Auftrag
Es erfolgte die Gestaltung und Implementierung eines Handels-Systems, welches mithilfe von umfassenden quantitativen und KI-gestützen Analysen und Simulationen im Blockchain-Bereich vollautomatisch handelt. Dieses wird verwendet von einem internationalen Investment-Club.
Implementierte Lösung
In umfassenden Recherchen und quantitativen Marktanalysen wurden über 80 unterschiedliche Set-Ups – also Strategien baseriend auf unterschiedlichen Kombinationen von Indikatoren (z.B. Bollinger Bands, Moving Averages, RSI, Volumen, Elliott-Wave-Theory, etc.) – entwickelt.
Im nächsten Schritt erfolgte ein weiteres Testing dieser Strategien sowie paralleles Paper-Trading in einer eigens entwickelten Umgebung. Danach folgte systematisches Backtesting gegen qualifizierte historische Daten, sowie die Verwendung von generischen und evolutionären Algorithmen zur Zeit- und Speicheroptimierung. Anschließend wurden neuronale Netze für das Backtesting entwickelt, sodass die evolutionören Algorithmen mit „echter“ künstlicher Intelligenz kombiniert und dadurch die Performance und Speichereffizienz weiter verbessert werden konnten. Dabei war das Management von der neuronalen Netze – welche je Handelspaar-Set-Up-Kobmination bei etwa 200 Handelspaaren und etwa 80 Set-Ups anfallen – eine besondere logistische Herausforderung.
Ergänzend wurden Forward-Analysen basierend auf KI generierten Zukunfts-Analysen entwickelt und mit Fundamental-Analysen durch das Scrapen von Blockchain-Scannern, Transaktionen und Social-Media-Feeds ergänzt. Die nun entwickelte Balancer-Technologie vereint Fundamental- und technische Analyse, optimiert die Portfolio-Verteilung basierend auf unterschiedlichen Parametern und Set-Ups und ermöglicht den Handel von diversen Währungspaaren auf unterschiedlichen Exchanges. Zuletzt wurde dies durch ein neuronales Netz zum Management der Kosten und Ressourcen bei der Optimierung der Trainingsmodelle ergänzt.
So entstanden unterschiedliche skalierbare, redundante und vollständig automatisiert agierende Handelsstrategien. Ermöglicht werden konnte diese Performance erst durch das Aggregieren von geeigneten Exchange-Daten in einem Speicher-optimierten Format für den schnellen Trainings-Zugriff sowie durch die eigenen Logging- bzw. Scraping-Lösungen für die Fundamentalanalysen. Auf Basis dessen erfolgte die Implementierung von unterschiedlichen Mechanismen zur Qualitätssicherung und die Ergänzung von Lösungen, die eine hohe Verfügbarkeit durch redundante Cloud-Strukturen und Edge-Computing sicherstellen.
Verwendete Technologien
Zur Umsetzung von visuellen Oberflächen konnten Clients bereitgestellte Grafana-Dashboard nutzen, welche durch JavaScript-basierte Data-Pipelines befüllt wurden. Darüber hinaus wurde für die Konzeptionierung der Algorithmen überwiegend JavaScript und Python verwendet, die Implementierung erfolgte in C. Für manche neuronalen Netze war die Tensorflow-Library ein Ausgangspunkt. Das Hosting erfolgte auf eigenen Servern sowie auf AWS Lambda und AWS EC2. Die Client-Lösungen werden individuell gehostet, hierzu wurden eigene Deployment-Skripte entwickelt. In der Entwicklung wurde ein Zusammenschluss aus unterschiedlichen Entwicklern verbunden und deren gemeinsame Arbeit koordiniert.