Läuft gerade jetzt

Alles oben beschreibt ein System, das in diesem Moment, während Sie lesen, den Markt beobachtet. Unten steht seine Live-Ausgabe: für jeden Coin die Kaufkonfidenz des Modells in dieser Sekunde, gegen die Schwelle, die es überschreiten muss, um zu handeln. Überschreitet ein Balken seine Schwelle, entscheidet der Bot einzusteigen.

Der Verlauf, Coin für Coin

Der Ticker ist die Momentaufnahme; dies ist der Weg. Jeder Punkt ist eine Vorhersage, aufgetragen als der Kurs, den das Modell gesehen hat, gegen die Konfidenz, die es erzeugt hat — so können Sie zusehen, wie ein Coin über die Zeit auf seine Schwelle zu- oder von ihr weggeht.

Der Datenstrom aus Akt 1 fließt weiter. Die Kerzen bilden sich weiter, die Merkmale werden weiter berechnet, das Modell bewertet weiter. Alles auf dieser Seite ist eine einzige durchgehende Schleife — und die Zahlen oben sind ihr Urteil über den Markt, in dieser Sekunde.

Der Datenstrom

Beginnen wir dort, wo das System beginnt: bei dem, wie ein Coin tatsächlich aussieht, bevor ihn jemand interpretiert hat. Der Collector wacht jede Sekunde auf, fragt Binance nach den jüngsten Trades und dem aktuellen Orderbuch und schreibt eine einzige Zeile. Hier sind drei dieser Zeilen für ETH.

Die ersten zehn Spalten sind das Vertraute: das Symbol, der Zeitabschnitt (ts_begin / ts_end als Unix-Sekunden), Eröffnungs-, Tief-, Hoch- und Schlusskurs, ein volumengewichteter Durchschnittskurs, das gehandelte Volumen und die Zahl der Trades. Dann wird es interessanter: Die Spalten twb/tws sind die handelsgewichtete Orderbuchtiefe — wie viel Kauf- und Verkaufsliquidität innerhalb von 0,3 %, 1 %, 3 % und 10 % des Mittelkurses liegt. Und diese vierzehn sind erst der Anfang: Weitere rund 170 abgeleitete Indikatoren werden an jede einzelne Zeile angehängt.

Kein Mensch liest das. Auch kein Modell trainiert direkt darauf — es ist zu schnell und zu roh. Das Erste, was das System tut, ist die Zeit zu etwas zu falten, das ein Mensch und ein Modell tatsächlich fassen können: zu Kerzen.

Zeit zu Kerzen falten

Die erste Transformation ist der älteste Kniff der Marktdaten: nicht mehr auf jeden Tick schauen, sondern jede Minute durch vier Zahlen zusammenfassen — wo sie eröffnete, wie hoch sie stieg, wie tief sie fiel und wo sie schloss. Eine Kerze. Unten stehen acht aufeinanderfolgende Ein-Minuten-Kerzen für ETH, aggregiert aus demselben Rohdatenstrom.

Anatomie einer Kerze

Jede Zeile jener Tabelle ist eine davon. Die dünne Linie — der Docht — spannt sich zwischen dem höchsten und dem tiefsten Kurs der Minute. Der dicke Körper reicht von der Eröffnung bis zum Schluss. Ein gefüllter Körper heißt, die Minute schloss höher, als sie eröffnete; ein hohler Körper heißt, sie schloss tiefer.

Die Tabelle als Diagramm

Reihen Sie diese acht Kerzen zeitlich auf, und die Tabelle wird zu etwas, das Sie auf einen Blick lesen können: eine ruhige Eröffnung, dann ein scharfer Abverkauf in der Minute mit 14.016 Trades, dann eine zaghafte Erholung.

Kerzen sind lesbar, aber sie sind immer noch nur Kurs. Um zu prognostizieren, muss das System diese Form — und die daneben mitlaufende Orderbuchtiefe — in Zahlen übersetzen, die etwas darüber aussagen, was als Nächstes passiert. Das ist Feature Engineering.

