Handelsstrategien

Mehrere integrierte Strategien für verschiedene Marktsituationen und Erkennungstypen:

Erkennungssystem

Die Plattform verwendet einen dualen Erkennungsansatz:

• Fast Mover-Erkennung — Überwacht Echtzeit-Preisbewegungen auf schnelle Prozentbewegungen, löst Strategieauswertung bei qualifizierenden Symbolen aus
• Slow Mover-Erkennung — Identifiziert Volumenregime-Änderungen bei ruhigeren Aktien, die auf aufkommendes Momentum hindeuten können

Signal-Arbitrierung

Wenn mehrere Strategien gleichzeitig für dasselbe Symbol auslösen:

• Prioritätsbasierter Signal-Arbiter löst Konflikte
• Strategieübergreifende Korrelationsanalyse verhindert redundante überlappende Trades
• Jedes Signal enthält einen Konfidenz-Score und Strategie-Metadaten
• Per-Strategie-Risikoparameter steuern Positionsgrösse und Exposure
• Erkennungstyp-Filterung stellt sicher, dass Strategien nur bei passendem Aktienverhalten feuern (schnell, langsam oder beides)

Indicator Engine

Ein deklaratives Indikator-Subsystem, das von Strategien und Rule Mining gemeinsam genutzt wird — Indikatoren werden einmal berechnet und wiederverwendet, nicht pro Aufrufer neu berechnet.

• Deklarative Registry — Indikatoren werden mit expliziten Abhängigkeiten registriert; ein topologischer Dependency Graph ermittelt die Berechnungsreihenfolge automatisch
• Inkrementelle Append-Engine — Neue Bars aktualisieren den Indikatorzustand in konstanter Zeit pro Bar (O(1)), ohne vollständige Neuberechnung der historischen Reihe
• Bedarfsgesteuerte Lazy Evaluation — Nur Indikatoren, die von der aktiven Strategie oder dem Mining-Lauf tatsächlich benötigt werden, werden materialisiert, wodurch Speicher- und CPU-Footprint gering bleiben
• Gemeinsamer Cache — Live-Trading-Strategien und Rule-Mining-Suchen lesen aus demselben Indikator-Cache, verhindert doppelte Berechnung über Codepfade hinweg

Strategy Fingerprinting

Bevor die Rule-Mining-Engine neue Regeln vorschlägt, profiliert das System zunächst, was jede bestehende Strategie über historische Daten hinweg erfasst, identifiziert Bereiche mit dünner Abdeckung und generiert kuratierte Seed-Kandidaten, die auf diese Lücken abzielen.

• Historisches Replay-Profiling — Jede Strategie wird über historische Daten wiedergegeben, um zu erfassen, was sie wo auffängt
• Per-Strategie-Abdeckung — Misst, welche Marktbedingungen jede Strategie erkennt, und macht ihren Footprint explizit
• Strategieübergreifende Overlap-Analyse — Macht sichtbar, wo Strategien redundant dieselben Gelegenheiten abdecken und wo echte Lücken bleiben
• Seed-Kandidaten-Generierung — Wandelt Abdeckungslücken in kuratierte Seed-Kandidaten um, die in die Rule-Mining-Engine einfliessen und die Entdeckung auf unterabgedeckte Marktbedingungen lenken
• Dashboard-Integration — Fingerprinting-Läufe erscheinen in einem dedizierten Dashboard mit mehrstufiger Detailansicht (Overview, Coverage, Cross-Strategy, Seeds)

Das Architekturdiagramm zeigt den Live-Runtime-Datenpfad; Fingerprinting arbeitet auf historischem Replay und liegt ausserhalb dieses Pfades — sein Fehlen im Diagramm ist also gewollt.

Rule Mining Engine

Automatisierte Strategieentdeckung kombiniert ML-seeded Kandidatengenerierung, mehrstufige Beam-Suche und Exit-Quality-Scoring:

Ansatz

Die Engine baut Handelsregeln durch einen phasenweisen Suchprozess auf, mit einer optionalen ML-Vor-Seeding-Phase vorgelagert:

0. ML Seeding (Optional) — Ein LightGBM-Modell trainiert auf historischen Trade-Daten, extrahiert Decision Paths als Seed-Kandidaten und selektiert vielversprechende Bedingungskombinationen vor, die die Beam-Suche weiter verfeinert. Seed-Kandidaten können auch aus Strategy Fingerprinting stammen, gezielt auf Abdeckungslücken der bestehenden Strategien
1. Bedingungsscreening — Bewertet einzelne Indikatorbedingungen über mehrere Kategorien — preisbasiert, temporale Indikatoren, Event-Flags und Ableitungs- / Trajektorien-Indikatoren, die erfassen, wie sich Indikatorwerte über die Zeit verändern, nicht nur ihre Momentanwerte
2. Bedingungskombination — Kombiniert progressiv die Top-Performer zu Multi-Bedingungsregeln, Pruning in jeder Stufe
3. Exit-Optimierung — Grid Search über Risikoparameter (Stop Loss, Trailing Stop, Gewinnziele, maximale Haltedauer) zur Findung optimaler Exit-Konfigurationen pro Regel
4. Temporale Mustererkennung — Erkundet mehrstufige sequenzielle Muster, bei denen Bedingungen in bestimmter Reihenfolge mit konfigurierbaren Zeitabständen feuern müssen

Carry-Mode-Simulation — Ausserhalb der nummerierten Pipeline können Regeln optional mit Multi-Day-Carry-over offener Positionen evaluiert werden, was die Entdeckung von Mustern erlaubt, deren Einstieg intraday ist, deren Exit jedoch über Session-Grenzen hinausreicht.

