3 weitere Handelsstrategien, die Dir dabei helfen Dein Traden verbessern

Hey! Mein Name ist Julian und ich bin derzeit Praktikant bei lemon.markets. Wir sind ein Start-up, das eine Infrastruktur für Entwickler:innen bereitstellt, damit sie ihre eigene Trading Experience an der Börse bauen können. Vor einiger Zeit haben wir einen Artikel mit drei einsteigerfreundlichen Handelsstrategien veröffentlicht, da wir gemerkt haben, dass einige unserer Nutzer:innen Inspiration für einen Einstieg brauchten. Heute möchte ich auf drei weitere Strategien eingehen. In diesem Artikel geht es um Swing Trading, Intermarket Analysis und (Deep) Reinforcement Learning. Lass uns gemeinsam mit dem Lernen loslegen!

Die vielen Facetten des “Algotradings”

In unserer heutigen Zeit ist das Thema Algotrading (“Handeln mit Algorithmen”) aktueller denn je: Etwa 60-73% des gesamten US-Aktienhandels wird durch durch Algorithmen gesteuert. Auch wenn wir nicht genau wissen können, was sich hinter jedem einzelnen Anwendungsfall des algorithmischen Handels verbirgt, können wir dennoch versuchen, die verschiedenen Ansätze zu kategorisieren. 

Beim “Algotrading” werden Bestellungen (“Orders”) mit Hilfe automatisierter, vorprogrammierter Handelsanweisungen erteilt, die Variablen wie Zeit, Preis und Volumen berücksichtigen. Die Nutzung der Geschwindigkeit und Rechenleistung von Computern ist ein großer Vorteil beim Algotrading (insbesondere im Vergleich zum manuellen Handel). 

Generell können Algorithmen auch auf einer oder mehreren Handelsstrategien beruhen. Übliche Arten von Algotrading beinhalten technische Analysen, Marktkorrelationen und/oder maschinelles Lernen. 

Die technische Analyse ermöglicht es Dir, die Richtung der Preise vorherzusagen, indem Du historische oder aktuelle Marktdaten analysierst. Man kann die technische Analyse als flexible Strategie bezeichnen, da sie auf jedes Handelsinstrument und jeden Zeitrahmen (langfristig/kurzfristig) angewendet werden kann.

Achte darauf, dass Du Dich nicht vollstandig auf die vorhergesagten Preise verlässt, denn die "echte" Zukunft kann auch durch andere Dinge als vergangene Daten beeinflusst werden.

Durch Untersuchen von Marktkorrelationen kannst Du messen, wie sich bestimmte Vermögenswerte im Verhältnis zueinander bewegen. Einige Trader entscheiden sich für diesen Ansatz, um diese Beziehungen zu ermitteln und ihre zukünftigen Trades darauf aufzubauen.

Wahrscheinlich hast Du auch schonmal vom Machine Learning mal gehört. Es ist ein beliebtes Feld bei Data Scientists. Es fordert die Automatisierung der Datenverarbeitung, indem ein Modell erstellt wird, das Vorhersagen über zukünftige Kursbewegungen auf der Grundlage von Trainingsdaten ermittelt. Im Trading-Kontext sind diese Trainingsdaten in der Regel historische Marktdaten, sie können aber auch auf Fundamentaldaten basieren. Machine Learning kann, sobald es implementiert ist, eine enorme Zeitersparnis im Traden mit sich bringen und Muster erkennen, die für ein menschliches Auge unmöglich sind.

Von den folgenden Strategien basiert eine auf der technischen Analyse, die andere auf Marktkorrelationen und eine weitere auf maschinellem Lernen. Kannst Du diese Kategorien zu den vorgestellten Strategien ordnen? Ich bin gespannt auf deinen Vorschlag in den Kommentaren!

Swing Trading

Die erste Handelsstrategie, mit der wir uns befassen, ist der Swing-Handel (“Swing Trading” im Englischen). Die Idee besteht darin, über kurze Zeiträume (= kleine Gewinne, schnell) von wechselnden Trends in der Kursentwicklung zu profitieren. Du schwingst Dich von einem Wert zu einem Anderen, basierend auf dem Preis des Vermögenswerts. Deshalb auch der Name "Swing Trading". Diese Trends lassen sich mit Hilfe der technischen Analyse erkennen, d. h. durch die Suche nach Mustern in Candlestick-Charts.

In der folgenden Abbildung sehen wir mehrere Möglichkeiten für den Swing-Handel. Diese Gelegenheiten beruhen auf "Swing-Lows" und "Swing-Highs", die den Trend des Diagramms bilden. Mit anderen Worten: niedrig kaufen, hoch verkaufen. In der Regel basiert diese technische Analyse auf stündlichen Candlestick-Charts, aber auch Tages-, Wochen- und Monatscharts sind beliebte Optionen.

