trading_bot\/\n\u251c\u2500\u2500 data\/ # Market data storage\n\u251c\u2500\u2500 models\/ # Trained AI models\n\u251c\u2500\u2500 strategies\/ # Trading strategies\n\u251c\u2500\u2500 backtesting\/ # Backtesting framework\n\u251c\u2500\u2500 utils\/ # Helper functions\n\u251c\u2500\u2500 config.json # Configuration file\n\u2514\u2500\u2500 main.py # Main execution script\n<\/code><\/pre>\n\nZugriff auf Marktdaten<\/h2>\n\n Hochwertige Daten sind das Fundament eines jeden erfolgreichen Handelsbots.<\/p>\n\n
Datenquellen<\/h3>\n\nB\u00f6rsen-APIs<\/h4>\n\n Die meisten gro\u00dfen B\u00f6rsen stellen historische und Echtzeit-Daten \u00fcber ihre APIs zur Verf\u00fcgung. Die CCXT-Bibliothek vereinfacht den Zugriff auf diese Daten \u00fcber mehrere B\u00f6rsen hinweg. <\/p>\n\n
import ccxt\nimport pandas as pd\n\n# Initialize exchange\nbinance = ccxt.binance({\n 'apiKey': 'YOUR_API_KEY',\n 'secret': 'YOUR_SECRET_KEY',\n})\n\n# Fetch OHLCV data\nohlcv = binance.fetch_ohlcv('BTC\/USDT', '1h', limit=1000)\n\n# Convert to DataFrame\ndf = pd.DataFrame(ohlcv, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])\ndf['timestamp'] = pd.to_datetime(df['timestamp'], unit='ms')\n<\/code><\/pre>\n\nAlternative Datenquellen<\/h4>\n\n\nCryptoCompare<\/strong>: Umfassende historische Daten<\/li>\n\n\n\nGlassnode<\/strong>: On-Chain-Metriken und -Analysen<\/li>\n\n\n\nSantiment<\/strong>: Soziale Stimmung und Entwickleraktivit\u00e4t<\/li>\n<\/ul>\n\nDatenvorverarbeitung<\/h3>\n\n Rohe Marktdaten m\u00fcssen vorverarbeitet werden, bevor sie in KI-Modelle eingespeist werden:<\/p>\n\n
\nNormalisierung<\/strong>: Skalierung von Merkmalen auf einen Standardbereich<\/li>\n\n\n\nMerkmalsextraktion<\/strong>: Erstellung technischer Indikatoren<\/li>\n\n\n\nBehandlung fehlender Daten<\/strong>: Auff\u00fcllen oder Entfernen fehlender Werte<\/li>\n\n\n\nZeitreihenaufteilung<\/strong>: Erstellung von Trainings-\/Testsets unter Ber\u00fccksichtigung der zeitlichen Reihenfolge<\/li>\n<\/ol>\n\nfrom sklearn.preprocessing import MinMaxScaler\nimport talib\n\n# Add technical indicators\ndf['rsi'] = talib.RSI(df['close'], timeperiod=14)\ndf['ma_50'] = df['close'].rolling(window=50).mean()\ndf['ma_200'] = df['close'].rolling(window=200).mean()\n\n# Normalize data\nscaler = MinMaxScaler()\ndf[['close', 'volume', 'rsi']] = scaler.fit_transform(df[['close', 'volume', 'rsi']])\n\n# Handle missing values\ndf.dropna(inplace=True)\n<\/code><\/pre>\n\nEntwicklung Ihrer ersten Handelsbotenstrategie<\/h2>\n\n Lassen Sie uns eine einfache ML-basierte Strategie unter Verwendung eines Random-Forest-Klassifikators zur Vorhersage der Preisrichtung erstellen.<\/p>\n\n
Merkmalsauswahl<\/h3>\n\n F\u00fcr unseren ersten Bot verwenden wir folgende Merkmale:<\/p>\n\n
\nRSI (Relative Strength Index)<\/li>\n\n\n\n Moving Average Convergence Divergence (MACD)<\/li>\n\n\n\n Bollinger-B\u00e4nder<\/li>\n\n\n\n Volumenindikatoren<\/li>\n\n\n\n Preismomentum<\/li>\n<\/ul>\n\nML-Modellimplementierung<\/h3>\n\nimport numpy as np\nfrom sklearn.ensemble import RandomForestClassifier\nfrom sklearn.model_selection import train_test_split\n\n# Prepare features and target\ndf['target'] = np.where(df['close'].shift(-1) > df['close'], 1, 0) # 1 if price goes up, 0 if down\nfeatures = ['rsi', 'macd', 'macd_signal', 'bb_upper', 'bb_lower', 'volume_change', 'close']\nX = df[features]\ny = df['target']\n\n# Split data respecting time order (no random shuffle)\ntrain_size = int(len(X) * 0.8)\nX_train, X_test = X[:train_size], X[train_size:]\ny_train, y_test = y[:train_size], y[train_size:]\n\n# Train Random Forest model\nmodel = RandomForestClassifier(n_estimators=100, random_state=42)\nmodel.fit(X_train, y_train)\n\n# Evaluate\naccuracy = model.score(X_test, y_test)\nprint(f\"Model accuracy: {accuracy:.4f}\")\n<\/code><\/pre>\n\nSignalgenerierung<\/h3>\n\n# Generate trading signals\ndf['prediction'] = model.predict(X)\ndf['signal'] = 0\ndf.loc[df['prediction'] == 1, 'signal'] = 1 # Buy signal\ndf.loc[df['prediction'] == 0, 'signal'] = -1 # Sell signal\n<\/code><\/pre>\n\nHandelsausf\u00fchrungslogik<\/h3>\n\ndef execute_trade(exchange, symbol, signal, amount):\n try:\n if signal == 1: # Buy\n order = exchange.create_market_buy_order(symbol, amount)\n elif signal == -1: # Sell\n order = exchange.create_market_sell_order(symbol, amount)\n return order\n except Exception as e:\n print(f\"Error executing trade: {e}\")\n return None\n<\/code><\/pre>\n\nBacktesting Ihrer Strategie<\/h2>\n\nSetzen Sie niemals eine Strategie ohne gr\u00fcndliches Backtesting ein.<\/p>\n\n
Grundlegendes Backtesting-Framework<\/h3>\n\ndef backtest(df, initial_capital=10000):\n capital = initial_capital\n in_position = False\n btc_amount = 0\n trades = []\n \n for i, row in df.iterrows():\n if row['signal'] == 1 and not in_position: # Buy signal\n btc_amount = capital \/ row['close']\n capital = 0\n in_position = True\n trades.append(('buy', row['timestamp'], row['close'], btc_amount))\n \n elif row['signal'] == -1 and in_position: # Sell signal\n capital = btc_amount * row['close']\n btc_amount = 0\n in_position = False\n trades.append(('sell', row['timestamp'], row['close'], capital))\n \n # Final evaluation\n if in_position:\n capital = btc_amount * df['close'].iloc[-1]\n \n return {\n 'final_capital': capital,\n 'return': (capital - initial_capital) \/ initial_capital * 100,\n 'trades': trades\n }\n<\/code><\/pre>\n\nLeistungskennzahlen<\/h3>\n\n Bei der Bewertung Ihrer Backtesting-Ergebnisse ber\u00fccksichtigen Sie bitte diese kritischen Metriken:<\/p>\n\n
Rendite- und Risikometriken<\/h4>\n\n\nGesamtrendite<\/strong>: Gesamter prozentualer Gewinn\/Verlust<\/li>\n\n\n\nAnnualisierte Rendite<\/strong>: Auf Jahresrate normalisierte Rendite<\/li>\n\n\n\nMaximaler Drawdown<\/strong>: Gr\u00f6\u00dfter R\u00fcckgang von H\u00f6chst- zu Tiefststand<\/li>\n\n\n\nSharpe-Ratio<\/strong>: Risikobereinigte Rendite<\/li>\n\n\n\nGewinnquote<\/strong>: Prozentsatz profitabler Trades<\/li>\n<\/ul>\n\nFortgeschrittene Metriken<\/h4>\n\n\nCalmar-Ratio<\/strong>: Jahresrendite dividiert durch maximalen Drawdown<\/li>\n\n\n\nSortino-Ratio<\/strong>: Bestraft nur sch\u00e4dliche Volatilit\u00e4t<\/li>\n\n\n\nProfit-Faktor<\/strong>: Bruttogewinn dividiert durch Bruttoverlust<\/li>\n<\/ul>\n\nVermeidung von Overfitting<\/h3>\n\n Overfitting ist der Hauptgrund f\u00fcr das Scheitern von Handelsstrategien. So k\u00f6nnen Sie es verhindern: <\/p>\n\n
\nVerwendung von Walk-Forward-Tests<\/strong>: Training mit \u00e4lteren Daten, Test mit neueren Daten<\/li>\n\n\n\nKreuzvalidierung<\/strong>: Zeitreihen-Kreuzvalidierung zur \u00dcberpr\u00fcfung der Robustheit<\/li>\n\n\n\nParameterstabilit\u00e4t<\/strong>: \u00dcberpr\u00fcfen, ob kleine Parameter\u00e4nderungen die Leistung drastisch beeinflussen<\/li>\n\n\n\nVielf\u00e4ltige Marktbedingungen<\/strong>: Tests w\u00e4hrend Bullen-, B\u00e4ren- und Seitw\u00e4rtsm\u00e4rkten<\/li>\n<\/ol>\n\nPapierhandel<\/h2>\n\n Nach erfolgreichem Backtesting ist der Papierhandel der n\u00e4chste kritische Schritt, bevor echtes Kapital riskiert wird.<\/p>\n\n
