Kurze Zusammenfassung
Dieses Video erklärt, wie wichtig gründliche Backtests für Trading-Strategien sind, unabhängig davon, ob man manuell handelt oder Bots einsetzt. Es wird gezeigt, wie man mithilfe von KI (Claude Opus) über Nacht Strategien entwickeln, testen und bewerten kann. Der Fokus liegt auf der Stabilität der Strategien in verschiedenen simulierten Marktszenarien (Monte-Carlo-Simulationen) und der Bedeutung von Kennzahlen wie Sharpe Ratio und Drawdown. Abschließend wird die Plattform SignalSwap.io vorgestellt, die Backtesting und die Automatisierung von Trading-Strategien ermöglicht.
- Bedeutung von Firm Backtesting zur Bewertung der Stabilität von Trading-Strategien.
- Nutzung von KI zur automatischen Generierung und Bewertung von Strategien.
- Fokus auf Sharpe Ratio, Drawdown und Stabilität in Monte-Carlo-Simulationen.
- Vorstellung von SignalSwap.io zur Automatisierung und zum Testen von Strategien.
Einführung in Firm Backtesting [0:00]
Das Video betont die Wichtigkeit von Backtests für Trader in verschiedenen Märkten wie Krypto, Forex und Aktien. Es wird gezeigt, wie der Autor mithilfe von KI (Claude Opus) über Nacht 85 Strategien entwickeln und testen ließ. Die KI bewertete die Strategien anhand von Monte-Carlo-Simulationen, um ihre Stabilität und Zuverlässigkeit zu bestimmen. Gute Ergebnisse mit einer Sharpe Ratio von über 1 sowohl in den In-Sample- als auch in den Out-of-Sample-Daten werden hervorgehoben.
Visualisierung der Trading-Strategie [1:13]
Es wird eine Pivot-High-Pivot-Low-Strategie mit ATR (Average True Range) als Bestätigung visuell dargestellt. Es werden verschiedene Varianten dieser Strategie mit unterschiedlichen Ergebnissen vorgestellt. Der Autor betont, dass er die Strategien automatisch optimiert und die Dashboards mit den zugehörigen Ergebnissen präsentiert. Zudem wird auf ein vorheriges Video verwiesen, in dem erklärt wird, wie man ein ähnliches Setup mit Claude erstellen kann.
Stabilitätsbewertung und Monte Carlo [2:43]
Der Fokus liegt auf der Stabilitätsbewertung der Strategien, die durch die Pass-Rate in Monte-Carlo-Simulationen bestimmt wird. Eine hohe Pass-Rate deutet auf eine robuste Strategie hin, die auch bei zufälligen Variationen der Candlesticks profitabel bleibt. Es wird gezeigt, wie die KI die Strategien bewertet und diejenigen mit der höchsten Stabilität auswählt.
Analyse von Sharpe Ratio und Drawdown [3:59]
Die Bedeutung der Sharpe Ratio und des Drawdowns als wichtige Kennzahlen zur Bewertung von Trading-Strategien wird erläutert. Eine hohe Sharpe Ratio (idealerweise über 1) und ein niedriger Drawdown sind entscheidend für eine erfolgreiche Strategie. Der Autor demonstriert, wie man diese Kennzahlen zusammen betrachtet, um das Risiko-Ertrags-Verhältnis einer Strategie zu beurteilen.
Bedeutung von Real Backtesting [6:20]
Es wird betont, wie wichtig es ist, die Logik einer Trading-Strategie in einem realen Backtest zu überprüfen, anstatt sich auf subjektive Einschätzungen oder TradingView-Analysen zu verlassen. Ein Beispiel mit einer einfachen RSI-Strategie zeigt, wie eine Strategie, die auf den ersten Blick vielversprechend aussieht, in einem umfassenden Backtest katastrophale Ergebnisse liefern kann (hoher Drawdown, negativer Profit).
Randomisierung von Preisstrukturen [7:45]
Die Randomisierung von Preisstrukturen durch Bootstrapping wird als Methode vorgestellt, um die Robustheit einer Strategie zu testen. Durch die Anwendung der Strategie auf verschiedene zufällige Variationen der Candlesticks kann man feststellen, ob sie auch unter veränderten Marktbedingungen profitabel bleibt.
Überprüfung der Top-Strategien [8:43]
Der Autor geht zu einer zweiten Strategie über und beschreibt, wie Claude die Ergebnisse der Strategien überprüft und die besten auswählt. Die KI wird angewiesen, das Trading-System zu verwalten und verschiedene Strategien über Nacht zu entwickeln. Claude kann auch veröffentlichte, von Experten begutachtete Trading-Berichte recherchieren, um Strategien zu testen und festzustellen, ob sie funktionieren.