Von Kerzen zu Signalen

Eine Kerze sagt Ihnen, was gerade passiert ist. Ein Merkmal versucht, etwas darüber zu sagen, was als Nächstes passiert. Auf jede K-Line rechnet das System die volle TA-Lib-Batterie — rund 180 Indikatoren, darunter 61 Detektoren für Kerzenmuster — und übergibt sie alle den Modellen. Drei lohnen einen genaueren Blick.

Orderbuchtiefe & Ungleichgewicht — der Vorsprung

Was es ist: wie viel echte Kauf- gegenüber Verkaufsliquidität innerhalb von 0,3 %, 1 %, 3 % und 10 % des Mittelkurses liegt — die Spalten twb/tws aus Akt 1.
Warum es prognostiziert: Die Kurshistorie ist Vergangenheit; das Orderbuch ist Absicht. Eine Wand von Geboten knapp unter dem Kurs stützt ihn tendenziell; eine Wand von Angeboten darüber deckelt ihn. Das ist von den dreien das am wenigsten Lehrbuchhafte — und der Teil, der sich bezahlt macht.

RSI(14) — Momentum

Was es ist: der Relative-Stärke-Index, ein Maß von 0–100 dafür, wie einseitig die jüngsten Bewegungen waren. Über 70 gilt konventionell als „überkauft“, unter 30 als „überverkauft“.
Warum es prognostiziert: Serien erschöpfen sich. Überdehntes Momentum geht oft einer Pause oder einem Rückschlag voraus, sodass der RSI dem Modell hilft, ein heißlaufendes Signal zu dämpfen.

Bollinger-Bänder — Volatilität

Was es ist: ein gleitender Durchschnitt mit einer Hülle, die einige Standardabweichungen darüber und darunter verläuft. Die Bänder atmen mit der Volatilität.
Warum es prognostiziert: Eine enge Einschnürung heißt, der Markt ist gespannt und ein Ausbruch wahrscheinlich; ein Kurs, der am oberen Band entlangläuft, signalisiert Stärke, einer am unteren Band Schwäche.

Nun gibt es also rund 189 Zahlen pro Sekunde und pro Coin. Was verarbeitet sie, verwandelt sie in eine Kauf-/Verkaufskonfidenz und entscheidet, wann gehandelt wird? Das ist die Maschine.

Die Maschine

Alles bisher — der Datenstrom, die Kerzen, die Merkmale — ist Rohstoff. Dies ist die Maschine, die er speist. Das Diagramm unten ist der eigene Bauplan des Systems, farblich an diese Seite angepasst; es hat zwei Hälften, die sich an einem einzigen Objekt treffen: dem Modell.

Die Bintri-Optimierungsarchitektur. Die Kastenfarbe codiert den Knotentyp (siehe Legende): Petrol = optimiert, Sand = Artefakt, Ton = Daten oder Prozess. In voller Größe ansehen ↗

Die linke Hälfte — ein Modell bauen

Ein historischer Datensatz wird durch Filter eingeengt (welche Coins, welche Tageszeiten, wie aktuell) und ergibt den gefilterten Datensatz, aus dem das Modelltraining lernt. Das Training nimmt außerdem Labels entgegen — abgeleitet aus einem vorausschauenden Zeitfenster (hat sich der Kurs weit genug und schnell genug bewegt, um einen Trade zu rechtfertigen?) — sowie eine Menge von Modellparametern. Die Kerzen aus Akt 2 und die rund 189 Merkmale aus Akt 3 sind genau das, was hier hineinfließt. Heraus kommt ein Modell, bewertet durch eine Recall-/Precision-Kurve und einen Backtest über zurückgehaltene Historie.

