KI-Trading als Marktrisiko: Bundesbank warnt vor Collusion und Preismanipulation

Die Bundesbank warnt vor einer neuen Spielart des Marktrisikos: KI-Trading, das nicht mehr von Menschen kontrolliert wird, sondern eigenständig Preise setzt – und dabei möglicherweise unbeabsichtigt Kollusion erzeugt. Rechnen wir nach, was das für Finanzstabilität und Anlegerschutz konkret bedeutet.

Wenn eine Zentralbank öffentlich vor Algorithmen warnt, lohnt sich genaues Lesen. Genau das ist in den vergangenen Tagen passiert: In einer aktuellen Rede zur Zukunft des Finanzsystems hat die Bundesbank ihre Sorge vor KI-gestützten Handelsstrategien präzisiert, die Preise verzerren und versteckte Absprachen begünstigen können – ohne dass ein einziger Mensch je einen Deal geschlossen hätte. Das klingt zunächst abstrakt. Unter dem Strich beschreibt es aber ein sehr konkretes Problem: Wenn tausende Algorithmen auf dieselben Daten reagieren, entsteht ein Gleichlauf, der wie Absprache wirkt – ohne dass irgendjemand telefoniert hat.

Was die Bundesbank konkret warnt

Bundesbankvorständin Fritzi Köhler-Geib hat die Stoßrichtung in einem Bundesbank-Interview bereits deutlich gemacht: Klassisches algorithmisches Trading gibt es seit Jahrzehnten, das sei nichts Neues. Neu sei die Verschiebung der Grenze, bis zu der Menschen noch direkten Einfluss auf Handelsentscheidungen nehmen. Mit sogenannter agentischer KI treffen Systeme zunehmend eigenständig Entscheidungen – ohne dass ein Trader im Einzelfall eingreift. Das ist der Kern der aktuellen Warnung, und er betrifft direkt die Finanzstabilität, nicht nur einzelne Handelsdesks.

Bundesbankpräsident Joachim Nagel hat diese Linie ergänzt: Er sieht „erhebliche Risiken“ für die Stabilität des Finanzsystems, wenn viele Banken auf dieselben KI-Anbieter oder sehr ähnliche Modelle setzen. Die Folge wäre eine Angleichung von Kreditrisikobewertungen quer durch die Branche – und damit eine Verstärkung prozyklischer Bewegungen genau dann, wenn der Markt am wenigsten Gleichlauf verträgt. Dazu kommen laut Nagel neue, hochentwickelte Cyberrisiken, die aus der breiten Nutzung ähnlicher KI-Systeme entstehen.

Der Haken an dieser Debatte: Eine juristisch belastbare Feststellung, dass Algorithmen bewusst Preise absprechen, liegt bislang nicht vor. Die Bundesbank spricht in ihren Reden zu den wirtschaftlichen Auswirkungen von KI eher von struktureller Kollusion – einem Effekt, der wie Absprache wirkt, ohne dass jemand im klassischen Sinne des Kartellrechts kommuniziert hat. Das ist ein feiner, aber wichtiger Unterschied, den man bei Schlagzeilen im Kopf haben sollte.

Herdenverhalten statt Kartell – was hinter dem Collusion-Vorwurf steckt

Stellen wir uns die Mechanik konkret vor. Wenn zehn große Handelsabteilungen dasselbe KI-Modell oder sehr ähnliche Trainingsdaten nutzen, reagieren sie bei identischen Marktsignalen fast identisch. Kauft Modell A eine Position, folgt Modell B binnen Millisekunden – nicht weil beide sich abgesprochen haben, sondern weil beide dieselbe Logik gelernt haben. Für den Markt sieht das Ergebnis aus wie koordiniertes Handeln. Genau das meint die Bundesbank, wenn sie von versteckter Collusion spricht: kein Kartell im klassischen Sinne, aber ein Effekt, der Preise genauso verzerren kann.

