Kai: unser KI-Agent für Aktien – Blog über Entwicklungen

Wie wir KI im Heibel-Ticker nutzen

KI ist für uns kein Ersatz für Analyse und Urteil, sondern ein Werkzeug für Fleißarbeit: Daten sammeln, aufbereiten, strukturieren – damit mehr Zeit bleibt für das, was den Heibel-Ticker ausmacht: fundierte Einordnung für Privatanleger.

Warum wir KI einsetzen

Datengrundlage: Mehr Unternehmen, mehr Märkte, mehr Tiefe – ohne Qualitätsverlust.
Effizienz: Wiederkehrende Aufgaben automatisiert, Analysekapazität erhöht.
Skalierung: Langfristig sollen alle 1.400 Unternehmen unseres Aktienuniversums systematisch abgedeckt werden.

Was KI bei uns nicht macht

Keine Anlageentscheidungen, keine Empfehlungen, keine Einordnung.
Keine Analyse ohne menschliche Prüfung und Redaktion.
Kein Einsatz von Mitgliederdaten oder proprietären animusX-Daten in externen KI-Systemen.

Unser Ansatz: ein eigener KI-Agent

Unser Anspruch an KI ist derselbe wie an unsere Arbeit insgesamt: hohe Qualität, klare Grundlage, nachvollziehbarer Prozess. Probabilistische KI liefert intelligente Antworten, eine deterministische Komponente stellt sicher, dass Finanzzahlen verlässlich sind. Beides zusammen bildet die Grundlage – und beides lässt sich nur dann wirklich kontrollieren, wenn man nicht auf einen fertigen KI-Dienst setzt, sondern einen eigenen Agenten entwickelt, der auf unsere Daten, unsere Bewertungslogik und die Bedürfnisse unserer Mitglieder zugeschnitten ist. Diesen Agenten nennen wir Kai. Wie wir ihn aufbauen, welche Aufgaben er übernimmt und welche Erfahrungen wir dabei machen, dokumentieren wir auf dieser Seite fortlaufend.

Kais Entwicklung – Dokumentation

Mac Mini verspricht reibungsloseres Arbeiten

01.05.2026 – via Heibel-Ticker 26/18 – Alternativen versus Alternativlosigkeit: Quartalsberichte retten die Börsenwoche

Mitgliederfrage

Hallo Herr Heibel,

ich lese den Heibel-Ticker in der „freien“ Version seit …. bestimmt seit der Finanzkrise oder noch früher.
Nun lese ich dort von Ihren ersten Schritten mit KI und Plänen, lokale KI-Modelle einzusetzen.

Ich selbst experimentiere seit einiger Zeit mit KI und habe schließlich im vergangenen Jahr die Hardware-Voraussetzungen für lokale KI geschaffen und etliche Modelle lokal installiert und getestet.

Ich möchte mich nicht aufdrängen, aber hier einige meiner Erfahrungen:

Die von mir bei der Auswahl und Konfiguration der Modelle befragten Cloud-Modelle ChatGPT. Qwen, Kimi, Claude, Perplexity, MistralAI, … (Reihenfolge zufällig, nicht wertend) lagen oft weit daneben, was die tatsächliche Performance auf realer Hardware angeht – und haben mir einige Gigabyte an Fehl-Downloads beschert.
3B bis 8B Modelle sind vor Allem zu „dummen“ agentischen Tätigkeiten zu gebrauchen. Ab 14B/16B wird’s interessant.
Ein 20B MoE Modell schlägt ein 16B „dense“ Modell um Längen. Selbst ein 30B MoE kann noch besser (= schneller in token/s) performen als 16B, qualitativ natürlich erst recht. Cloud-KI argumentiert oft einfach nach dem Motto „Größer = langsamer“ und sagt „Das läuft bei Ihnen nicht.“
Um ein Modell optimal zu nutzen, ist es wichtig, den Zusammenhang zwischen verschiedenen Konfigurations-Parametern zu verstehen. „Temperatur“, Top-P, verschiedene Penalties können einen großen Unterschied machen.
Zur Analyse umfangreicher lokaler Daten bzw. Dokumente empfiehlt es sich, eine RAG-Datenbank aufzusetzen. Dabei kann jedoch die Vorverarbeitung der zu „embeddenden“ Dokumente eine große Rolle spielen.

