Wat kan AI wel en niet bij traden?

Disclaimer: dit artikel is uitsluitend educatief en geen beleggingsadvies. We doen geen koop- of verkoopaanbeveling en noemen geen aanbieders.

Niveau: Beginner

Trading met AI: wat bedoelen we ermee?

Trading met AI betekent dat je kunstmatige intelligentie gebruikt bij een deel van het handelen: informatie samenvatten, grafieken of data doorzoeken, regels testen of orders automatisch laten uitvoeren. AI kan veel werk sneller doen, maar voorspelt de markt niet betrouwbaar en neemt het risico niet van je over.

Over AI en traden circuleren veel beloftes: bots die ‘altijd winnen’, systemen die ‘de markt voorspellen’. Dit artikel geeft een realistisch beeld: waar AI je kan helpen, waar het tekortschiet en waarom het geen wondermiddel is. Dit is geen beleggingsadvies en we noemen geen aanbieders of producten.

Wat is AI eigenlijk?

AI is een verzamelnaam voor computerprogramma’s die taken doen waarvoor normaal menselijke intelligentie nodig is. Bij traden gaat het meestal om twee soorten:

Taalmodellen, zoals chatassistenten, die tekst lezen, samenvatten en schrijven.
Modellen die patronen in data zoeken, bijvoorbeeld in prijzen of volumes, ook wel machine learning genoemd.

Beide leren van gegevens uit het verleden. Dat is hun kracht, en ook hun grootste beperking: de markt van morgen is niet hetzelfde als de markt van gisteren.

Waar kan AI je bij helpen?

Voor iemand die leert traden kan AI vooral helpen met werk dat veel tijd kost, maar weinig met beslissingen.

Uitleg en leren. Een begrip laten uitleggen in eenvoudige woorden, of een rekenvoorbeeld laten narekenen. Controleer de uitkomst altijd, want AI kan fouten maken.
Samenvatten. Een lang kwartaalbericht of een economisch rapport samenvatten tot de hoofdpunten.
Je journaal analyseren. Een export van je tradingjournaal laten doorzoeken op patronen, bijvoorbeeld op welke tijden je vaker van je plan afwijkt.
Regels formuleren en testen. Een idee omzetten in concrete regels en die laten testen op historische data.
Uitvoering. Een systeem dat orders plaatst volgens vaste regels, zodat emoties minder kans krijgen.

Waar schiet AI tekort?

Voorspellen. Koersen bewegen door nieuws, gedrag en toeval. Een model dat in het verleden patronen vond, kan morgen het spoor bijster zijn.
Zeker weten. AI kan met grote stelligheid iets beweren wat niet klopt. Taalmodellen ‘verzinnen’ soms cijfers of bronnen.
Risico dragen. Als een systeem verliest, verlies jij. De verantwoordelijkheid blijft bij jou.
Uitzonderlijke situaties. Bij plotselinge crises gedragen markten zich anders dan in de data waarop een model leerde.

Waarom zijn beloftes over AI-trading verdacht?

Als een systeem echt betrouwbaar winst zou maken, zou de maker het weinig reden hebben om het aan iedereen te verkopen. Beloftes als ‘gegarandeerd rendement’, ‘nooit verlies’ of ‘word rijk met onze AI-bot’ zijn een rode vlag. De AFM waarschuwt regelmatig voor partijen die zonder vergunning beleggingsdiensten aanbieden. Controleer daarom altijd in het AFM-register of een partij een vergunning heeft.

Een fictief voorbeeld: een advertentie toont een grafiek die alleen maar stijgt, met de tekst ‘onze AI won 47 maanden op rij’. Wat je niet ziet: of die resultaten echt zijn, welke kosten zijn meegeteld, en hoeveel andere versies van de bot zijn weggelaten omdat ze verloren.

Hoe ziet verstandig gebruik van AI eruit?

Een fictief voorbeeld van Lisa, die leert traden. Ze gebruikt een chatassistent om een begrip als ‘spread’ te laten uitleggen en controleert de uitleg met een betrouwbare bron. Ze laat haar journaal samenvatten en ontdekt dat ze op vrijdagmiddag vaker buiten haar plan handelt. Ze laat de AI niet kiezen welke trade ze neemt en volgt geen signalen van onbekende partijen. De beslissingen en het risico blijven bij haar.

