Blockchain-Analyse im Jahr 2026 ist nicht mehr nur die exklusive Domäne von Data Scientists. Mit dem Aufkommen fortschrittlicher LLMs (Large Language Models), die in der Lage sind, Code zu interpretieren und mit riesigen Mengen strukturierter Daten zu arbeiten, haben Trader ein mächtiges Werkzeug erhalten. Der Unterschied zwischen einer „Halluzination“ des Modells und einem wertvollen Alpha-Signal liegt jedoch in einer einzigen Fähigkeit – dem Prompt Engineering.
In diesem Artikel erfahren Sie, wie Sie eine KI in einen vollwertigen Datenanalysten verwandeln, der nicht nur „rät“, sondern On-Chain-Ereignisse mathematisch präzise interpretiert.
1. Paradigmenwechsel: Vom „Fragen“ zum „Instruieren“
Der Hauptfehler vieler Trader besteht darin, allgemeine Fragen zu stellen (z. B. „Was passiert gerade bei Ethereum?“). Für die On-Chain-Analyse ist das nutzlos. Modelle haben keinen direkten Zugriff auf Echtzeit-Nodes im Rohzustand; sie arbeiten durch die Interpretation von Daten, die Sie ihnen über API-Tools oder hochgeladene Dateien „füttern“.
Die goldene Regel: Ihr Prompt muss Rolle, Kontext, Aufgabe und Einschränkungen enthalten.
Schlechtes Beispiel:
„Schau dir die Transaktionen dieser Adresse an [0x...] und sag mir, ob das ein Wal ist oder nicht.“
Professionelles Beispiel:
„Du bist ein Experte für Blockchain-Forensik in EVM-Netzwerken. Deine Aufgabe ist es, einen CSV-Export der Transaktionen der Wallet [0x...] zu analysieren. Gruppiere die Überweisungen nach Protokollen (Lending, DEX, Bridges). Berechne die durchschnittliche Haltedauer der Assets vor dem Verkauf. Wenn das Transaktionsvolumen in den letzten 30 Tagen 1000 ETH übersteigt, klassifiziere sie als 'Institutional Whale'. Erstelle den Bericht in Form einer Tabelle.“
2. Nutzung von Chain-of-Thought (Gedankenkette)
On-Chain-Daten sind oft komplex (z. B. komplizierte Swaps über Aggregatoren wie 1inch). Damit das Modell keine Rechenfehler macht, nutzen Sie die Chain-of-Thought-Methode. Zwingen Sie die KI dazu, Schritt für Schritt vorzugehen.
Beispiel für eine Abfragestruktur:
- Schritt 1: Identifiziere alle eingehenden Transaktionen im Token $XYZ.
- Schritt 2: Filtere Überweisungen von zentralisierten Börsen (CEX) heraus.
- Schritt 3: Berechne den durchschnittlichen Kaufpreis basierend auf den Preisdaten zum Zeitpunkt der Transaktion (falls Daten vorhanden).
- Schritt 4: Vergleiche den aktuellen Kontostand mit der Summe aller Käufe.
3. Praxisbeispiel: Analyse von Uniswap v4 Hooks und Liquidität
Mit der Einführung von Uniswap v4 ist die Liquiditätsanalyse aufgrund von benutzerdefinierten Hooks schwieriger geworden. Ein normaler Nutzer versteht den Code eines Hooks nicht, aber ein LLM kann ihn dekompilieren und die Logik erklären.
Prompt zur Analyse eines Hook-Smart-Contracts:
„Analysiere diesen Solidity-Code eines Hooks für Uniswap v4. Stelle fest, ob es eine Logik gibt, die das Abheben von Liquidität (LPs) einschränkt oder dynamische Gebühren einführt, die den Trader negativ beeinflussen könnten. Erkläre die Risikofaktoren in einfachen Worten und nenne die spezifischen Codezeilen, die verdächtig sind.“
4. Tabelle: Operatoren und Variablen für effektive Abfragen
Die Verwendung spezifischer Operatoren in Prompts ermöglicht es dem Modell, fokussiert zu bleiben.