Overnight Strategy Generation Process [9:32]
Der Prozess der Strategiegenerierung über Nacht wird detailliert beschrieben. Claude wird angewiesen, einfache Strategien zu entwickeln und diejenigen mit der besten Performance in Monte-Carlo-Simulationen zu finden. Strategien, die in den Simulationen scheitern (z. B. Supertrend, PSAR, KUSAM), werden aussortiert. Der Autor betont, dass dieser Workflow es ermöglicht, schnell zu erkennen, welche Strategien vielversprechend sind.
Pivot Break Strategy Variations [11:02]
Es werden verschiedene Varianten der Pivot-Break-Strategie vorgestellt, die sich durch unterschiedliche Filter (z. B. RSI-Bestätigung) unterscheiden. Die KI bevorzugt Strategien, die auf einer generalisierten Preisstruktur basieren, sodass sie auch bei randomisierten Candlesticks oder neuen Daten funktionieren.
Vergleich der Bootstrap-Performance [12:01]
Die Bootstrap-Performance verschiedener Strategievarianten wird verglichen. Die Strategien werden anhand von Kennzahlen wie Sharpe Ratio und Drawdown in den Out-of-Sample-Daten bewertet. Eine klare, aufsteigende Gewinnkurve wird als Zeichen für eine gute Strategie hervorgehoben. Der Autor erklärt, wie man ein Dashboard wie dieses erstellen kann, indem man Screenshots in Claude einfügt und es auffordert, ein Dashboard wie dieses zu erstellen.
Marktrauschen und Liquiditäts-Sweeps [13:49]
Der Autor spricht das Problem des Marktrauschens und der Liquiditäts-Sweeps an, insbesondere auf niedrigeren Zeitebenen. Er argumentiert jedoch, dass ein Bot, der auf Daten mit Liquiditäts-Sweeps trainiert wurde, besser in der Lage ist, mit Marktmanipulationen umzugehen.
Bewertung fehlgeschlagener Strategievarianten [14:35]
Es wird eine Strategie vorgestellt, die nicht erfolgreich war und einen hohen Drawdown aufwies. Der Autor vergleicht die Ergebnisse dieser Strategie mit denen einer erfolgreichen Variante der Pivot-Break-Strategie, um die Unterschiede hervorzuheben.
Bootstrapping-Analysetechniken [15:22]
Verschiedene Bootstrapping-Charts werden analysiert, um die Stabilität der Strategien unter verschiedenen simulierten Marktbedingungen zu beurteilen. Ein niedriger Sharpe Ratio und ein hoher Drawdown in den Bootstrap-Simulationen deuten auf eine nicht robuste Strategie hin.
Robuste vs. Nicht-Robuste Bestätigungsindikatoren [16:36]
Der Autor vergleicht die Verwendung von RSI und MFI (Money Flow Index) als Bestätigungsindikatoren. Er stellt fest, dass RSI in den getesteten Szenarien robuster ist als MFI. Es wird betont, dass die Ergebnisse von der jeweiligen Kryptowährung und Zeitebene abhängen können.
Trading-Implementierungsentscheidungen [18:19]
Der Autor erläutert seine Entscheidungen bezüglich der Implementierung der Strategien. Er plant, einige der vielversprechendsten Strategien live zu traden und sie weiter zu optimieren (z. B. durch Hinzufügen verschiedener Take-Profit-Levels). Zudem plant er, die Strategien auf anderen Kryptowährungen und Märkten (z. B. NASDAQ) zu testen.
Bedeutung der Simulationsstabilität [19:35]
Die Stabilität in Simulationen wird als der wichtigste Faktor für eine erfolgreiche Trading-Strategie hervorgehoben. Wenn eine Strategie in den Simulationen nicht stabil ist, ist die Wahrscheinlichkeit gering, dass sie in Echtzeit funktioniert.
Backtesting- und Marketplace-Funktionen [21:12]
Der Autor stellt die Plattform SignalSwap.io vor, die Backtesting- und Automatisierungsfunktionen bietet. Benutzer können ihre TradingView-Signale oder Python-basierten Strategien mit der Plattform verbinden und ihre Bots automatisch traden lassen. Die Plattform bietet auch einen Marketplace, auf dem Benutzer ihre erfolgreichen Strategien veröffentlichen können.
Paper Trading und Plattformzugang [22:03]
Die Möglichkeit des Paper Tradings auf SignalSwap.io wird erwähnt. Der Autor weist darauf hin, dass die Backtesting-Funktion der Plattform in Kürze verfügbar sein wird und ähnliche Funktionen wie die im Video gezeigten bietet.
