Market-Making lebt nicht von der großen KI-Idee. Market-Making lebt von Mikrostruktur. Wer einen LLM-basierten Signalgenerator vor einen simplen Spread-Algorithmus setzt, bekommt in liquiden Titeln brauchbare Ergebnisse. Im dünnen Orderbuch bekommt er Verluste. Dieser Artikel zeigt, warum das so ist und wie Sie LLMs mit klassischen Modellen kombinieren.
Warum LLMs im dünnen Orderbuch scheitern
LLMs sind probabilistische Sprachmodelle. Sie berechnen die Wahrscheinlichkeit des nächsten Tokens. Das ist kein Nachteil, solange Sie Textaufgaben lösen: News interpretieren, Quartalsberichte zusammenfassen, Sentiment bewerten. Es wird zum Problem, wenn Sie aus diesen Textwahrscheinlichkeiten direkt Marktpreise ableiten.
Ein dünnes Orderbuch verlangt eine andere Rechnung. Sie brauchen Antworten auf Fragen wie: Wie viele Stücke liegen auf jeder Seite? Wie schnell ziehen Orders ab? Wie groß ist mein aktueller Bestand? Wie hoch ist die Wahrscheinlichkeit, dass die nächste Order gegen mich läuft? Ein LLM beantwortet keine dieser Fragen zuverlässig. Es kennt keine Orderbuch-Tiefe, keinen Spread-Sprung nach einem Trade, keinen Adverse-Selection-Druck. Es sieht nur Token.
Nehmen wir ein typisches Beispiel. Ein Prop-Desk handelt einen österreichischen Nebenwert mit durchschnittlich 60 Trades pro Tag. Das LLM liest eine positive Ad-hoc-Meldung und berechnet: fairer Wert 41,50. Der Spread-Algorithmus stellt 41,45 zu 41,55. Beide Seiten werden sofort abgegräumt, weil das sichtbare Orderbuch nur 300 Stück pro Seite hat. Danach läuft der Kurs auf 42,20, der Desk bleibt auf der falschen Seite sitzen. Das LLM hatte die Nachricht richtig verstanden. Es hatte nur keine Ahnung vom Orderbuch.
Dazu kommt Latenz. Ein General-Purpose-LLM braucht für eine Antwort oft 300 bis 800 Millisekunden. Feintuning und kleinere Modelle drücken das auf 100 bis 200 Millisekunden. Im dünnen Orderbuch entscheidet sich die Lage trotzdem in Sekundenbruchteilen. Bis das Signal verarbeitet ist, haben andere Marktteilnehmer die Quote bereits verschoben oder die verfügbare Liquidität abgeschöpft. Das Kontextfenster hilft auch nicht. Sie können dem Modell nicht die gesamte Tick-Historie mitgeben. Sie müssen auswählen. Genau diese Auswahl ist eine mikrostrukturelle Entscheidung, die ein klassisches Modell besser trifft.
Mikrostruktur-Grundlagen: Was der Algorithmus wirklich braucht
Was der Algorithmus wirklich braucht, ist keine Sprachkompetenz, sondern ein formales Verständnis von Preisbildung. Die Klassiker liefern das seit Jahrzehnten.
Avellaneda-Stoikov ist das Arbeitspferd für inventory-bewusstes Market-Making. Das Modell beschreibt, wie ein Market-Maker seine Quote in Abhängigkeit von drei Größen setzt: Restlaufzeit, Volatilität und aktuellem Bestand. Je größer der Bestand auf einer Seite, desto stärker verschiebt sich der Reservationspreis. Je riskanter der Titel, desto breiter der Spread. Im dünnen Orderbuch passiert genau das, was das Modell abbildet: Wenig öffentliche Liquidität heißt mehr Inventory-Risiko.
Das Roll-Modell schätzt den effektiven Spread aus seriellen Preisänderungen. Glosten-Milgrom erklärt, warum der Spread eine Prämie gegen Adverse Selection ist. Wer in illiquiden Titeln zu eng stellt, bezahlt Informationshändler. Wer zu breit stellt, verdient nichts. Diese Abwägung ist quantitativ. Sie hängt an Orderbuch-Tiefe, Transaktionskosten und der Wahrscheinlichkeit, dass die nächste Order informiert ist.
Typische Kennzahlen für dünne Titel sehen anders aus als für Blue Chips. Stellen Sie sich einen deutschen Small Cap vor. Das Buch zeigt auf der Kaufseite 1.200 Stück über vier Preisstufen, auf der Verkaufsseite 900 Stück über drei Stufen. Der durchschnittliche Trade ist 400 Stück. Ein einzelner Marktteilnehmer kann den Preis mit einer Order um mehrere Basispunkte bewegen. In so einer Situation ist die Spread-Breite kein Marketingproblem. Sie ist eine Risikoprämie.
