SuperTrend AI (Clustering): der komplette Machine-Learning-Trend-Leitfaden
SuperTrend AI (Clustering) von LuxAlgo lässt SuperTrends über ATR-Faktoren von 1,0 bis 5,0 in 0,5er-Schritten laufen (standardmäßig neun), bewertet jeden nach seiner jüngsten Performance und nutzt k-means clustering, um die Scores in die Cluster best, average und worst zu gruppieren. Er tradet den Trailing Stop aus dem Cluster, das du auswählst (standardmäßig best), sodass sich der Multiplikator bei wechselnder Volatilität neu abstimmt.
Der SuperTrend AI (Clustering) Indikator von LuxAlgo ist eines der meistgeladenen Machine-Learning-Tools auf TradingView — und eines der am häufigsten missverstandenen. Er nimmt den klassischen ATR-basierten SuperTrend, den Trader seit über einem Jahrzehnt verwenden, und legt eine unsupervised learning-Ebene darüber, die laufend die besten Settings für dich auswählt. Kein Rätselraten mehr, ob du Faktor 2 oder 4 nutzen solltest. Der Indikator lässt viele SuperTrends gleichzeitig laufen, bewertet sie und lässt einen k-means clustering algorithm entscheiden, welchen der Markt gerade tatsächlich respektiert.
Dieser Leitfaden erklärt exakt, wie das funktioniert — den normalen SuperTrend, auf dem er basiert, die k-means-Engine, die ihn anpasst, jedes wirklich wichtige Setting, wie du den Performance-Score liest und wo der Ansatz scheitert. Er ist für Trader geschrieben, die bereits wissen, was ein ATR Trailing Stop ist, und eine mechanische, regelbasierte Methode suchen, um eine adaptive Variante zu traden.
Automatisiere deine Trades. Lass Quantum Algo für dich handeln.
Jedes Signal wird auf deinem eigenen Konto ausgeführt — 24/7, hands-off.
Was macht SuperTrend AI eigentlich anders?
Beginne mit dem, worauf er aufbaut. Der normale SuperTrend Indikator zeichnet eine einzelne Linie, die dem Preis mithilfe der Average True Range (ATR) folgt. Ihre Position wird durch eine Zahl bestimmt — den Faktor (auch Multiplikator genannt). Ein Faktor von 3 platziert den Trailing Stop drei ATRs vom Preis entfernt. Kleine Faktoren kleben nah am Preis und flippen oft; große Faktoren liegen weiter entfernt und flippen seltener. Das ewige Problem: Der "richtige" Faktor ändert sich ständig. Ein Setting, das in einer ruhigen Range funktioniert, wird in einem volatilen Trend immer wieder ausgestoppt — und umgekehrt. Für ein verwandtes Tool lies unseren Leitfaden zu Lorentzian Classification.
SuperTrend AI löst das, indem er sich nicht auf einen einzelnen Faktor festlegt. Stattdessen berechnet er viele SuperTrends gleichzeitig — standardmäßig von Faktor 1,0 bis 5,0 in 0,5er-Schritten, also neun separate Trailing Stops. Jeder wird danach bewertet, wie gut er zuletzt funktioniert hat. Dann gruppiert eine Machine-Learning-Routine diese neun Performance-Scores in drei Cluster — eine bestperformende Gruppe, eine durchschnittliche Gruppe und eine schwächste Gruppe — und der Indikator übernimmt den ATR-Faktor aus dem Cluster, das du auswählst (standardmäßig best). Wenn sich der Markt verändert, verschieben sich die Cluster-Zuordnungen, und der effektive Faktor verschiebt sich mit. Das Ergebnis ist ein SuperTrend, der seinen eigenen ATR-Multiplikator in Echtzeit selbst optimiert.
Mehrere SuperTrends
Statt nur einen Trailing Stop zu nutzen, berechnet der Indikator eine ganze Spanne davon über verschiedene ATR-Faktoren — standardmäßig neun. Jeder ist ein Kandidat, den der Markt respektieren kann oder eben nicht.
