In den vergangenen sieben Tagen (bis zum 8. Oktober 2026) verzeichnete die Live-Ausführungsebene des Core 1 exakt 12 geschlossene Krypto-Trades. Das markanteste strukturelle Merkmal dieser Verteilung ist eine isolierte Gewinnreihe: Alle 12 Positionen wurden im Plus geschlossen, bei einer durchschnittlichen Rendite von 10,32 % pro Trade. Diese statistische Ballung positiver Ausstiege entzieht sich einer simplen Erklärung durch Rückenwind am Gesamtmarkt, da die makroökonomische Krypto-Marktkapitalisierung im selben Zeitraum um 1,12 % auf 2,84 Billionen USD schrumpfte und die Bitcoin-Dominanz zeitgleich um 0,42 Prozentpunkte auf 58,67 % anstieg. Eine präzise anatomische Aufschlüsselung der individuellen Signale und Ausstiegszeitpunkte zeigt stattdessen, dass dieses Ergebnis auf heterogenen Haltezeiten und völlig asynchronen Einstiegsfenstern beruht.
Dispersionsanalyse der 7-Tage-Ausstiege
Die Auswertung der abgeschlossenen Transaktionen belegt eine deutliche Spannweite in der Performance, die auf voneinander unabhängige algorithmische Schwellenwerte hindeutet. Das Spektrum der 12 Realisierungen reicht von einem konservativen Ausstieg bei MOVRUSDT (+0,35 %) bis hin zu einem massiven Gewinntrade bei AXSUSDT (+30,91 %). Dazwischen formiert sich ein Cluster robuster zweistelliger Renditen, darunter ZROUSDT (+16,66 %), GLMUSDT (+16,46 %), RAYUSDT (+16,06 %) und RENDERUSDT (+12,49 %).
Dass diese Verteilung ausgerechnet bei einer schrumpfenden Altcoin-Marktkapitalisierung (aktuell 1,17 Billionen USD) auftritt, demonstriert die Bedeutung von Selektivität in der Modellausführung. Keines dieser Signale wurde von den Modellen als Marktkorb (Basket) behandelt; jeder Trade verfügte über eine isolierte Historie und eine eigene zeitliche Dimension. Diese Heterogenität wird besonders deutlich, wenn man die zeitliche Anatomie der extremen Ausreißer im Datensatz seziert.
Rekonstruktion asymmetrischer Haltedauern: AXS und ZRO
Eine detaillierte Betrachtung des performantesten Trades dieser Woche veranschaulicht die Fähigkeit der Strategien, Volatilitätszyklen über längere Zeiträume zu absorbieren. Das Kaufsignal für AXSUSDT wurde bereits abgesetzt, als sich der Preis bei 1,058 USD konsolidierte. Nach einer Haltedauer von etwa zehneinhalb Tagen (913.500 Sekunden) detektierte die Logik des katalogisierten AXS-Modells am 4. Oktober um 07:00 Uhr die Bedingungen für den Ausstieg bei 1,385 USD. Dies sicherte die Spitzenrendite von 30,91 % innerhalb des 7-Tage-Fensters, was auch das generelle Verhalten bei bestimmten Modellen für AXSUSDT widerspiegelt, Trends vollständig auszuwerten.
Ein scharfer Kontrast dazu ist der Trade bei ZROUSDT. Hier generierte das System den Einstieg erst am 3. Oktober bei 1,759 USD und vollzog den Ausstieg bereits rund 2,8 Tage später am 5. Oktober bei 2,052 USD. Mit einem Profit von 16,66 % zeigt diese Ausführung im ZROUSDT-Strategien-Umfeld, wie schnell sich Alpha in einem kurzfristigen Ausbruchskanal realisieren lässt. Beide Positionen wurden zwar in der aktuellen Woche geschlossen, basieren aber auf fundamental unterschiedlichen Marktstrukturen und Haltefenstern.
Nahkampf im Kurzfristbereich: NEAR und BNB
Das zeitliche Kontinuum der geschlossenen Trades verdichtet sich am unteren Ende der Haltedauern noch weiter. Die jüngste abgeschlossene Ausführung des Datensatzes betrifft NEARUSDT. Der Einstieg erfolgte am 6. Oktober bei 5,037 USD, der Ausstieg am 7. Oktober um 22:00 Uhr bei 5,302 USD. Diese Haltedauer von knapp 26 Stunden reichte aus, um einen Nettoertrag von 5,26 % zu erzielen und fügt sich nahtlos in die beobachtete Dynamik im NEARUSDT-Strategiecluster ein.
Einen methodischen Gegenpol dazu bildet der Abschluss bei BNBUSDT. Mit einem Einstieg bei 760,19 USD und einem Verkauf bei 782,34 USD am 2. Oktober wurde eine verhältnismäßig moderate Rendite von 2,91 % realisiert. Diese Ausführung erforderte eine Überbrückung von etwa 8,6 Tagen. Die Varianz zwischen einem 26-Stunden-Swing bei NEAR und einer achttägigen Positionsverwaltung bei BNB (siehe die spezifische Ausführung auf BNBUSDT) unterstreicht, dass die Gewinnstrecke dieser Woche nicht auf einer einheitlichen zeitlichen Ausrichtung, sondern auf modellspezifischen Konditionen basiert.
Der statistische Anker: Warum 30-Tage-Daten das Bild korrigieren
So aussagekräftig die fehlerfreie Trefferquote der 12 Ausstiege in der unmittelbaren Woche auch ist, sie muss als temporäre statistische Gruppierung betrachtet werden und darf nicht als dauerhafter Modellzustand missverstanden werden. Eine Ausweitung des Fokus auf die letzten 30 Tage in der Live-Ausführungsebene des Core 1 rückt die Realität des algorithmischen Handels in die richtige Perspektive.
Im 30-Tage-Fenster dokumentiert der DevioLab-Strategiekatalog insgesamt 67 geschlossene Trades. Diese setzen sich aus 52 Gewinnen und 14 Verlusten zusammen. Die durchschnittliche Rendite über diesen erweiterten Zeitraum liegt bei 5,38 % – deutlich unter den 10,32 % der aktuellen Woche. Zudem verbucht der 30-Tage-Datensatz extreme Drawdown-Ereignisse auf Transaktionsebene, wie einen Verlust von 46,71 % bei IOSTUSDT. Diese Fakten belegen, dass das zugrunde liegende System strukturelle Verluste absorbiert und die aktuelle 12-0-Woche lediglich eine Konvergenz erfolgreicher Exits darstellt, keine Immunität gegenüber Marktrisiken.
Abschließende Einordnung der Core 1 Ausstiege
Die Anatomie der geschlossenen Core 1 Trades dieser Woche offenbart, dass die generierten Erträge das Resultat höchst unterschiedlicher Haltezeiten und asynchroner Einstiege sind, die rein zufällig im selben 7-Tage-Fenster zur Reife gelangten. Von dem gut zehntägigen AXS-Trade bis hin zum schnellen 26-Stunden-Manöver bei NEAR handelten die Modelle unabhängig vom leicht rückläufigen makroökonomischen Gesamtklima. Die aktuelle makellose Gewinnquote von 100 % für geschlossene Positionen dieser Woche ist jedoch ein isolierter Rückspiegel-Blick. Mit 35 derzeit noch offenen Positionen im Core 1 Krypto-Runtime – die ein latentes Risiko für zukünftige Abrechnungen bergen – wird die historische Realität von 14 Verlusten im 30-Tage-Fenster die maßgebliche Konstante bleiben, an der künftige Ausstiegsverteilungen gemessen werden müssen.