Loading...
Loading...
Alle Reviews, Rankings, Guides, Strategien und Trust-Dokumente.
Methodik
Von Rohmarktdaten bis zum veröffentlichten Signal mit Confidence-Bewertung — die exakte Pipeline hinter jedem Einstieg, Stop und Ziel.
Zuletzt aktualisiert: 20. Mai 2026
Pro Paar (Symbol, Timeframe) ein dediziertes LightGBM Gradient-Boosting-Ensemble — dedizierte Modelle, kein universeller One-Size-Fits-All-Klassifikator. Die vollständige 10-Symbol-×-4-Timeframe-Abdeckung wird in Phase 1b ausgebaut.
Triple-Barrier-Methode (López de Prado) für Labels — drei Ausstiegsbedingungen statt fester Horizont-Returns. Weit weniger Label-Leakage als naive Ansätze.
Confidence-Score 0-100 % kommt direkt aus dem Wahrscheinlichkeits-Output des Modells. Unter 60 % — kein Signal veröffentlicht.
ATR(14)-skalierte SL/TP-Platzierung. R-Multiples kalibriert pro Timeframe — typisches Ziel 1,5R bis 3,0R. Keine festen Pip-Stops.
Wir zeigen den Wirtschaftskalender, damit Sie Ihren eigenen Event-Filter anwenden können. Das algorithmische Auto-Veto von Signalen in der Nähe von High-Impact-Events steht auf der Phase-2-Roadmap.
Jedes veröffentlichte Signal durchläuft diese Stufen in dieser Reihenfolge. Keine Abkürzungen. Gesamte Wall-Clock-Zeit vom Bar-Close bis zum veröffentlichten Signal: typischerweise 4-9 Sekunden.
Echtzeit-Tickstream von unserer primären Brokerverbindung (Tier-1 ECN) plus ein Backup-Feed zur Redundanz. Bars werden an H1/M15/H4/D1-Grenzen mit strikter UTC-Ausrichtung zusammengestellt. Verspätete Ticks werden verworfen — wir zeichnen nie nach (no repaint).
~50 berechnete Features pro Bar: RSI(14), MACD(12,26,9), Bollinger Bands(20,2), ATR(14), 5-21-50-200 EMA-Stack + Crossover-Flags, Tageshandelssession und jüngstes Volatilitätsregime. Das Feature-Set entwickelt sich mit laufenden Ablation-Studien — alles, was den Out-of-Sample-Sharpe nicht bewegt, wird entfernt.
Pro-Tupel-LightGBM-Modell liefert eine Wahrscheinlichkeit für jede Richtungs-Klasse. Inferenz-Latenz p99 ≈ 6 ms. Die nachgelagerte Wahrscheinlichkeits-Kalibrierung (Platt scaling) steht auf der Phase-2-Roadmap — die aktuellen Wahrscheinlichkeiten sind die rohen Klassifikator-Outputs.
Die Modell-Wahrscheinlichkeit wird direkt zum 0-100 %-Confidence-Score. Ein Signal wird nur veröffentlicht, wenn die Confidence den Timeframe-spezifischen Schwellenwert übertrifft (60 % intraday / 55 % daily) UND das Risk-Reward-Verhältnis mindestens 1,5R beträgt. Composite-Scoring mit technischer Konfluenz + historischer Trefferquote steht auf der Phase-2-Roadmap.
Das Signal wird mit vollständigem Payload veröffentlicht (Entry, ATR-skalierter SL, ATR-skalierter TP, Confidence, Modellversion). Der Wirtschaftskalender für die relevanten Währungen wird daneben auf der Signal-Seite angezeigt, sodass Sie Einstiege in der Nähe von High-Impact-Events aufschieben können. Automatisches Event-Veto steht auf der Phase-2-Roadmap.
Warum LightGBM, warum eines pro Tupel und wie die Alternativen aussahen.
Jedes Paar (Symbol, Timeframe) erhält sein eigenes dediziertes LightGBM-Gradient-Boosting-Decision-Tree-Ensemble. EURUSD H1 und EURUSD H4 sind unterschiedliche Modelle — auch wenn das zugrundeliegende Symbol identisch ist, sind die Bar-Dynamiken es nicht, und ein Modell, das auf Stundenbalken optimal ist, würde auf 4-Stunden-Balken über- oder unteranpassen.