Die Bundesbank benennt in ihrer Rede zu den wirtschaftlichen Auswirkungen von KI drei konkrete Kanäle: die Konzentration auf wenige große KI-Anbieter, verstärktes Herdenverhalten und eine höhere Marktkorrelation, wenn viele Institute strukturell gleich handeln. Hinzu kommen operationelle Risiken, weil ähnliche Modelle in kritischen Prozessen laufen – fällt ein Anbieter aus oder liefert er fehlerhafte Daten, trifft das nicht eine Bank, sondern gleich mehrere gleichzeitig.

Ist das schon Marktmanipulation im Sinne der einschlägigen Paragraphen des Wertpapierhandelsgesetzes? Nicht automatisch. Aber die Aufsicht beobachtet die Grenze sehr genau, denn ein Preis, der durch Modell-Gleichlauf statt durch echte Angebots- und Nachfrageverhältnisse entsteht, ist ökonomisch verzerrt – auch wenn er juristisch (noch) nicht als Absprache gilt. Gerade für Institute, die intern evaluieren, wie Banken mit KI dem Kostendruck begegnen, stellt sich die Frage, ob Effizienzgewinne auf der einen Seite systemische Klumpenrisiken auf der anderen Seite erzeugen.

Rechenbeispiel: Wenn alle Modelle gleich denken

Rechnen wir das an einem vereinfachten Beispiel durch. Angenommen, ein Anleihenhandel wird von fünf großen Marktteilnehmern dominiert, die alle auf dasselbe KI-Modell eines Drittanbieters setzen. Kommt eine überraschende Zinsnachricht, reagieren alle fünf binnen Sekunden identisch: Verkauf. Der Kurs bricht nicht um die üblichen 0,3 Prozent ein, sondern um 1,2 Prozent, weil kein Gegengewicht aus abweichenden Strategien mehr existiert.

Zum Vergleich: In einem Markt mit heterogenen, menschlich geprägten Strategien würde ein Teil der Akteure genau in diesem Moment kaufen, weil er die Reaktion für übertrieben hält. Diese Gegenposition fehlt, wenn Algorithmen alle aus demselben Trainingsdatensatz gelernt haben. Für Privatanleger, die über einen ETF-Sparplan in entsprechende Anleihen- oder Aktienindizes investiert sind, bedeutet das schlicht: höhere Schwankungsbreite, ohne dass sich am fundamentalen Wert des Portfolios etwas geändert hätte. Die Rendite wird nicht besser, das Risiko aber sichtbar größer.

Genau dieses Muster – gleichlaufende Algorithmen reagieren auf flache Renditekurven oder Zinsschritte in nahezu identischer Weise – lässt sich auch bei aktuellen Marktbewegungen im Umfeld der Zinswende beobachten, wenn viele Marktteilnehmer auf dieselben makroökonomischen Signale trainiert wurden. Das Algorithmen-Risiko ist also kein theoretisches Konstrukt einer Zentralbank, sondern eine messbare Verschärfung von Kursausschlägen, die in echten Depots ankommt.

Agentische KI und Reinforcement Learning: die neue Grenze

Besonders kritisch sieht die Bundesbank Modelle, die per Reinforcement Learning trainiert wurden. Diese Systeme haben keine Meinung über Markttrends – sie übersetzen vergangene Renditen mechanisch in neue Handlungen. Ein Trend, der einmal profitabel war, wird verstärkt fortgeschrieben, bis er kippt. Menschliche Trader würden an dieser Stelle zumindest zögern, weil sie ein Gefühl für Übertreibung entwickeln. Das fehlt einem Reinforcement-Learning-Modell komplett.

Die Bundesbank räumt ein, dass solche Verzerrungen – etwa Überoptimismus oder das systematische Ausblenden von Risiko – technisch identifizierbar sind. Das eigentliche Problem: Sie lassen sich bislang nicht zuverlässig abstellen, weil den Modellen schlicht Bewusstsein und Selbstreflexion fehlen. Ein Mensch kann sich fragen, ob seine Strategie noch Sinn ergibt. Ein Algorithmus fragt sich das nicht, er optimiert weiter, solange das Belohnungssignal stimmt.