Welke fouten maken beginners met AI?

AI-antwoorden niet controleren. Een overtuigend antwoord is niet hetzelfde als een juist antwoord.
Signalen blind volgen. Een signaal zonder plan is geen strategie.
Te mooi resultaat geloven. Resultaten uit het verleden, zeker van een getest model, zijn geen garantie.
Geld inleggen bij een onbekende partij die met AI adverteert, zonder het AFM-register te checken.

Hoe begin je verstandig?

Gebruik AI eerst om te leren: uitleg, samenvattingen, vragen bij artikelen.
Controleer cijfers en beweringen altijd bij een betrouwbare bron.
Laat AI helpen met je journaal, niet met je beslissingen.
Wil je regels automatiseren, test dan eerst op historische data en daarna op een demo-account.
Check elke aanbieder in het AFM-register.

Begrippen vind je in de trading woordenlijst. Waarom één signaal geen plan is, lees je in Signaal versus strategie: waarom één signaal geen plan is.

Wat is het verschil tussen een hulpmiddel en een beslisser?

Een handige manier om naar AI te kijken: is het een hulpmiddel of een beslisser? Een hulpmiddel doet werk dat jij daarna beoordeelt. Een beslisser kiest zelf wat er gebeurt met jouw geld.

Rol	Voorbeeld	Wie beslist?
Hulpmiddel	uitleg, samenvatting, journaal-analyse	jij
Uitvoerder	order plaatsen volgens jouw vaste regels	jij, vooraf
Beslisser	een bot kiest zelf trades en grootte	het systeem

Voor een beginner is de eerste rol het veiligst. Bij de tweede blijf je verantwoordelijk voor de regels. Bij de derde geef je de controle uit handen, vaak zonder te weten hoe het systeem beslist.

Hoe controleer je een antwoord van een chatassistent?

Een fictief voorbeeld. Je vraagt: ‘Hoeveel kost een spread van 2 punten op 3 contracten?’ De assistent geeft een bedrag. Controleer dan:

Reken het zelf na met de formule uit een betrouwbaar artikel.
Vraag naar de aanname: welke waarde per punt gebruikte de assistent?
Vraag naar een bron en open die bron zelf. Bestaat de pagina niet, vertrouw het antwoord dan niet.

Zo gebruik je AI als oefenmaatje, niet als orakel. Dat geldt ook voor uitleg over regels en belasting: kijk bij de Belastingdienst of de AFM zelf.

Wat neem je hieruit mee?

AI helpt vooral bij leren, samenvatten en analyseren; het voorspelt de markt niet betrouwbaar.
De beslissing en het risico blijven bij jou.
Wantrouw beloftes van gegarandeerd rendement en check aanbieders in het AFM-register.
Controleer elk AI-antwoord, en oefen eerst op een demo-account.

Niveau: Gevorderd

Hoe werkt machine learning op koersdata?

Bij machine learning geef je een model veel voorbeelden uit het verleden en laat je het zelf een verband zoeken. Bij koersdata ziet dat er globaal zo uit:

Invoer kiezen. Bijvoorbeeld het rendement van de laatste vijf dagen, het volume, de afstand tot een voortschrijdend gemiddelde.
Doel kiezen. Bijvoorbeeld: stijgt de prijs morgen of niet?
Trainen. Het model zoekt in een deel van de data naar een verband tussen invoer en doel.
Testen. Je kijkt op een ander deel van de data, dat het model nog niet zag, hoe goed het verband standhoudt.

Het probleem is dat koersdata veel ruis bevatten. Het verband tussen gisteren en morgen is zwak en verandert in de tijd. Een model vindt bijna altijd iets, ook als dat iets toeval is.

Wat is overfitting?

Overfitting betekent dat een model zich zo precies aanpast aan de data uit het verleden, dat het ook het toeval heeft ‘geleerd’. Op de oude data lijkt het uitstekend, op nieuwe data valt het tegen.

