
KI-Prognose: Kann Timestral den Bitcoin vorhersagen?
Wir haben Timestral, die Prognose-KI von Mistral, mit acht Jahren Bitcoin-Daten getestet. Den Preis trifft sie nicht, das Handelsvolumen dagegen schon.
Kann eine KI-Prognose den Bitcoin vorhersagen? Wir haben die Frage Timestral gestellt, dem Prognosemodell, das Mistral AI am 15. Oktober 2026 veröffentlicht hat, drei Tage nach seinem Erscheinen. Auf Basis von acht Jahren Binance-Kursdaten haben wir es um 68.252 stündliche Preisprognosen und knapp 70.000 Prognosen des Handelsvolumens gebeten, jede davon ohne Kenntnis des weiteren Verlaufs. Nach unserem Wissen ist das der erste unabhängige Test des Modells.
Das Ergebnis passt in einen Satz. Timestral sagt den Bitcoin-Preis nicht vorher: 2026 liefert kein getestetes Modell, ob KI oder klassisch, eine bessere Prognose als die Annahme, dass sich der Preis nicht bewegt. Das Volumen, das am nächsten Tag gehandelt wird, sagt es dagegen besser voraus als alle anderen, und das jedes Jahr seit 2019.
Der Grund reicht über Kryptowährungen hinaus. Ein Prognosemodell schreibt die Struktur einer Zeitreihe fort: ihre Trägheit, ihre Saisonalitäten, ihre Regimewechsel. Der Preis eines liquiden Marktes hat keine verwertbare Struktur, das Volumen sehr viel. Und in einem Unternehmen ähneln die meisten Reihen, die prognostiziert werden sollen, dem Volumen.
Wie haben wir Timestral getestet?
Timestral ist eine Familie von vier Foundation Models für Zeitreihen mit 5 bis 209 Millionen Parametern, deren Gewichte und Code öffentlich sind. Man gibt dem Modell die Historie einer Zahlenreihe, und es liefert eine Prognosespanne, ohne vorheriges Training auf den Daten des Nutzers. Mistral beansprucht den ersten Platz in drei öffentlichen Benchmarks, hat aber noch keinen technischen Bericht veröffentlicht.
Wir haben Bitcoin gewählt, weil es eine stark beobachtete, sehr liquide Finanzzeitreihe ist, deren Historie öffentlich und überprüfbar ist. Die Daten sind die 15-Minuten-Kerzen des Paares BTC/USDT auf Binance vom 1. Januar 2018 bis zum 17. Oktober 2026: 307.811 Kerzen. Vier Fragen wurden gestellt: der Preis in 1 Stunde, der Preis in 24 Stunden, das Handelsvolumen in der nächsten Stunde und das Volumen des nächsten Tages.
Jede Prognose sieht nur die Vergangenheit. Der Preis wird zu jeder vollen Stunde von 2019 bis Oktober 2026 prognostiziert, also 68.252 Prognosen; das Volumen 66.487-mal auf Stundenbasis und 2.587-mal auf Tagesbasis. Die klassischen Modelle werden jedes Jahr neu trainiert: Das Jahr 2023 zum Beispiel wird von einem Modell prognostiziert, das nur 2018 bis 2022 gesehen hat. Das Jahr 2026 dient als Schiedsrichter, weil es das jüngste ist und am wenigsten wahrscheinlich in den Trainingsdaten von Timestral steckt, die Mistral nicht veröffentlicht hat.
Die vier Größen von Timestral wurden unverändert getestet, ohne Feinabstimmung, mit Historien von 7 Tagen bis zu einem Jahr. Die Berechnung dauerte etwa 12 Stunden auf einem Laptop ohne Grafikkarte. Der Code der Studie ist nicht öffentlich; der PDF-Bericht beschreibt die gesamte Methode im Detail.
