Technische Analyse: die Magie, die keine ist

Ein Starenschwarm hat keinen Anführer. Kein Vogel kennt den Plan, keiner sieht das Ganze — jeder reagiert nur auf die sechs, sieben Nachbarn um ihn herum. Und trotzdem bewegt sich der Schwarm wie ein einziges Wesen: Er dreht, teilt sich, weicht aus, als hätte jemand ein Kommando gegeben, das nie jemand gegeben hat.

Das ist der ehrlichste Zugang zur technischen Analyse, den ich kenne. Die Linien auf dem Chart können nicht in die Zukunft sehen. Aber Hunderttausende schauen auf dieselben Linien und reagieren aufeinander — und daraus entsteht etwas, das sich wie Vorhersage anfühlt. Die „Magie” der TA ist keine Magie. Sie ist Koordination. Und das ist, wie ich zeigen will, eine viel interessantere Erklärung als Zauberei — weil sie auch erklärt, wann der Zauber versagt.

Symbolbild, KI-generiert.

Was die technische Analyse behauptet

Kurz für alle, die neu sind: Technische Analyse liest aus vergangenen Kursen und Volumen Muster heraus — Unterstützungen und Widerstände, Trends, Ausbrüche, Indikatoren wie RSI und MACD, Level wie Fibonacci-Retracements — und schließt daraus auf wahrscheinliche nächste Bewegungen. Die Begriffe selbst habe ich alle im Trading-Begriffe-Index erklärt; hier geht es um die eine Frage, die dort keinen Platz hatte: Kann das überhaupt funktionieren — und wenn ja, warum?

Was die Forschung wirklich sagt

Die kurze Antwort: Es ist komplizierter, als beide Lager behaupten.

Die berühmteste Pro-Studie stammt von Brock, Lakonishok und LeBaron (1992): Simple Regeln — gleitende Durchschnitte, Range-Ausbrüche — zeigten auf neunzig Jahren Dow-Jones-Daten statistisch signifikante Prognosekraft. Das Ergebnis überlebte sogar den härtesten Test: Sullivan, Timmermann und White prüften 1999 mit einem Bootstrap über das gesamte Universum möglicher Handelsregeln, ob der Befund nur Data-Snooping war — war er nicht. Aber dieselbe Studie fand auch: Im jüngeren Zeitraum (1987–1996) war der Vorteil verschwunden. Merk dir dieses Muster, es kommt gleich wieder.

Lo, Mamaysky und Wang (2000) automatisierten die Mustererkennung und fanden: Klassische Chartmuster tragen tatsächlich statistische Information — aber „informativ” heißt nicht „profitabel”, und Transaktionskosten waren nicht Teil des Tests. Der große Literatur-Survey von Park und Irwin (2007) zählte 56 positive, 20 negative und 19 gemischte Studien — und attestierte den meisten zugleich methodische Probleme: nachträglich ausgewählte Regeln, geschönte Kosten, Data-Snooping.

Die Gegenposition ist genauso ernst zu nehmen: Nach der Effizienzmarkthypothese (Fama, 1970) steckt alle Information aus vergangenen Kursen bereits im Preis — nicht weil Märkte dumm wären, sondern weil viele kluge Leute sie sofort einpreisen. Und die Apophenie-Kritik hat einen ehrwürdigen Beleg: Schon Roberts zeigte 1959, dass Charts aus reinen Zufallszahlen von echten Kursverläufen optisch kaum zu unterscheiden sind. Malkiel erzählt in „A Random Walk Down Wall Street” die passende Anekdote: Studierende erzeugten per Münzwurf einen fiktiven Chart, ein Chartist erkannte darin eine bullishe Formation und riet dringend zum Kauf. (Buch-Anekdote, keine Studie — aber eine, die sitzt.)

Und dann ist da die eine große Ausnahme, bei der sich die Forschung weitgehend einig ist: Momentum. Was über Monate gut lief, läuft im Schnitt etwas weiter — dokumentiert seit Jegadeesh und Titman (1993), breit repliziert, und inzwischen auch für Krypto in Top-Journals bestätigt: als Zeitreihen-Effekt, als Querschnittsfaktor und zuletzt als Trendfaktor über 3.000 Coins, der Transaktionskosten überlebt. Bevor daraus Euphorie wird, die Fußnoten: Das ist Portfolio-Evidenz auf Monatshorizonten — kein Beleg, dass Chartlesen im 5-Minuten-Fenster funktioniert. Und Momentum hat einen dokumentierten Preis: seltene, brutale Crashes genau in den Panik- und Erholungsphasen, in denen man es am wenigsten braucht.

Symbolbild, KI-generiert.

