đ Einen Algorithmus-Trading-Bot von Grund auf bauen
Ich arbeite seit mehreren Wochen an einem modularen Quant-Trading-System in Python, das sich zunÀchst auf BTC/USD und ETH/USD konzentriert.
Das Projekt enthĂ€lt bereits technisches Analysis, Risk Management, Position Sizing, LONG/SHORT, Backtesting, Simulation von GebĂŒhren/Spread/Slippage, Paper Trading in Echtzeit, das Persistieren von Positionen, Leistungsmetriken und statistische Analysen.
Aktuell sind wir in einer entscheidenden Phase: langes Paper Trading und Validierung mit echten Marktdaten, aber ohne echtes Geld zu verwenden.
Erster Checkpoint: 37 geschlossene Trades.
đ Erste Ergebnisse des Baseline:
Win rate: 13,51%
PnL: -2,70%
Maximaler Drawdown: 2,70%
Profit factor: 0,078
Die Zahlen sind noch nicht gut, und genau darin liegt das Interessante: Statt die Strategie so lange zu verĂ€ndern, bis ein Backtest âschön aussiehtâ, untersuchen wir, warum sie verliert, wie stark die GebĂŒhren ins Gewicht fallen, was bei BTC vs. ETH passiert, bei LONG vs. SHORT, und welchen Effekt die Dauer der Trades hat.
Eine erste Beobachtung: Die AusfĂŒhrungskosten haben einen enormen Einfluss, insbesondere bei Trades mit kurzer Laufzeit.
Das nÀchste Ziel ist, auf 100 geschlossene Trades zu kommen, ohne die Baseline zu Àndern, um vor jeder Optimierung eine aussagekrÀftigere Stichprobe zu erhalten.
FĂŒr mich besteht der Bau eines Bots nicht darin, eine Strategie zu suchen, die immer gewinnt. Es geht darum, ein System zu schaffen, das messbar ist, das man hinterfragen kann, das kontrolliert scheitern kann und das sich mit Evidenz verbessern lĂ€sst.
Wir bauen weiter. đđ€
#AlgorithmicTrading #TradingBot #Python #BTC #ETH $ #CryptoTrading #QuantTrading #PaperTrading #RiskManagement #BinanceSquare
Ich arbeite seit mehreren Wochen an einem modularen Quant-Trading-System in Python, das sich zunÀchst auf BTC/USD und ETH/USD konzentriert.
Das Projekt enthĂ€lt bereits technisches Analysis, Risk Management, Position Sizing, LONG/SHORT, Backtesting, Simulation von GebĂŒhren/Spread/Slippage, Paper Trading in Echtzeit, das Persistieren von Positionen, Leistungsmetriken und statistische Analysen.
Aktuell sind wir in einer entscheidenden Phase: langes Paper Trading und Validierung mit echten Marktdaten, aber ohne echtes Geld zu verwenden.
Erster Checkpoint: 37 geschlossene Trades.
đ Erste Ergebnisse des Baseline:
Win rate: 13,51%
PnL: -2,70%
Maximaler Drawdown: 2,70%
Profit factor: 0,078
Die Zahlen sind noch nicht gut, und genau darin liegt das Interessante: Statt die Strategie so lange zu verĂ€ndern, bis ein Backtest âschön aussiehtâ, untersuchen wir, warum sie verliert, wie stark die GebĂŒhren ins Gewicht fallen, was bei BTC vs. ETH passiert, bei LONG vs. SHORT, und welchen Effekt die Dauer der Trades hat.
Eine erste Beobachtung: Die AusfĂŒhrungskosten haben einen enormen Einfluss, insbesondere bei Trades mit kurzer Laufzeit.
Das nÀchste Ziel ist, auf 100 geschlossene Trades zu kommen, ohne die Baseline zu Àndern, um vor jeder Optimierung eine aussagekrÀftigere Stichprobe zu erhalten.
FĂŒr mich besteht der Bau eines Bots nicht darin, eine Strategie zu suchen, die immer gewinnt. Es geht darum, ein System zu schaffen, das messbar ist, das man hinterfragen kann, das kontrolliert scheitern kann und das sich mit Evidenz verbessern lĂ€sst.
Wir bauen weiter. đđ€
#AlgorithmicTrading #TradingBot #Python #BTC #ETH $ #CryptoTrading #QuantTrading #PaperTrading #RiskManagement #BinanceSquare
