Du ber om en snabb BTC-analys, och slutar ändå med att jonglera grafer, indikatorer och ”vänta, vilket pris är det nu?” i tre flikar. När du väl har bestämt dig har candle:n redan rört sig och självförtroendet är borta.
Den här BTC-signalautomationen slår hårdast mot aktiva traders. Men kvantitativa analytiker som testar modeller och analytiker i byråstil som kör alerts för kunder känner av samma friktion. Du vill ha ett disciplinerat, repeterbart svar i chatten: BUY, SELL eller NO_SIGNAL, plus entry, stop loss och take profit.
Den här guiden går igenom vad workflowet gör, vad du behöver koppla in och hur delarna hänger ihop så att du kan köra mer strukturerade signaler direkt i Telegram.
Så fungerar automationen
Här är hela workflowet du kommer att sätta upp:
n8n Workflow Template: Telegram + Twelve Data: tydligare BTC-köpsignaler
flowchart LR
subgraph sg0["Telegram Flow"]
direction LR
n0["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/telegram.svg' width='40' height='40' /></div><br/>Telegram Trigger"]
n1@{ icon: "mdi:memory", form: "rounded", label: "MongoDB Chat Memory1", pos: "b", h: 48 }
n2["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/telegram.svg' width='40' height='40' /></div><br/>Send a text message"]
n3@{ icon: "mdi:robot", form: "rounded", label: "AI Agent1", pos: "b", h: 48 }
n4@{ icon: "mdi:web", form: "rounded", label: "Get Price History1", pos: "b", h: 48 }
n5@{ icon: "mdi:web", form: "rounded", label: "Real Time Price1", pos: "b", h: 48 }
n6@{ icon: "mdi:brain", form: "rounded", label: "Google Gemini Chat Model1", pos: "b", h: 48 }
n3 --> n2
n5 -.-> n3
n0 --> n3
n4 -.-> n3
n1 -.-> n3
n6 -.-> n3
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n0 trigger
class n3 ai
class n6 aiModel
class n1 ai
class n4,n5 api
classDef customIcon fill:none,stroke:none
class n0,n2 customIcon
Varför det här spelar roll: tradingbeslut dör av flikbytande
Manuell ”signalproduktion” ser oftast ut så här: öppna TradingView (eller din börsgraf), kolla RSI, kasta ett öga på MACD, uppskatta support, och hämta sedan livepriset någon annanstans eftersom din graf ligger efter. Sen skriver du en halvdan plan i Telegram eller Discord så att du minns den senare. Gör du det några gånger om dagen är det inte bara tid som försvinner. Det blir mental trötthet, inkonsekventa riskregler och slarviga entries för att du stressar. Ärligt talat är det värsta inkonsekvensen. Ena dagen använder du ATR för stoppar. Nästa dag ”känner du efter”.
Friktionen byggs på. Här är var det faller isär.
- Du slutar med att dubbelkolla samma indikatorer varje gång, eftersom inget är paketerat i ett enda, konsekvent beslutsformat.
- Stoppar och take profit glider med humöret, och då försvinner bra riskhantering tyst.
- Livepris och candle-historik finns på olika ställen, så din ”entry” blir ofta en rörlig måltavla.
- När du vill jämföra AI-modeller har du ingen rättvis baseline, eftersom varje modell ser lite olika kontext och formuleringar.
Det du bygger: tradingassistent i Telegram som drivs av Twelve Data
Det här workflowet gör Telegram till ett tradingbord för fråga–svar. Du skriver till din bot något i stil med ”Analyze BTCUSD for a trade.” n8n fångar meddelandet, hämtar marknadsdata från Twelve Data (historiska candles plus ett färskt livepris) och ger den kontexten till en AI-tradingagent. Agenten gör teknisk analys på de senaste 200 timcandles och svarar sedan i Telegram med ett av tre utfall: BUY, SELL eller NO_SIGNAL. Om det är en trade-idé får du även en tydlig entry-nivå, en stop loss baserad på ATR-dimensionering och en take profit som respekterar minst 1:2 risk–reward. Du kan byta ”hjärnan” bakom agenten (Gemini, OpenAI, Claude, DeepSeek och andra) för att jämföra hur olika modeller beter sig med samma data.
Workflowet startar i Telegram. Sedan berikar det din förfrågan med pris- och indikatorkontext från Twelve Data. Till sist formaterar AI-agenten en disciplinerat plan och skickar tillbaka den till samma chatt, redo att agera på eller ignorera.
Det du bygger
| Det som automatiseras | Det du uppnår |
|---|---|
|
|
Förväntade resultat
Säg att du kollar BTC-signaler 3 gånger per dag. Manuellt tar det oftast cirka 10 minuter att ladda grafer, skanna några indikatorer, hämta livepris och skriva ner en plan, så du landar på ungefär 30 minuter per dag. Med det här workflowet skickar du ett Telegram-meddelande (under en minut), väntar cirka 30 sekunder på modellens svar och är klar. Det är ungefär 20 minuter tillbaka varje dag, plus att du får samma riskformat varje gång.