Wir haben Deep Neural Networks (LSTM, Transformer) früh in der Entwicklung getestet. Sie erreichten einen ähnlichen Out-of-Sample-Sharpe, aber bei zehnfachem Trainingsaufwand, hundertfacher Inferenz-Latenz und deutlich geringerer Interpretierbarkeit. Für tabellarische Finanzdaten mit begrenzten Stichproben (Jahre an Bars, keine Millionen) bleiben Gradient-Boosted Trees laut akademischer Literatur State-of-the-Art (Grinsztajn 2022, NeurIPS).
Hyperparameter werden via Optuna mit walk-forward Grenzen getunt — niemals zufälliges Shuffling, das zukünftige Informationen ins Training durchsickern ließe. Modelle werden periodisch neu trainiert, wenn neue Marktdaten verfügbar werden; die vollständige 10-Symbol-×-4-Timeframe-Abdeckung wird in Phase 1b inkrementell ausgebaut.
Zielabdeckung
10 × 4
10 Symbole × 4 Timeframes (M15/H1/H4/D1) — Ausbau in Phase 1b
Trainings-Frequenz
Periodisch
Neu trainiert, sobald neue Daten anfallen und Ablation-Studien Verbesserungen zutage fördern
Features pro Modell
~50
Über Price Action, technische Indikatoren, Session-Kontext und Volatilitätsregime
Warum wir keine festen Horizont-Returns verwenden — und was López de Prado richtig erkannt hat.
Das gängigste Labelling-Schema im Retail-Trading-ML ist „Return bei festem Horizont t+N" — aber das ist mathematisch inkonsistent damit, wie Trader tatsächlich traden. Ein echter Trade schließt, wenn SL oder TP getroffen werden, nicht zu einem beliebigen zukünftigen Zeitstempel.
Die Triple-Barrier-Methode (López de Prado, Advances in Financial Machine Learning, 2018) labelt jeden Bar mit dem Ergebnis, das ab diesem Einstieg eingetreten wäre: TP-Barriere getroffen (Label = +1), SL-Barriere getroffen (Label = -1) oder TTL abgelaufen ohne beides (Label = 0). Barrieren werden als ATR-Vielfache dimensioniert für symbolbewusstes Risiko.
Ergebnis: Labels spiegeln den Trade wider, den wir tatsächlich genommen hätten. Weit weniger Label-Leakage, geringere Korrelation zwischen benachbarten Labels, ehrlichere Cross-Validation. Confidence-bewertete Signale spiegeln die Wahrscheinlichkeit eines Gewinntrades wider, nicht das abstrakte „Preis hoch bei festem Horizont".
Jedes Feature hat einen messbaren Beitrag zum Out-of-Sample-Sharpe. Alles, was nicht beigetragen hat, wurde per Ablation entfernt.
| Indikator | Parameter | Rolle |
|---|---|---|
| RSI | 14 Perioden | Momentum-Oszillator — Extremwerte zeigen überkauft/überverkauft-Regimes an |
| MACD | 12 / 26 / 9 | Trend- und Momentum-Divergenzen — Signal-Line-Crossover + Histogramm-Beschleunigung |
| Bollinger Bands | 20 Perioden, 2σ | Volatilitäts-Envelope — Mean-Reversion-Einstiege bei Touch + Breakout-Filter |
| ATR | 14 Perioden | Volatilitätsskala — bestimmt SL/TP-Sizing, keine festen Pip-Stops |
| EMA-Stack | 5 / 21 / 50 / 200 | Trend-Regime-Detection — Steigung + Multi-Timeframe-Ausrichtungsflags |
| S/R-Nähe | 20-Bar Swing-Pivots | Abstand zur nächsten Support/Resistance — als Konfluenzgewicht genutzt |
| Tageshandelssession | Asien / London / NY / Overlap | Liquiditätsregime — Strategien variieren nach Session-Bias |
| Volatilitätsregime | ATR-Perzentil, Trailing-90-Bars-Fenster | Niedrig/normal/hoch — High-Vol-Regimes erhalten strengere Confidence-Schwellen |
Wie der Score, den Sie auf jeder Signal-Karte sehen, tatsächlich berechnet wird.
Aktuelle Pipeline (Phase 1b)
confidence = P_ml → veröffentlichen, wenn confidence ≥ Schwellenwert UND risk_reward ≥ 1,5RATR-skalierte Risiko-Mathematik, keine festen Pip-Ziele.
Jedes Signal trägt einen Entry-Preis, einen Stop-Loss und einen Take-Profit — alle zum Zeitpunkt der Signal-Generierung berechnet, nicht von Menschen gewählt. Die Mathematik ist deterministisch und identisch für jedes Signal desselben Timeframes.