Validierung

• Zeitreihen-Train/Test-Split mit chronologischer Integrität — erhält die zeitliche Reihenfolge für Walk-Forward-Evaluation
• Random Train/Test Split mit reproduzierbarem Seeding — ermöglicht i.i.d.-Validierung für Regeln, bei denen die temporale Struktur weniger tragend ist; der Seed macht Resultate deterministisch wiederholbar
• Walk-Forward-Kreuzvalidierung zur Sicherstellung, dass Regeln über Trainingsdaten hinaus generalisieren
• Trade-Set-Deduplizierung zur Entfernung redundanter Regeln, die bei denselben Gelegenheiten auslösen
• Verdachts-Scoring zur Bestrafung von Regeln, die zu gut erscheinen, um wahr zu sein

Exit Quality Scoring

Ein zusammengesetzter Scoring-Modus bewertet Regeln anhand ihres Exit-Verhaltens statt nur nach aggregiertem P&L und gewichtet mehrere Dimensionen gleichzeitig:

• P&L — Netto-Gewinn und -Verlust
• Drawdown — Stärkster Intra-Trade-Drawdown
• Hold Efficiency — P&L relativ zur Haltedauer im Trade
• Exit Type Quality — Ob der Exit auf ein günstiges Ziel oder einen defensiven Stop traf
• Peak-to-Exit Giveback — Wie viel des besten Intra-Trade-Preises vor dem Exit wieder abgegeben wurde

Ein Scoring-Mode-Selector erlaubt die Wahl zwischen P&L-zentrischer und Exit-Quality-zentrischer Evaluation während der Entdeckung.

Regellebenszyklus

Entdeckte Regeln folgen einem definierten Beförderungspfad:

1. Entdeckung — Mining-Engine identifiziert Regelkandidaten
2. Validierung — Walk-Forward-Testing bestätigt Generalisierung
3. Kampagnen-Integration — Mehrtägige automatisierte Entdeckungsläufe erkunden kontinuierlich neue Muster
4. Live-Promotion — Validierte Regeln mit Per-Regel-Exit-Konfigurationen werden zum Live-Trading befördert
5. Performance-Tracking — Live-Ergebnisse werden mit Analytik-Aufschlüsselung nach Regel verfolgt
6. Degradationserkennung & Herabstufung — Health Scoring vergleicht Backtest- mit Live-Metriken pro Regel; Degradation löst Toast-Benachrichtigungen über alle Dashboard-Seiten aus; unterperformende Regeln können vom Live-Trading herabgestuft werden

Dashboard-Oberflächen

Das Strategy-Discovery-Dashboard macht Mining-Konfiguration und -Ergebnisse direkt zugänglich:

• Split-Mode-Selector mit Ratio-Slider erlaubt die Wahl zwischen Zeitreihen- und Random-Train/Test-Split sowie die Abstimmung des Train/Test-Verhältnisses pro Lauf
• Carry-Mode-Toggle steuert, ob Simulationen Positionen über Sessions hinweg halten
• Kapitalauslastungs-Statistiken zeigen, wie viel simuliertes Kapital eine Regel einsetzt und wie stark sich ihre Trades zeitlich überlappen
• Worst-Trade-Analytik hebt die Ergebnisse im untersten Quantil hervor, sodass Nutzer die Downside-Form neben der Headline-Performance sehen

Exit Engine

Zentralisierte Exit-Logik, die über alle Strategien und beförderte Regeln geteilt wird:

• Stop Loss — Fester prozentualer Stop Loss
• Trailing Stop — Dynamischer Stop, der der Preisbewegung folgt
• Skalierte Gewinnziele — Mehrstufige Teilgewinnmitnahme auf konfigurierbaren Niveaus
• Zeitbasierte Exits — Maximale Haltedauer-Durchsetzung
• Preisaktualitäts-Validierung — Stale-Price-Guards verhindern Exit-Entscheidungen auf Basis veralteter Marktdaten; Kauforders verwenden frische Redis-Tick-Preise mit automatischem Fallback

Jede Strategie und beförderte Regel kann ihre eigene Exit-Konfiguration definieren, was feingranulares Risikomanagement ohne globales Fallback-Verhalten ermöglicht.