Einrichtung des Papierhandels<\/h3>\n\n Viele B\u00f6rsen bieten Papierhandelskonten an:<\/p>\n\n
\nBinance Testnet<\/li>\n\n\n\n FTX Papierhandel<\/li>\n\n\n\n Bybit Testnet<\/li>\n<\/ul>\n\nAlternativ k\u00f6nnen Sie einen einfachen Papierhandelssimulator erstellen:<\/p>\n\n
class PaperTrader:\n def __init__(self, starting_balance=10000):\n self.balance = starting_balance\n self.positions = {}\n self.trade_history = []\n \n def buy(self, symbol, price, amount=None, percent=100):\n if amount is None:\n amount = (self.balance * percent \/ 100) \/ price\n \n cost = amount * price\n if cost > self.balance:\n print(\"Insufficient funds\")\n return False\n \n self.balance -= cost\n if symbol in self.positions:\n self.positions[symbol] += amount\n else:\n self.positions[symbol] = amount\n \n self.trade_history.append({\n 'action': 'buy',\n 'symbol': symbol,\n 'price': price,\n 'amount': amount,\n 'timestamp': pd.Timestamp.now()\n })\n return True\n \n def sell(self, symbol, price, amount=None, percent=100):\n if symbol not in self.positions or self.positions[symbol] == 0:\n print(\"No position to sell\")\n return False\n \n if amount is None:\n amount = self.positions[symbol] * percent \/ 100\n \n if amount > self.positions[symbol]:\n print(\"Insufficient position size\")\n return False\n \n self.positions[symbol] -= amount\n self.balance += amount * price\n \n self.trade_history.append({\n 'action': 'sell',\n 'symbol': symbol,\n 'price': price,\n 'amount': amount,\n 'timestamp': pd.Timestamp.now()\n })\n return True\n \n def get_portfolio_value(self, current_prices):\n total = self.balance\n for symbol, amount in self.positions.items():\n if symbol in current_prices:\n total += amount * current_prices[symbol]\n return total\n<\/code><\/pre>\n\nTest \u00fcber einen vollst\u00e4ndigen Marktzyklus<\/h3>\n\n F\u00fchren Sie den Papierhandel f\u00fcr mindestens einen vollst\u00e4ndigen Marktzyklus durch (typischerweise 2-3 Monate bei Kryptow\u00e4hrungen), um verschiedene Marktbedingungen zu erfassen.<\/p>\n\n
Einsatz an Live-M\u00e4rkten<\/h2>\n\n Sobald Sie mit den Ergebnissen des Papierhandels zufrieden sind, ist es Zeit f\u00fcr den Echtgeld-Einsatz.<\/p>\n\n
Verbindung zur B\u00f6rsen-API<\/h3>\n\nimport ccxt\nimport json\nimport time\n\n# Load API keys from config file\nwith open('config.json', 'r') as f:\n config = json.load(f)\n\n# Initialize exchange with API keys\nexchange = ccxt.binance({\n 'apiKey': config['binance']['api_key'],\n 'secret': config['binance']['secret_key'],\n 'enableRateLimit': True,\n})\n\n# Verify connection\nprint(exchange.fetch_balance())\n<\/code><\/pre>\n\nBeste Sicherheitspraktiken<\/h3>\n\n\nAPI-Schl\u00fcsselbeschr\u00e4nkungen<\/strong>: Begrenzen Sie API-Berechtigungen nur auf den Handel<\/li>\n\n\n\nIP-Whitelisting<\/strong>: Erlauben Sie nur Verbindungen von Ihrer Server-IP<\/li>\n\n\n\nSichere Schl\u00fcsselspeicherung<\/strong>: Codieren Sie niemals Schl\u00fcssel direkt in Ihr Skript<\/li>\n\n\n\nAuszahlungsschutz<\/strong>: Deaktivieren Sie Auszahlungsberechtigungen<\/li>\n<\/ol>\n\nBereitstellungsoptionen<\/h3>\n\nVPS-Hosting<\/h4>\n\n Verwenden Sie einen virtuellen privaten Server f\u00fcr 24\/7-Verf\u00fcgbarkeit:<\/p>\n\n
![\"normaler](\"http:\/\/bitlearn.network\/wp-content\/uploads\/2025\/04\/normal-trading-bot-vs-ai-trading-bot.webp\")
<\/figure>\n\n![\"Ergebnisse](\"http:\/\/bitlearn.network\/wp-content\/uploads\/2025\/04\/results-of-creating-own-ai-trading-bot.webp\")
<\/figure>\n\n