Een fictief voorbeeld: Daan test een regel met tien instellingen op vijf jaar koersdata. Hij probeert duizenden combinaties en vindt er één die over die vijf jaar een mooi resultaat geeft. Op het jaar daarna, dat niet in de test zat, verliest dezelfde regel. Met zoveel combinaties was de kans groot dat er één toevallig goed uitkwam.

Tekenen van overfitting:

veel instellingen of regels voor weinig trades;
een resultaat dat sterk verslechtert als je één instelling een klein beetje verandert;
een groot verschil tussen de testperiode en de periode daarna.

Wat is het verschil tussen backtesten en vooruit testen?

Bij een backtest pas je regels toe op historische data. Bij vooruit testen (ook wel forward testing of papertrading) volg je de regels in de tijd, op data die er bij het opstellen nog niet was, bijvoorbeeld op een demo-account.

Een backtest is snel, maar kwetsbaar voor overfitting en voor fouten zoals:

Look-ahead bias: per ongeluk informatie gebruiken die je op dat moment nog niet had, zoals de slotkoers van de dag om midden op de dag te beslissen.
Survivorship bias: alleen aandelen testen die nu nog bestaan, terwijl bedrijven die failliet gingen ontbreken.
Kosten vergeten: spread, commissie en financieringskosten weglaten maakt elk resultaat mooier.

Vooruit testen kost meer tijd, maar laat zien of regels werken onder echte omstandigheden.

Wat kan een taalmodel wel en niet met marktinformatie?

Taalmodellen zijn goed in tekst: samenvatten, vertalen, structureren. Dat is bruikbaar bij nieuws, rapporten en je eigen notities.

Beperkingen:

Kennis met een einddatum. Veel modellen weten niets van recente gebeurtenissen, tenzij ze toegang hebben tot actuele bronnen.
Verzinnen. Een taalmodel kan een koers, datum of citaat geven dat niet bestaat. Dat heet hallucineren.
Geen marktgevoel. Dat een bericht positief klinkt, betekent niet dat de koers stijgt. Vaak is nieuws al in de prijs verwerkt voor jij het leest.

Een fictief voorbeeld: Lisa vraagt een assistent wat de koers van een aandeel gisteren deed. Het antwoord klinkt precies, maar blijkt bij controle in haar platform niet te kloppen. Ze gebruikt de assistent voortaan alleen om haar eigen geëxporteerde data te analyseren.

Wat vraagt automatisch handelen van jou?

Automatische uitvoering lijkt rust te geven: het systeem volgt de regels, jij hoeft niet te kijken. Toch blijven er taken:

Toezicht. Een verbinding valt weg, een order wordt half uitgevoerd, de markt sluit onverwacht. Iemand moet dat zien.
Risicogrenzen. Een maximaal verlies per dag en per positie, ingesteld buiten het systeem om, als vangnet.
Onderhoud. Markten veranderen. Een regel die vorig jaar paste, kan nu verliezen.
Kosten. Veel trades betekenen veel spread en commissie. Een systeem dat vaak handelt, moet dat eerst terugverdienen.

Hoe beoordeel je een claim over AI-trading?

Stel bij elke claim een paar vragen:

Vraag	Waarom
Zijn de resultaten van echte rekeningen of van een backtest?	Backtests zijn makkelijk mooi te maken
Zijn kosten meegeteld?	Zonder kosten is elk resultaat te rooskleurig
Hoe groot was het grootste verlies onderweg?	Een stijgende lijn kan diepe dalen verbergen
Heeft de partij een vergunning?	Check het AFM-register
Wordt winst beloofd?	Garanties bestaan niet bij traden

Een fictief voorbeeld: een site toont ‘312% rendement in één jaar’. Bij navraag blijkt het een backtest zonder kosten, op één markt, over een periode die achteraf is gekozen. Zonder die context zegt het getal niets.

Hoe combineer je AI met een tradingplan?

AI past het best binnen een plan dat jij hebt gemaakt. Voorbeelden van taken binnen zo’n plan:

de AI zoekt in je journaal welke opzetten na kosten slecht presteren;
de AI controleert je positiegrootte-berekening voordat je een order plaatst;
de AI vat elke week je regelbreuken samen voor je evaluatie.