Performance-Scoring
Jeder Kandidat sammelt laufend ein Performance-Maß — also wie stark sich der Markt nach jedem Signal in seine Richtung bewegt hat. Genau diesen Score clustert die AI tatsächlich.
K-means clustering
Die neun Scores werden in drei Cluster gruppiert (best / average / worst). Der Indikator tradet den Faktor aus dem Cluster, das du auswählst, und passt sich an, wenn sich die Zuordnungen ändern.
Was ist k-means clustering, einfach erklärt?
K-means ist die Engine, die diesem Indikator sein "AI"-Label verdient, deshalb lohnt es sich, sie sauber zu verstehen. Es ist ein unsupervised machine-learning algorithm — das heißt, er findet Strukturen in Daten ohne Labels, ohne vorab eingespeiste "richtige Antworten". Laut IBMs technischer Übersicht ist k-means die beliebteste unüberwachte Clustering-Methode, gerade weil sie schnell, skalierbar und simpel ist: Sie gruppiert unbeschriftete Datenpunkte anhand ihrer Nähe zum jeweiligen Cluster-Zentrum in eine gewählte Anzahl von Clustern.
Dieses Zentrum heißt Centroid. Der Algorithmus arbeitet in einer kurzen Schleife. Zuerst wählt er k Start-Centroids (hier k = 3). Dann wiederholt er zwei Schritte, bis sich nichts mehr wesentlich bewegt: assignment — jeder Datenpunkt wird dem nächstgelegenen Centroid zugeordnet und bildet so Cluster; und update — jeder Centroid wandert zur mittleren Position der Punkte, die ihm zugeordnet wurden. Akademische Beschreibungen zeigen dieselbe Schleife: mit einer zufälligen Auswahl von k Punkten als Centroids beginnen, jeden Datenpunkt per Distanz dem nächsten zuweisen, dann jeden Centroid als Mittelwert seines Clusters neu berechnen und wiederholen, bis die Centroids konvergieren. Das Ziel, das dabei im Hintergrund optimiert wird, ist die Minimierung der gesamten quadrierten Distanz zwischen Punkten und ihrem Centroid — die "within-cluster sum of squares".
K-means clustering der neun SuperTrend Performance-Scores
Neun ATR-Faktor-SuperTrends (Punkte), nach Performance bewertet und in drei Cluster gruppiert. Der Indikator tradet den Faktor aus dem Cluster, das du wählst — standardmäßig "Best".
In SuperTrend AI sind die "Datenpunkte" die neun Performance-Scores, je einer pro ATR-Faktor. K-means sortiert sie in die drei oben gezeigten Cluster. Das best cluster enthält die Faktoren, deren SuperTrends am meisten geliefert haben; das worst cluster enthält die, die zerhackt werden. Weil du From Cluster normalerweise auf "Best" stellst, wird der Live-Trailing-Stop des Indikators aus der Top-Gruppe gezeichnet — und er clustert fortlaufend neu, sodass der gewählte Faktor wandert, wenn sich der Charakter des Marktes verändert. Ein wichtiger Hinweis aus der Clustering-Literatur: k-means-Ergebnisse hängen von der anfänglichen Centroid-Platzierung ab; deshalb kannst du im Indikator die Anzahl der Iterationen begrenzen, die bis zur Konvergenz genutzt werden.
Welche SuperTrend AI Settings sind wirklich wichtig?