Bei mir ist es so, dass das bei privaten Dokumenten, Korrespondenz, Verträgen usw. sowie bei medizinischen Texten recht gut klappte, bei Datenblättern von Mikrocontrollern und elektronischen Komponenten (Hobby: Design und Programmierung von µC-Schaltungen) unerwartet aufwendig wurde.

In µC-Datenblättern sind Zahlen und Tabellen sehr wichtig – wie in Bilanzen und Geschäftsberichten.

Meine Anlage-Entscheidungen treffe ich daher immer noch selbst. 😉

Als Privatier verdiene ich meinen Lebensunterhalt an der Börse, viel mit Options- und Stillhaltergeschäften.

Da sind mir deterministische Formeln und Berechnungen zurzeit noch lieber als die „Black Box“ der KI. 😉

Viele Grüße

Oliver aus Schweden

Heibel-Ticker Antwort

Vielen Dank, dem möchte ich heute nichts hinzufügen.

Kurzes Update: Ich habe mir nun doch einen Mac mini gekauft, da die Ubuntu-Installation auf dem alten MacBook Pro zu viele Probleme bereitete. Vor lauter technischen Hilfslösungen kam ich zu wenig ans inhaltliche Arbeiten. Das ist nun mit dem Mac mini vorbei 🙂 Dafür muss ich ihn erst noch neu aufsetzen und ihm das zuvor Gelernte beibringen.

Nutzung verschiedener KI-Modelle

Via Heibel-Ticker 26/17 – Stagflationsangst neben KI-Euphorie

Von Anthropic zu OpenAI: Kais neuer KI-Stack

Wie versprochen, halte ich Sie hier auf dem Laufenden über meine Erfahrungen mit Kai, meinem OpenClaw KI-Agenten, den ich für uns als Finanz-KI aufsetzen möchte. Nachdem über Ostern Anthropic den kostenfreien Zugriff für Openclaw beendete, hat man die Wahl zwischen exorbitant steigenden Kosten und dummen Ergebnissen. Ich habe in Kapitel 4 ausführlich beschrieben, wie die CPU für eine Verbesserung eingesetzt werden kann.

Drei Modelle, eine Logik: ChatGPT, Qwen und LiteLLM

Ich habe nun meinen OpenClaw auf OpenAI fokussiert. Dort kann er wählen zwischen ChatGPT 4o mini und der aktuellen Version ChatGPT 4.5. für einfache Aufgaben nutzt er das mini-Modell, das schnell und kostengünstig gute Ergebnisse liefert. für kompliziertere Dinge springt er auf das teure Modell 4.5.

Für triviale Dinge habe ich zusätzlich noch Qwen3-4B installiert, das open Weight (=Open Source) KI-Modell von Alibaba. Ja, chinesisch, ich bin mir noch nicht sicher, ob ich das behalte. Mit 3-4 Mrd. Parametern handelt es sich um ein sehr kleines Modell, das wirklich nur Basics abdeckt. Zum Vergleich: die großen LLMs nutzen mehrere hundert Mrd. Parameter, die übrigens in einem Stück in den Arbeitsspeicher geladen werden.

Gesteuert wird die Aufsplittung der Anfragen über ein weiteres kleines Modell namens LiteLLM, das nichts weiter tut als zu entscheiden, was in welchen Kanal gegeben wird.

ChatGPT holt auf – und Anthropic drosselt

Ärgerlich war, dass bei dieser Installation, die ich mir von Claude ausarbeiten ließ, bereits getätigte Einstellungen überschrieben wurden. Ich musste danach also einiges reparieren, was übrigens mit ChatGPT 4.5 deutlich besser gelang als mit Claude. Während in den vergangenen Monaten also Anthropic mit Claude die KI-Revolution anzuführen schien, hat meiner Wahrnehmung zufolge nun wieder ChatGPT die Nase vorn.

Das mag jedoch auch daran liegen, dass Anthropic die eigenen Modelle drosselt: Mythos, das neue Modell, das so viele Sicherheitslücken entdeckt haben soll, scheint alle Rechenkapazitäten von Anthropic aufzuzehren, so dass derzeit nicht ausreichend Rechenleistung für die Kunden verfügbar ist. Wenn sich diese Wahrnehmung bewahrheiten sollten, dann ist das um so mehr ein Beweis dafür, dass das Rennen um die KI-Dominanz nicht im Labor, sondern bei der Ausbaugeschwindigkeit der Rechenkapazitäten gewonnen wird.

