Machine Learning für das Trading: der Hype und die Praxis

💡 der Aha-Moment

ML ist keine eigenständige Strategie. Es ist ein FILTER. Du hast bereits Setups (Janus-Sweeps). ML sagt voraus, welche eine Wahrscheinlichkeit von 68 % statt 55 % haben. Handle die mit 68 %, überspringe die mit 55 %. Das ist der Vorteil.

🎯 Praxisübung: Feature Engineering für einen ML-Trade-Filter umsetzen

Ziel: Baue ein ML-Modell, das deine bestehenden Setups filtert und den Erwartungswert durch selektives Handeln um 10-15 % verbessert.

Teil 1: Feature Engineering (der wichtigste Schritt)

Berechne für jeden deiner historischen Trades diese Features ZUM SIGNALZEITPUNKT (kein Look-Ahead!):

Feature-Set-Vorlage (20+ Features empfohlen):

KURS-FEATURES:
1. Abstand zum VWAP (%): (Kurs - VWAP) / VWAP
2. Abstand zum 50-EMA (%): (Kurs - EMA50) / EMA50
3. Abstand zum Hoch des VORTAGS (%): (VortagHoch - Kurs) / VortagHoch
4. Abstand zum Tief des VORTAGS (%): (Kurs - VortagTief) / VortagTief

MOMENTUM-FEATURES:
5. RSI (14): Wert 0-100
6. ADX (14): Trendstärke
7. Verhältnis +DI / -DI: Richtungsindikator
8. Rate of Change (10): Kursänderung der letzten 10 Kerzen

VOLATILITÄTS-FEATURES:
9. Verhältnis ATR / Kurs: normierte Volatilität
10. Bollinger-Band-Breite %: (Oben - Unten) / Mitte
11. Jüngste Ausweitung der Range: aktueller ATR / durchschnittlicher ATR über 20 Perioden

VOLUMEN-FEATURES:
12. Volumen vs. Durchschnitt: aktuell / Durchschnitt über 20 Perioden
13. CVD (kumuliertes Volumendelta): Netto-Kaufdruck
14. Abstand VWAP zu POC: Ausrichtung am fairen Wert

ZEIT-FEATURES:
15. Tageszeit: Minuten seit Eröffnung (auf 0-390 normieren)
16. Wochentag: Mo=1, Fr=5
17. Zeit seit dem letzten Signal: Minuten

REGIME-FEATURES:
18. VIX-Niveau: aktueller VIX-Stand
19. Regime-Score: ADX + ATR + BB-Breite kombiniert
20. DXY-Änderung %: Gegenwind/Rückenwind aus der Makrolage

DEINE FEATURES (für 50+ historische Trades berechnen):
Trade 1: [Feature 1: ___, Feature 2: ___, ..., Feature 20: ___, Ergebnis: Gewinn/Verlust]
Trade 2: [...]

Teil 2: Trainings-/Test-Aufteilung (AUSSCHLIESSLICH zeitbasiert)

Mische Zeitreihendaten NIEMALS. Nutze rollierende Fenster:

Walk-Forward-ML-Validierung:

Fenster 1:
Training: Jan-Jun 2023 (Trades 1-30)
Test: Jul-Sep 2023 (Trades 31-40)
Modell: Random Forest, max_depth=5
Trefferquote im Test: ___%
Leistung im Test: ___%

Fenster 2:
Training: Apr-Sep 2023 (Trades 15-50)
Test: Okt-Dez 2023 (Trades 51-65)
Modell: auf dem neuen Fenster neu trainieren
Trefferquote im Test: ___%
Leistung im Test: ___%

Fenster 3:
Training: Jul-Dez 2023 (Trades 35-75)
Test: Jan-Mär 2024 (Trades 76-90)
Trefferquote im Test: ___%
Leistung im Test: ___%

Durchschnittliche Leistung im Test: ___% Erfolgsquote
Vergleich zur Basislinie (kein Filter): ___% Erfolgsquote
Verbesserung: +___% (Ziel: mindestens +10%)

Teil 3: Modellauswahl und Vermeidung von Overfitting

Teste 3 Modelle. Das einfachste, das funktioniert, gewinnt:

Warnsignal: Wenn die Trefferquote im Training 90 % beträgt, im Test aber 60 %, überanpasst du. Reduziere die Modellkomplexität oder nimm mehr Daten.