SuperTrend AI bietet mehr Inputs als ein normaler SuperTrend, aber nur eine Handvoll verändert das Verhalten wirklich spürbar. Hier ist, was sie tun und wie du darüber nachdenken solltest.
| Setting | Was es steuert | Praktischer Effekt |
|---|---|---|
| ATR Length | Lookback für die Average True Range | Länger = glatterer, langsamerer Stop. 10 ist der übliche Standard. |
| Factor Range (min / max) | Die Spanne der getesteten ATR-Multiplikatoren, z. B. 1 → 5 | Ein höheres Minimum verschiebt zu längerfristigen Signalen; ein niedrigeres Maximum verschiebt zu kurzfristigeren Signalen. |
| Step | Schrittweite zwischen den getesteten Faktoren | Kleinere Schrittweite = mehr SuperTrend-Kandidaten = feinere Anpassung, aber mehr Rechenlast. |
| Performance Memory | Wie stark jüngere gegenüber älterer Performance gewichtet wird | Höher = langsameres, längerfristiges Gedächtnis; niedriger = reagiert schneller auf frische Performance. |
| From Cluster | Welches Cluster den Live-Faktor liefert | "Best" tradet die Top-Performer; "Average" ist konservativer; "Worst" ist zum Studieren, nicht zum Traden. |
| Maximum Iteration Steps | Begrenzung der k-means-Konvergenzschleifen | Zu niedrig = schwaches Clustering; zu hoch = langsames Laden. Balanciert Qualität gegen Geschwindigkeit. |
Wie liest du den Performance-Score?
Jedes Signal, das SuperTrend AI ausgibt, hat eine Performance-Metrik — eine kleine Zahl, die quantifiziert, wie stark sich der Markt tendenziell in Signalrichtung bewegt hat. LuxAlgos eigene Dokumentation formuliert es direkt: Höhere Werte deuten auf einen stärkeren Trend hin, während niedrigere Werte wie 1 oder 0 eher auf einen Rücklauf als auf eine saubere Richtungsbewegung hindeuten können. Behandle den Score als Confidence-Anzeige, nicht als Garantie.
Die praktische Lesart ist simpel. Ein Long-Signal mit hohem Performance-Score sagt dir, dass der aktuelle Best-Cluster-Faktor zuverlässig profitabel war — ein Umfeld, in dem Trendfolge bezahlt wird. Ein Signal mit einem Score nahe null ist eine Warnung: Der Trailing Stop flippt womöglich nur im Rauschen. Viele Trader nutzen den Score als Gate — sie nehmen nur Signale oberhalb eines Schwellenwerts — und machen aus dem rohen Indikator so eine gefilterte Strategie.
Welche drei Arten gibt es, SuperTrend AI zu traden?
Der Indikator ist flexibel genug, um mehrere Stile zu tragen. Diese drei sind die robustesten.
Trailing-Stop-Trendfolge
Steig beim Flip des Trailing Stops ein, halte, solange die AI-Linie auf einer Seite bleibt, und steig beim gegenteiligen Flip aus. Der selbstabstimmende Faktor hält den Stop passend eng oder locker für die aktuelle Volatilität.
Score-gefilterte Einstiege
Nimm nur Flips, deren Performance-Score einen Schwellenwert übertrifft (z. B. 5+). Das filtert die Low-Conviction-Flips heraus, die in Ranges entstehen — die größte einzelne Quelle von SuperTrend-Whipsaw.
Konfluenz mit Struktur
Nutze SuperTrend AI rein als Trend-Gate und nimm Entries nur dort, wo er mit order blocks, fair value gaps oder einem liquidity sweep zusammenpasst. Dort erzeugt er die Setups mit der höchsten Edge.
Wie vergleicht sich SuperTrend AI mit dem klassischen SuperTrend?
Ist die AI-Version strikt besser? Nicht immer. Sie ist adaptiver, aber auch komplexer, und Komplexität hat Kosten.
| Dimension | Klassischer SuperTrend | SuperTrend AI (Clustering) |
|---|---|---|
| ATR-Faktor | Von dir festgelegt | Adaptiv aus dem best cluster gewählt |
| Passt sich an Volatilität an | Nein — du musst manuell neu abstimmen | Ja — clustert fortlaufend neu |
| Signal-Confidence | Nicht eingebaut | Performance-Score auf jedem Signal |
| Berechnung | Leicht | Schwerer (viele SuperTrends + Clustering) |
| Am besten für | Einfache, transparente Trend-Stops | Märkte mit wechselnder Volatilität, gefilterte Entries |
Wo scheitert SuperTrend AI?