Erste Ergebnisse, die begeistern

Wenn Aufgaben allerdings erfolgreich von mir an Kai übergeben wurden, bin ich regelmäßig begeistert vom Ergebnis. Einen kleinen Vorgeschmack liefert vielleicht schon die Erstellung neuer Piktogramme, die Sie in dieser Ausgabe finden. Wenn ich meine Heibel-Ticker Kunden richtig verstehe, schätzen Sie, dass die Dinge in Form von Text erklärt werden und nicht mit großen, bunten Bildern vom Inhalt abgelenkt wird. Die kleinen Piktogramme sind da in meinen Augen eine dezente Auflockerung 🙂

Nächster Schritt: Claude, Gemini und ein leistungsfähigerer Rechner

Im nächsten Schritt möchte ich noch einige andere KI-Modelle anbinden, also bspw. Claude und Gemini, um dann eine Logik zu suchen, die Aufgaben nach Schwerpunkt der verschiedenen KI-Modelle aufgliedert. Das mag für mein MacBook aus dem Jahr 2012 herausfordernd sein, aber ich denke, eine solche Logik wird spätestens dann erforderlich, wenn wir das ganze Projekt auf einen leistungsfähigeren Rechner setzen, den wir dann unseren Mitgliedern zugänglich machen.

So langsam komme ich auch an die ersten Beispiele, die ich interessierten Mitgliedern zugänglich machen kann. Bleiben Sie also am Ball.

EU AI Act & verantwortlicher Umgang mit KI

10.04.2026 – via Heibel-Ticker 26/16 – Lösung im Iran-Krieg greifbar, Aktienmärkte springen an

KI in der Vermögensberatung

Algorithmen diskriminieren nicht, würde man meinen. Doch bei der KI ist das nicht so. Künstliche Intelligenz wird mit verfügbaren Daten trainiert. Wenn dafür das internet gescannt wird, dann wird die KI mit allen im Netz vorhandenen Vorlieben und Abneigungen trainiert, und übernimmt diese.

Ein blindes Trainieren mit immer mehr Daten, die bspw. auch TikTok und Instagram berücksichtigen, dann werden auch alle über diesen Kanal getätigten Äußerungen als Basis für das KI-Modell berücksichtigt. Kein Mensch wird in der Lage sein, bestimmte Antworten, Vorlieben und Abneigungen des KI-Modells, Stärken und Schwächen auf ihre genaue Ursache zurückzuführen. Die Grenze zwischen Korrelation und Kausalität verschwimmt.

Korrelation statt Kausalität: wie KI „intelligent“ wirkt

Doch gerade die Korrelation ermöglicht es der KI, vermeintlich „intelligent“ zu wirken. Sie kann dadurch Antworten neu generieren. Sie kann „kreativ“ sein, was mitunter zu Halluzinationen führt, oder eben einfach zu Falschaussagen. Oder, um beim obigen Beispiel zu bleiben, sie kann auf Basis der antrainierten Vorlieben nd Abneigungen Wertungen vornehmen, die überzeugend klingen, aber nicht mit unseren Grundwerten vereinbar sind.

Der EU AI Act: das weltweit erste KI-Regelwerk

Die EU hat mit dem AI-Act das weltweit erste KI-Regelwerk geschaffen. Die Hoffnung ist, mit Hilfe dieses AI-Acts einen strategischen Wettbewerbsvorteil zu erzielen, wenn es um globale Standards für vertrauenswürdige KI in sensiblen Bereichen geht. Hier ein paar Grundsätze:

– Unannehmbares Risiko: Anwendungen wie Social Scoring oder verhaltensbezogene Manipulation sind strikt verboten.

– Hochrisiko-Systeme: KI im Bereich kritischer Infrastruktur oder bei der Mitarbeiterführung wird streng reguliert und muss Transparenzpflichten sowie menschliche Aufsicht gewährleisten.

– Minimales Risiko: Die meisten Anwendungen, wie bspw. Spam-Filter, bleiben unreguliert.