Stop-Loss = entry ± ATR(14) × stop_multiplier. Stop_multiplier variiert nach Timeframe: M15 = 1,0× ATR, H1 = 1,5× ATR, H4 = 2,0× ATR, D1 = 2,5× ATR. Eng genug, dass uns zufälliges Rauschen nicht ausstoppt; weit genug, dass auch normale Rücksetzer das nicht tun.
Take-Profit = entry ± ATR(14) × stop_multiplier × R_target. R_target ist das Risk-Reward-Verhältnis: typischerweise 1,5-3,0 abhängig von der Confidence. Signale mit höherer Confidence tragen höhere R-Ziele — weil wir stärkere Hinweise haben, dass sie laufen werden.
Ergebnis: 2,0R Risk-Reward. Wenn wir 50 % der Zeit gewinnen, sind wir netto profitabel. Wir müssen nicht recht haben — wir müssen kalibriert sein.
Wir stellen die Daten bereit; das algorithmische Auto-Veto steht auf der Phase-2-Roadmap.
Forex-Märkte werden von Zentralbankentscheidungen, Beschäftigungsberichten und Inflationszahlen dominiert. Ein perfekt valides technisches Setup wird zerlegt, wenn 30 Minuten später NFP veröffentlicht wird. Wir geben Ihnen den Kalender — das Veto anzuwenden ist derzeit Ihre Ermessensentscheidung.
Jede /signals/{symbol}/{tf}-Seite zeigt bevorstehende high-/medium-impact Ereignisse für die relevanten Währungen in einem eigenen Block. Die Daten stammen aus dem MT5-Wirtschaftskalender über unseren Ingest-Service (siehe den öffentlichen Endpoint /api/public/economic-calendar). Aktualisierung jede Minute.
Was als Nächstes geplant ist: automatisches Veto neuer Signale, wenn high/medium-impact Events innerhalb eines event_window fallen. Aktuell ist im Inferenz-Engine ein `news_blackout_enabled`-Flag eingebaut, aber standardmäßig auf false gesetzt — wir schalten es ein, sobald Phase 2 ausgeliefert ist und wir die Netto-Auswirkung des Vetos auf den Sharpe rückwirkend getestet haben.
Warum wir In-Sample-Backtests nicht trauen — und wie eine ehrliche Evaluation aussieht.
Zufällige Train/Test-Splits sind die Quelle Nr. 1 für aufgeblähte Performance-Behauptungen im Retail-Trading-ML. Ein zufälliger Split lässt Informationen aus der Zukunft ins Training durchsickern (das Modell lernt, was kommt, weil benachbarte Bars stark korreliert sind). Ehrliche Evaluation erfordert zeitliche Ordnung.
Wir verwenden walk-forward Validierung: Training auf einem vergangenen Fenster, Validierung auf dem nächsten Vorwärtsfenster, Vorschieben beider Fenster, wiederholen. Jede Modellversion wird auf ihrem vollständigen walk-forward Track bewertet, bevor sie in die Produktion promotet wird.
Aktuelle Akzeptanzschwellen (müssen alle vier vor Promotion erfüllt sein): Sharpe-Ratio ≥ 1,0 (intraday) / Win-Rate ≥ 0,50 / Profit Factor ≥ 1,3 / Max Drawdown ≤ 20 %. Modelle, die irgendeine Schwelle verfehlen, werden nicht promotet — die vorherige gute Version bleibt live. Die Schwellen werden mit wachsender historischer Datenbasis verschärft, sobald sich die Baseline stabilisiert.
Die automatische Erkennung von Modell-Degradation steht auf der Roadmap. Aktueller Stand: menschliche Aufsicht + manuelle Modell-Promotion.
Live-Trading-Bedingungen weichen von historischen Backtests ab. Spreads weiten sich, Slippage steigt, das Marktregime verschiebt sich. Selbst ein Modell, das die walk-forward Validierung bestanden hat, kann in der Produktion zerfallen. Unsere langfristige Verteidigung: kontinuierliches Monitoring + automatischer Rollback. Heute ist die Monitoring-Hälfte vorhanden; die Auto-Revert-Hälfte steht auf der Phase-2-Roadmap.
Was heute ausgeliefert wird: Das Ergebnis jedes veröffentlichten Signals wird unveränderbar geloggt. Das Track-Record-Dashboard unter /signals/track-record zeigt rollierende Metriken — Degradation IST also sichtbar. Wir handeln nur noch nicht automatisch darauf.