Die Vergleichsmaßstäbe
Eine Prognose ist nur im Vergleich etwas wert. Wir haben Timestral gegen drei Familien von Konkurrenten antreten lassen:
| Familie | Beispiele | Rolle |
|---|---|---|
| Naive Referenzen | „der Preis bewegt sich nicht“, „wie in der letzten Periode“, „gleicher Tag in der Vorwoche“ | Das Minimum, das es zu schlagen gilt |
| Einfache statistische Modelle | exponentielle gleitende Durchschnitte, mit Stunden- oder Wochenprofil | Was ein Analyst in einer Stunde baut |
| Trainierte Modelle | lineare und Ridge-Regressionen, jährlich neu trainiert | Die beste klassische Methode für jede Frage |
Die erste Zeile ist keine Karikatur. In der Prognostik ist die naive Methode, die laut dem Standardlehrbuch von Rob Hyndman und George Athanasopoulos darin besteht, die letzte Beobachtung als Prognose zu verwenden, oft schwer zu schlagen. Für den Preis eines Finanzwerts hat sie einen Namen: Random Walk.
Kann Timestral den Bitcoin-Preis vorhersagen?
Nein: Auch mit KI bleibt der Preis unvorhersehbar. 2026 liegen bei 6.957 Prognosen auf eine Stunde sieben von acht Timestral-Konfigurationen weiter daneben als „der Preis bewegt sich nicht“, mit 0,28 % bis 0,93 % mehr Fehler. Die beste, das Modell mit 209 Millionen Parametern und drei Wochen Historie, spielt unentschieden. Die jährlich neu trainierten Regressionen schneiden jedes Jahr schlechter ab. Auf 24 Stunden ist es noch deutlicher: Alle Timestral-Konfigurationen schneiden schlechter ab als „Preis unverändert“, in jedem Jahr von 2019 bis 2026.
Die Trefferquote bei der Richtung bleibt um 50 %, also auf dem Niveau eines Münzwurfs. Die Daten erklären, warum: 2026 hat die Rendite der nächsten 24 Stunden praktisch keinen Zusammenhang mit der der vergangenen 24 Stunden (Rangkorrelation von +0,001). Es gibt nichts fortzuschreiben.
Früher etwas genauer, seit 2025 nicht mehr
In der Vergangenheit war Timestral allerdings etwas genauer als eine Prognose „nichts ändert sich“: Zwischen 2019 und 2024 schlug das Modell mit 209 Millionen Parametern den Random Walk in jedem Jahr, um 0,14 % bis 0,57 %. Statistisch ist der Effekt real. Das Modell nutzte eine leichte Gegenbewegung kleiner Ausschläge: Stieg der Preis in der letzten Viertelstunde etwas, ging er in der folgenden Stunde tendenziell etwas zurück. Dieser Zusammenhang ist fast erloschen: Seine Rangkorrelation ist von -0,11 im Jahr 2019 auf -0,015 im Jahr 2026 gefallen, und der Vorsprung von Timestral wurde 2025 negativ.
Ein Gewinn unterhalb der Gebühren
Selbst in seiner besten Phase hat sich dieses Signal nicht gelohnt. Es brachte im Schnitt 1,3 Basispunkte, also 0,013 %, pro Trade vor Gebühren. Ein Standardkonto zahlt 0,1 % Gebühren pro Order bei Binance, also 10 Basispunkte. Nach Abzug der Gebühren verliert eine Strategie, die jede Stunde gemäß der Prognose kauft oder verkauft, fast ihren gesamten Einsatz.
Was Timestral beim Preis trotzdem leistet
Timestral sagt die Richtung nicht voraus, schätzt aber das Ausmaß möglicher Bewegungen gut ein. Seine Spannen sind kalibriert: 2026 enthielt das angekündigte 80-%-Intervall den tatsächlichen Preis in 80,8 % der Fälle. Auf eine Stunde schlägt es ein klassisches Risikomodell auf Basis der Normalverteilung um 2 bis 3 %. Das ist nützlich, um ein Risiko zu bemessen oder eine Warnschwelle festzulegen.
Gegenüber einem gut gebauten klassischen Modell, das Tageszeit und Wochentag berücksichtigt, schmilzt der Vorteil allerdings: von etwa 3,5 % im Jahr 2019 auf 0,5 bis 1 % in den Jahren 2025 und 2026.
Warum sagt Timestral das Volumen vorher?