Meiner Einschätzung nach ist genau das der Punkt, an dem Aufsichtsbehörden ansetzen müssen: nicht bei der Frage, ob KI im Handel erlaubt ist – das ist sie längst, ähnlich wie beim algorithmischen Portfolio-Management, das viele ETF-Anbieter heute nutzen –, sondern bei der Frage, wie viel strukturelle Ähnlichkeit ein Markt vertragen kann, bevor aus Effizienz Fragilität wird. Wer sich im Unternehmenskontext fragt, wo sich KI für Unternehmen wirklich lohnt, sollte diese Systemrisiken in der Kosten-Nutzen-Rechnung nicht ausblenden.

Historische Parallelen: Von Flash Crashes zu KI-Kaskaden

Die Bundesbank-Warnung wirkt auf viele Marktteilnehmer neu, dabei gibt es historische Vorläufer, die das Grundproblem bereits offenlegten. Der sogenannte Flash Crash vom 6. Mai 2010 ist das prominenteste Beispiel: Innerhalb weniger Minuten verlor der Dow Jones knapp 1.000 Punkte, nur um sich kurz darauf wieder zu erholen. Auslöser war eine Verkettung algorithmischer Handelsentscheidungen, die sich gegenseitig verstärkten – damals noch auf Basis statischer Regeln, nicht auf Basis lernfähiger KI.

Zwei Jahre später, im August 2012, verlor der Market-Maker Knight Capital durch einen fehlerhaften Algorithmus innerhalb von 45 Minuten über 440 Millionen Dollar und war damit faktisch insolvent. Beide Ereignisse zeigten: Wenn automatisierte Systeme ohne ausreichende menschliche Kontrollinstanz agieren, können Fehler exponentiell eskalieren. Der entscheidende Unterschied zu heute: Damals basierten die Algorithmen auf festen Wenn-dann-Regeln, die ein Entwickler geschrieben hatte. Heute treffen KI-Modelle Entscheidungen, deren Begründungspfad selbst ihre Betreiber nicht immer vollständig nachvollziehen können – die sogenannte Black-Box-Problematik verschärft das Risiko noch einmal deutlich.

Die Lehre aus diesen historischen Episoden war seinerzeit, Circuit Breaker und Geschwindigkeitsbegrenzungen einzuziehen. Diese Mechanismen greifen auch heute noch. Aber sie waren für regelbasierte Algorithmen konzipiert, nicht für agentische KI-Systeme, die in Millisekunden auf neue Marktzustände reagieren und dabei Strategien entwickeln, die kein Mensch explizit programmiert hat.

BaFin greift durch: ALMA und die Kehrseite der KI-Aufsicht

Ironischerweise ist die deutsche Finanzaufsicht selbst ein aktiver KI-Nutzer. Die BaFin setzt im hauseigenen Überwachungssystem ALMA einen Machine-Learning-Algorithmus ein, der Handelsdaten der vergangenen fünf Jahre analysiert, um verdächtige Muster schneller zu erkennen. Im Jahr 2024 gab es bei 18 von 46 abgeschlossenen Untersuchungen konkrete Anhaltspunkte für Marktmanipulation, wie t3n berichtet. Wie viele dieser Fälle der Algorithmus tatsächlich als erster aufgespürt hat, bleibt allerdings offen – die Zahl beschreibt die Gesamtbilanz der Marktüberwachung, nicht die Trefferquote der KI allein.

Der Haken dabei: Dieselbe Technologie, die Marktmanipulation aufdecken soll, kann auf der anderen Seite genau jene Muster erzeugen, die sie erkennen will. Eine Aufsicht, die mit ML gegen ML kämpft, betreibt im Grunde ein technologisches Wettrüsten – mit dem Unterschied, dass die eine Seite Milliarden an Handelsvolumen bewegt und die andere Seite nachträglich prüft, ob dabei etwas schiefgelaufen ist.

Für die Marktintegrität ist das trotzdem sinnvoll: Ohne ALMA würde ein erheblicher Teil algorithmischer Auffälligkeiten schlicht nicht auffallen, weil die Datenmengen für manuelle Prüfung längst zu groß sind. Die Frage ist eher, ob die Aufsicht mit der Geschwindigkeit der Marktentwicklung Schritt halten kann, wenn immer mehr Handelsentscheidungen ohne menschlichen Zwischenschritt fallen.

