Investmentbank-Team in KI gepackt: So verdienst du mit dem TradingAgents Multi-Agent-Framework Geld

Das Problem: Warum einzelne KI-Agenten bei komplexen Entscheidungen scheitern

Wer schon mal GPT oder Claude allein für eine Investmentanalyse genutzt hat, kennt das Dilemma: Ein Modell soll gleichzeitig Fundamentaldaten, Marktstimmung und technische Indikatoren bewerten – und liefert am Ende Wischiwaschi. Entweder ein vages „Halten” oder eine Logikkette, die sich selbst widerspricht: Erst heißt es, die Quartalszahlen seien top, dann ist plötzlich die Stimmung gekippt.

Das ist kein Intelligenzproblem der Modelle. Es ist ein Architekturproblem. In einer echten Investmentbank ist die Entscheidungsfindung arbeitsteilig: Analysten decken jeweils einen Bereich ab, Researcher streiten miteinander, Trader lesen Signale, Risk Manager setzen Stopp-Limits. Ein einzelner KI-Agent, der alle Rollen gleichzeitig spielt, produziert zwangsläufig Unsinn.

Der Kern von TradingAgents: Das Framework zerlegt genau diese Pipeline in sieben unabhängige Agenten – Fundamentalanalyst, Sentiment-Analyst, Nachrichten-Analyst, technischer Analyst, Researcher (Bullen-/Bären-Debatte), Trader und Risk Manager. Jeder arbeitet für sich, sie reiben sich aneinander, am Ende wird aggregiert.

Die Chance: Kein Aktien-Orakel, sondern eine Standard-Vorlage für KI-Kollaboration

Der erste Impuls vieler: „Damit trade ich Aktien.” Falsch gedacht. Wer TradingAgents so nutzt, macht es zur Glaskugel.

Der eigentliche Wert liegt woanders: Es ist ein Open-Source-System für komplexe Entscheidungsfindung – modifizierbar, lauffähig, nachvollziehbar.

Wer KI-Dienstleistungen verkauft, kann sich hier die Multi-Agent-Architektur abschauen. Wer Content macht, bekommt Material zum Thema „Wie KI Entscheidungen trifft”. Wer Produkte baut, forkt das Projekt und entwickelt daraus Entscheidungs-Assistenten für andere Branchen.

Auf GitHub gehört TradingAgents zu den meistdiskutierten Multi-Agent-Frameworks (die Star-Zahlen schwanken je nach Quelle zwischen 56k und 98,9k – nicht unabhängig verifiziert). Sauberer Code, vollständige Doku, aktive Community: Für alle, die KI-Kollaboration verstehen wollen, ist das ein fertiger Seziertisch.

Drei Wege, damit Geld zu verdienen

Weg 1: Dienstleistung – „Decision-Agent-Suites” für andere Branchen bauen

Der Code von TradingAgents ist modular aufgebaut: Analysten-Schicht, Researcher-Schicht (Bullen/Bären-Debatte), Trader-Schicht, Risk-Schicht. Jede Ebene ist ein eigenständiger Agent.

Die Verkaufslogik ist simpel: Ersetze „Finanzanalyse” durch Entscheidungsszenarien aus anderen Branchen.

• E-Commerce-Produktauswahl: Ein Agent analysiert Verkaufszahlen, einer Wettbewerbspreise, einer Lieferkettenrisiken – am Ende debattieren sie, ob das Produkt ins Sortiment kommt. Konkrete Umbauten: System-Prompts in analyst.py umschreiben, die Finanzdatenquelle durch eine API wie Sellics oder Jungle Scout ersetzen, MACD durch Verkaufstrends austauschen.
• Content-Themenauswahl: Agenten analysieren Plattform-Algorithmus, Nutzerstimmung und Viralitätsmuster getrennt und debattieren dann, ob ein Thema produziert wird. Umbauten: Nachrichtenquelle durch Trend-Tools ersetzen, die Variable „Quartalszahlen” durch „Completion Rate / Engagement Rate”.
• Recruiting-Entscheidungen: Agenten bewerten Lebenslauf-Match, Interview-Performance und Teamfit-Risiko separat und debattieren über die Einstellung. Umbauten: Marktdaten-Schnittstelle durch CV-Parsing-API ersetzen, die Risk-Agent-Logik von „Stop-Loss” auf „Probezeit-Prognose” umstellen.