Innan du börjar
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- Telegram-bot för att ta emot förfrågningar och skicka signaler
- Twelve Data för att hämta candles och live BTCUSD-priser
- Twelve Data API-nyckel (hämta den i din Twelve Data-dashboard)
Svårighetsnivå: Medel. Du kopplar in credentials och justerar ett par parametrar, men du kommer inte att skriva kod.
Vill du att någon bygger detta åt dig? Prata med en automationsexpert (gratis 15-minuters konsultation).
Steg för steg
Ett Telegram-meddelande startar allt. När du skickar en prompt till din bot (till exempel ”Analyze BTCUSD”) fångar Telegram Trigger-noden texten och skickar in den i workflowet.
Nylig kontext kommer ihåg. MongoDB-konversationsminnet håller en kort chatthistorik så att följdfrågor som ”Why NO_SIGNAL?” fortfarande blir begripliga utan att du upprepar dig.
Twelve Data fyller i marknadsverkligheten. Workflowet hämtar cirka 200 timcandles för indikatorberäkningar och hämtar även ett livepris så att entry-nivåer inte bygger på gammal data.
AI-agenten tar fram tradingplanen. Trading Analysis Agent kombinerar din förfrågan, de hämtade priserna och den modell du valt (Gemini som standard) för att generera BUY/SELL/NO_SIGNAL plus entry, stop loss och take profit.
Resultatet går direkt tillbaka till Telegram. Du får ett enda rent meddelande som du kan agera på, logga eller ignorera, utan att kopiera värden mellan verktyg.
Du kan enkelt ändra standardtillgången (BTCUSD) till en annan symbol som stöds av Twelve Data utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera Telegram-triggern
Det här arbetsflödet startar när en användare skickar ett Telegram-meddelande till er bot.
- Lägg till noden Telegram Message Trigger i ert arbetsflöde.
- Öppna Telegram Message Trigger och ställ in Updates på
message. - Inloggningsuppgifter krävs: Anslut era telegramApi-inloggningsuppgifter.
Steg 2: Koppla ihop Telegram och datatjänster
Konfigurera datakällorna och minnet som driver analysen och svarskontexten.
- Lägg till MongoDB Conversation Memory och ställ in Session Key på
{{ $json.message.chat.id }}. - Ställ in Database Name på
trading_dboch Collection Name påtrading_signals_forex. - Ställ in Context Window Length på
10för att kunna återkalla den senaste chathistoriken. - Inloggningsuppgifter krävs: Anslut era mongoDb-inloggningsuppgifter i MongoDB Conversation Memory.
Körflöde: Telegram Message Trigger → Trading Analysis Agent → Dispatch Telegram Reply.
Steg 3: Ställ in Trading Analysis Agent
Konfigurera AI-agenten, språkmodellen, minnet och verktygen som genererar handelssignalerna.
- Lägg till Trading Analysis Agent och behåll hela prompten i Text som den är angiven.
- Bekräfta att prompten refererar till användarinput via
{{ $json.message.text }}i slutet av instruktionerna. - Anslut Gemini Chat Model till Trading Analysis Agent som språkmodell.
- Inloggningsuppgifter krävs: Anslut era googlePalmApi-inloggningsuppgifter i Gemini Chat Model.
- Koppla MongoDB Conversation Memory till Trading Analysis Agent som minne.
- Koppla Fetch Price History och Retrieve Live Price till Trading Analysis Agent som verktyg.
För verktygsnoderna konfigureras inloggningsuppgifter på den överordnade Trading Analysis Agent—lägg inte till inloggningsuppgifter direkt på Fetch Price History eller Retrieve Live Price.
Konfigurera Fetch Price History: Ställ in URL på {{ /*n8n-auto-generated-fromAI-override*/ $fromAI('URL', `Makes an HTTP request and returns the Price History for the requested trading asset. Extracts the base and quote currency from the asset symbol (e.g., XAUUSD → base=XAU, quote=USD). If quote currency isn't specified use USD.
-Here's the endpoint:
https://api.twelvedata.com/time_series/cross
Your task is to create this final url based on the requested trading asset. Here's an example of how complete URL will look like.
- Example below:
https://api.twelvedata.com/time_series/cross?base=XAU"e=USD`, 'string') }}, aktivera Send Query och behåll frågeparametrarna interval=1h, outputsize=200, apikey=[CONFIGURE_YOUR_API_KEY].
