Python für Trader & Investoren: Von Kursdaten zum Backtest
Lernen Sie, eine Python-Forschungsumgebung einzurichten, Kursdaten mit pandas zu laden und zu bereinigen, Renditen und Indikatoren korrekt zu berechnen sowie eigene Backtests im Code aufzubauen, zu messen und zu überprüfen.
Selbstlernkurs Selbstlernkurs: schriftliche Lektionen, Videos und Materialien zum Herunterladen für das eigenständige Lernen. Es gibt keine Betreuung, Lernerfolgskontrolle, individuelle Rückmeldung oder Nachhilfe. Die Selbsttests werden automatisch in Ihrem Browser ausgewertet — wir sehen Ihre Ergebnisse nicht.
Alle 13 Lektionen kostenlos
Bevor Sie beginnen
- Verständnis von Backtesting-Konzepten wie Look-Ahead-Bias, Kosten und Performance-Kennzahlen (wie im Kurs „Systematisches Trading & Backtesting“)
- Vertrautheit mit gleitenden Durchschnitten, RSI und ATR (wie im Kurs „Technische Analyse im Detail“)
- Ein Computer, auf dem Sie Software installieren können; Programmiererfahrung ist nicht erforderlich
Das werden Sie können
- Eine isolierte Python-Umgebung mit pandas, numpy, matplotlib und Jupyter einrichten und reproduzierbar halten
- Kursdaten aus Dateien und kostenlosen APIs laden, bereinigen und adjustieren sowie auf andere Zeitrahmen umrechnen (Resampling)
- Einfache und logarithmische Renditen, annualisierte Rendite und Volatilität sowie die Standardindikatoren als vektorisierte Funktionen berechnen
- Einen vektorisierten und einen ereignisgesteuerten Backtest mit korrektem Timing, Kosten, Stops und Positionsgrößenbestimmung aufbauen
- Performance-Kennzahlen wie CAGR, maximalen Drawdown, Sharpe und Profit-Faktor programmieren und mit Unit-Tests absichern
- Ein tägliches Watchlist-Skript automatisieren und ein Research-Notebook auf Look-Ahead-Bias und Überanpassung prüfen
Lektionen in diesem Kurs
Eine Forschungsumgebung einrichten: Python, virtuelle Umgebungen, Jupyter und VS Code
Installieren Sie Python, legen Sie eine isolierte Projektumgebung an, fügen Sie pandas, numpy und matplotlib hinzu und führen Sie Ihre erste Notebook-Berechnung aus.
Python-Grundlagen für Finanzen in einer Sitzung: Datentypen, Listen, Dictionaries, Schleifen, Funktionen und Fehlermeldungen
Lernen Sie das Minimum an Kern-Python, das ein Trader braucht: Zahlen, Strings, Listen, Dictionaries, Schleifen, Funktionen und wie man einen Traceback liest.
pandas-Grundlagen: Series, DataFrames, der DatetimeIndex, Auswählen und Filtern sowie Resampling von Tages- zu Wochenbalken
Verstehen Sie Series und DataFrames, indizieren Sie Kursdaten nach Datum, wählen Sie Zeilen mit loc und iloc aus, filtern Sie mit booleschen Masken und fassen Sie Tagesbalken zu Wochenbalken zusammen.
Kursdaten laden: CSV-Dateien und kostenlose APIs, adjustierte und unadjustierte Kurse, fehlende Werte und Zeitzonen
Lesen Sie Kursdateien und API-Downloads in einen sauberen DataFrame ein, verstehen Sie, wie Split- und Dividendenadjustierungen funktionieren, und behandeln Sie Lücken und Zeitzonen korrekt.
Renditen im Code: einfache und logarithmische Renditen, kumulierte Renditen, annualisierte Rendite und Volatilität sowie rollierende Fenster
Berechnen Sie einfache und logarithmische Renditen in pandas, verzinsen Sie sie korrekt, annualisieren Sie Rendite und Volatilität und erstellen Sie rollierende Statistiken.
Indikatoren im Code: vektorisierte SMA, EMA, RSI, ATR und Bollinger-Bänder, abgeglichen mit einer Charting-Plattform
Schreiben Sie vektorisierte pandas-Funktionen für die fünf meistgenutzten Indikatoren und erfahren Sie, warum ihre Werte von einer Charting-Plattform abweichen können und wie Sie sie in Einklang bringen.
Ein vektorisierter Backtest: Signale, Positionen, Verschiebung gegen Look-Ahead, Transaktionskosten und die Equity-Kurve
Bauen Sie in pandas einen vollständigen vektorisierten Backtest einer Regel mit gleitendem Durchschnitt, einschließlich der Positionsverschiebung, Kosten pro Trade, der Equity-Kurve und eines Benchmark-Vergleichs.
Ein ereignisgesteuerter Backtest: eine Schleifen-Engine mit ATR-Stops, Positionsgrößenbestimmung und einer Trade-Liste in R-Multiples
Bauen Sie in Python eine Backtest-Schleife Balken für Balken, die Positionen nach ATR-Risiko bemisst, Stops einschließlich Kurslücken berücksichtigt und jeden Trade in R-Multiples erfasst.
Performance-Kennzahlen als wiederverwendbare Funktionen: CAGR, Drawdown, Sharpe, Sortino, Profit-Faktor und ihre Unit-Tests
Schreiben Sie ein kleines Kennzahlenmodul mit korrekter Annualisierung, ergänzen Sie rollierende Versionen und belegen Sie die Funktionen mit pytest anhand von Werten, die Sie von Hand berechnet haben.
Plotten für die Analyse: Kurs mit Indikatoren, Equity- und Drawdown-Charts, Renditeverteilungen und der Export von Grafiken
Nutzen Sie die Figure-und-Axes-Schnittstelle von matplotlib, um die vier Charts zu erstellen, die jeder Backtest-Bericht braucht, lesen Sie sie richtig und exportieren Sie sie in Druckqualität.
Portfolioanalyse in pandas: Korrelations- und Kovarianzmatrizen, gewichtete Portfoliovolatilität und eine Rebalancing-Simulation
Berechnen Sie annualisierte Kovarianz- und Korrelationsmatrizen aus Renditen, leiten Sie mit NumPy Portfoliovolatilität und Risikobeiträge ab und simulieren Sie Drift im Vergleich zu kalenderbasiertem Rebalancing.
Eine tägliche Watchlist automatisieren: ein zeitgesteuertes Skript, das Daten abruft, Signale berechnet und einen Bericht schreibt, plus Fallstricke bei API-Schlüsseln und Rate-Limits
Machen Sie aus Notebook-Code ein robustes Kommandozeilenskript mit Konfiguration, Logging, Wiederholungen mit Back-off, sicherem Umgang mit API-Schlüsseln und einem Scheduler, und schreiben Sie eine tägliche Berichtsdatei.
Ein vollständiges Research-Notebook-Projekt von den Daten bis zum Bericht, mit einer Code-Review-Checkliste gegen Look-Ahead-Bias und Überanpassung
Organisieren Sie eine vollständige Strategiestudie als reproduzierbares Projekt, führen Sie sie von den Rohdaten bis zu einem schriftlichen Ergebnis durch und prüfen Sie den Code mit einer Checkliste, die die Fehler aufdeckt, die Backtests schönfärben.
Prop Firms, Funded Accounts & Trading als Gewerbe
Machen Sie weiter mit „Prop Firms, Funded Accounts & Trading als Business“, um zu erfahren, wie ein getesteter Ansatz zu Evaluierungsregeln, Kapitalallokation und der geschäftlichen Seite des Tradings passt.
Kursübersicht ansehen