Was für Phase 2 geplant ist: ein Watchdog, der das rollierende 30-Signal-Fenster mit den Akzeptanz-Untergrenzen vergleicht (Sharpe < 0,8 / Win-Rate < 0,45 / Profit Factor < 1,1). N aufeinanderfolgende Verfehlungen → Auto-Revert zur vorherigen guten Modellversion + Pager für den On-Call-Engineer. Bis das ausgeliefert ist, sind Modell-Promotion und Rollback menschliche Entscheidungen, getroffen gegen den Live-Track-Record.
Ehrliches Scoping. Unsere Methodik ist innerhalb dieser Grenzen robust — außerhalb davon vertrauen Sie auf Modell-Extrapolation.
Wenn wir mehr versprechen, als wir liefern können, schaden wir dem Vertrauen. Hier ist, was diese Signale nicht sind.
Vergangener walk-forward Sharpe prognostiziert keine zukünftigen Ergebnisse. Märkte entwickeln sich. Selbst ein kalibriertes 70-%-Confidence-Signal verliert in 30 % der Fälle.
Signale sind algorithmische Outputs. Ihre Kontogröße, Ihr Broker, Ihr Hebel, Ihre Jurisdiktion und Ihre Risikotoleranz bestimmen, ob das Befolgen eines bestimmten Signals für Sie angemessen ist.
FxRobotEasy übernimmt keine Verwahrung von Geldern. Signale sind Informationen — Sie sind derjenige, der Buy klickt. Wir sind ein Software-Publisher, kein Fonds-Manager.
Signale sind für die nächsten 1-2 Bars des relevanten Timeframes gültig. Wenn Sie ein H1-Signal 90 Minuten nach Veröffentlichung sehen, kann der Entry-Preis weit vom aktuellen entfernt sein — überspringen Sie es.
Per Definition enthalten Trainingsdaten nur Regimes, die bereits geschehen sind. Brexit, COVID März 2020, CHF-Entkopplung — unsere Modelle würden auf diese reagieren, wurden aber nicht darauf trainiert.
Häufige Folgefragen zur AI-Signal-Pipeline.
Für tabellarische Finanzdaten mit begrenzten Stichproben (Jahre an Bars statt Millionen) schlagen Gradient-Boosted Trees Deep Nets bei Sharpe und Interpretierbarkeit bei zehnfach geringeren Trainingskosten. Deep Nets sind State-of-the-Art für Bilder, Sprache und Continuous-Control-RL — nicht für die Vorhersage von Forex-Bars.
Periodisch — in Phase 1b getrieben durch neue Datenakkumulation und Erkenntnisse aus Ablation-Studien, nicht durch einen festen Kalender. Jedes Retrain durchläuft eine vollständige walk-forward Validierung gegen ein ausgehaltenes Trailing-Fenster. Eine neue Version wird nur promotet, wenn sie die Akzeptanzschwellen UND die aktuelle Live-Version schlägt. Eine feste Retrain-Frequenz (geplante Baseline: wöchentlich) steht auf der Phase-2-Roadmap, sobald die Model-Registry-Pipeline ausgeliefert ist.
Strikte zeitliche Ordnung in allen Splits — keine zufälligen Shuffles. Features werden nur aus zum Bar-Close verfügbaren Daten abgeleitet (kein Look-Ahead). Triple-Barrier-Labels lösen vorwärts auf; wir nehmen keine Features auf, die aus dem Auflösungsfenster berechnet sind.
Die Methodik ist vollständig dokumentiert (diese Seite). Die trainierten Gewichte, Trainingsdaten und Hyperparameter sind nicht Open Source — sie sind unser Vorteil. Wir veröffentlichen alle Signale + Ergebnisse, damit jeder verifizieren kann, dass die Pipeline produziert, was wir behaupten.
In der Validierung nehmen wir Tier-1 ECN-Spreads an (~0,1-0,3 Pips auf EURUSD-Majors, 0,5-1,5 Pips auf Minors, 2-4 Pips auf XAUUSD) plus einen Slippage-Puffer. Die Live-Performance-Berechnung verwendet die tatsächlichen Fill-Preise, die unsere Brokerverbindung aufzeichnet — der veröffentlichte Track Record spiegelt also echte Ausführung wider, nicht modellierte. Den Validierungs-Live-Delta surfacen wir auf /signals/track-record, sobald genügend geschlossene Signale vorliegen.
Die Methodik ist bei jedem Signal, das Sie sehen werden, dieselbe. Jetzt gehen Sie sie sich ansehen.