| Operator/Technik | Warum verwenden | Beispiel |
|---|---|---|
| Few-Shot Prompting | Dem Modell 2-3 Beispiele für eine korrekte Analyse geben. | „Hier ist ein Beispiel: [Beispiel]. Jetzt analysiere dies: [Daten].“ |
| Delimiters | Daten klar von Anweisungen trennen. | Nutzen Sie ### oder """ zur Kennzeichnung von Codeblöcken oder JSON. |
| Constraint Injection | Unnötiges Rauschen eliminieren. | „Ignoriere Transaktionen mit einem Volumen von weniger als 0.1 ETH.“ |
| Output Formatting | Daten bereit für den Import erhalten. | „Gib das Ergebnis strikt im JSON-Format aus, um es in ein Python-Skript zu integrieren.“ |
5. Arbeit mit Code: Automatisierung via Python
Der beste Weg für Trader, LLMs zu nutzen, ist die Erstellung von Skripten zur Datenerfassung über Bibliotheken wie web3.py oder APIs (Dune, Glassnode, Etherscan).
Anfrage zur Erstellung eines Parsers:
„Schreibe ein Python-Skript, das die requests-Bibliothek verwendet, um die letzten 100 Transaktionen des Tokens [Contract_Address] über die Etherscan-API abzurufen. Das Skript soll Transaktionen filtern, bei denen der Absender ein Kontrakt (Swap) ist, und nur solche speichern, bei denen das Volumen $50.000 übersteigt. Füge ein Error-Handling für API-Limits hinzu.“
Wenig bekannter Hack: „Reverse-Prompting“
Wenn Sie einen hochwertigen On-Chain-Analysebericht auf Twitter oder Substack sehen, kopieren Sie den Text in das LLM und fragen Sie:
„Analysiere diesen Bericht. Schreibe den idealen Prompt, der dich dazu bringen würde, in Zukunft genau die gleiche tiefgehende Analyse auf Basis von Rohdaten zu generieren.“
Dies ermöglicht es Ihnen, Ihre eigene Bibliothek von „Goldenen Prompts“ aufzubauen.
6. Fortgeschrittene Technik: SQL-Injektion in Dune Analytics
Viele Trader nutzen Dune, beherrschen aber kein SQL. Sie können das LLM als Brücke nutzen.
Prompt:
„Ich muss die Top-10-Wallets nach Handelsvolumen im Paar PEPE/WETH auf Uniswap v3 für die letzten 7 Tage finden. Schreibe eine SQL-Abfrage für Dune Analytics unter Verwendung der Tabelle dex.trades. Berücksichtige, dass Arbitrage-Bots (Transaktionen im Block mit identischem Input/Output) ausgeschlossen werden müssen.“
7. „Smart Money“-Analyse (Smart Money Tracking)
Eine der profitabelsten Strategien ist das Verfolgen von Wallets, die eine konstante Performance oder Insider-Aktivitäten aufweisen. LLMs können dabei helfen, den Prozess der Deanonymisierung und Bewertung solcher Adressen zu automatisieren.
Prompt für das Wallet-Profiling:
„Analysiere die Liste der letzten Transaktionen der Adresse [0x...].
1. Identifiziere die Hauptquelle der Finanzierung (CEX, Bridge oder eine andere private Adresse).
2. Erkenne ein Muster: Kauft diese Adresse Token in einem frühen Stadium (vor dem Listing an großen Börsen)?
3. Bewerte die ‚Win Rate‘ (Verhältnis von gewinnbringenden zu verlustreichen Trades), sofern Daten zu Einstiegs- und Ausstiegspreisen vorliegen.
4. Ziehe ein Fazit: Handelt es sich bei dieser Adresse um ‚Smart Money‘, einen VC-Fonds oder einen typischen Retail-Anleger?“
8. Erkennung von Manipulationen: Wash Trading und Sandwich-Attacken
On-Chain-Daten sind oft durch künstliches Volumen „verrauscht“. Sie können LLMs nutzen, um eine Logik zu schreiben, die solche Muster erkennt.