De beslissingen blijven bij jou: welke markt, welke regels, hoeveel risico. Hoe je dat vastlegt, lees je in Een tradingplan maken.

Welke risico’s horen bij AI-tools zelf?

Privacy. Deel geen inloggegevens, rekeningnummers of persoonlijke documenten met een tool die je niet vertrouwt.
Afhankelijkheid. Werkt een tool niet meer, of verandert hij, dan moet jij nog weten wat je doet.
Schijnzekerheid. Een strakke grafiek of een stellig antwoord geeft een gevoel van controle dat er niet is.

Wat is het verschil tussen verband en oorzaak?

Een model zoekt verbanden: als A gebeurt, gebeurt vaak ook B. Dat betekent niet dat A de oorzaak is van B. Bij koersdata zijn er zoveel mogelijke verbanden dat er altijd een paar toevallig sterk lijken.

Een fictief voorbeeld: een model ontdekt dat een index over tien jaar vaker steeg op dagen waarop het in een bepaalde stad regende. Over die tien jaar klopt het verband. Toch is er geen logische reden waarom regen de koers zou bewegen. De kans is groot dat het verband in de volgende tien jaar verdwijnt.

Een vuistregel: vertrouw een patroon meer als je kunt uitleggen waarom het zou bestaan, en als het ook in andere markten en periodes te zien is. Een patroon zonder verklaring is verdacht, hoe mooi het resultaat ook oogt. Hoe meer verbanden een model doorzoekt, hoe groter de kans dat er een paar toevallig sterk uitkomen. Vraag daarom bij een resultaat ook: hoeveel varianten zijn er geprobeerd voordat deze werd gekozen? Bij duizenden pogingen is een mooi resultaat bijna vanzelf te vinden, ook zonder echt patroon.

Wat zijn marktregimes?

Markten wisselen van karakter. Er zijn periodes met rustige trends, periodes met grote schommelingen zonder richting, en korte periodes van paniek. Zulke periodes heten wel marktregimes.

Een model dat leerde in een rustige, stijgende markt, heeft nooit gezien hoe een crash eruitziet. Komt die, dan kan het model precies het verkeerde doen. Een fictief voorbeeld: een regel die bij elke daling bijkoopt, werkt drie jaar lang prima. In het vierde jaar daalt de markt maandenlang, en de regel koopt steeds opnieuw bij, met steeds grotere verliezen.

Daarom hoort bij elk systeem de vraag: in welke omstandigheden werkt dit niet, en wat doe ik dan? Een risicogrens die los van het systeem staat, is dan je vangnet.

Wat zegt een hoog winstpercentage?

Aanbieders van bots noemen vaak een winstpercentage: ‘85% van de trades winstgevend’. Dat getal zegt weinig zonder de grootte van winst en verlies.

Een fictief rekenvoorbeeld: een bot wint 85 van de 100 trades met gemiddeld €10 en verliest 15 trades met gemiddeld €70. Winst: 85 × €10 = €850. Verlies: 15 × €70 = €1.050. Netto: −€200, en dan zijn kosten nog niet meegeteld. Een hoog winstpercentage gaat vaak samen met kleine winsten en zeldzame, grote verliezen. Kijk daarom altijd naar de verwachte uitkomst per trade na kosten en naar het grootste verlies.

Hoe zet je een eenvoudige test verstandig op?

Wil je zelf een regel testen, eventueel met hulp van AI, dan helpt een vaste aanpak:

Schrijf de regel op vóór je test, in gewone taal.
Splits je data: een deel om te bouwen, een deel dat je pas aan het eind gebruikt.
Houd het aantal instellingen klein.
Tel spread, commissie en financieringskosten mee.
Kijk naar het grootste verlies onderweg, niet alleen naar het eindresultaat.
Test daarna vooruit op een demo-account, minstens enkele weken.

Laat een AI-assistent gerust meedenken over de code of de berekening, maar controleer elke stap. Een fout in een test is makkelijk gemaakt en moeilijk te zien.

Wat neem je hieruit mee?

