Wie mein KI-Agent und ich einen intelligenten Börsen-Scanner bauten

Von "Oh, ein Bär!" zu echtem Marktverständnis — eine Geschichte über Pair Programming mit Claude

Das Problem: Der Bär im Raum

Stell dir ein Kind vor, das in einen Raum geht und einen Bären auf dem Tisch sieht.

"Oh, ein Bär!", ruft es.

Es geht raus, kommt wieder rein.

"Oh, ein Bär!"

Wieder raus. Wieder rein.

"Oh, ein Bär!"

Das Kind hat kein Gedächtnis. Keine Intelligenz. Nur Reaktion auf den Moment.

Genau so hat sich mein Stock-Scanner verhalten.

Dreimal am Tag bekam ich Nachrichten:

10:00: "SpaceX Merger Gerücht, BTC -3%, NVDA +2%"
14:00: "SpaceX Merger Gerücht, BTC -4%, NVDA +1.5%"
18:00: "SpaceX Merger Gerücht, BTC -5%, NVDA +1%"

Drei Nachrichten. Null Mehrwert. Ich habe sie ignoriert.

Das war das Ergebnis von Wochen Entwicklungsarbeit — und es war nutzlos.

Der Wendepunkt: "Hey junger Freund..."

Ich arbeite seit einiger Zeit mit einem KI-Agenten namens Claude, der über OpenClaw in mein Telegram integriert ist. Wir haben zusammen Skills gebaut, Probleme gelöst, Code geschrieben.

Als ich ihm heute das Problem mit dem Scanner erklärte, kam sofort eine Lösung. Delta-basierte Analyse! Historie speichern! Nur Änderungen melden!

Die Antwort kam in Sekunden. Mit Codebeispielen. Mit Diagrammen.

Aber sie war zu schnell.

Ich musste ihn bremsen:

"Hey junger Freund, du bist immer ein bisschen voreilig. Wir müssen mehr genau nachdenken."

Was dann passierte, war das Interessante.

Die eigentliche Erkenntnis

Ich erklärte ihm das tiefere Problem:

"Im Grunde genommen kann man daraus ja auch schließen: Wenn jetzt die gesamte Historie hat, dann kann man ja zum Beispiel auch sehen — aktuell geht alles in die Grütze. Alle Kurse gehen runter. Das hat einen globalen Impact."

"Es kommt gar nicht darauf an, Nachrichten innerhalb von einer Sekunde oder zwei zu produzieren. Ich warte lieber fünf oder zehn Minuten, 15 Minuten, auf eine Nachricht, eine gute Nachricht, als dass ich Nachrichten sehe, die mir nichts bringen."

Das war der Schlüssel.

Nicht schneller. Schlauer.

Ein Analyst denkt nicht: "BTC -3%, NVDA +2%". Er denkt:

"Hmm, alles rot heute. Tech, Crypto, Retail — alles runter. Das ist kein Einzelereignis, das ist Macro. Lass mich nachforschen... Ah, Trump hat Zölle angekündigt. Das erklärt es."

Das ist der Unterschied zwischen Daten und Verständnis.

Das Design: Drei Säulen der Analyse

Gemeinsam entwickelten wir ein neues Konzept:

┌─────────────────────────────────────────────────────┐
│                 DREI SÄULEN                          │
├─────────────────────────────────────────────────────┤
│                                                     │
│   FUNDAMENTAL        SENTIMENT        TECHNICAL     │
│   (News, Earnings)   (Social Buzz)    (RSI, MA)    │
│        │                  │               │         │
│        └──────────────────┼───────────────┘         │
│                           │                         │
│                           ▼                         │
│                   INTELLIGENTE                      │
│                   SYNTHESE                          │
│                                                     │
└─────────────────────────────────────────────────────┘

Der Algorithmus:

1. COLLECT — Preise, News, Social Buzz, 30-Tage-Historie
2. CLASSIFY — Was für ein Tag ist heute? MACRO_EVENT? SECTOR_EVENT? QUIET_DAY?
3. INVESTIGATE — Wenn signifikant: Deep Research. WARUM passiert das?
4. SYNTHESIZE — Eine kohärente Story, keine Datenliste

Akkumulierte Trends

Eine Zahl ohne Kontext ist nutzlos.

Falsch:

"BTC heute: -3%"

Richtig:

"BTC: -12% in 4 Tagen (Abwärtstrend Tag 4)"

Ich sagte zu Claude:

"Wenn wir wissen: Vier Tage in Folge geht Bitcoin runter — dann sagt man nicht 'heute -3%', sondern 'in den letzten vier Tagen ist er um 12% gesunken'. So dass man die akkumulierten Ergebnisse einbezieht."