In liquiden Titeln ist ein Spread von 0,5 Basispunkten tragbar. In dünnen Titeln kann der faire Spread je nach Bestand, Volatilität und Handelsfrequenz bei 20, 50 oder 100 Basispunkten liegen. Ein Algorithmus, der diese Bestandsabhängigkeit nicht abbildet, verliert genau dann, wenn das Buch dünn wird.
Hybrid-Ansatz: LLM + klassisches Modell
Der sinnvolle Weg ist die Hybridisierung. Das LLM liefert, was klassische Modelle nicht können: unstrukturierte Information in ein Signal verwandeln. Das klassische Modell liefert, was das LLM nicht kann: aus Signal und Bestand eine überlebensfähige Quote bauen.
Die Arbeitsteilung ist klar. LLM für Text: News, Research, Sentiment, Event-Erkennung. Klassisches Modell für Preis, Spread und Bestand.
Ein häufiges Muster sieht so aus. Ein Desk handelt europäische Mid-Cap-Aktien. Das LLM beobachtet Ad-hoc-Meldungen, Analystenkommentare und Unternehmensnachrichten. Es klassifiziert den Newsflow als positiv, positiv überraschend oder neutral. Dieses Signal wird nicht direkt in eine Quote übersetzt. Es wird als Parameter in das Avellaneda-Stoikov-Modell übergeben. Das Modell verschiebt den Reservationspreis nach oben oder unten und passt die Spread-Breite an den aktuellen Bestand an.
Beispielhaft: Das LLM erkennt einen positiven Ausblick eines Zulieferers. Das Signal ist stark. Der Desk hält aktuell 2.000 Stück auf der Long-Seite. Das Modell hebt den Reservationspreis moderat an und verbreitert den Spread auf der Verkaufsseite. Der Desk will nicht sofort den gesamten Bestand verkaufen. Er will den erwarteten Preisanstieg nutzen und gleichzeitig das Risiko begrenzen. Ohne LLM würde das Modell den Newsflow erst nach der Kursreaktion sehen. Ohne Avellaneda-Stoikov würde der Desk zu eng stellen oder zu spät reagieren.
Praktisch brauchen Sie drei Schichten. Die Signal-Erzeugung läuft asynchron. Sie sammelt Textquellen, normalisiert sie und erzeugt einen News-Score mit Konfidenz. Die Modell-Update-Schicht übersetzt diesen Score in Parameter: Drift des fairen Werts, Anpassung der Volatilitätsannahme, Bestandsgrenzen. Die Quotierungs-Engine ist klassisch. Sie nutzt diese Parameter, liest das Orderbuch und stellt verbindliche Quotes. Nur diese dritte Schicht spricht mit der Börse.
Durch diese Trennung gewinnen Sie Robustheit. Wenn das LLM ausfällt oder halluziniert, quotieren Sie weiter mit den letzten konservativen Parametern. Wenn das Orderbuch dünn wird, reagiert das klassische Modell in Mikrosekunden. Wenn eine Nachricht kommt, verbessert das LLM die Einschätzung des fairen Werts. Setzen Sie dem LLM enge Grenzen. Es darf kein Preisniveau ausgeben. Es darf nur einen Score ausgeben. Das zwingt das System, die Preisverantwortung beim klassischen Modell zu lassen.
Praktische Implementierungsschritte für Prop Desks
Für Prop Desks und Handelshäuser ist die Umsetzung kein reines KI-Projekt. Es ist ein Mikrostruktur-Projekt mit einer KI-Komponente.
Schritt 1: LLM-Auswahl. General-Purpose-Modelle reichen für das erste Prototyping. Für den Produktivbetrieb sollten Sie spezialisierte Finanzmodelle oder feingetunte Modelle wählen. Wichtig sind Latenz, Kosten pro Token und die Fähigkeit, strukturierte Ausgaben im JSON-Format zu liefern. Manche Modelle sind für Sentiment-Klassifikation optimiert, andere für lange Research-Dokumente. Wählen Sie nach Signaltyp, nicht nach Benchmark-Listen.
Schritt 2: Dateninfrastruktur. Sie brauchen saubere Tick-Daten, Orderbuch-Snapshots und einen zuverlässigen News-Feed. Die Zeitstempel müssen synchron sein. Ein LLM-Signal, das eine Sekunde zu spät kommt, ist wertlos. Ich sehe in Projekten häufig das Problem, dass Textfeeds andere Latenzen haben als Marktdaten. Genau diese Differenz zerstört Backtests.