Kais Leitplanken: Kausalität vor Korrelation

Wenn ich nun meinen KI-Agenten Kai ausbilde, werde ich einen besonderen Fokus auf die Transparenz legen. Was ich oben unter Kausalität versus Korrelation veranschaulicht habe, wird im Heibel-Ticker sehr transparent Eingang finden. Mein persönlicher Anspruch ist es, Kai den Stand der Finanzwissenschaft deterministisch beizubringen. Er soll also für alles, wofür es wissenschaftlich belastbare Erkenntnisse und Methoden gibt, genau diese Methoden verwenden. Je mehr dieser Methoden ich ihm beibringen kann, desto „deterministischer“ wird er für uns arbeiten, desto stärker ist die „Kausalität“.

Eigene Interpretationen, die über Korrelationen abgeleitet werden, dürfen in unserem Modell erst ganz zum Schluss kommen und müssen klar gekennzeichnet sein.

Es handelt sich um „Post-Training“, also um das Verfeinern eines bereits trainierten Modells. Dabei müssen wir stets „Benchmarks“ definieren, also gewünschte Ergebnisse, die erreicht werden müssen, um die deterministische Methodenanwendung möglichst zu perfektionieren.

Soweit ein paar Grundlagen für den Umgang mit Kai 🙂

Der nächste Schritt: Bilanzdaten, Methoden, Marktdaten

Konkret heißt das, dass wir erst einmal eine große Datenbank von Bilanzdaten aufbauen werden, um diese dann mit den gängigen Analysemethoden zu trainieren. das gibt es ja alles schon und hat nicht viel mit KI zu tun, daher werde ich mich auf vorhandene Strukturen stützen. Das spannende wird dann im Anschluss, diese Analysen mit Marktdaten, Konjunkturdaten und anderen Meldungen kombinieren.

Kai – Erste Erfahrungen mit Finanz-KI

10.04.2026 – via Heibel-Ticker 26/15 – Wunschanalyse liefert tiefen Einblick in SAP

Ich hatte Ihnen versprochen, Sie über meine ersten Schritte in die Welt der Finanz-KI auf dem Laufenden zu halten. Diesem Versprechen möchte ich heute nachkommen. Ich berichte von der Einrichtung, den ersten Gehversuchen bis hin zum Erstellen regelmäßiger Morgen-Berichte und der Konfiguration einer Aktienanalyse.

Installation

Puh, das war tatsächlich komplizierter, da ich zunächst einmal vorhandene Hardware nutzen wollte, statt ahnungslos in Hardware zu investieren. Mein MacBook Pro aus dem Jahr 2012, das ich damals glücklicherweise maximal ausgestattet habe, kann sich, so mein bisheriges Ergebnis, in Sachen Performance durchaus mit heutigen Mac Minis vergleichen.

Der Weg dorthin war allerdings steinig: Das alte MacBook kann nicht mehr mit den heute aktuellen MacOS-Versionen betrieben werden. Die aktuellste der alten, passenden Versionen wiederum ermöglicht nicht die Installation von Homebrew, einer Zusatzsoftware, die für OpenClaw erforderlich ist.

Ich installierte daher Ubuntu auf dem Mac, auch davon eine alte Version. Es folgten einige Probleme: Die WLAN-Karte wurde nicht erkannt, einige in moderneren Ubuntu-Versionen zugefügte Zusatzmodule musste ich zunächst händisch installieren. Schließlich konnte die OpenClaw Installation laufen und nach einigen Problembeseitigungen lief dann endlich mein eigener KI-Bot.

Anfänglich versuchte ich, über Perplexity die Probleme zu lösen. Das war ziemlich nervenaufreibend, da Perplexity häufig den Kern des Problems nicht verstand oder im Verlauf aus den Augen verlor. Erst als ich mit Claude Code arbeitete, wurden die Ergebnisse deutlich besser.

Zu den ersten Tätigkeiten gehörte das Einhauchen einer Seele durch die Datei Soul.md, in der man dem KI-Bot sagen kann, wer er ist und was er kann. Ich nannte ihn, wie angekündigt, Kai: Künstliche (artificial) intelligence 😉

Erste Gehversuche

Als erstes ermöglichte ich Kai, mein Perplexity-Abo zu nutzen, da ich bislang überwiegend mit meinem ChatGPT-Abo arbeite und Kai nicht gleich in meine persönlichen Daten einladen wollte. Doch auch hier zeigte sich erneut, dass Perplexity qualitativ wirklich nicht brauchbar ist. Mein Wunsch nach einem Wochenbericht über die jüngsten Börsenentwicklungen wurde mit großen Fehlern bestückt. So schwadronierte Kai beispielsweise über die Ölpreisentwicklung auf Basis des Ölpreises von vor einem Jahr.