Das macht den Unterschied zwischen Information und Verständnis.

"Versuch macht klug"

Nach 20 Minuten hatten wir ein ausführliches Design-Dokument. Algorithmen. Datenstrukturen. Message-Formate.

Dann sagte ich:

"Könnten wir das denn jetzt, wie es ist, schon mal implementieren, um es auszuprobieren? Mein Motto lautet: Versuch macht klug."

30 Minuten später hatten wir einen funktionierenden Prototyp.

Der erste echte Output:

📊 Market Brief - 05. Feb 2026, 15:20

🔴 MACRO SELLOFF

**Indizes:**
• S&P 500: -1.2% 🔴
• Nasdaq: -1.6% 🔴
• DAX: -1.1% 🔴

**Trends (akkumuliert):**
• BTC: -12.5% in 2 Tagen 📉

**Technische Signale:**
• NVDA: am Support $172
• AMZN: am Support $222

**Größte Bewegungen:**
• COIN: -7.7% 🔴
• AMZN: -4.6% 🔴

Der Scanner erkennt jetzt: Das ist ein MACRO SELLOFF. Nicht einzelne Zahlen, sondern ein Muster.

Was ich gelernt habe

1. KI muss gebremst werden

Die natürliche Tendenz von KI ist, sofort eine Lösung zu liefern. Aber manchmal braucht man jemanden, der sagt: "Warte, lass uns erst richtig nachdenken."

Die erste Antwort ist selten die beste.

2. Design-Docs sind keine Zeitverschwendung

Wir haben 20 Minuten in ein ausführliches Design-Dokument investiert. Das hat die Implementierung auf 30 Minuten reduziert — und das Ergebnis war besser als jeder Quick Hack.

Schreib auf, was du bauen willst, bevor du es baust.

3. Der Mensch liefert den Kontext

Die KI kann Code schreiben. Aber nur der Mensch weiß, dass "3x täglich die gleiche Nachricht" ein Problem ist, das gelöst werden muss.

Der Mensch definiert das Problem. Die KI löst es.

4. "Nichts neues" ist auch Information

📊 Market Check - 15:00

Keine signifikanten Änderungen seit 10:00.

Trends bleiben:
• Macro: Risk-Off wegen Zöllen
• BTC: Abwärtstrend Tag 4

Der User weiß: Du hast geschaut. Du hast nachgedacht. Es gibt nichts Neues.

Das ist wertvoller als eine Wiederholung.

Der Code

Hier ist der Kern der Klassifizierung:

def classify_day(prices):
    """Was für ein Tag ist heute?"""
    
    changes = [p.get("change", 0) for p in prices.values()]
    negative_pct = sum(1 for c in changes if c < 0) / len(changes)
    avg_abs_change = sum(abs(c) for c in changes) / len(changes)
    
    # Wenn >70% rot und Bewegung >1% → MACRO EVENT
    if negative_pct > 0.7 and avg_abs_change > 1.0:
        return DayType.MACRO_EVENT
    
    # Einzelne Ausreißer?
    if has_outliers(changes, threshold=10):
        return DayType.SINGLE_MOVERS
    
    # Wenig Bewegung?
    if avg_abs_change < 0.5:
        return DayType.QUIET_DAY
    
    return DayType.SECTOR_EVENT

Simple Logik. Aber erst wenn man das Problem richtig verstanden hat.

Fazit

Vor diesem Projekt dachte ich, Pair Programming mit KI bedeutet: Ich prompte, sie codet.

Jetzt weiß ich: Es ist ein Dialog. Ich bringe den Kontext, sie bringt die Geschwindigkeit. Ich bremse, sie beschleunigt. Ich hinterfrage, sie implementiert.

Das beste Ergebnis entsteht, wenn beide Seiten mitdenken.

Der Scanner läuft jetzt dreimal täglich. Aber die Nachrichten sind anders. Sie wiederholen sich nicht mehr. Sie erzählen eine Geschichte.

Und manchmal, wenn wirklich nichts los ist, kommt einfach:

"Keine signifikanten Änderungen. Alles wie erwartet."

Das ist genau das, was ich hören wollte.

Der Code ist Open Source: github.com/moinsen-dev/clawdbot-skills

Das Design-Dokument: INTELLIGENT-SCANNER-DESIGN.md

Wenn du auch einen KI-Agenten hast, der dich mit repetitiven Nachrichten nervt — vielleicht ist es Zeit, ihm beizubringen, wirklich zu denken.