Schritt 3: Kalibrierung und Backtesting. Simulieren Sie dünne Orderbücher realistisch. Das heißt: begrenzte Tiefe, Ausführungsverzögerung, Preisschlupf, Orderlatenz. Ein Backtest, der annimmt, dass Sie immer zum Quotepreis handeln, lügt. Kalibrieren Sie das Avellaneda-Stoikov-Modell mit historischen Daten. Verwenden Sie Walk-Forward-Validierung, damit Sie nicht auf wenige volatile Phasen overfitten.
Schritt 4: Latenz-Budget. Fragen Sie nicht, ob KI schnell genug ist. Fragen Sie, welche Entscheidungen Mikrosekunden brauchen und welche Millisekunden oder Sekunden vertragen. Quote-Anpassung an das Orderbuch: Mikrosekunden. Anpassung an News: Millisekunden bis Sekunden. Der LLM-Signalpfad gehört in den Sekundenbereich. Wenn Sie versuchen, ein General-Purpose-LLM in den kritischen Pfad zu zwingen, verlieren Sie gegen jeden klassischen Konkurrenten.
Schritt 5: Monitoring. Überwachen Sie Drift. Der News-Score kann sich ändern, wenn sich Sprache, Ticker oder Meldungsformate ändern. Das klassische Modell kann schleichend aus dem Kalibrierungsbereich laufen. Richten Sie Schwellwerte ein: Spread-Verhalten, Fill-Ratio, Adverse-Selection-Kosten, Bestandsvariation. Wenn sich zwei Kennzahlen gleichzeitig verschlechtern, schalten Sie auf konservative Parameter zurück.
Fallstricke und Risiken
Die Risiken sind real. LLMs halluzinieren. Das ist im Trading gefährlicher als in einem Chatbot, weil der Markt sofort abstraft. Ein LLM kann eine Nachricht falsch zuordnen, den falschen Emittenten erkennen oder eine plausible, aber frei erfundene Marktinterpretation liefern. Wenn diese Interpretation als News-Score in die Quote fließt, entsteht ein Fehlpreis.
Overfitting ist ein zweites Problem. Illiquide Märkte haben wenige Ereignisse. Historische Daten sind dünn. Wer ein Modell auf 20 Nachrichtenereignisse kalibriert, findet Muster, die es nicht gibt. Genau deshalb ist der Hybrid-Ansatz so wertvoll. Das klassische Modell stellt auch ohne Nachrichten eine vernünftige Quote. Das LLM liefert nur einen Zuschlag. Wenn der Zuschlag falsch ist, begrenzt das klassische Modell den Schaden.
Regulatorisch wird KI-gesteuertes Trading strenger. MiFID II verlangt für algorithmischen Handel unter anderem Kontrollen, Notfallabschaltungen und belastbare Tests. Der EU AI Act greift, wenn das System als Hochrisiko eingestuft wird oder eine automatisierte Entscheidung mit rechtlicher Wirkung trifft. Für Prop Desks heißt das: Dokumentieren Sie, welche Daten in das LLM fließen, wie das Signal verarbeitet wird und wer die Verantwortung trägt. Die BaFin, FMA und FINMA schauen bei algorithmischem Handel genau hin. Wer eine Blackbox betreibt, bekommt im Audit ein Problem.
Technische Fallstricke kommen dazu. API-Kosten steigen mit der Anzahl der analysierten Nachrichten. Rate-Limits bremsen Echtzeit-Signale. Das Kontextfenster zwingt Sie, zu filtern. Ich halte nichts davon, das LLM als Echtzeit-Komponente direkt an die Börse zu hängen. Das ist technisch verführerisch, aber operativ eine schlechte Idee.
Fazit: Hybridisierung statt Ersatz
LLMs ersetzen keine Mikrostruktur-Modelle. Sie ergänzen sie. Wer Avellaneda-Stoikov nicht versteht, kann mit LLM-Signalen trotzdem Geld verlieren. Wer Avellaneda-Stoikov beherrscht und LLMs als Nachrichten-Interpreter einsetzt, bekommt einen zusätzlichen Informationsvorsprung.
Die Erfolgsformel ist einfach. Klassisches Modell als Fundament. LLM als Signalquelle. Dazwischen eine saubere Schnittstelle. Nicht umgekehrt.
Der nächste sinnvolle Schritt sind Multi-Agenten-Systeme. Ein Agent für Nachrichten, einer für Orderbuch-Analyse, einer für Quote-Entscheidungen. Der Vorteil liegt nicht in der Anzahl der Agenten, sondern in der Entkopplung. Jeder Agent hat eine klare Aufgabe und ein klares Fehlerbudget. Wer das jetzt sauber aufbaut, kann dünne Orderbücher handeln, ohne bei jeder Marktphase zu zittern.