Teil 4: Analyse der Feature-Bedeutung

Welche Features zählen wirklich? Nutze die Feature-Importance des Modells:

Feature-Importance des Random Forest:

Top-10-Features (nach Wichtigkeit):
1. VIX-Niveau: 0,18 (am wichtigsten)
2. Abstand zum VWAP: 0,15
3. ADX: 0,12
4. Tageszeit: 0,10
5. CVD: 0,09
6. RSI: 0,07
7. ATR-Verhältnis: 0,06
8. Volumen vs. Durchschnitt: 0,05
9. BB-Breite: 0,04
10. DXY-Änderung: 0,03

Schwächste Features (< 0,02): Wochentag, Zeit seit dem letzten Signal
→ Diese Features entfernen (Rauschen, kein Signal)

Vereinfachtes Modell (nur die 6 wichtigsten Features):
Trefferquote im Test: ___% (mit dem 20-Feature-Modell vergleichen)
Wenn die Abweichung unter 2% liegt, nimm das einfachere Modell (weniger Overfitting)

Teil 5: Produktiveinsatz mit Konfidenzschwellen

Handle nicht ALLE Prognosen. Handle nur die mit hoher Konfidenz:

Modell-Output = Wahrscheinlichkeit (0,0 bis 1,0)

Konfidenzschwellen:
Wahrscheinlichkeit > 0,65 = hohe Konfidenz (Trade nehmen)
Wahrscheinlichkeit 0,45-0,65 = neutral (Trade auslassen)
Wahrscheinlichkeit < 0,45 = geringe Konfidenz (auslassen oder umkehren)

Backtest-Ergebnisse nach Schwelle:
Alle Trades (kein Filter): 55% Trefferquote, 0,5R im Schnitt
Konfidenz > 0,60: ___% Erwartungswert, ___R im Schnitt
Konfidenz > 0,65: ___% Erwartungswert, ___R im Schnitt
Konfidenz > 0,70: ___% Erwartungswert, ___R im Schnitt (weniger Trades)

Optimale Schwelle: 0,___ (Erwartungswert maximieren, nicht Trefferquote)

DEINE ERGEBNISSE:
Mit ML-Filter genommene Trades: ___ / 100 Signale insgesamt
Verbesserung der Erfolgsquote: von ___% → ___% (+___%)
Verbesserung des Erwartungswerts: von ___ $/Trade → ___ $/Trade

Teil 6: Protokoll für Monitoring und Neutraining

ML-Modelle verlieren mit der Zeit an Qualität. Überwache und trainiere neu:

Monitoring-Zeitplan:

Woche 1-4: Live-Leistung gegenüber den Testprognosen verfolgen
Erwartet: 60% Trefferquote
Tatsächlich: ___% Trefferquote
Drift: ___% (< 5% OK)

Woche 5-8: weiter verfolgen
Tatsächlich: ___% Trefferquote
Drift: ___% (bei > 10% neu trainieren)

Auslöser für ein Neutraining:
1. Trefferquote fällt > 10% unter die Basislinie aus dem Test
2. Marktregime verschiebt sich (VIX-Spitzen, neuer Zyklus)
3. mindestens alle 3 Monate (mit aktuellen Daten auffrischen)

Ablauf des Neutrainings:
- Trade-Daten der letzten 3 Monate ergänzen
- Walk-Forward-Validierung erneut laufen lassen
- neues Modell mit dem alten auf demselben Testset vergleichen
- nur ausrollen, wenn das neue Modell um mindestens 3% besser ist

Ziel der Umsetzung: Baue über 4-6 Wochen einen ML-Filter mit deinen letzten 50-100 Trades. Setze ihn im Paper-Trading für 20 Signale ein. Beispielziel: den Erwartungswert um mindestens 10 % verbessern. Wenn es gelingt, hat ML deinen Erwartungswert messbar angehoben, indem es dir hilft, Setups mit geringer Wahrscheinlichkeit auszulassen. So nutzen Profis ML — nicht als Magie, sondern als systematische Verbesserung des Vorteils.