Konfigurera Retrieve Live Price: Ställ in URL på {{ /*n8n-auto-generated-fromAI-override*/ $fromAI('URL', `Makes an HTTP request and returns the Real Time Price for the requested trading asset. Extracts the base and quote currency from the asset symbol (e.g., XAUUSD → base=XAU, quote=USD). If quote currency isn't specified use USD.
-Here's the endpoint:
https://api.twelvedata.com/exchange_rate
- Here's API KEY: [CONFIGURE_YOUR_API_KEY]
Your task is to create this final url based on the requested trading asset. Here's an example of how completed URL will look like.
- Example below:
https://api.twelvedata.com/exchange_rate?symbol=XAU/USD&apikey=[CONFIGURE_YOUR_API_KEY]`, 'string') }}.
[CONFIGURE_YOUR_API_KEY] i Twelve Data-URL:erna med er faktiska API-nyckel, annars kommer verktygsanropen att misslyckas.Steg 4: Konfigurera utdatarsvaret
Skicka det AI-genererade svaret tillbaka till den Telegram-chatt som initierade förfrågan.
- Lägg till Dispatch Telegram Reply efter Trading Analysis Agent.
- Ställ in Text på
{{ $json.output }}. - Ställ in Chat ID på
{{ $('Telegram Message Trigger').item.json.message.chat.id }}. - Inloggningsuppgifter krävs: Anslut era telegramApi-inloggningsuppgifter.
Steg 5: Testa och aktivera ert arbetsflöde
Validera flödet end-to-end och aktivera det för användning i drift.
- Klicka på Execute Workflow och skicka ett meddelande som
Provide a signal for EURUSDtill er Telegram-bot. - Verifiera att Trading Analysis Agent svarar med en strukturerad signal och att Dispatch Telegram Reply postar den tillbaka till rätt chatt.
- Om ni ser att data saknas, bekräfta att er Twelve Data API-nyckel är insatt och att MongoDB Conversation Memory ansluter utan problem.
- Aktivera arbetsflödet med reglaget Active för att köra i produktion.
Felsökningstips
- Twelve Data-credentials kan gå ut eller begränsas av plangränser. Om saker slutar fungera, börja med att kontrollera användning i din Twelve Data-dashboard och status för API-nyckeln.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströmsnoder fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in din varumärkesröst tidigt, annars kommer du att redigera outputs i all evighet.
Snabba svar
Cirka 30 minuter om du redan har dina API-nycklar.
Nej. Du kopplar mest konton och klistrar in API-nycklar. Själva ”logiken” finns redan inbyggd i workflowet.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer startar på 20 USD/månad för högre volym. Du behöver också räkna in LLM-användning (ofta några cent per signal, och ibland betydligt mindre beroende på modell) samt Twelve Datas plangränser.
Två alternativ: n8n Cloud (managed, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och hanterar n8n bra. Self-hosting ger dig obegränsade exekveringar men kräver grundläggande serveradministration.
Ja, och det är en av de bästa anledningarna att köra det i n8n. Du kan byta tradad tillgång genom att ändra symbolen/parametern som används i Twelve Data HTTP Request-verktygsnoderna (prishistorik och livepris). Du kan också byta ut Gemini Chat Model mot en annan LLM-leverantör i agentinställningarna och behålla allt annat lika. Vanliga justeringar är att skärpa riskreglerna, ändra timeframe (timme till något annat) och korta ner ”resonemanget” så att svaret passar ditt föredragna Telegram-format.
Oftast är det bot-tokenen eller chattbehörigheter. Generera om eller kontrollera din Telegram bot-token, bekräfta att boten är tillagd i chatten du testar i och säkerställ att n8n:s Telegram-credentials matchar rätt bot. Om det fungerar i en chatt men inte i en annan är det nästan alltid ett behörighetsproblem (särskilt i grupper). Håll också koll på rate limits om du spammar tester medan du finjusterar prompter.
Om du self-hostar finns ingen exekveringsgräns från n8n (det är främst din server och API-gränser). På n8n Cloud beror volymen på planens månatliga exekveringar. I praktiken är workflowet byggt för förfrågningar vid begäran, så många användare kör från en handfull till några dussin signaler per dag innan de ens funderar på att skala.
För just det här workflowet är n8n oftast bättre, eftersom AI-agentmönstret, verktygsanrop (HTTP-requests) och minne är mer flexibla. Du får också ett self-hosting-alternativ, vilket spelar roll om du experimenterar mycket och inte vill att varje körning ska kännas ”mätt”. Zapier eller Make kan funka för enkel alerting, men det här ligger närmare en interaktiv assistent än en tvåstegs-zap. Om du är osäker, prata med en automationsexpert och beskriv din volym och dina mål.
När detta väl kör är din ”signalprocess” ett enda meddelande och ett konsekvent svar. Workflowet tar hand om den repetitiva kontrollen så att du kan fokusera på beslutet.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.