Ich selbst fahre mit Claude für Reasoning am stabilsten, GPT-4o spinnt gelegentlich. n8n ist schneller einsatzbereit als Make, aber teurer – hängt vom Budget ab. Sobald der Kunde hört „Sieben KIs streiten für dich um die beste Entscheidung”, verdoppelt sich dein Angebotspreis fast von selbst.

Preisanker (letztlich abhängig vom Kundenbudget): Einzelszenario-Customizing 1.000–2.500 €, branchenweite Standardversion ab 3.800 €.

Weg 2: Content – „Wie KI denkt” als Wissensprodukt verpacken

Wenn TradingAgents läuft, spuckt es komplette Debattenprotokolle aus: Was der Bullen-Researcher sagt, wie der Bären-Researcher kontert, welche Logik der Trader am Ende übernimmt.

Diese Protokolle sind seltenes Content-Material.

Auf Lemon8 oder TikTok ein Konto namens „KI-Investment-Tagebuch” starten: Jeden Tag eine Aktie durchlaufen lassen, die Debatten-Screenshots als Kurzvideos aufbereiten. Die Überschrift nutzt den Konflikt direkt: „GPT bullish vs. Claude bearish – Tesla kaufen oder nicht?” Solche Videos haben extrem hohe Completion Rates.

⚠️ Compliance-Hinweis: Inhalte mit konkreten Aktienempfehlungen triggern auf den meisten Plattformen Wertpapier-Verstöße – das Konto wird wahrscheinlich eingeschränkt oder gesperrt. Zeige nur den Debattenprozess, gib keine Kauf- oder Verkaufsempfehlung. Überschriften wie „Wie KI streitet” statt „Solltest du kaufen”.

Fortgeschrittene Variante: Die Debatten als „KI-Entscheidungs-Weekly” aufbereiten und über Gumroad oder Steady für 12–35 € pro Jahr verkaufen. Zielgruppe sind Einsteiger und Privatanleger, die sich keine Research-Reports von Investmentbanken leisten können – aber sehr wohl das Nebenprodukt einer „KI-simulierten Investmentbank”.

Ein versteckter Mehrwert: Diese Debatten-Daten kannst du nutzen, um dein eigenes Second Brain (persönliche Wissensdatenbank) zu trainieren. Baue eine Wissensbasis zum Thema „Wann ändert KI ihre Einschätzung?” – abrufbar für jede künftige Entscheidung.

Weg 3: Produkt – Vertikale „KI-Research-SaaS” für Nischenbranchen

TradingAgents ist Open Source, aber die Datenquellen und Prompts für vertikale Branchen sind die eigentliche Moat.

Beispiel E-Commerce: Architektur in eine „Produktauswahl-Agent-Suite” umbauen, Datenquellen an Sellerboard, Shopify-Backend oder Amazon-Advertising-API anbinden, Prompts für Produktauswahl-Szenarien neu schreiben. Ein Shopify-Händler oder Amazon-Seller zahlt für „täglich automatisch 10 potenzielle Bestseller generieren” 60–250 € pro Monat (das 6-fache eines Basis-Tool-Abos – gerechtfertigt durch den Entscheidungscharakter).

Tech-Stack in Stufen:

• MVP (minimal lauffähig): Streamlit + TradingAgents-Kernmodule + ein API-Key. In drei Tagen online.
• Fortgeschritten: Frontend auf Next.js, Backend mit FastAPI, Agent-Orchestrierung über LangGraph oder CrewAI.
• Skalierung: Deployment auf Railway oder Vercel, API-Datenquellen branchenweise anbinden.

