CS / 01Case-Study
Research-Plattform für acht Forex-Zeitreihen mit Mehrquellen-Features, instrumentenspezifischen XGBoost-Modellen, Walk-forward-Validierung und getrennter Risikoebene.
Interaktive Simulation
01 / System
01 / Kontext
Die technische Case-Study betrachtet historische Kurs-, Makro- und Nachrichtendaten, Merkmalsberechnung, Training, Backtesting, Modellbereitstellung und Monitoring als zusammenhängendes ML-System. Sie enthält keine Renditeversprechen und keine Handelsempfehlung.
02 / Problem
Modelle auf Finanzzeitreihen überfitten leicht, wenn zukünftige Informationen unbemerkt ins Training gelangen oder eine zufällige Aufteilung zeitliche Abhängigkeiten ignoriert. Selbst ein brauchbares Modell darf außerdem niemals direkt und unbegrenzt Aktionen auslösen.
03 / Umsetzung
Eine Python-Pipeline verbindet historische OHLCV-Daten von acht Währungspaaren mit Makro- und Nachrichtenmerkmalen. Sie berechnet Momentum-, Trend-, Volatilitäts-, Korrelations-, Session- und retracementbasierte Features und trainiert getrennte XGBoost-Klassifikatoren. Rollierende Trainings- und Testfenster bilden die zeitliche Reihenfolge ab. FastAPI, Electron und React stellen Steuerung, Verlauf und Risikometriken bereit.
04 / Vertiefung
Feature Engineering aus OHLCV-, Makro-, Nachrichten- und Cross-Pair-Daten, technische Indikatoren, retracementbasierte Merkmale, XGBoost, Walk-forward-Validierung, Backtesting ohne Look-ahead Bias, Modellversionierung und deterministische Risiko-Gates.
02 / Decisions
Nicht nur was gebaut wurde, sondern warum das System genau diese Form bekommen hat.
Zeitreihen haben eine Richtung. Rollierende Fenster verhindern, dass zukünftige Marktphasen unbemerkt zum Training früherer Vorhersagen verwendet werden.
Die acht Währungspaare besitzen unterschiedliche Dynamiken. Modell, Feature-Reihenfolge, Datenquellen und Trainingsparameter werden deshalb gemeinsam versioniert und beim Laden geprüft.
Confidence allein ist keine Risikosteuerung. Positionsgröße, Verlustgrenzen, Drawdown-Limit und zeitliche Regeln können ein Modellresultat jederzeit verwerfen.
Modellzustand, offene Prozesse, Historie und Risikometriken müssen unabhängig von der Trainingsumgebung beobachtbar und nachvollziehbar sein.
03 / Delivery
Technologien
Ehrliche Grenze
Research- und Engineering-Projekt. Backtests belegen keine zukünftige Profitabilität; es werden weder Anlageberatung noch öffentliche Live-Performance oder reale Erträge behauptet.
Nächstes Projekt
Realtime Vision Runtime