Machine learning vindt bijna altijd een patroon, ook in toeval; overfitting is het grootste risico.
Backtests zijn snel maar kwetsbaar; test daarna vooruit op een demo-account.
Taalmodellen helpen met tekst en analyse van je eigen data, maar kunnen feiten verzinnen.
Automatisch handelen vraagt toezicht, risicogrenzen en onderhoud.
Beoordeel claims op kosten, echte resultaten, drawdown en vergunning.

Niveau: Verdieping

Waarom is de markt zo moeilijk te voorspellen?

Wie zich verdiept in trading met AI, stuit al snel op een oude vraag uit de financiële wetenschap: kun je koersen eigenlijk wel voorspellen? Het Nobelcomité vatte het onderzoek van Eugene Fama, Lars Peter Hansen en Robert Shiller, die in 2013 de economieprijs kregen, zo samen: er is geen manier om te voorspellen of de prijzen van aandelen en obligaties de komende dagen of weken stijgen of dalen. Over langere periodes, zoals drie tot vijf jaar, valt de brede richting wel enigszins te voorzien. Voor wie daytradet, dus juist op de korte termijn handelt, is dat een ontnuchterend vertrekpunt.

De gedachte erachter is eenvoudig. Als er in koersen een duidelijk en bruikbaar patroon zit, gaan veel partijen daar gebruik van maken. Door hun koop- en verkooporders verschuift de prijs, totdat het patroon verdwenen is. Informatie die iedereen kan zien, zit daardoor snel in de prijs. Wat overblijft, is grotendeels ruis. Een model dat op die ruis traint, leert vooral toeval.

Dat betekent niet dat alle patronen per definitie onmogelijk zijn. Het betekent wel dat het voordeel, als het er is, klein, wisselend en tijdelijk is. En dat het al snel kleiner is dan de kosten van het handelen zelf. Wie een AI-systeem beoordeelt, doet er goed aan dit als nulhypothese te nemen: de kans is groot dat een gevonden patroon geen echt voordeel is, totdat het tegendeel overtuigend blijkt.

Wat is data snooping en waarom is het zo verraderlijk?

Data snooping, ook wel datamining in negatieve zin, is het probleem dat ontstaat als je op dezelfde gegevens heel veel ideeën test. Elke test heeft een kleine kans om toevallig een goed resultaat te geven. Doe je er duizend, dan is de kans vrijwel nul dat er geen enkele mooi uitkomt. Wie vervolgens alleen die ene beste presenteert, laat een resultaat zien dat vooral uit selectie bestaat.

AI maakt dit probleem groter, niet kleiner. Een computer kan in een middag miljoenen combinaties van indicatoren, instellingen en tijdframes doorrekenen. Een taalmodel kan op verzoek tientallen strategieën bedenken en ze direct in code omzetten. Het is nog nooit zo makkelijk geweest om een prachtige backtest te maken, en het is nog nooit zo makkelijk geweest om jezelf daarmee voor de gek te houden.

Een fictief voorbeeld maakt het concreet. Lisa laat een assistent tweehonderd varianten van een regel testen op drie jaar koersdata van een index. Het beste resultaat is indrukwekkend: een stijgende lijn met weinig dalingen. Ze test die beste variant daarna op het jaar dat ze apart had gehouden. Het resultaat is ongeveer nul, en na kosten negatief. Dat is geen pech; het is wat je mag verwachten als je de beste uit tweehonderd kiest. Had ze de apart gehouden periode niet gebruikt, dan had ze het niet geweten.

Er zijn manieren om hiermee om te gaan. De belangrijkste is eerlijk tellen: noteer hoeveel varianten je geprobeerd hebt, ook de mislukte. Hoe meer pogingen, hoe hoger de lat voor een resultaat dat je serieus neemt. Houd data echt apart en gebruik die maar één keer. En geef de voorkeur aan eenvoudige regels met een begrijpelijke reden boven ingewikkelde regels die alleen op papier werken.

Waarom veranderen markten onder een model?

