Strategy — CORTEX liefert Direction-Bias und Confidence, nicht den Execution-Befehl. Die Strategy entscheidet auf Basis von MinScore, MinAIConf, Regime, Session-Phase und ATR-Spike-Schutz. Dieses Zwei-Stufen-Design ist bewusst konservativ gewählt, damit ein einzelnes fehlerhaftes KI-Signal nicht direkt zu einem Trade führt.

Signal-Protokoll (vereinfacht)

{
  "aiDir": "LONG",
  "aiConf": 72,
  "aiAcc": 0.64,
  "aiRevPhase": 0,
  "aiLongProb": 0.72,
  "aiShortProb": 0.18,
  "regime": "TRENDING",
  "timestamp": 1713441254812
}

Die Strategy prüft bei jedem Entry-Kandidaten das timestamp-Feld — ist das Signal älter als 30 Sekunden, wird es verworfen (Staleness-Check). Dies verhindert, dass veraltete KI-Ausgaben bei neuen Marktzuständen Trades auslösen.

Was CORTEX NICHT ist

Wichtiger als Marketing-Claims ist die ehrliche Abgrenzung:

• Kein ChatGPT-Wrapper. CORTEX nutzt kein Large Language Model. Es ist ein dediziertes LSTM mit numerischen Inputs und numerischen Outputs.
• Kein Black-Box-Orakel. Jeder Input, jede RL-Gewichtung und jedes Signal ist im Journal nachvollziehbar. Der Learn-State lässt sich als JSON exportieren und inspizieren.
• Keine Profit-Garantie. Auch ein lernendes System kann Verluste erzeugen. CORTEX verbessert die durchschnittliche Signalqualität — nicht die individuelle Trade-Ausgang.
• Kein Autonomer Bot ohne Kontrolle. Alle Auto-Trades laufen über die NT8-Strategy mit Session-Guards, Max-Consecutive-Loss-Stop und Pause-Funktion.

Häufige Fragen

Weiterführende Artikel