Regulierung im Niemandsland: KI-Act trifft Marktmissbrauchsrecht

Ein bislang kaum gelöstes Problem ist die regulatorische Einordnung: Der europäische KI-Act klassifiziert KI-Systeme nach Risikoklassen, und Finanzdienstleistungen fallen grundsätzlich in den Bereich der Hochrisiko-Anwendungen. Das bedeutet unter anderem Transparenzpflichten, menschliche Aufsicht und dokumentierte Robustheitstests. Gleichzeitig regelt die Marktmissbrauchsverordnung (MAR) die Ahndung von Kursmanipulation – setzt dafür aber in der Regel vorsätzliches oder zumindest fahrlässiges Handeln eines Menschen voraus.

Was passiert also, wenn ein KI-System eigenständig Preise verzerrt, ohne dass ein Händler oder Compliance-Beauftragter dies bewusst gesteuert hat? Die Rechtslage ist hier unscharf. Es fehlt an Präzedenzfällen, die klären, ob die Betreiber eines KI-Trading-Systems für dessen kollusives Verhalten haften, selbst wenn sie nachweisen können, dass sie keine Absprache programmiert haben. Juristen sprechen von einer Zurechnungslücke: Das Verhalten ist schädlich, aber der klassische Haftungstatbestand greift nicht, weil kein menschlicher Täter identifizierbar ist.

Die Bundesbank deutet in ihren Stellungnahmen an, dass sie hier regulatorischen Handlungsbedarf sieht – möglicherweise in Form von Meldepflichten für KI-Modelle im Finanzhandel oder Mindestanforderungen an Modellvielfalt, ähnlich den Diversifikationsregeln im Investmentrecht. Bis solche Regeln konkret werden, bleibt die Aufsicht auf nachträgliche Analyse angewiesen.

Der Haken bei unseriösen KI-Trading-Plattformen

Während sich Bundesbank und BaFin mit institutionellen Risiken beschäftigen, trifft ein anderes Problem direkt Privatanleger. Die BaFin hat in einer Verbrauchermitteilung vom 3. Juni 2025 ausdrücklich vor Plattformen gewarnt, die „Investieren mit KI“ und vollautomatischen Handel schon ab 250 Euro versprechen. Diese Seiten haben oft kein Impressum, die Betreiber sind nicht von der BaFin beaufsichtigt, und es besteht der Verdacht auf unerlaubte Geschäfte, wie die Verbrauchermitteilung der BaFin festhält.

Konkret heißt das: Wer 250 Euro auf eine solche Plattform überweist mit dem Versprechen von KI-gesteuerter Rendite, hat im schlimmsten Fall keine Möglichkeit, das Geld zurückzufordern, weil kein regulierter Anbieter dahintersteht. Zum Vergleich: Ein seriöser, bei der BaFin registrierter Broker unterliegt der Einlagensicherung und Meldepflichten nach dem Kreditwesengesetz. Eine Plattform ohne Impressum unterliegt gar nichts – außer dem guten Willen der Betreiber, den man vorher schlecht prüfen kann.

Hinzu kommt eine zweite Betrugsmasche: Die Bundesbank warnt explizit vor gefälschten Webseiten, Bildern und Videos, die suggerieren, Präsident oder Vorstand der Bundesbank würden Anlagetipps geben oder Krypto-Investments empfehlen. Das ist schlicht falsch – die Bundesbank gibt keine Anlageempfehlungen und verklagt niemanden wegen Krypto-Tipps. Wer eine solche Meldung sieht, sollte sie als Fälschung einordnen und im Zweifel die Zulassung des angeblichen Anbieters über die BaFin-Datenbank prüfen, bevor auch nur ein Euro fließt.