Beispiel-Prompt für die Suche nach Wash Trading:
„Hilf mir, einen Python-Algorithmus zu entwerfen, der die Event Logs eines Token-Smart-Contracts analysiert. Der Algorithmus soll nach zyklischen Transaktionen (Adresse A -> Adresse B -> Adresse C -> Adresse A) innerhalb einer Stunde suchen. Dies ist ein klares Anzeichen für Volumen-Manipulation. Gib eine Datenstruktur aus, die diese Verbindungen für eine Graph-Visualisierung effizient speichert.“
9. Prompt Engineering für Sentiment-Analyse basierend auf On-Chain-News
Manchmal bestehen „Daten“ nicht nur aus Zahlen, sondern auch aus Textbeschreibungen von Transaktionen (Input Data) oder Nachrichten in DAOs.
Prompt für die Analyse von Whale-Aktivitäten:
„Interpretiere die Transaktionsmeldung: ‚Whale moved 50,000 ETH from cold wallet to Binance‘.
Kontext: Der aktuelle Markt befindet sich in einer Konsolidierungsphase an einem starken Widerstand.
Aufgabe: Schätze die Wahrscheinlichkeit von Verkaufsdruck auf einer Skala von 1 bis 10 ein. Nenne historische Analogien, bei denen ähnliche Bewegungen innerhalb von 24 Stunden zu einer Preiskorrektur führten. Antworte kurz und prägnant im Stil einer Bloomberg-Analysenotiz.“
10. Zusammenfassende Tabelle: Tools und deren Integration mit LLMs
Damit Prompts effektiv funktionieren, muss man wissen, woher man das „Rohmaterial“ bezieht.
| Tool | Datentyp | Nutzung mit LLM |
|---|---|---|
| Etherscan/BscScan | Rohdaten (Raw Transactions) | CSV kopieren oder API-Abfragen generieren lassen. |
| Dune Analytics | Aggregierte SQL-Daten | LLM bitten, SQL-Abfragen zu schreiben oder zu optimieren. |
| Arkham Intelligence | Gekennzeichnete Entitäten | Visuelle Verknüpfungen nutzen, um die Netzwerkstruktur im Prompt zu beschreiben. |
| DexScreener API | Echtzeit-Preis & Liquidität | LLM bitten, ein Alert-Skript für plötzliche Liquiditätsschwankungen zu schreiben. |
11. Wenig bekannte Techniken: Emulation der EVM im Prompt
Fortgeschrittene Modelle (wie Gemini 1.5 Pro oder GPT-4) können die Code-Ausführung „gedanklich“ simulieren.
Prompt zum Debuggen einer komplexen Transaktion:
„Ich stelle dir den Hex-Code (Input Data) einer Transaktion zur Verfügung, die mit dem Fehler ‚Execution Reverted‘ fehlgeschlagen ist. Stell dir vor, du bist die EVM. Dekodiere diesen Hex Schritt für Schritt, bestimme, welche Smart-Contract-Funktion aufgerufen wurde und an welcher Stelle (Bedingungsprüfung, Asset-Transfer, Gas-Mangel) der Fehler auftrat. Erkläre die Ursache in verständlicher Sprache.“
12. Praktische Sicherheitstipps
Beim Arbeiten mit LLMs und On-Chain-Daten ist digitale Hygiene oberstes Gebot:
- Geben Sie niemals Ihre Private Keys oder Seed-Phrasen in einen KI-Chat ein. Auch dann nicht, wenn Sie darum bitten, „ein Skript zum Signieren von Transaktionen zu schreiben“.
- Prüfen Sie den Code. Ein LLM kann versehentlich (oder durch Halluzinationen) eine Bibliothek mit Sicherheitslücken vorschlagen. Bitten Sie das Modell immer, jede Zeile des generierten Codes zu kommentieren.
- Kontextfenster. Wenn Sie riesige Datenmengen hochladen, kann das Modell den Anfang der Anweisungen „vergessen“. Wiederholen Sie wichtige Instruktionen am Ende des Prompts.
Abschließender Rat für Profis:
Erstellen Sie sich einen „System Prompt“ (System Instruction). Dies ist ein Satz fester Regeln, die auf alle Ihre Anfragen angewendet werden. Zum Beispiel: „Prüfe Adressen immer auf Zugehörigkeit zu MEV-Bots, berechne immer den Slippage und verwende niemals subjektive Einschätzungen ohne Zahlenbasis.“