Die rechte Hälfte — live damit handeln

Der graue Kasten Strategie ist die Live-Schleife. Er hält eine Schwelle pro Coin (wie zuversichtlich das Modell sein muss, um zu handeln), eine Einstiegsregel (welcher Anteil des Kapitals, nach wie vielen Sekunden Verzögerung) und Logik, um offene Positionen auf vorzeitigen Ausstieg zu prüfen. Er verarbeitet die aktuellsten K-Lines in Echtzeit, und wenn die Konfidenz des Modells die Schwelle überschreitet, dimensioniert er eine Position gegen den letzten Schlusskurs / durchschnittlichen Ausführungskurs und schließt die Schleife nach Binance — einschließlich Futures und Leerverkäufen, mit berücksichtigten Handelsgebühren.

Ein Kasten auf der linken Seite verbirgt eine enorme Menge Arbeit: das Modelltraining. Ein gutes Modell zu wählen heißt, es hunderte Male über verschiedene Merkmale, Fenster und Parameter laufen zu lassen. Wie hält man das ehrlich und vergleichbar?

Wie Modelle ausgewählt werden

„Ein Modell trainieren“ heißt in Wahrheit „ein paar hundert trainieren und das beste behalten“. Jeder Lauf ist eine andere Kombination aus Merkmalen, Rück- und Vorausschaufenstern, Labeldefinitionen und Hyperparametern. Der einzige Weg, zwischen ihnen zu wählen, ohne sich selbst zu täuschen, ist, jeden Lauf identisch zu protokollieren und zu vergleichen. Genau dafür ist MLflow da.

Die MLflow-Lauftabelle für die Handelsmodelle. Jede Zeile ist ein Trainingslauf; jede Spalte ein protokollierter Parameter oder eine Metrik (Precision, Recall und der Rest), sodass sich die Läufe direkt vergleichen lassen. In voller Größe ansehen ↗

Jeder Lauf hält seine Parameter fest (was versucht wurde), seine Metriken (wie er abschnitt — die Precision-/Recall-Zahlen hinter jener Kurve in Akt 4) und seine Artefakte (das trainierte Modell selbst). Weil die Protokollierung einheitlich ist, wird die Modellauswahl zu einem Sortieren und Filtern über eine Tabelle statt zu einer Sache des Gedächtnisses oder des Bauchgefühls: Sie können nach der „besten Precision bei gegebenem Recall“ fragen und erhalten eine Antwort, die Sie morgen reproduzieren können.

Die Merkmale aus Akt 3 sind der Rohstoff, den diese Läufe verbrauchen; der Sieger ist das Modell, das in den Live-Strategiekasten aus Akt 4 befördert wird. Das heißt: Es hört auf, eine Tabellenzeile zu sein, und fängt an, etwas mit echtem Geld zu tun.

Live-Orders auf Binance

Wenn die Konfidenz des ausgewählten Modells die Schwelle eines Coins überschreitet, tut der Strategiekasten das, wofür all dies gedacht war: Er platziert eine Order. Keine Papierorder — eine echte, an der Börse, mit dem eigenen Kapital des Kontos. Hier ist ein Ausschnitt aus dieser Orderhistorie.

Ausgeführte Orders auf Binance. Jede Zeile ist eine echte Order, die der Bot platziert hat — Market und Limit, Kauf und Verkauf, über XRP und DOGE hinweg —, mit Zeitstempel und Ausführungskurs. In voller Größe ansehen ↗

Dieser Screenshot steht hier, um eines zu zeigen: Die Schleife schließt sich. Rohdatenstrom → Kerzen → Merkmale → ein trainiertes, ausgewähltes Modell → eine Strategie → eine Order, die tatsächlich an einer echten Börse ausgeführt wird. Das ist keine Aussage über die Performance. Das System ist experimentell und hat keine nachgewiesene Profitabilitätsbilanz vorzuweisen; was es hat, ist ein vollständiger, funktionierender Weg vom Marktrauschen zu einem echten Trade.

Bleibt eine letzte Frage, und die macht live am meisten Spaß: Was denkt das Modell gerade jetzt?