Kaltstart über SEO und Pinterest/Lemon8-Ads, Keywords: „KI-Produktauswahl-Tool”, „KI-Research-Assistent”. Die ersten Seed-User kommen aus E-Commerce-Communitys und Investment-Telegram-Gruppen.

Kostenrechnung: Lass die API-Gebühren nicht deine Marge fressen

Sieben Agenten in Serie, ein Durchlauf: Bei GPT-4o-Preisen verbraucht eine Entscheidung etwa 15k–30k Tokens, das sind 0,60–1,80 € pro Lauf. Läuft das beim Kunden einmal täglich, liegen die monatlichen API-Kosten bei 18–54 €. Bei einem Preis von 60–250 € pro Monat bleibt eine Marge von 60–70 %. Das trägt sich.

Sparoptionen: Nicht-Kern-Agenten (Sentiment, Nachrichten) auf GPT-4o-mini oder lokale Llama-Modelle umstellen – damit sinken die Kosten pro Lauf auf 0,10–0,35 €. Die Researcher-Debatte ist der Kern, daran nicht sparen.

Beispiel: Wie eine echte TradingAgents-Entscheidung aussieht

Das Projekt unterstützt Backtesting und Paper-Trading (laut Quellpost, nicht unabhängig verifiziert). Angenommen, du lässt es auf Tesla los:

1. Fundamentalanalyst: Zieht die neuesten Quartalszahlen, liefert „Umsatz +15 % YoY, Bruttomarge erholt sich”.
2. Sentiment-Analyst: Scannt X und Reddit, liefert „Privatanleger-Stimmung bullish, aber institutionelles Interesse sinkt”.
3. Nachrichten-Analyst: Durchsucht Bloomberg und Reuters, liefert „Shanghai-Werk-Expansion positiv”.
4. Technischer Analyst: Berechnet MACD und RSI, liefert „Wochenchart überkauft”.
5. Researcher-Debatte: Bulle sagt „Fundamentaldaten + Expansion stützen langfristig”, Bär sagt „Technisch überkauft + Sentiment am Peak”.
6. Trader: Aggregiert, gibt aus „Kleine Position testen, Stop-Loss bei -5 %”.
7. Risk Manager: Prüft Portfolio-Korrelation, liefert „Tech-Exposure bereits hoch, Position um 20 % reduzieren empfohlen”.

Diese Pipeline liefert in einem Durchlauf mehr Entscheidungsdichte als ein ganzer Tag Foren-Scrolling.

Call to Action: Heute Abend starten

Hör auf zu bookmarken. Geh auf GitHub, such TradingAgents, clone das Repo, dann diese drei Schritte:

1. Default-Case zum Laufen bringen: Mit einem OpenAI- oder Anthropic-API-Key einmal eine Apple-Analyse durchlaufen lassen und die komplette Debatte ansehen.
2. Eine Variable ändern: Den Aktien-Ticker durch eine E-Commerce-Frage ersetzen („Welches Damenmode-Teil lohnt sich?”) und beobachten, wie die Agenten debattieren.
3. Ein Video aufnehmen: Den Debattenprozess als Screencast aufnehmen, auf Lemon8 oder TikTok posten, Titel: „7 KIs streiten, ob du Tesla kaufen solltest”.

Komm in drei Tagen zurück und erzähl mir, wie viel du verdient hast.

og_image: “https://iamrichman.com/img/covers/ai-money-playbook-mtj23ari-og.png“
transid: ai-money-playbook-mtj23ari

Was, wenn du nicht programmieren kannst?

• Nutze die Multi-Agent-Vorlagen in Coze oder Dify als Drag-and-Drop – kein Python nötig.
• Oder greif auf eine fertige TradingAgents-Web-Demo zu (falls der Autor eine deployed hat), gib einen Ticker ein und nimm die Debatte als Screencast auf – fertiges Content-Material.
• Die faulste Variante: Einmal den Default-Case durchlaufen lassen, die Debatten-Screenshots auf Lemon8 posten, dazu schreiben „7 KIs haben Apple für mich analysiert”. Funktioniert trotzdem für Follower-Wachstum.