Das Handelsvolumen dagegen folgt einer Struktur. Es ist träge: Auf einen hektischen Tag folgt oft ein weiterer, und „gleiche Stunde gestern“ liegt bereits 54 % weiter daneben als „wie die vorige Stunde“. Es folgt einem Kalender und ist am Wochenende ruhiger. Es wechselt mit dem Markt das Regime, und diese Regime halten Monate an. Genau diese Muster lernt ein Foundation Model während seines Vortrainings zu erkennen.
Der Preis wird dagegen von einem Markt gebildet, auf dem Tausende Akteure nach derselben Regelmäßigkeit suchen. Sobald sie auftaucht, wird sie ausgenutzt und verschwindet. Hyndman und Athanasopoulos nennen das Beispiel der Wechselkurse: Veröffentlichte Prognosen wirken auf den Kurs selbst, sodass die Vorhersage seiner Veränderung fast einem Münzwurf gleichkommt. Von den vier Kriterien der Vorhersagbarkeit, die sie nennen, ist es dieses, das den Preis zum Scheitern verurteilt: Kann die Prognose das verändern, was sie prognostiziert?
Hier schlägt die KI eine klassische Regression
Beim Volumen des nächsten Tages macht Timestral-209M mit einem Jahr Historie 4,6 % weniger Fehler als die jährlich neu trainierte Ridge-Regression, die beste getestete klassische Methode. Es schneidet in jedem Jahr von 2019 bis 2026 besser ab, um 0,5 % bis 8,8 %, im Jahr 2026 um 6,3 %. Seine Spannen halten, was sie versprechen: 81 % und 91 % Abdeckung bei angekündigten Intervallen von 80 % und 90 %. Auf Stundenbasis ist der Vorteil kleiner (2,1 %), aber seit 2022 in jedem Jahr positiv.
Vorsprung von Timestral-209M Jahr für Jahr: beim Preis auf eine Stunde von +0,57 % im Jahr 2019 bis -0,05 % im Jahr 2026; beim Volumen des nächsten Tages immer positiv, +6,3 % im Jahr 2026
Der Vergleich muss gegen diese Regression erfolgen, nicht gegen eine naive Referenz. Gegenüber „wie gestern“ senkt Timestral den Fehler um 32 %, aber die Regression ist bereits 28,7 % besser als „wie gestern“: Was das Modell wirklich beiträgt, sind die 4,6 %.
Die Länge der Historie wog schwerer als die Größe des Modells. Beim Tagesvolumen macht der Schritt von 90 Tagen auf ein Jahr Historie den ganzen Unterschied: -0,5 % gegenüber der Ridge-Regression mit 90 Tagen, +4,6 % mit einem Jahr. Das Modell muss mindestens ein Jahr sehen, um das aktuelle Regime zu erkennen. Danach hilft die Größe (+1,1 % beim kleinsten Modell, +4,6 % beim größten), beim Preis ändert sie aber nichts.
Was der Test für KI-Prognosen im Unternehmen bedeutet
Auch die Reihen, die eine Finanzabteilung prognostizieren will, liegen zwischen zwei Polen.
| Reihe | Verhält sich wie | Was man von einer Prognose-KI erwarten kann |
|---|---|---|
| Aufträge, wiederkehrender Umsatz, Zahlungseingänge | Das Volumen: Trägheit, Kalender, Saisonalität | Eine bessere Prognose als die klassische Methode, ohne ein Modell bauen zu müssen, sofern die Historie lang ist |
| Auslastung des Supports, Traffic, Energieverbrauch | Das Volumen | Ebenso, mit Spannen, um Teams oder Kapazitäten zu bemessen |
| Rohstoffpreise, Wechselkurse, Zinssätze | Der Preis: liquider Markt, Information bereits eingepreist | Nicht besser als „unverändert“; die Spanne dient für Szenarien und Absicherung |
Die Liquiditätsprognose mischt beides. Kundenzahlungen und wiederkehrende Auszahlungen gehören zum Volumen und eignen sich gut für ein Modell wie Timestral. Der Teil, der an einen Kurs oder Zinssatz gekoppelt ist, gehört zum Preis: Für ihn denkt man in Szenarien statt in Punktprognosen.