Tiefe Werte kaufen, hohe Werte verkaufen: Erfasse die Unterseite von Pullbacks ("swing lows") und halte eine Position bis zum sog. "swing high".

Schauen wir uns mal die Entwicklung der täglichen Apple-Aktienkurse von Juli 2021 bis März 2022 an. Ich habe den Chart unten mit blauen Linien kommentiert, die die oben erwähnten Trends zwischen Swing-Tiefs und -Hochs darstellen sollen. Es ist ein gutes Beispiel dafür, wie Swing- Trading dazu beitragen kann, dass Du im Chartverlauf nicht völlig untergehst, sondern in der Folgezeit mit neuen höheren Kursen deinen Gewinn erhöhen kannst. Die Gewinne mögen zwar geringer ausfallen, aber wenn sie über einen längeren Zeitraum hinweg konsequent erzielt werden, können sie sich zu hervorragenden jährlichen Renditen summieren.

Täglich-geupdatetes Candlestick-Diagramm für Apple-Aktien, Daten gesammelt von TradingView

Neben der Beobachtung der Kursbewegungen eines gehandelten Vermögenswerts kannst Du auch verschiedene technische Indikatoren verwenden, um eine Swing-Trading-Entscheidung zu treffen. 

Technische Indikatoren sind in der Regel mathematische Berechnungen, die auf den Merkmalen eines Instruments (z. B. Preis oder Volumen) basieren. Sie können die künftige Performance vorhersagen. Es gibt eine Vielzahl von Indikatoren, die zur Auswahl stehen, aber im Swing Trading-Kontext werden häufig Stochastik-Oszillator, MACD (Moving Average Convergence Divergence) oder RSI (Relative Strength Index) verwendet.

Warum sollte man Swing Trading verwenden?

Stell Dir vor, dass Du Dich wie ein Tarzan durch einen Dschungel schwingst. Die Lianen stellen das Instrument dar, dem Sie folgen. Nehmen wir an, Du möchtest Apple-Aktien kaufen. Du entscheidest Dich dafür, die Aktie zu ihrem “Drei-Monats-Tief” zu kaufen. Nun warte, bis der Aktienkurs sein “Drei-Monats-Hoch” erreicht hat. Dann ist es an der Zeit, zu verkaufen und Profit zu machen. Nun bist Du der König des Dschungels. Swing-Trading wäre ein guter Anfang für Dich , wenn:

•  Du handeln möchtest, ohne zu viel Zeit mit der Chartanalyse zu verbringen;

•  es dein Ziel ist, das kurzfristige Gewinnpotenzial zu maximieren, indem Du den Großteil der Marktschwankungen abfängst;

•  Du Dich auf die technische Analysen verlassen und dadurch den Handelsprozess vereinfachen möchtest.

Intermarket Analyse

Die nächste Handelsstrategie, die wir uns ansehen wollen, ist die Intermarket-Analyse. Diese Analyse dient dazu, die Stärke oder Schwäche einer Anlageklasse zu ermitteln. Dazu werden die Beziehungen zwischen vier Anlageklassen, darunter Aktien, Anleihen, Rohstoffe und Währungen, analysiert. Sowas wird auch als “marktübergreifende Analyse” bezeichnet. Dieses Konzept wurde erstmals von dem Marktanalysten John Murphy beschrieben.

Auch hier vergleichst Du Beziehungen zwischen verschiedenen Märkte oder Aktien, z. B. in Hinblick auf Finanzkrisen, die vielleicht passiert sind. Es gibt Beziehungen zwischen Aktien und Anleihen, Anleihen und Rohstoffen sowie Rohstoffen und Währungen. Die Intermarket-Analyse kann Dir helfen, die zukünftige Entwicklung der Finanzmärkte vorherzusagen. Ihre Analyse basiert auf der Bewertung, die Du in Bezug auf die Beziehung zwischen zwei Aktien abgibst. Die Bewertung erfolgt durch die Einstufung von Aktien in verschiedene "Stärkegrade" wie schwach, mittel oder stark.

Die Stärke hängt dabei vom Konjunkturzyklus ab, der hier dargestellt ist.

Die Stärke von Aktien hängt von einem Wirtschaftszyklus ab, der in der Regel den “Expansion-Peak-Rezession-Through”-Prozess wiederholt. Die Beziehungen zwischen den Märkten ändern sich im Laufe der Zeit und sind nicht von Dauer beschränkt. Bei dieser Situation kommt die intermarket Analyse ins Spiel. Die Beziehungen zwischen bestimmten Aktien können Aufschluss darüber geben, wann ein neuer Trend beginnt, oder dem Statistiker helfen, das Stadium des Wirtschaftszyklus zu bestimmen. Anleger erhalten Unterstützung bei der Entscheidung, ob sie bestehende Positionen halten oder auf neue Positionen eingehen, damit sie von einem Trendwechsel profitieren können. Die Veränderung der wirtschaftlichen Bedingungen kann zu anderen Korrelationen führen.