Der Trick: Es funktioniert, weil alle hinschauen

Jetzt zum interessanten Teil — dem Mechanismus, der erklärt, warum Linien ohne Prognosekraft trotzdem reale Wirkung haben können. Er ist keine Spekulation; er ist gemessen worden, am gründlichsten von Carol Osler, damals bei der Federal Reserve Bank of New York.

Drei Befunde, die zusammen die halbe TA erklären:

Erstens: Als Osler Support- und Resistance-Level echter Devisenhändler auswertete (2000), endete die übergroße Mehrheit auf runden Zahlen — und die Level halfen tatsächlich, Trendunterbrechungen vorherzusagen. Zweitens, und das ist der schönste Befund der ganzen Literatur: Mit den ersten verfügbaren Daten zu echten Kunden-Orders zeigte Osler (2003, Journal of Finance), dass Take-Profit-Orders sich direkt an runden Zahlen häufen — weshalb Trends dort drehen — und Stop-Loss-Orders knapp jenseits — weshalb Kurse nach einem Durchbruch ungewöhnlich schnell weiterlaufen. Zwei Kernvorhersagen der Chartlehre, hergeleitet nicht aus den Linien, sondern aus der Verteilung der Orders selbst. Drittens: Geclusterte Stops können sich kaskadenartig gegenseitig auslösen (2005) — eine Stop-Schicht schiebt den Kurs in die nächste. Das, was Trader „Stop-Run” nennen, ist als Mechanismus akademisch vermessen.

Dazu kommt der Anker-Effekt vielbeachteter Durchschnittslinien (Avramov et al., 2021) und die Frage, ob überhaupt genug Marktteilnehmer mitspielen, damit Koordination trägt. Antwort: ja — in Menkhoffs Befragung von 692 Fondsmanagern nutzten 87 Prozent technische Analyse, auf Wochen-Horizonten war sie sogar wichtiger als Fundamentalanalyse. Das ist keine Retail-Folklore; das sind Profis.

Fibonacci ist der Reinfall-Test für diese Theorie — und besteht ihn: Die Prognose-Evidenz ist dünn bis nicht vorhanden, das 50-%-Level ist nicht einmal ein Fibonacci-Verhältnis, und trotzdem wirken die Level manchmal. Die plausibelste dokumentierte Erklärung: Sie wirken, weil Millionen sie zeichnen und dort Orders platzieren. George Soros hat für diese Rückkopplung — Erwartungen verändern den Markt, den sie zu beschreiben glauben — den Begriff Reflexivität geprägt. Als Konzept, nicht als Studie; aber es ist das richtige Wort.

Und hier steckt auch die eingebaute Selbstzerstörung: Koordination trägt nur, solange genug mitspielen — und sobald ein Muster zu bekannt ist, wird es weggehandelt. McLean und Pontiff haben das quantifiziert: Publizierte Rendite-Anomalien verlieren nach ihrer Veröffentlichung im Schnitt 58 Prozent ihrer Kraft. Der Schwarm dreht — und wer die alte Richtung weiterfliegt, fliegt allein.

In Krypto ist die Schleife kürzer

Alles bisher gilt für Märkte im Allgemeinen. In Krypto kommt eine Verschärfung dazu, und sie hat einen präzisen Grund: Es gibt kaum Fundamentaldaten, an denen man sich sonst festhalten könnte. Eine bemerkenswerte Studie (Detzel et al., 2021) zeigt genau das: Bei Assets mit schwer bewertbaren Fundamentaldaten — Bitcoin ist ihr Hauptbeispiel — entsteht technische Analyse rational, weil der Preis selbst die einzige gemeinsame Informationsquelle ist. Wo kein Gewinn je Aktie existiert, wird die 200-Wochen-Linie zum Lagerfeuer, um das sich alle versammeln.

Dazu kommt die Struktur des Marktes: Er ist retail-dominiert — die BIS wertete Krypto-App-Daten aus 95 Ländern aus und fand, dass rund 40 Prozent der Neuzugänge Männer unter 35 sind, das risikofreudigste Segment (ihre Überschlagsrechnung: etwa drei Viertel der App-Nutzer dürften mit Bitcoin-Käufen bis 2022 Geld verloren haben). Diese Masse schaut auf identische Werkzeuge: Auf praktisch jeder Börsen-App sind dieselben Indikatoren voreingestellt, die die Börsen-Akademien selbst als Standard-Set lehren — RSI, gleitende Durchschnitte, MACD, Bollinger. (Und weil es hier um eine Börse geht, der Pflichtsatz: Das ist eine Beschreibung ihrer Lehrmaterialien, keine Empfehlung; was auf Börsen liegt, gehört dir nur auf dem Papier.) Der Markt handelt 24/7, ohne Handelsunterbrechungen, ohne Schlussauktion — nichts bremst eine Kaskade, wenn sie läuft.