Ich stieg auf die Claude-API um (API = Schnittstelle für KI-Bots) und erlebte sensationell gute Ergebnisse, bis … bis Anthropic die kostenfreie API am Ostersamstag dicht machte. Folglich nutze ich „Openrouter“, ein Dienst, der – vermutlich ähnlich Perplexity – für verschiedene Aufgaben verschiedene KIs nutzt. In diesem Augenblick kassierte dann Openrouter das, was ich zuvor hätte an Claude-API zahlen müssen, dafür, dass er zwar Claude umging, dafür aber schlechtere Ergebnisse lieferte.

So habe ich nun eine Kaskade eingebaut: Openrouter ist abgeschaltet, Perplexity ist für einfache Aufgaben vorgesehen und für komplexere Aufgaben schenkt Kai nun auf ChatGPT Codex, die API von ChatGPT. Erst danach wird dann Claude Code aufgerufen.

Diese Reihenfolge lieferte heute für die SAP-Analyse viel Text und wenig brauchbare Erkenntnisse. Ich habe es also erst einmal dabei belassen, damit ich die heutige Ausgabe fertig kriege.

Morgenbericht

Anfang der Woche habe ich eine ausführliche Vorgabe für einen Heibel-Ticker spezifischen Morgenbericht erstellt. Anfänglich wiederholte sich Kai häufig und verlor sich in Zahlenreihen und Aufzählungen, doch nach entsprechenden Hinweisen änderte Kai seine Arbeitsweise und inzwischen liefert er einen gut lesbaren Morgenbericht … der sich allerdings von Morgen zu Morgen kaum ändert. Aktuell versuche ich ihm beizubringen, dass er Ereignisse, die er bereits einmal berichtete, in den Folgetagen nicht erneut berichten braucht, wenn sich nichts Wesentliches daran geändert hat. Das klappt noch nicht so gut bislang.

Aktienanalyse

Meine Idee ist es, die Wunschanalyse von Kai nach einem standardisierten Verfahren vorbereiten zu lassen. Dabei ist mir wichtig, dass Kai alle relevanten Informationen zusammenträgt und einordnet. Ich kann dann aus den Informationen die Wunschanalyse schreiben, denn wenn Kai schreiben würde, dann würden Sie beim Lesen einschlafen. So zumindest meine bisherigen Erkenntnisse, denn die KI formuliert so rund, dass es für einen Menschen kaum lesbar ist.

Inhaltlich nutze ich Kai zunächst, um die allgemeine Nachrichtenlage zu einem Unternehmen aufzubereiten. Die Bewertung der Aktie kann ich derzeit ziemlich schnell über meine Bloomberg-Daten durchführen, vielleicht stelle ich diese künftig Kai zur Verfügung. Wichtiger ist es mir jedoch, Kai die verschiedenen erfolgskritischen Faktoren bei Aktien verschiedener Branchen beizubringen.

Zwischenfazit

Bislang fühle ich mich bestätigt in meiner Entscheidung, mein altes MacBook zu nutzen, denn die Rechenleistung wird noch nicht ansatzweise ausgereizt. Das liegt daran, dass Kai die KI-Modelle im Netz aufruft und noch kein eigenes KI-Modell lokal betreibt. Eine lokale KI hätte den Vorteil, zu verarbeitende Daten nicht weggeben zu müssen. So bspw. unsere proprietären animusX-Daten, wenn es um die Analyse geht. Mal schauen, nach aktuellem Wissensstand könnte ich mich als nächstes am KI-Modell Mistral 8B versuchen. Das würde, so ChatGPT, auf meinem MacBook ausreichend Platz finden und performant laufen.