Die Veränderung ist vor allem praktischer Natur. Laut dem FP&A Trends Survey 2025 nutzen nur 8 % der Organisationen Machine Learning für Prognosen, gebremst durch fehlende Data-Science-Kompetenz und die Datenqualität. Ein Foundation Model beseitigt die erste Hürde: Man muss nicht mehr für jede Reihe ein Modell bauen und einstellen. Die zweite bleibt bestehen. Man muss saubere, lange Reihen aus ERP, CRM oder Tabellen extrahieren und dann erklären können, warum die Realität außerhalb der Spanne liegt. Das ist die Arbeit, die wir mit Finanzabteilungen in unserem KI-Angebot für den Finanzbereich leisten, und hier spart ein Tool für den Datenzugriff in natürlicher Sprache Zeit.
Ein letzter rechtlicher Punkt: Die Lizenz der Timestral-Gewichte schließt ohne Vertrag Unternehmen aus, deren Umsatz 20 Millionen Dollar pro Monat übersteigt, also etwa 240 Millionen pro Jahr. Ein mittelständisches Unternehmen kann frei testen; ein Großkonzern muss zuerst mit Mistral verhandeln.
Fünf Regeln, um eine KI-Prognose zu bewerten
Daraus leiten wir fünf Regeln ab, die für Timestral ebenso gelten wie für jedes andere Modell, ob von einem Anbieter gekauft oder intern gebaut:
- Immer eine naive Referenz. „Unverändert“, „wie in der letzten Periode“, „gleiche Periode im Vorjahr“. Schlägt das Modell sie nicht deutlich, bringt es nichts.
- Dann die beste klassische Methode. An ihr misst sich der tatsächliche Gewinn: in unserem Fall 4,6 % und nicht 32 %.
- Außerhalb der Stichprobe, Jahr für Jahr. Das Modell darf den Zeitraum, den es prognostiziert, nie sehen, und ein Vorsprung, der von Jahr zu Jahr schmilzt, ist ein Warnsignal.
- Die Spanne beurteilen, nicht nur den Median. Ein angekündigtes 80-%-Intervall sollte die Realität etwa acht von zehn Malen enthalten. Auf ihrer Grundlage wird entschieden: Sicherheitsbestand, ungünstiges Liquiditätsszenario, Warnschwelle.
- Genug Historie liefern. Für eine Tagesreihe mindestens ein Jahr; sonst sieht das Modell weder die Saison noch das aktuelle Regime.
Diese Regeln sind älter als die Foundation Models. 2018 verglichen Spyros Makridakis und seine Mitautoren statistische Methoden und Machine Learning an rund tausend Zeitreihen: Eine einfache saisonale Referenz schlug die Hälfte der Machine-Learning-Methoden. Seitdem sind Foundation Models hinzugekommen; die Disziplin hat sich nicht geändert: Ohne naive Referenz lässt sich keine Prognose beurteilen.
Drei methodische Details haben unsere eigenen Schlussfolgerungen im Laufe der Studie verändert:
- Mit einer Prognose alle vier Stunden statt jede Stunde wirkte der Vorsprung des Modells mit 209 Millionen Parametern beim Preis auf eine Stunde zweieinhalbmal größer (+0,23 % statt +0,09 %).
- Ein Modell, das fast immer einen Anstieg prognostiziert, zeigt auf einem Markt, der etwas häufiger steigt als fällt, eine gute Trefferquote bei der Richtung, ohne irgendetwas zu wissen. Der Test muss um diese Neigung bereinigt werden.
- Ein einziger Testzeitraum hätte verborgen, dass jeder Vorsprung beim Preis von Jahr zu Jahr geschrumpft ist.
Die Grenzen dieses Tests
Der Test betrifft einen einzigen Vermögenswert auf einem einzigen Handelsplatz (BTC/USDT auf Binance), ohne Orderbuch, Derivate oder Blockchain-Daten. Timestral wurde ohne Anpassung genutzt: Das Tool von Mistral, um es an eigene Daten anzupassen (Mistral Forge), wurde nicht getestet, und das Volumen als Zusatzinformation hinzuzufügen, hat an der Preisprognose nichts geändert. Die klassischen Modelle sind solide gebaut, aber nicht bis ins Letzte optimiert. Die Strategietests setzen eine perfekte Ausführung voraus, was die Ergebnisse schönt, die trotzdem negativ sind.