Und die Zwangsflüsse sind hier sichtbarer als irgendwo sonst: Tools wie die Liquidations-Heatmap von Coinglass kartieren, wo sich vermutlich gehebelte Positionen häufen — wichtig zu wissen: das ist ein Modell aus Open Interest und typischen Hebel-Stufen, kein geleaktes Orderbuch. Dass Kurse auffällig oft genau in solche Zonen laufen, nennt die Szene „Stop-Hunting”; die Absicht einzelner Akteure ist dabei praktisch nie belegbar — der Mechanismus dahinter aber schon, siehe Osler. Wie das im Extrem aussieht, hat der 10. Oktober 2025 gezeigt: Nach Tracker-Daten wurden binnen 24 Stunden Positionen über 19 Milliarden Dollar liquidiert; die Minutendaten von Amberdata zeigen die Anatomie der Kaskade — 3,21 Milliarden in einer einzigen Minute, 93,5 Prozent davon erzwungene Verkäufe. Kein Chart-Muster hat das „vorhergesagt”. Aber die Cluster, durch die die Kaskade lief, waren vorher auf jeder Heatmap zu sehen. Das ist der Unterschied zwischen Wahrsagerei und Mechanik.

Die Kehrseite gilt genauso: In Krypto verfallen Edges schneller. Die gründlichste Krypto-TA-Studie (Hudson und Urquhart, 2021 — fast 15.000 Regeln, mit Data-Snooping-Kontrollen) fand in der frühen Marktphase breite Profitabilität — und für Bitcoin war sie in der Out-of-sample-Periode weg. Dasselbe Muster wie 1999 bei Sullivan, Timmermann und White. Der Schwarm lernt.

Was ohne Magie übrig bleibt

Wenn TA im Kern Koordination ist — was heißt das praktisch? Zwei Dinge, und beide sind unspektakulärer als jedes YouTube-Thumbnail.

Erstens: Level sind Orte, keine Orakel. Eine Unterstützung „hält” nicht, weil die Linie heilig ist, sondern wenn dort tatsächlich Nachfrage wartet — und sie bricht, wenn nicht. Wer Level als Wahrscheinlichkeits-Landkarte der Orders anderer liest statt als Vorhersage, benutzt das Werkzeug so, wie es die Datenlage hergibt.

Zweitens — und das ist der Teil, der auch dann trägt, wenn man an gar nichts glaubt: der Rahmen. Der messbare Nutzen von Regeln wie Stops hängt nicht an Chart-Magie: Kaminski und Lo zeigten, dass Stop-Loss-Regeln in Zufallsmärkten Rendite kosten und in Momentum-Regimen Wert beitragen können — es kommt auf den Markt an, nicht auf die Linie. Und in der Bitcoin-Studie von Detzel et al. reduzierten einfache Durchschnitts-Regeln vor allem eines messbar: die Tiefe der Drawdowns. Ein Invalidierungspunkt, eine Positionsgröße, ein definiertes „ich lag falsch” — das ist der Teil der TA, der Disziplin erzwingt, wo sonst Gefühle handeln. Keine Prognose nötig.

Das ist meine ehrliche Zusammenfassung der „Magie”: Technische Analyse funktioniert dort, wo sie Koordination abbildet, und sie hilft dort, wo sie Disziplin erzwingt. Sie versagt zuverlässig, sobald man sie als Wahrsagerei benutzt — und am teuersten wird sie mit Hebel, weil dann die Kaskaden mitspielen. Ob und was du damit machst, bleibt allein deine Entscheidung; dieser Beitrag hat dir hoffentlich nur das Warum sortiert. Die Begriffe zum Nachschlagen stehen im Index — und die Kernregeln des nüchternen Handwerks gibt es in der Crypto Collection als Trading Cheat Sheet, Werkzeug statt Versprechen, wie alles hier.

Quellen und Grenzen

Die Forschungslage ist über Primärquellen belegt (Journal of Finance, Review of Financial Studies, JFQA, Journal of Financial Markets, BIS; frei zugängliche Fassungen verlinkt, wo vorhanden). Wichtige Grenzen: Die Krypto-Studien decken überwiegend frühe, notorisch ineffiziente Marktphasen ab — ihre Ergebnisse sind keine Aussage über heute. Die Koordinations-Mechanik ist für Devisen- und Aktienmärkte am härtesten belegt (Osler; Order-Clustering); ihre Übertragung auf Krypto ist gut begründete Einordnung, als solche gekennzeichnet. „Stop-Hunting” als absichtsvolle Praxis einzelner Akteure ist nicht gerichtsfest belegt und wird hier ausdrücklich als Szene-Beschreibung geführt. Und die wichtigste Grenze zum Schluss: Nichts in diesem Beitrag ist eine Handelsstrategie — er erklärt, warum etwas passiert, nicht, was du tun sollst.

Fragen, oder einen Fehler gefunden? Schreib mir.