Broker-Schnittstelle

Abstraktes BaseBroker-Interface ermöglicht nahtlosen Wechsel via Konfiguration.

Alpaca

Interactive Brokers

Backtest Engine

Verteiltes Backtesting mit Parameteroptimierung:

• Durchläuft Parameterkombinationen über alle Strategien parallel
• Dedizierte Backtest-Worker im Sharded-Modus für verteilte Ausführung via Redis Work Queues, mit einer Finalize-Queue, die die asynchrone Ergebnisaggregation getrennt vom API-Prozess abwickelt
• Tick-Daten-Replay aus QuestDB ermöglicht High-Fidelity-Backtesting gegen historische Marktbedingungen
• Ergebnisse mit Per-Strategie-Analysen gespeichert
• Bestperformende Konfigurationen können auf Live-Trading angewandt werden
• Echtzeit-Fortschrittsstreaming via WebSocket zum Frontend-Dashboard

Kampagnen-Backtesting

Mehrtägige Strategievergleichs-Infrastruktur:

• Aggregiert Performance über beliebige Datumsbereiche in einem einzelnen Vorgang
• Per-Datum-Daten-Precaching für Worker-Effizienz
• Tagesübergreifende Aggregation zeigt Strategiekonsistenz und Parameterstabilität
• Teilfehler-Behandlung — Kampagnen laufen weiter, wenn einzelne Tage fehlschlagen
• Unterstützt mehrere Discovery-Modi für verschiedene Marktverhaltentypen

Production Correctness

Produktionstauglicher Betrieb hängt davon ab, reale Fehlermodi zu handhaben, die einfache Codepfade und Backtests allein verdecken:

• WebSocket Auto-Reconnect — Der Market-Data-Stream reconnectet mit exponential backoff bei transienten Fehlern und bewahrt den Subscription-State über Disconnects hinweg, sodass Live-Strategien ohne manuelles Eingreifen fortfahren
• Redis Connection Manager — Auto-Reconnect, Keepalive-Heartbeats und periodische Health Pings halten die Pub/Sub- und Cache-Schicht unter Netzwerkschwankungen verfügbar; Payload-Kompression reduziert die Bandbreite auf high-throughput-Kanälen
• Strukturelles Buy-Sell-Linking — Trade-Buchhaltung folgt der tatsächlichen Order-Beziehung zwischen Käufen und Verkäufen statt FIFO-nach-Timestamp, sodass die P&L-Attribution dem Orderbuch-Wahrheitsgehalt entspricht, auch wenn Exits ausserhalb der Einreichungsreihenfolge ausführen
• Split-adjustierte historische Bars — Backtests und Live-Preisreferenzen nutzen split-adjustierte Bars des Brokers, was spurious Signale und Preisfehler rund um Corporate Actions verhindert

Frontend-Seiten

Benachrichtigungssystem

Live-Benachrichtigungsglocke, die an Backend-WebSocket-Events angebunden ist, mit schweregrad-gestufter Zustellung:

• Hybrides Lesen/Verwerfen-Modell — Öffnen des Dropdowns markiert Benachrichtigungen als gelesen; einzelne Einträge können verworfen werden
• Redis-gestützte Persistenz mit automatischem TTL-Ablauf für transiente Event-Daten
• Backfill bei Wiederverbindung stellt sicher, dass keine Events während Verbindungsunterbrechungen verloren gehen
• WebSocket-Verbindungsstatus-Anzeige am Glockensymbol (verbunden/wiederverbindend)

Datenbankschema (Schlüsseltabellen)

Trading

Backtesting

Rule Mining

Authentifizierung & Sicherheit

• JWT-basierte Authentifizierung mit Access- und Refresh-Tokens
• Erweiterte Sitzungsunterstützung für persistenten Dashboard-Zugang
• Geschützte API-Routen mit Bearer-Token-Anforderung
• PDT (Pattern Day Trader) Compliance-Tracking

CLI-Werkzeuge

Administrative Kommandozeilen-Schnittstelle auf Basis von Typer und Rich für Datenbankverwaltung, Service-Steuerung, operationelle Aufgaben sowie Strategy Fingerprinting — Analyse historischer Läufe und Generierung von Seed-Kandidaten, die in die Rule-Mining-Engine einfliessen.

Codequalität & CI/CD

• Linting — Ruff für vereinheitlichte Formatierung und Lint-Prüfungen
• Type Checking — MyPy im strikten Modus über das gesamte Backend
• Testing — pytest mit Async-Unterstützung, Property-basiertes Testing (hypothesis), Zeit-Mocking und HTTP-Mocking
• CI-Pipeline — GitHub Actions führt Lint, Typecheck und vollständige Test-Suite bei jedem Push und Pull Request aus
• Dependency Management — Renovate für automatisierte Abhängigkeitsaktualisierungen mit CI-Gating
• Type Generation — OpenAPI-gesteuerte TypeScript-Typgenerierung mit CI-Drift-Erkennung