Een tweede probleem is dat markten niet stilstaan. In de statistiek heet dat non-stationariteit: de eigenschappen van de data veranderen door de tijd. De beweeglijkheid van een markt kan maanden laag zijn en dan plotseling verdubbelen. Verbanden tussen markten, bijvoorbeeld tussen aandelen en obligaties, kunnen omdraaien. Nieuwe spelers, nieuwe regels en nieuwe technologie veranderen hoe prijzen tot stand komen.

Een model leert van het verleden en gaat er stilzwijgend van uit dat de toekomst daarop lijkt. Dat gaat goed zolang de omstandigheden gelijk blijven, en mis zodra ze veranderen. Het venijnige is dat je dat niet vooraf weet. Een systeem dat drie jaar goed werkte, kan in het vierde jaar beginnen te verliezen, en het is lastig om op tijd te onderscheiden of dat een gewone slechte periode is of het einde van het patroon.

Daar komt bij dat een patroon dat werkt, aandacht trekt. Als meer partijen hetzelfde voordeel benutten, wordt het kleiner. Soms gebeurt dat geleidelijk, soms snel. Wie een systeem koopt dat aan veel mensen tegelijk is verkocht, moet zich afvragen hoeveel voordeel er overblijft als iedereen dezelfde orders op hetzelfde moment plaatst.

Wat betekent het als je niet kunt zien hoe een model beslist?

Sommige AI-modellen zijn zo complex dat ook de makers niet precies kunnen zeggen waarom het model een bepaalde keuze maakt. Dat heet wel een black box. Voor een beginner is dat een belangrijk risico. Als je niet weet waarom een systeem koopt, weet je ook niet wanneer het niet meer werkt. Je kunt het alleen beoordelen op de uitkomst, en uitkomsten op korte termijn zijn grotendeels toeval.

Vergelijk dat met een eenvoudige regel die je zelf hebt opgeschreven. Werkt die een maand niet, dan kun je nagaan of de omstandigheden passen bij de regel, of je hem goed hebt uitgevoerd en of de kosten anders waren. Bij een black box rest alleen vertrouwen of wantrouwen. Uitlegbaarheid is daarom geen luxe, maar een vorm van risicobeheer. Voor wie leert traden geldt: begrijp eerst wat je doet, en gebruik pas daarna gereedschap dat het werk versnelt.

Hoe groot is de rol van kosten bij snelle systemen?

Hoe vaker een systeem handelt, hoe zwaarder kosten wegen. Elke trade kost spread, vaak commissie, en bij posities met hefboom over de nacht financieringskosten. Die kosten zijn zeker, terwijl het voordeel van een regel onzeker is.

Een fictief rekenvoorbeeld. Een systeem doet gemiddeld tien trades per dag, met een verwachte bruto-opbrengst van 0,05R per trade. Op papier is dat een halve R per dag. Kost elke trade aan spread en commissie gemiddeld 0,06R, dan is de verwachte uitkomst per trade na kosten −0,01R. Het systeem verliest dan langzaam, ook al ziet de backtest zonder kosten er positief uit. Bij systemen die vaak handelen, bepalen kosten en uitvoering vaak meer dan de slimheid van het model. Meer over spread en overnight kosten lees je in Bid, ask en spread uitgelegd.

Uitvoering is daarbij een eigen bron van kosten. Een backtest gaat er meestal van uit dat je precies op de koers van het signaal handelt. In werkelijkheid kan de prijs net verschoven zijn, zeker bij snelle bewegingen of rond nieuws. Dat verschil heet slippage. Kleine verschillen per trade tellen bij veel trades op tot een groot verschil. Wie zelf test, doet er daarom goed aan in een backtest een vaste slippage per trade mee te rekenen, liever iets te veel dan te weinig. Blijft het resultaat ook dan overeind, dan is dat een beter teken.

Welke toezichtregels spelen rond algoritmisch handelen?

In de Europese Unie gelden voor beleggingsondernemingen regels voor algoritmisch handelen, onder meer over het testen van systemen en het beheersen van risico’s. Voor particulieren is vooral belangrijk dat aanbieders van beleggingsdiensten in Nederland een vergunning nodig hebben en onder toezicht staan van de AFM. Voor CFD’s gelden bovendien Europese beperkingen voor aanbieders, zoals een maximale hefboom voor particuliere klanten en bescherming tegen een negatief saldo.