Kein adaptiver Stop entkommt der grundlegenden Schwäche aller Trendindikatoren: ranging markets. Wenn der Preis seitwärts hackt, flippt selbst der Faktor des bestperformenden Clusters hin und her, und die Performance-Scores fallen Richtung null. Die AI macht Trendfolge in einer Range nicht plötzlich profitabel; sie zeigt dir nur über niedrige Scores, dass du dich in einer befindest. Dieses Signal zu ignorieren und jeden Flip zu nehmen, ist der schnellste Weg, mit diesem Tool Geld zu verlieren.
Zwei weitere ehrliche Grenzen. Erstens ist k-means empfindlich gegenüber Initialisierung und Ausreißern — eine einzige heftige Kerze kann das Clustering verzerren, weshalb es Performance-Memory- und Iterations-Settings gibt. Zweitens bedeutet "AI" nicht "predictive". Der Indikator optimiert auf Basis vergangener Performance; ein Faktor, der im letzten Fenster als "best" geclustert wurde, kann genau dann underperformen, wenn das Regime wechselt. Adaptiv ist nicht dasselbe wie hellseherisch.
Wie passt sich der Faktor durch einen Trend an?
Geh einmal durch, was passiert, wenn ein Markt von ruhig zu volatil wechselt. Stell dir eine Aktie vor, die in einer engen Range konsolidiert. In dieser Phase sitzen die Low-Factor-SuperTrends (1,0, 1,5) nah am Preis und flippen ständig, sammeln schwache Performance-Scores — sie landen im worst cluster. Die High-Factor-SuperTrends (4,5, 5,0) liegen weit vom Preis entfernt und bewegen sich kaum; sie gewinnen und verlieren nicht viel. Die mittleren Faktoren um 2,5 bis 3,0, die die Range respektieren, ohne zu überreagieren, scoren meist am besten und landen im best cluster. Während der Konsolidierung bevorzugt der Indikator also still einen moderaten Faktor.
Jetzt zündet ein Breakout und ein starker Trend beginnt. Plötzlich erwischen die engen Low-Factor-Stops die Bewegung früh und reiten sie, ihre Performance-Scores steigen, und sie wandern ins best cluster. Der effektive Faktor des Indikators zieht sich automatisch enger — ohne dass du einen einzigen Input änderst — weil das Clustering erkannt hat, dass aggressive Stops jetzt die sind, die bezahlt werden. Wenn der Trend erschöpft und der Preis wieder whipsawt, werden dieselben engen Stops zerhackt, ihre Scores fallen, und der effektive Faktor lockert sich wieder. Genau diese kontinuierliche Migration ist der Punkt: Der Trader mit festem Faktor wäre entweder zu eng in der Range oder zu locker im Trend gewesen, aber die AI wechselt zwischen ihnen, wenn es die Bedingungen verlangen.
Warum können SuperTrend AI Backtests trotzdem täuschen?
Weil SuperTrend AI adaptiv ist, liegt die Annahme nahe, er sei immun gegen Curve-Fitting-Probleme, die Systeme mit festen Parametern plagen. Ist er nicht. Zwei Warnungen sind wichtig. Erstens sind Factor Range und Performance Memory weiterhin Parameter, die du auswählst — und du kannst sie sehr wohl auf eine bestimmte historische Phase überoptimieren. Eine Range und ein Memory, die auf einem Asset über ein Fenster eine schöne Equity-Kurve produziert haben, können auf einem anderen auseinanderfallen. Teste über mehrere Assets und mehrere market regimes, bevor du einer Konfiguration vertraust.