Korrelationen in a nutshell

Korrelationen können positive und negative Entwicklungen haben. Die meisten Anleger verwenden Korrelationen, um die Beziehung zwischen einer Variablen (z. B. dem USD-Wert) und einer zweiten Variablen (z. B. dem JPY-Wert) zu analysieren. Wenn Du viele Positionen eröffnest, die positiv korreliert sind (+1,0), erhöht sich dein Risiko. Das Gegenteil passiert, wenn Du Positionen eröffnest, die negativ korreliert sind (-1,0). Wenn sich die Beziehungen zwischen den beiden Märkten von positiv zu negativ entwickeln, ist dies ein Zeichen, dass die Beziehung zwischen den beiden Variablen instabil ist und man sich nicht darauf verlassen kann, dass sie die Handelsrichtung vorgibt. Einfach zu verstehen, oder? 

Warum sollte man eine Intermarket-Analyse verwenden?

Stell Dir vor, Du würdest die Intermarket-Analyse wie Tinder nutzen: Du willst die perfekte Übereinstimmung zwischen zwei Variablen finden und bewertest deshalb die Stärke der Beziehung. Wenn diese Übereinstimmung zu einer negativen Beziehung/Korrelation führt, würdest Du auf Tinder das Profil eher nach links wischen, oder? Die Intermarket-Analyse wäre deshalb ein guter Ansatz für Dich, wenn:

•  Du die Phase des Wirtschaftszyklus sowie die Anlageklassen mit der besten und schlechtesten Performance ermitteln möchtest;

•  Du zwei verschiedene Datenerhebungsmethoden vergleichen und die Vorteile der Untersuchung von Beziehungen zwischen verschiedenen Klassen von Vermögenswerten erkennen willst.

(Deep) reinforcement learning 

Die dritte Strategie, die Du ausprobieren kannst, heißt Deep Reinforcement Learning und ist eine Kombination aus Reinforcement Learning (RL) und Deep Learning. Als Teilbereich des Machine Learnings befasst sich Deep Learning mit Algorithmen, die ein neuronales Netzwerk bilden, das an die Struktur und Funktion des Gehirns angelehnt ist. Reinforcement Learning ist eine weitere Methode des Machine Learnings, die auf der Maximierung von Belohnungen in bestimmten Situationen basiert, um Verhaltenshandlungen auszuführen. Kombiniert man künstliche neuronale Netze mit Reinforcement Learning, erhalt man "Deep Reinforcement Learning".

Deep Reinforcement Learning bezieht Deep Learning mit in die Lösung ein und ermöglicht es den Agenten, Funktionsannäherung und Zieloptimierung zu vereinen und Zustände und Aktionen den Belohnungen, zu denen sie führen, zuzuordnen. Eine Methode zur Integration von Deep & Reinforcement Learning ist SAPT, indem das “Pair Trading” als Zusatzmodul integriert wird.

Einführung in SAPT: eine Lösung für Deep Reinforcement Learning

Der SAPT-Ansatz (structural break-aware pairs trading strategy) besteht aus einem zweistufigen Optimierungsrahmen basierend auf die Pairs Trading Strategie. Phase I zeigt ein hybrides Modell, das Merkmale aus dem Frequenz- und Zeitbereich extrahiert, um Strukturbrüche zu erkennen.

Darüber hinaus ist Phase 2 gekennzeichnet durch die Optimierung der Pairs Trading Strategie & der zusätzlichen Erkennung wichtiger Risiken, einschließlich struktureller Brüche und Marktschließungsrisiken. Das führt zu einem neuartigen Reinforcement Modell. Die Transaktionskosten werden in einem kostenbewussten Ziel berücksichtigt, um eine erhebliche Verringerung der Rentabilität zu vermeiden. Stell Dir den Aktienmarkt z.B. als ein Pokerturnier vor. Niemand will mit leeren Taschen nach Hause gehen wegen einer schlechten Strategie in solchen “Glücksspielen”.

Die Finanzmärkte sind zweifelsohne komplex, und die nichtlinearen Merkmale der Aktienkurse entsprechen möglicherweise nicht den statistischen Annahmen oder unseren allgemeinen Vorhersagen. 