Möglich ist auch, dass die Bitcoin-Historie in den Trainingsdaten von Timestral enthalten ist, die Mistral nicht veröffentlicht hat. Das würde die Jahre 2019 bis 2025 begünstigen. Die Ergebnisse beim Preis sind trotz dieses möglichen Vorteils negativ; die beim Volumen halten 2026, dem am wenigsten betroffenen Jahr, stand.
Häufige Fragen zur Bitcoin-Prognose mit KI
Kann eine KI den Bitcoin-Kurs vorhersagen?
Nicht auf eine Weise, die sich auszahlt. In unserem Test außerhalb der Stichprobe von 2019 bis Oktober 2026 schneiden 2026 weder Timestral noch die klassischen Modelle besser ab als „der Preis bewegt sich nicht“, weder auf eine Stunde noch auf 24 Stunden. Der einzige gemessene Vorsprung, zwischen 2019 und 2024, brachte fast achtmal weniger als die Transaktionsgebühren und ist seitdem verschwunden.
Kann eine KI Börsenkurse vorhersagen?
Nicht besser als den Bitcoin-Kurs. Auch der Kurs einer stark gehandelten Aktie wird von einem Markt gebildet, auf dem jede sichtbare Regelmäßigkeit sofort ausgenutzt wird: Die beste Prognose seiner Richtung bleibt der aktuelle Kurs. Unser Test betrifft nur Bitcoin und wurde nicht mit Aktien wiederholt, der Mechanismus ist aber derselbe. Eine Prognose-KI kann dagegen das Ausmaß möglicher Bewegungen schätzen, was hilft, ein Risiko zu bemessen, und die gehandelten Volumen vorhersagen, die eine Struktur haben.
Warum ist das Handelsvolumen besser vorhersagbar als der Preis?
Weil es eine stabile Struktur hat: Trägheit von einer Periode zur nächsten, einen Wochenrhythmus, Regime, die Monate anhalten. Der Preis eines liquiden Marktes hat keine verwertbare Struktur, denn jede sichtbare Regelmäßigkeit wird von den Marktteilnehmern sofort ausgenutzt und verschwindet dadurch.
Was ist ein Random Walk in der Prognostik?
Die Prognose, die den zuletzt beobachteten Wert übernimmt: Der Preis in einer Stunde ist der aktuelle Preis. Für einen liquiden Finanzwert ist das die am schwersten zu schlagende Referenz. Ein Modell, das nicht besser abschneidet, liefert keine Information über die Richtung des Marktes.
Eignet sich Timestral für die Liquiditätsprognose?
Ja, für wiederkehrende Ströme wie Kundenzahlungen oder regelmäßige Auszahlungen, die die Trägheit und Saisonalität eines Volumens haben. Das Modell braucht eine lange Historie, mindestens ein Jahr für eine Tagesreihe. Für den Teil der Liquidität, der an einen Kurs oder Zinssatz gekoppelt ist, denkt man besser in Szenarien.
Wie erkennt man, ob eine KI-Prognose zuverlässig ist?
Indem man sie zuerst mit einer naiven Methode vergleicht, dann mit der besten klassischen Methode, auf Zeiträumen, die das Modell nie gesehen hat, Jahr für Jahr. Außerdem sollte man prüfen, ob ihre Spannen die Realität im angekündigten Anteil enthalten, zum Beispiel acht von zehn Malen bei einem 80-%-Intervall.
Timestral sagt den Bitcoin nicht vorher, und keine KI wird das allein auf Basis der Preishistorie tun: Dieser Test bestätigt es über acht Jahre. Eine Prognose-KI ist nützlich, um Zahlen mit Struktur, Trägheit und Kalender fortzuschreiben, und sie tut das ohne Training. Für das Unvorhersehbare ist sie nutzlos. Vor der Wahl eines Modells für eine Finanzprognose lohnt also der Blick auf die Reihe. Ähnelt sie einem Preis, wird kein Modell besser sein als „unverändert“. Ähnelt sie einem Volumen, hat ein Foundation Model mit langer Historie gute Chancen, die klassische Methode zu schlagen.


