NQ Trading Agent ist eine quantitative Forschung am NASDAQ-100-Future: eine Rust-Pipeline für saubere L2-Daten, eine TCN mit Quantile-Head und acht unabhängige Probes mit chronologischen Splits und klaren Ergebnissen.
Rolle
Solo
Status
Forschung
Jahr
2023 – 2026
Stack
Python + PyTorch
TCN, Quantile-Head, Probes
Rust + Polars
Validierung, Pipeline, Cache
L2 Order-Book
10 Level, 2-Sek-Bars, 205 Tage
Walk-Forward
Chrono-Splits, Holdout-Lock
Kern des Projekts
Die Anfangsfrage klang einfach: kann ein ML-Modell die NQ-Richtung im 10-Sekunden-bis-10-Minuten-Fenster nach Kosten profitabel vorhersagen? Acht Probes später ist die Antwort gut dokumentiert. Nicht die Richtung. Aber Bewegungsgröße — Spearman ~0,48, top/bottom-Dezil-Spread ~7× — und genau diese Erkenntnis trägt die nächste Iteration.
8
unabhängige Probes, chrono + kostenrealistisch
519
NQ-ES Sessions ausgewertet
7x
Top/Bottom-Dezil-Spread bei Bewegungsgröße
~50%
OOS-Richtungs-Accuracy — über alle Probes
Problem
Problem
Ein Modell auf Sekunden-Daten den nächsten Schritt im NQ-Future vorhersagen zu lassen klingt zuerst wie ein klassisches Quant-Problem. Praktisch ist es vor allem ein Problem aus Rauschen, Kosten und Selbsttäuschung. Kleine Fehler im Resampling erzeugen Look-ahead, K-Fold wirkt auf Zeitreihen sauberer als es ist, und post-hoc Filter machen aus fast jedem Backtest kurzzeitig einen Gewinner. Die eigentliche Aufgabe war deshalb nicht nur ein besseres Modell, sondern eine Pipeline, die solche Abkürzungen sichtbar macht und erst dann misst, ob überhaupt noch Signal übrig bleibt.
Ansatz
Fünf Iterationen, jede strenger als die vorige. Alpha war ein erster Random Forest auf rohen OHLC-Daten. Beta brachte Walk-Forward. Gamma ersetzte Pandas durch eine Rust-Pipeline (CSVValidator), nachdem ein leiser Resampler-Off-by-One Wochen gekostet hatte. Delta wechselte auf eine TCN mit Quantile-Head, damit das Modell Unsicherheit ausdrücken konnte. NQNN, die fünfte Iteration, ist nicht das Modell sondern die Methodik: ein Probe-First-Workflow, in dem jede Hypothese auf ein eigenständiges, kleines, gut prüfbares Skript reduziert wird. Acht solcher Probes — linear, GBM, TCN, Cross-Asset NQ und ES, Reference-Level-Fade, Breakout, Regime — alle mit chronologischen Splits und realistischen Kosten. Aus dem Ergebnis ist der nächste Schritt entstanden: weg vom generischen Direction-Predictor, hin zu einem selektiven, falsifizierbaren Trade-Decision-System.
Pipeline
Jeder Schritt hat eine Aufgabe: validieren vor Features, cachen vor Training, proben vor Modell, Verdikt vor Pivot. Der Probe-First-Workflow hat aus drei Jahren Forschung eine dokumentierbare Antwort gemacht statt einer offenen Frage.
Rust-Validator auf NinjaTrader-L1/L2 — Schema, Lücken, Dedup, Zeitzone
2-Sek-L2-Bars, 205 Sessions, schema-fest, partitioniert
Standalone-Skript, eine Hypothese, Chrono-Split, realistische Kosten
In-Sample-vs-OOS-Gap, Dezil-Monotonie, Bootstrap-Konfidenzintervall
Signal behalten (Volatilität), Ziel verworfen (Richtung), System neu gebaut
Was sich geändert hat
Drei Iterationen sind an stillen Datenbugs gestorben — ein Pandas-Resampler hat Sekundenbars dedupliziert, Feature-Joins hatten Look-ahead, Exports Zeitzonen-Drift. Ab Gamma steht die Validierung vor dem Training und ist dort geblieben. CSVValidator (Rust + Polars) prüft Schema, Lücken und Duplikate auf jedem Roh-Export; nichts erreicht das Modell, was nicht durch ist.
Eine Zahl pro Vorhersage sagt nichts über Sicherheit. Die TCN bekam einen Pinball-Loss-Quantile-Head (q10/q50/q90), damit Position-Sizing mit Unsicherheit skaliert. Ab dieser Iteration haben Backtests nicht mehr aus den falschen Gründen schön ausgesehen.
Ein voller TCN-Lauf dauert Stunden und verbirgt, was er fittet. Eine Probe sind fünfzig Zeilen, läuft in Sekunden, stellt eine Frage und druckt ein Verdikt. Acht Probes haben das Projekt weiter getragen als jeder Retraining-Zyklus — sie haben "Richtung ist nicht vorhersagbar" in Tagen statt Monaten beantwortet.
Nach drei Jahren Evidenz in eine Richtung wäre eine weitere Schicht nur Verleugnung gewesen. Das nächste System dreht die Frage um: Setup-Kontext erzeugt Kandidaten, Volatilität identifiziert Chancen, Path-Quality und EV entscheiden über den Trade, L2 filtert toxische Execution. Die Pipeline überlebt, das Framing ändert sich.
07 — Die Iterationen
Kernpunkt
Raw OHLC + simple features + RF. Backtest sah gut aus.
Was fehlschlug
Klassisches Leakage. Future-Bars rutschten in den Feature-Vektor. Out-of-Sample war Coin-Flip.
Was übernommen wurde
Respekt vor Splits. "Wenn es zu gut aussieht, ist es zu gut."
Technische Entscheidungen
Runtime
Das klassische Framing — Richtung vorhersagen, dann handeln — ist an realistischen Kosten zerbrochen. Die nächste Architektur ist auf eine andere Frage gebaut: soll dieser konkrete Kandidat, in diesem Marktzustand, bei dieser Volatilität und Execution-Lage, genommen werden? Richtung ist nicht mehr der Output. Das Trade-Ergebnis ist es.
Setup-Logik erzeugt Kandidaten, Volatility-, Path- und EV-Modelle ranken sie, L2 filtert Execution-Toxizität, Risk-Governance setzt harte Caps. Das System darf "no trade" sagen — genau das ist der Sinn.
Fixed-Horizon-Richtungs-Labels verfehlen den Pfad. Stop/Target/Timeout-Barrieren — plus MFE, MAE, Time-to-Target — beschreiben, was ein echter Trade tut, und genau das lernt der nächste Ranker zu bewerten.
Die letzten 20 % der Sessions werden einmal angefasst, nachdem die Validierung vorher festgelegte Gates besteht. Kein Retuning und keine wiederholten Versuche. Bricht der Holdout, wird die Setup-Familie gekillt — nicht gepatcht.
Was daraus rauskam
Hat funktioniert
Hat nicht funktioniert
Nächste Baustellen
Forschung als Methodik
eine schmale Setup-Familie zuerst (Opening Drive, First Pullback) bevor die Architektur wächst
Triple-Barrier-Labels mit Path-Quality-Features ersetzen Fixed-Horizon-Direction-Targets
L2 wird von Alpha-Quelle zum Execution-/Toxizitäts-Filter — mit hart verschlossenem Holdout
Galerie
03
Nächstes Projekt
Schreib mir kurz, worum es geht — ich melde mich.