Aufbau einer Regimewechsel-Engine: XGBoost, ehrliche Validierung und die Entscheidung, nicht zu handeln

Technische Feldnotiz. Wir untersuchen ein System, das eine engere und nützlichere Frage beantwortet als „Wohin geht der Preis?“: Welche Strategie, falls überhaupt eine, passt aktuell gut genug zum Marktzustand, um einen Papiertest zu verdienen?

Ursprung des Konzepts: Suchkante vom quantitativen Forscher Vladislav Freidyn. Diese Notiz ist unsere technische Lesart dieser Architektur und unsere eigenen Testergebnisse, nicht seine Ausarbeitung – seine sollte zuerst gelesen werden. Was wir beim Bau gemessen haben, steht auf dem Experiment-Scoreboard.

Der Unterschied ist wichtig. Märkte sind nicht stationär. Ein Trendsystem kann in einer Expansion funktionieren und in einer Range versagen; ein Grid kann das Gegenteil tun. Das Ziel einer Regime-Wechsel-Engine ist es nicht, einen permanenten Gewinner zu küren. Es geht darum, Marktevidenz zu kombinieren, die bedingte Qualität mehrerer Strategiefamilien zu schätzen und Kein Handel als erstklassige Entscheidung zu treffen, wenn die Evidenz schwach ist.

Warum statische Handelssysteme verfallen

Ein festes Regelwerk nimmt an, dass die Beziehung zwischen seinen Eingaben und Ergebnissen stabil bleibt. Echte Märkte gewähren diese Annahme nicht. Liquidität ändert sich, Volatilitätscluster, Teilnehmerverhalten passt sich an, und makro- oder mikrostrukturelle Schocks verschieben den datengenerierenden Prozess selbst.

Das bedeutet nicht, dass jede Strategie jede Woche neu aufgebaut werden muss. Es bedeutet, dass das System messen muss, wann der historische Kontext einer Strategie nicht mehr dem aktuellen ähnelt. Ein nützlicher Selektor benötigt daher drei Fähigkeiten:

• den aktuellen Marktzustand mit kausalen, punktuellen Merkmalen beschreiben;
• das erwartete Nettoergebnis jeder geeigneten Strategie und Richtung schätzen;
• sich enthalten, wenn die Vorhersage veraltet, unkalibriert, ungestützt oder nach Kosten wirtschaftlich negativ ist.

Die Feature-Engine kommt vor dem Modell

Ein Boosting-Modell kann einen leckenden oder schlecht ausgerichteten Datensatz nicht retten. Die Feature-Engine ist das eigentliche Fundament. Kandidateninputs umfassen mehrere Uhren und Datenquellen:

Feature-Familie	Beispiele	Primäres Risiko
Makro und Struktur	DXY Bias, Marktzustand, Bruch der Struktur, Charakteränderung, BTC/ETH-Korrelation	Veröffentlichungszeitpunkt und revidierte Daten
Derivate	Funding, Open Interest, OI-Änderung und -Verhältnis	Acht-Stunden-Beobachtungen, ausgerichtet auf schnellere Kerzen
Volumen und Volatilität	CVD, VWAP, verankertes VWAP, ATR, Volumenprofil	Venue-Abdeckung und inkonsistente Volumendefinitionen
Strategiekontext	Trend, Range, Kompression, Expansion und Panikzustände	Post-hoc-Regime-Labels, die zukünftige Informationen leaken

Jede Feature-Zeile muss nur mit Informationen reproduzierbar sein, die zum Entscheidungszeitpunkt beobachtet wurden. In der Praxis bedeutet das einen As-of-Join, explizite Quellenlatenz, Frischelimits und einen Kausalitätstest, der zukünftige Daten ändert und beweist, dass das historische Feature-Präfix identisch bleibt.

Warum Gradient-Boosted Trees

XGBoost, LightGBM, und CatBoost kombinieren viele flache Entscheidungsbäume. Jeder neue Baum konzentriert sich auf Restfehler, die vom bestehenden Ensemble übrig gelassen wurden. Für verrauschte tabellarische Marktdaten bietet diese Familie mehrere praktische Vorteile:

• nichtlineare Interaktionen ohne tiefe neuronale Architektur;
• L1/L2-Regularisierung und begrenzte Baumtiefe;
• native Behandlung fehlender Werte, während explizite Frischeregeln weiterhin erforderlich sind;
• Feature-Attributionswerkzeuge für Untersuchungen, nicht als Ersatz für Validierung.

Das Modell ist kein autonomer Trader. Es ist eine Kandidatenkomponente in einer größeren Evidenzpipeline. Eine nützliche Ausgabe ist eine kalibrierte Wahrscheinlichkeit für eine definierte Aktion, wie die Wahrscheinlichkeit, dass eine gesperrte Trendstrategie, die bei der nächsten Bar long eröffnet, unter einem festen Exit- und Kostenvertrag netto positiv endet.