Bij AI-trading duiken regelmatig partijen op die geen vergunning hebben. Ze werven via advertenties en sociale media, vaak met verhalen over een slimme bot en hoge rendementen, soms met nep-aanbevelingen van bekende Nederlanders. Het patroon is herkenbaar: eerst een klein bedrag, daarna een ‘accountmanager’ die aandringt op meer, en problemen zodra je geld wilt opnemen. De eenvoudigste controle is het AFM-register. Staat een partij daar niet in, dan hoort ze in Nederland geen beleggingsdiensten aan te bieden.

Ook bij een partij met vergunning blijft de kern hetzelfde: jij draagt het risico. Een vergunning zegt iets over toezicht op de aanbieder, niet over de kwaliteit of de uitkomst van een strategie.

Wat is de verstandige rol van de mens naast AI?

Als voorspellen op korte termijn zo moeilijk is, wat blijft er dan over? Juist de onderdelen van traden die niet over voorspellen gaan. Risicobeheer: hoeveel je per trade riskeert, waar je stop staat, wanneer je stopt voor de dag. Discipline: je plan volgen, ook na een reeks verliezen. Evaluatie: eerlijk kijken naar wat je deed en wat het kostte. Dat zijn precies de terreinen waar AI je goed kan ondersteunen, als hulpmiddel en niet als beslisser.

Een fictief voorbeeld van een verstandige taakverdeling. Daan schrijft zijn regels zelf op in een tradingplan. Hij gebruikt een assistent om elke avond zijn journaal te controleren op regelbreuken, om zijn positiegrootte na te rekenen en om een samenvatting te maken van zijn week. Wil hij een nieuw idee testen, dan laat hij de assistent helpen met code, maar telt hij zelf het aantal geprobeerde varianten, houdt hij een periode apart en test hij daarna minstens een maand op een demo-account. De assistent maakt hem sneller; de beslissingen en het risico blijven bij hem.

Er is ook een psychologisch voordeel aan die verdeling. Wie de verantwoordelijkheid bij een systeem legt, gaat sneller zoeken naar een volgend systeem als het tegenzit. Wie zelf verantwoordelijk blijft, leert van elke trade. Op de lange duur is dat leren waarschijnlijk waardevoller dan welk model ook.

Hoe stel je jezelf de juiste vragen?

Voordat je met AI aan de slag gaat bij traden, helpt een korte lijst met vragen die je eerlijk beantwoordt. Wat wil ik precies dat de AI doet: uitleggen, analyseren, testen of beslissen? Kan ik controleren of de uitkomst klopt? Weet ik hoeveel varianten er zijn getest voordat dit resultaat werd gekozen? Zijn kosten en slippage meegeteld? Hoe groot was het grootste verlies onderweg, en kan ik dat dragen? Heeft de partij achter het systeem een vergunning? En: wat doe ik als het systeem een maand verliest?

Kun je een van die vragen niet beantwoorden, dan is dat geen reden om AI links te laten liggen, maar wel een reden om kleiner, langzamer en eerst op een demo-account te beginnen. AI is een krachtig gereedschap voor leren en analyseren. Het is geen vervanging voor begrip, discipline en het besef dat elke trade kan verliezen.

Hoe toets je een signaaldienst eerlijk?

Veel AI-diensten verkopen geen bot, maar signalen: een bericht dat je op een bepaald moment zou moeten kopen of verkopen. Ook die kun je toetsen zonder geld te riskeren, maar dan moet je het wel systematisch doen. Noteer elk signaal op het moment dat het binnenkomt, met tijdstip, markt, richting en de koers op dat moment. Noteer ook de stop en het doel als die worden genoemd, en bereken achteraf wat het resultaat zou zijn geweest, inclusief spread en een redelijke schatting van slippage. Doe dat voor alle signalen, niet alleen voor de signalen die je opvallen.