Bis heute werden deep neural networks genutzt, um Aktienkurse zu prognostizieren oder Ausreißer zu erkennen. In mehreren Studien wurde die Toleranz durch den Einsatz von verbesserten neuronalen Netze gezeigt, um die Auswirkungen von Rauschen und Unsicherheit zu mildern. Insbesondere Reinforcement-Learning-Modelle haben sich bei der Optimierung von Handelsentscheidungen im Finanzbereich als sehr leistungsfähig erwiesen. (Wer maschinelles Lernen beherrscht, hat einen unfairen Vorteil beim Pokern).

Dieses Thema umfasst eine Vielzahl komplexer Entscheidungsaufgaben, die bisher für eine Maschine unerreichbar gewesen sind. Pairs Trading kann indirekt mit dieser Methode in Verbindung gebracht werden (wir haben bereits in einem früheren Artikel über Pairs Trading gesprochen). Aufgrund der raschen 

Marktveränderungen kann es jedoch zu einem Bruch der Beziehung kommen, was wiederum zu enormen Verlusten beim Intraday-Handel führt (Vorsicht!).

Warum sollte man Deep Reinforcement Learning implementieren?

Die Kombination von Deep Learning und Reinforcement Learning macht Machine Learning noch effektiver und präziser bzgl. der Vorhersage zukünftiger Entwicklungen von Finanzinstrumenten. Wenn Du wissen willst, wie man einen Deep-Learning-Bot mit einem neuronalen Netzwerksystem implementiert, und im Sinne von Maximierung der Belohnungen/Marktwerte an Reinforcement Learning denkst, solltest Du zumindest versuchen, beides zu kombinieren, um die beste Erfahrung im maschinellen Lernen zu erleben. Der Versuch, beides zu kombinieren, wäre ein guter Ansatz für Dich, wenn:

•  Du neugierig auf die Lösung von Problemen höherer Klassen bist;

•  Du bereit bist, langfristige Ergebnisse zu erzielen, die schwer zu erreichen sind;

•  Du überzeugt bist, dass die einzige Möglichkeit, Informationen über die Umwelt zu sammeln, darin besteht, mit ihr zu interagieren.

Implementierung mit lemon.markets API

Unsere API bietet Dir die Möglichkeit, die oben beschriebenen Strategien zu implementieren Du kannst tatsächlich die API mit unseren zur Verfügung gestellten Marktdaten nutzen.

Die lemon.markets API ist das perfekte Werkzeug,  um eine Swing-Trading-Strategie umzusetzen. Du kannst die Strategie implementieren, indem Du historische Marktdaten auf Minuten- (M1), Stunden- (H1) oder Tagesbasis (D1) abrufst und dadurch die aktuellsten Kurse für bestimmte Instrumente erhältst. Diese Informationen können entweder unverändert verwendet oder mit einer entsprechenden Python-Bibliothek wie TA-Lib verarbeitet werden (bei der über 200 Indikatoren berechnet werden können). Du kannst danach die lemon.markets API verwenden, um deine Order automatisch zu platzieren oder das Signal direkt an den Benutzer zu senden.

Reinforcement Learning kannst Du mithilfe von Python oder Jupyter Notebooks implementieren, indem du zusätzlich mit einer Handelsumgebung wie lemon.markets oder Gym Anytrading arbeitest. Trainiere danach einen Trading-Bot mit Reinforcement Learning, z.B. mit Unterstützung des Stable Baselines-Pakets (weitere Hinweise findest Du in der Dokumentation von Stable Baselines). Wenn Du die Daten mit einem Diagramm analysieren willst, solltest Du wissen, dass Bibliotheken wie numpy, pandas oder matplotlib fur die Analyse von Daten durch Coden notwendig sind. Schließlich musst Du die Marktdaten für das Trainieren des Bots laden.

Nach der Implementierung des Reinforcement Learnings ist es nun an der Zeit, Deep Learning in diesen Kontext einzubinden. Die Implementierung von Deep Learning mit der Keras-Bibliothek wäre ein guter erster Schritt, wenn Du neu im Machine Learning bist.

Jeder erste Schritt in etwas Unbekanntes ist immer der Schwierigste. Ich hoffe, ich konnte Dir Inspiration geben und Dir bei der Entwicklung deiner ersten oder aber einer weiteren Strategien helfen. Vielleicht versuchst Du mal, alle Strategien miteinander zu vermischen wie Du das in einer Küche machen würdest, wenn Du eine Suppe kochen möchtest. 🥘

Wir sind gespannt, welche Strategien Du umsetzt. Wenn Du Fragen hast oder uns einfach deine Gedanken mitteilen möchtest (vielleicht zu diesem Artikel), zögere nicht, uns einen Kommentar zu hinterlassen oder über support@lemon.markets zu kontaktieren. Und wenn Du Dich noch nicht angemeldet hast, dann wäre jetzt der beste Zeitpunkt!

Julian 🍋