Eine Forschungsumgebung einrichten: Python, virtuelle Umgebungen, Jupyter und VS Code

Was Sie lernen werden

• Welche Python-Version Sie 2026 installieren sollten und warum „eine Version hinter der neuesten“ meist die sicherere Wahl ist.
• Wie Sie eine virtuelle Umgebung anlegen, damit jedes Trading-Projekt seinen eigenen, reproduzierbaren Satz an Paketen hat.
• Wie Sie pandas, numpy, matplotlib und Jupyter installieren und Versionen in einer Datei requirements.txt festschreiben.
• Wie Sie einen Forschungsordner so organisieren, dass Daten, Notebooks und wiederverwendbarer Code nicht durcheinandergeraten.

Erklärung

Python ist eine universell einsetzbare Programmiersprache, die sich dank ihrer Datenbibliotheken zum Standardwerkzeug für quantitative Forschung im Finanzbereich entwickelt hat. Im Kurs „Systematisches Trading & Backtesting“ wurde eine Regel in einer Tabellenkalkulation getestet; dieser Kurs überträgt dieselben Ideen in Code.

Welche Version? Stand Ende 2026 ist die neueste Python-Serie 3.15, und pandas 3.0 (erschienen im Januar 2026) erfordert Python 3.11 oder neuer. Eine praktische Regel: Installieren Sie die neueste Version, die mindestens einige Monate alt ist, denn brandneuen Releases fehlen manchmal vorkompilierte Pakete („Wheels“) für wissenschaftliche Bibliotheken. Prüfen Sie immer die aktuelle Download-Seite, und setzen Sie unter Windows bei der Installation das Häkchen bei „Add python to PATH“. Überprüfen Sie die Installation mit python --version in einem Terminal (unter macOS und Linux benötigen Sie eventuell python3).

Virtuelle Umgebungen. Eine virtuelle Umgebung (venv) ist ein privater Ordner, der eine eigene Kopie der Python-Pakete für ein Projekt enthält. Ohne sie kann ein pandas-Upgrade für Projekt A unbemerkt Projekt B beschädigen. Das eingebaute Modul legt eine an:

python -m venv .venv

Aktivieren Sie sie mit .venv\Scripts\activate (Windows) oder source .venv/bin/activate (macOS/Linux). Die Eingabeaufforderung zeigt dann (.venv), und ab jetzt installiert pip nur noch in diesen Ordner. Das Werkzeug pip ist Pythons Paketinstallationsprogramm; PyPI (der Python Package Index) ist das öffentliche Repository, aus dem es herunterlädt.

Die Kernbibliotheken. numpy stellt schnelle numerische Arrays bereit; pandas baut darauf beschriftete Tabellen (DataFrames) auf und ist das Arbeitspferd dieses Kurses; matplotlib zeichnet Charts; Jupyter bietet Ihnen Notebooks, also Dokumente, die Code, Ausgaben und Notizen kombinieren. Installieren Sie alles in einer Zeile:

pip install pandas numpy matplotlib jupyterlab pyarrow

Das Paket pyarrow ist optional, wird aber vom pandas-Team empfohlen, weil pandas 3.0 es für seinen neuen Standard-String-Typ und für schnelleres Einlesen von Dateien nutzt.

Reproduzierbarkeit. Führen Sie nach der Installation pip freeze > requirements.txt aus. Die Datei listet die exakten Versionen auf, zum Beispiel pandas==3.0.1. Später stellt pip install -r requirements.txt die identische Umgebung wieder her, sodass ein Backtest von heute dieselben Zahlen liefert; ein Ergebnis, das Sie nicht reproduzieren können, ist kein Ergebnis.

Notebook oder Skript? Jupyter-Notebooks (gestartet mit jupyter lab) eignen sich ideal zum Erkunden, weil jede Zelle separat läuft und ihre Ausgabe anzeigt. VS Code (Visual Studio Code, ein kostenloser Editor) öffnet dieselben .ipynb-Notebooks und einfache .py-Skripte, bietet einen Debugger und zeigt Fehler schon während des Tippens an. Wählen Sie in VS Code den Interpreter innerhalb von .venv aus, sonst schlagen Ihre Importe mit „No module named pandas“ fehl, obwohl Sie das Paket installiert haben.

Eine Ordnerstruktur, die mitwächst:

• data/raw/ für heruntergeladene Dateien, die Sie nie von Hand bearbeiten, data/processed/ für bereinigte Versionen.
• notebooks/ zum Erkunden, nummeriert (01_load.ipynb, 02_returns.ipynb).
• src/ für wiederverwendbare Funktionen (Indikatoren, Kennzahlen), tests/ für die Unit-Tests, die Sie in Lektion 9 schreiben werden.
• requirements.txt und eine .gitignore, die .venv/, große Datendateien und jede Datei mit API-Schlüsseln ausschließt.

Durchgerechnetes Beispiel

Hypothetisches Beispiel: eine erste Notebook-Zelle, die eine Positionsgrößenberechnung ersetzt, die Sie vielleicht im Kurs „Risiko- und Trade-Management“ von Hand durchgeführt haben. Annahmen: Konto €10,000, Risiko 1% pro Trade, Einstieg €50.00, Stop €47.00. Gebühren, Spread und Slippage werden ignoriert.

account = 10_000

risk_pct = 0.01

entry, stop = 50.0, 47.0

risk_eur = account * risk_pct

per_share = entry - stop

shares = int(risk_eur // per_share)

print(shares, shares * entry, shares * per_share)

Schritt für Schritt: Risiko in Euro = 10,000 × 0.01 = €100. Risiko pro Aktie = 50 − 47 = €3. Aktien = 100 ÷ 3 = 33.3, und der Ganzzahldivisions-Operator // rundet auf 33 ab (Aufrunden würde das Risikobudget überschreiten). Positionswert = 33 × €50 = €1,650. Tatsächlich geplantes Risiko = 33 × €3 = €99. Die Ausgabe lautet 33 1650.0 99.0.

Der Unterstrich in 10_000 dient nur der Lesbarkeit. Und das geplante Risiko ist nicht der maximale Verlust: Eine Kurslücke über den Stop hinweg kann mehr als €99 kosten.

Häufiger Fehler

Übungsaufgabe

Schreiben Sie auf Papier die genaue Abfolge der Terminalbefehle auf, um: einen Projektordner namens momentum_research anzulegen, darin eine virtuelle Umgebung zu erstellen und zu aktivieren, pandas, numpy, matplotlib und JupyterLab zu installieren, die Versionen zu speichern und JupyterLab zu starten. Geben Sie anschließend an, was python -c "import pandas; print(pandas.__version__)" ausgeben sollte, wenn die Installation funktioniert hat.

Kernaussagen

• Verwenden Sie ein aktuelles, aber nicht brandneues Python-3-Release; pandas 3.0 benötigt Python 3.11 oder neuer.
• Eine virtuelle Umgebung pro Projekt plus eine festgeschriebene requirements.txt macht jeden Backtest reproduzierbar.
• pandas, numpy, matplotlib und Jupyter sind die vier Werkzeuge, auf die sich dieser Kurs stützt; VS Code verbindet Notebooks und Skripte.
• Trennen Sie vom ersten Tag an Rohdaten, verarbeitete Daten, Notebooks und wiederverwendbaren Code.

Nächster Schritt

Lektion 2 behandelt das wenige Kern-Python, das Sie benötigen, bevor Sie mit pandas arbeiten: Datentypen, Listen, Dictionaries, Schleifen, Funktionen und wie man eine Fehlermeldung liest.