Een fictief voorbeeld. Daan volgt acht weken lang een signaalkanaal op papier. In de berichten van het kanaal zelf lijken vooral winnaars voorbij te komen. In zijn eigen lijst van alle 64 signalen ziet hij een ander beeld: ongeveer de helft verliest, een aantal signalen kwam zo laat binnen dat de koers al ver was bewogen, en na kosten komt de som uit rond nul. Het verschil tussen wat het kanaal laat zien en wat zijn lijst laat zien, is precies de selectie waar je op moet letten. Wie zelf telt, ziet het hele plaatje; wie alleen de geplaatste resultaten leest, ziet het verkooppraatje.

Acht weken is daarbij nog steeds een korte periode. Ook een kanaal dat in die tijd positief uitkomt, kan dat door toeval doen. De toets helpt vooral om slechte diensten snel te herkennen, minder om goede met zekerheid aan te wijzen. Dat ongemakkelijke verschil hoort bij het eerlijke beeld van trading met AI: weglaten van twijfel is meestal een teken dat iemand iets verkoopt.

Wat neem je hieruit mee?

Koersen zijn op de korte termijn volgens het onderzoek dat in 2013 met de Nobelprijs werd bekroond niet te voorspellen, en dat geldt ook voor AI. Data snooping maakt mooie backtests goedkoop; tel je pogingen en houd data apart. Markten veranderen onder een model, en patronen die werken trekken navolgers. Kosten en slippage wegen zwaar bij systemen die vaak handelen. Controleer elke aanbieder in het AFM-register, en houd zelf de regie over risico en beslissingen.

Welke risico’s horen bij traden?

Traden brengt een reëel risico op verlies met zich mee. Je kunt (een deel van) je inleg verliezen. Met hefboomproducten zoals CFD’s kunnen verliezen snel oplopen, omdat kleine prijsbewegingen grote gevolgen hebben voor je resultaat. Eerdere resultaten bieden geen garantie voor de toekomst. Handel alleen met geld dat je kunt missen. Als je wilt handelen: controleer in het AFM-register of een aanbieder een vergunning heeft.

Veelgestelde vragen

Kan AI de koers voorspellen?

Niet betrouwbaar. Onderzoek dat in 2013 met de Nobelprijs werd bekroond liet zien dat koersen op een termijn van dagen of weken niet te voorspellen zijn. AI leert van het verleden, en markten veranderen.

Waar helpt AI wel bij traden?

Bij uitleg, samenvatten, je journaal analyseren, regels formuleren en testen, en het uitvoeren van vaste regels. De beslissing en het risico blijven bij jou.

Wat is overfitting?

Een model dat zich zo precies aan het verleden aanpast dat het ook het toeval heeft geleerd. Het ziet er in een backtest goed uit en valt daarna tegen.

Hoe herken je een onbetrouwbare AI-tradingaanbieder?

Beloftes van gegarandeerd rendement, druk om meer geld in te leggen en geen vergunning. Controleer elke partij in het AFM-register.

Test jezelf

1. Een bot wint 85 van 100 trades met gemiddeld €10 en verliest 15 trades met gemiddeld €70. Wat is het nettoresultaat vóór kosten?
Antwoord: −€200 (€850 − €1.050).

2. Wat is look-ahead bias?
Antwoord: In een test informatie gebruiken die je op dat moment nog niet had, zoals de slotkoers om midden op de dag te beslissen.

3. Een systeem verwacht 0,05R per trade en betaalt 0,06R kosten per trade. Wat is de verwachting na kosten?
Antwoord: −0,01R per trade.

4. Welke rol is voor een beginner het veiligst: hulpmiddel, uitvoerder of beslisser?
Antwoord: Hulpmiddel: jij beoordeelt het werk en beslist zelf.

Bronnen

AFM – Registers (controleer of een aanbieder een vergunning heeft): https://www.afm.nl/nl-nl/sector/registers
NobelPrize.org – The Prize in Economic Sciences 2013, popular information (Fama, Hansen, Shiller: koersen op korte termijn niet te voorspellen): https://www.nobelprize.org/prizes/economic-sciences/2013/popular-information/
Overige vakinhoud: algemene uitleg van de redactie; geen externe cijfers gebruikt. Voorbeelden zijn fictief.

Auteur: Redactie AI Daytrading
Gepubliceerd: 2026-10-23 · Bijgewerkt: 2026-10-23