8B steht für 8 Billionen: Das KI-Modell wurde mit 8 Billionen Parametern trainiert. Sie wissen ja, je mehr Datenpunkte, desto besser wird die KI. Die KI-Modelle von Anthropic und OpenAI wurden meines Wissens mit hunderten Billionen von Parametern trainiert. Es geht hier also noch immer eher um das Verständnis, wie die KI funktioniert. Wenn ich wirklich die besten Antworten auf unsere Heibel-Ticker Fragen haben möchte, muss ich auf die besten KI-Modelle zugreifen – und die werden nicht lokal laufen.

Was aber funktionieren wird, sind spezielle Modelle für überschaubare Aufgaben. Daher werde ich also meinen Morgen-Bericht weiter optimieren, die Aktienanalyse nach konkreten Vorstellungen weiter ausarbeiten und die animusX-Daten weiterhin im Hinterkopf behalten für den Zeitpunkt, an dem ich mich fit genug für ein eigenes, lokales KI-Modell fühle.

Haben Sie Gedanken dazu? Ich lese alles, was Sie mir dazu schreiben … auch wenn eine Antwort manchmal auf sich warten lässt.

Warum ich meinen KI-Agenten Kai nenne – und was er für 1.400 Aktien lernen soll

20.03.2026 – via Heibel-Ticker 26/12 – Märkte Crashen: Videocall Montag 17 Uhr

KI-Agenten übernehmen Fleißarbeit

Fleißarbeit, mit der viele Menschen ihr Geld verdienen, wird künftig nicht mehr benötigt. Seit kurzem kann sich jeder auf einem alten Rechner einen eigenen KI-Agenten installieren und ihn für seine Bedürfnisse „ausbilden“. Das sind heute noch digitale Arbeiten: Buchhaltung, Recherche, jegliche wiederkehrende Tätigkeiten. Künftig, wenn Roboter brauchbar sind, werden KI-Roboter auch physische Aufgaben übernehmen.

Warum der Agent Kai heißt

Doch so weit sind wir noch nicht. Kümmern wir uns zunächst um die digitalen KI-Agenten, um die Lobster. Ihr Autor wird an diesem Wochenende sein 12 Jahre altes MacBook auf Ubuntu umstellen und OpenClaw darauf installieren. Ich werde den Agenten Kai nennen, da ich für den Heibel-Ticker im Kopf immer zwischen den Begriffen KI (Künstliche Intelligenz) und ai (artificial intelligence) hin und her springe.

Probabilistisch intelligent, deterministisch verlässlich

Kai wird meine Fleißarbeit übernehmen. Dabei finde ich verlockend, dass hohe Anlaufprobleme, die ich erwarte, später überproportional zurückgezahlt werden können. Ich muss also zunächst dafür sorgen, dass Kai alle Finanzzahlen bekommt, die ich für wichtig halte. Dazu werde ich die Quellen klar definieren, um den Spagat zwischen probabilistischer und deterministischer KI zu schaffen: Die probabilistische (Wahrscheinlichkeit) KI sorgt dafür, dass die Antworten intelligent klingen, mit Hilfe der deterministischen Komponente sorge ich dafür, dass die gelieferten Zahlen verlässlich sind.

Ziel: 1.400 Unternehmen mit einem Klick

Wenn dies bei einem Dutzend Unternehmen funktioniert, dann kann ich diese intellektuelle Grundlage in Fleißarbeit umwandeln und mit einem Klick alle 1.400 Unternehmen aus meinem Aktienuniversum einbeziehen.

Drei Gründe für Transparenz

Warum erzähle ich das so ausführlich? Nun, das hat drei Gründe: Zum einen entziehe ich mir damit meine eigene Geschäftsgrundlage. Denn das kann jeder von Ihnen auch tun. Zum zweiten jedoch bin ich davon überzeugt, dass wir das gemeinsam besser können. Daher kommuniziere ich, was ich tue, und freue mich auf Ihre Anmerkungen, was ich besser machen kann, was ich zusätzlich berücksichtigen sollte, etc.

Zum dritten lässt sich aus dem Verständnis der KI besser ableiten, welche Unternehmen in der Zukunft erfolgreich sein werden. Dies hat sich heute ausgezahlt, als Dell aufgrund von Klagen gegen Mitarbeiter des Wettbewerbers SuperMicro (-27%) um 5% anspringt. Außerdem hat uns das Verständnis der KI davon abgehalten, Nvidia zu verkaufen, wie es viele Spekulanten getan haben.