Zweitens: Denk daran, was die akademische Literatur über k-means sagt: Sein Output hängt von der anfänglichen Centroid-Platzierung ab, und es ist empfindlich gegenüber Ausreißern. Eine einzige extreme Kerze — ein Gap, ein Flash Spike — kann die Performance-Scores und damit das Clustering vorübergehend verzerren. Genau deshalb begrenzt der Indikator die Iterationsschritte und bietet einen Performance-Memory-Regler; beides soll verhindern, dass ein anomales Ereignis die Anpassung kapert. Wenn sich der Indikator direkt nach einer heftigen Kerze merkwürdig verhält, absorbiert das Clustering meist gerade einen Ausreißer, und es normalisiert sich typischerweise innerhalb weniger Kerzen. Optimiere deine Settings nicht wegen eines einzelnen Events neu.
Wo passt SuperTrend AI in ein Trading-System?
Die stärkste Nutzung von SuperTrend AI ist als Trendfilter innerhalb eines strukturbasierten Systems, nicht als eigenständiger Signalgeber. Lass die AI entscheiden: "Trenden wir, und wie stark?" während deine Entries aus Smart Money Concepts kommen: Nimm Longs nur, wenn die AI bullisch ist, der Score gesund wirkt und der Preis von einem Demand-order block reagiert oder ein bullisches fair value gap füllt. Diese Konfluenz — adaptiver Trendkontext plus institutionelle Preislevel — ist genau die Art Setup, die aus einem populären Retail-Indikator eine echte Edge macht.
• Order-Block-Erkennung — adaptiver Trendkontext trifft institutionelle Nachfrage- und Angebotszonen
• Liquidity-Sweep-Alerts — Trend-Flips bestätigt durch einen echten Stop Raid, nicht durch Range-Rauschen
• FVG-Erkennung — Entries getimt durch Fair-Value-Gap-Fills in Richtung des AI-Trends
• Multi-Timeframe-Bias — HTF-adaptiver Trend im Einklang mit deinen Lower-Timeframe-Entries
• Smart Alerts — Benachrichtigung, wenn ein SuperTrend AI Signal auf SMC-Konfluenz trifft
◆ Trade adaptive Trends ohne Settings-Babysitting
QuantumAlgo legt Smart Money Concepts — order blocks, fair value gaps und liquidity sweeps — über adaptiven Trendkontext, mit verifiziertem öffentlichem Track Record, damit du jeden Call prüfen kannst.
Indikator ansehen →Track Record prüfenHäufig gestellte Fragen
Es ist ein Machine-Learning-Trendindikator von LuxAlgo, der viele SuperTrends über eine Spanne von ATR-Faktoren laufen lässt, jeden nach jüngster Performance bewertet und k-means clustering nutzt, um sie in best, average und worst Cluster zu gruppieren. Dann tradet er den ATR-Faktor aus dem Cluster, das du auswählst — meistens best — sodass sich der Trailing Stop bei wechselnder Volatilität selbst optimiert.
K-means ist ein unüberwachter Algorithmus, der Daten in k Cluster um Zentren gruppiert, die Centroids heißen. Hier sind die Datenpunkte die Performance-Scores jedes ATR-Faktor-SuperTrends. Der Algorithmus weist jeden Score dem nächstgelegenen Centroid zu, verschiebt jeden Centroid zum Mittelwert seines Clusters und wiederholt das, bis sich die Cluster stabilisieren — so entstehen best, average und worst Performance-Gruppen.
Er quantifiziert, wie stark sich der Markt mit dem aktiven Faktor in Signalrichtung bewegt hat. Höhere Werte deuten auf einen stärkeren, verlässlicheren Trend hin, während Werte nahe 0 oder 1 einen Rücklauf oder rangige Bedingungen anzeigen können. Viele Trader nehmen nur Signale, deren Score einen Schwellenwert übertrifft.
Er ist adaptiver — er entfernt die Notwendigkeit, manuell einen ATR-Faktor zu wählen, und fügt einen Confidence-Score hinzu — aber er ist rechenintensiver und komplexer. In einfachen, stabilen Bedingungen kann ein fester SuperTrend genauso effektiv sein. In Märkten mit wechselnder Volatilität oder für gefilterte Entries hat die AI-Version den Vorteil.