Der Entscheidungsvertrag

Jede Trainingszeile sollte Zeitstempel, Symbol, Kandidatenstrategie, Richtung, kausale Merkmale, Einstiegsregel, Exit-Barrieren und Kostenannahmen binden. Das Label ist das realisierte Nettoergebnis dieses spezifischen hypothetischen Handels. Kein Handel ist kein Timeout-Label. Es ist die Entscheidung, die produziert wird, wenn kein Kandidat einen positiven Erwartungswert mit ausreichender Evidenz hat.

features at time t
 candidate strategy + direction
 next-open entry
 ATR-scaled TP / SL / time barrier
 fees + slippage + funding
 matured outcome
-------------------------------
 calibrated P(net-positive)

Ein fester Wahrscheinlichkeitsschwellenwert wie 0,65 kann eine Forschungshypothese sein, aber er ist kein universelles Gesetz. Der wirtschaftliche Schwellenwert hängt von Belohnung-Risiko, Kosten, Kalibrierungsfehler und Kapazität ab. Wir bevorzugen eine gesperrte erwartete Netto-Wert-Regel, die in Entwicklungsdaten ausgewählt und dann außerhalb beurteilt wird.

Der ehrliche Validierungspfad

Zufällige k-fache Validierung ist für überlappende Finanzlabels ungeeignet. Unser vorgeschlagener Pfad ist bewusst härter:

1. Äußere verankerte Walk-Forward: Training expandiert durch die Zeit; jedes folgende Testfenster bleibt unberührt.
2. Purge und Embargo: Trainingslabels, deren Handelshorizont die Grenze kreuzen könnte, werden entfernt.
3. Verschachtelte Entwicklung: Frühes Stoppen, Feature-Auswahl, Kalibrierung, Hyperparameter und der Entscheidungsschwellenwert werden nur innerhalb des äußeren Trainingsfensters angepasst.
4. Gematchte Null-Arme: Block-permutierte Labels und expositionsgematchte Zufallssignale testen, ob die Pipeline aus Rauschen Edge herstellt.
5. Versiegeltes Holdout: Nachdem das Forschungsprotokoll eingefroren ist, wird der Tresor einmal geöffnet.
6. Vorwärtsgerichtetes Papierbuch: Jede Vorhersage, Modellversion, Ergebnis, Gebührenannahme und Driftzustand wird an einen unveränderlichen Datensatz angehängt.

Ein negatives Ergebnis ist gültige technische Ausgabe. Wenn der Kandidat seine Null-Arme nach Kosten nicht schlägt, wird es dokumentiert und nicht befördert.

Kennzahlen, die zählen

Genauigkeit allein verdeckt Klassenungleichgewicht und sagt nichts über die Ökonomie einer Entscheidung aus. Modellqualität sollte Log-Loss, Brier-Score, erwarteten Kalibrierungsfehler, PR-AUC, Stichprobengröße und Abdeckung umfassen. Die finanzielle Bewertung bleibt getrennt: Netto-Erwartung, Profitfaktor, Sharpe- und Sortino-Quoten, maximaler Drawdown, Erholung, Umschlag und Leistung gegenüber einfachen Baselines.

Die öffentliche Schnittstelle sollte all das niemals auf eine einzige grüne Prozentzahl reduzieren. Wahrscheinlichkeit muss mit Kalibrierungsstatus, Evidenzalter, Modellversion, Vorwärtsbeobachtungen und einem klaren Papier- oder Kein-Handel-Zustand reisen.

Konzeptdrift ist ein Betriebszustand

Selbst ein Modell, das seine historische Prüfung besteht, kann degradieren. Wir überwachen Feature-Verteilungsverschiebungen, fehlende und veraltete Quellen und rollierenden probabilistischen Verlust nach Reifung der Labels. Eine produktionssichere Zustandsmaschine ist konservativ:

HEALTHY → WARNING → DEGRADED
                    ↓
                 NO TRADE

Erholung erfordert ausreichende frische Evidenz und eine neue gesperrte Bewertung. Nachschulung befördert kein Ersatzmodell stillschweigend; es erstellt einen neuen Herausforderer mit neuer Version und neuem Vorwärtsstartdatum.

Vom Forschungskern zu einem nutzbaren Produkt

Die nützliche Schnittstelle ist keine Wand aus Modelldiagnosen. Ein Trader sollte die am besten unterstützte Strategieanpassung, Richtung, kalibrierte Wahrscheinlichkeitsspanne, erwartetes Ergebnis nach Kosten, Evidenzstatus und den Grund sehen, warum das System sich enthalten hat. Tiefere Ebenen können Walk-Forward-Falten, Null-Vergleiche, Feature-Attribution, Vorwärtshistorie und Drift für Forscher offenlegen.

Dasselbe Entscheidungsobjekt kann den Optimierer, ein Papierbuch, Bildungs-Erklärer, Alerts und öffentliche Evidenzseiten antreiben. Live-Ausführung bleibt eine separate berechtigte Fähigkeit und wird nie durch ein Forschungsurteil impliziert.

Mit uns bauen

Diese Arbeit liegt über mehrere Disziplinen. Wir sind an Gesprächen interessiert mit:

• Quant-ML-Ingenieuren die an zeitlicher Validierung, Kalibrierung, Boosting und Modellüberwachung arbeiten;
• Dateningenieuren die Punkt-in-Zeit-Pipelines für Funding, Open Interest, Marktstruktur und Makrodaten bauen;
• Quant-Forschern die Labels, Nullhypothesen, Multi-Test-Kontrollen und risikoadjustierte Bewertung formalisieren;
• Handelsinfrastruktur-Ingenieuren die sich auf Papierledger, kostenbewusste Simulation, Modellregister und sichere Ausführungsgrenzen konzentrieren.

Wenn das Ihr Fachgebiet ist, kontaktieren Sie das Engineering-Team. Wenn Sie zuerst die aktuelle Forschungsoberfläche inspizieren möchten, öffnen Sie den Strategie-Optimierer, die öffentlichen Edge-Kampagnen und die FinEdg-Methodik.