Digitale Souveränität als Finanzstabilitätsfrage

Ein Aspekt der Bundesbank-Warnung wird in der öffentlichen Debatte oft übersehen: die Abhängigkeit Europas von außereuropäischen KI-Anbietern. Wenn ein Großteil der im Finanzsektor genutzten Basismodelle von wenigen amerikanischen oder asiatischen Unternehmen stammt, entsteht eine doppelte Konzentration – technologisch und geopolitisch. Fällt ein solcher Anbieter aus, sind nicht einzelne Banken betroffen, sondern potenziell ganze Marktsegmente gleichzeitig.

Die Bundesbank fordert deshalb mehr digitale Souveränität für Europa, also eigene Kapazitäten bei Training, Betrieb und Kontrolle relevanter KI-Modelle im Finanzsektor. Das ist kein neues Thema – ähnliche Abhängigkeitsfragen tauchen bereits bei Cloud-Infrastruktur auf, wo die BaFin externe Anbieter als Fokusrisiko benennt. Neu ist die Zuspitzung auf Handelsalgorithmen, wo Abhängigkeit nicht nur Betriebsrisiko bedeutet, sondern direkt in Preisbildung und Finanzstabilität einwirkt.

Ist das realistisch umsetzbar? Skeptisch bin ich hier durchaus: Europäische Alternativen zu den führenden KI-Modellen existieren, aber sie sind in Rechenleistung und Trainingsdaten oft im Rückstand. Digitale Souveränität lässt sich nicht per Regulierung verordnen, sie muss über Jahre aufgebaut werden – während die Marktdurchdringung von KI-Trading schon heute wächst.

Was Anleger und Institute jetzt konkret tun sollten

Für institutionelle Marktteilnehmer bedeutet die Bundesbank-Warnung vor allem eines: Modellvielfalt wird zum Risikomanagement-Thema. Wer intern prüft, wie viele Handelsentscheidungen auf demselben KI-Anbieter beruhen, senkt sein eigenes Klumpenrisiko – unabhängig davon, was Wettbewerber tun. Das ist keine regulatorische Pflicht, aber ökonomisch vernünftig, ähnlich wie eine Diversifikation über verschiedene Emittenten im Anleihenportfolio.

Für das Risikomanagement von Banken und Asset-Managern bedeutet das konkret: Modell-Inventory prüfen, Abhängigkeiten von einzelnen KI-Providern kartieren und im Stress-Test simulieren, was passiert, wenn alle Systeme gleichzeitig dieselbe Handelsrichtung wählen. Institute, die ihre Handelsaktivitäten bereits über regulierte Broker abwickeln und etwa das ETF-Volumen über etablierte Neobroker steuern, sind von den kollusiven Effekten institutioneller KI-Modelle zumindest indirekt weniger betroffen als jene, die eigene Black-Box-Systeme betreiben.

Für Privatanleger gilt eine simplere Regel: Wer eine Plattform mit „garantierter KI-Rendite“ oder extrem niedrigem Mindesteinsatz findet, sollte zuerst die Zulassung prüfen und nicht die Renditeversprechen. Ein Blick in die BaFin-Datenbank kostet wenige Minuten und schützt zuverlässiger als jedes Werbevideo. Wer sich grundsätzlich mit Trading beschäftigen möchte, fährt mit etablierten, regulierten Neobrokern und breit gestreuten ETF-Sparplänen deutlich risikoärmer als mit dubiosen KI-Versprechen aus sozialen Netzwerken.

Und für alle, die beruflich mit Algorithmen im Finanzhandel zu tun haben, dürfte die zentrale Lehre der Bundesbank-Rede sein: Compliance endet nicht bei der eigenen Modell-Governance. Sie muss die Frage einschließen, wie ähnlich das eigene System dem der Konkurrenz ist – denn genau in dieser Ähnlichkeit liegt laut Bundesbank das eigentliche Algorithmen-Risiko für die Finanzstabilität.

Was bleibt von dieser Warnung, wenn der nächste Kursrutsch kommt und alle Algorithmen gleichzeitig verkaufen? Vermutlich die Erkenntnis, dass Effizienz und Fragilität an den Finanzmärkten näher beieinanderliegen, als es die Modelle selbst je erkennen könnten.