Die zwei wichtigsten sind Factor Range und Performance Memory. Erhöhe den Mindestfaktor für längerfristige Signale und senke das Maximum für kurzfristigere; erhöhe Performance Memory für langsamere Anpassung mit längerem Horizont. ATR Length von 10 sowie die Standardwerte für Step und Iterationsgrenzen funktionieren gut als Startpunkt.
Der adaptive Trailing Stop selbst wird wie ein normaler SuperTrend beim Kerzenschluss bestätigt, aber weil das Clustering neu bewertet wird, sobald neue Daten eintreffen, kann sich der historisch ausgewählte Faktor verschieben. Bestätige Signale immer auf geschlossenen Kerzen und vermeide es, auf einer laufenden Kerze zu handeln.
Es wählt, welches Performance-Cluster den Live-ATR-Faktor liefert. 'Best' tradet die bestperformende Gruppe und ist die Standardwahl; 'Average' ist konservativer; 'Worst' existiert vor allem zum Studieren und Vergleichen, nicht fürs Live-Trading.
Nein. Er optimiert auf Basis vergangener Performance und passt sich an die aktuelle Volatilität an, aber er kann zukünftige Bewegungen nicht vorhersagen. Ein Faktor, der zuletzt als 'best' geclustert wurde, kann underperformen, sobald das Marktregime wechselt. Nutze ihn daher als adaptiven Trendfilter, nicht als Prognose.
Wie alle trendfolgenden Stops flippt er wiederholt, wenn der Preis seitwärts hackt. Der Unterschied ist, dass die Performance-Scores unter solchen Bedingungen Richtung null fallen und dich damit effektiv warnen. Das Herausfiltern von Low-Score-Signalen entfernt den Großteil des Range-Whipsaws.
SuperTrend AI (Clustering) zeichnet einen adaptiven Trailing Stop auf dem Preischart. Der AI SuperTrend Clustering Oscillator ist ein separates LuxAlgo-Tool, das die bullischen, durchschnittlichen und bärischen Cluster-Centroids als Oszillator zeichnet; ein Consensus-Output über null zeigt einen Aufwärtstrend an, darunter einen Abwärtstrend.
Er funktioniert auf jedem Timeframe, aber höhere Timeframes (1H und höher) erzeugen saubereres Clustering, weil weniger Rauschen auf die Performance-Scores einwirkt. Auf sehr niedrigen Timeframes solltest du mehr Low-Score-Signale erwarten und strenger nach Score filtern.
Nutze ihn als Trend-Gate: Nimm Longs nur, wenn der AI-Trend bullisch ist, der Score gesund wirkt und der Preis von einem Demand Order Block reagiert oder ein bullisches fair value gap füllt — und spiegle das für Shorts. So kombinierst du adaptiven Trendkontext mit institutionellen Preisleveln für hochwertigere Entries.
Quellen & verwandte Leitfäden
Primäre und maßgebliche Quellen, die in diesem Leitfaden verwendet wurden:
- ◆ LuxAlgo — offizielle Dokumentation zu SuperTrend AI (Clustering)
Maßgebliche Quelle zu den Inputs des Indikators, Factor Range, Performance Memory und Cluster-Auswahl. - ◆ TradingView — SuperTrend AI (Clustering) [LuxAlgo] Script & Nutzungshinweise
Open-Source-Script-Seite, die die adaptive Faktor-Hypothese und Performance-Interpretation beschreibt. - ◆ IBM — Was ist k-means clustering?
Autoritative technische Übersicht über den unüberwachten Algorithmus, Centroids und seine bekannten Grenzen. - ◆ Investopedia — Average True Range (ATR)
Hintergrund zur Volatilitätskennzahl, auf die jeder SuperTrend-Faktor angewendet wird.