Algorithmischer Handel — erste Schritte für Retail-Trader

Algorithmischer Handel in seiner Retail-Form ist ein einfacher Rollentausch: Der Trader formuliert die Regel, der Computer führt sie aus. „Wenn der schnelle gleitende Durchschnitt den langsamen von unten kreuzt und der ATR der letzten zwanzig Kerzen steigt, öffne eine Long-Position mit einer Größe von einem Prozent des Kapitals, Stop 1,5 ATR unter dem Einstieg." Das ist im Kern die gesamte Definition. Alles andere — VPS-Anbieter, Programmiersprachen, Frameworks — ist Gerüstwerk. Das eigentliche Problem bei den meisten Retail-Algo-Projekten liegt nicht im Code, sondern in der Annahme, dass Automatisierung einen Vorteil ersetzen kann, den der Trader schlicht nicht besitzt. Sie kann es nicht. Sie verliert nur schneller und günstiger als der Mensch es tat.

Was algorithmischer Handel ist — und was er definitiv nicht ist

Ein Algorithmus vereint zwei Dinge: eine präzise definierte Strategie und den Mechanismus, der sie ohne emotionales Zögern auslöst. Ein Trader, der einen vollständigen Satz von Einstiegs-, Ausstiegs-, Positionsgrößen- und Verlustmanagementbedingungen in eindeutiger Sprache formulieren kann, hat die halbe Arbeit erledigt. Der Rest ist die Übertragung dieses Dokuments in MQL5, Python oder einen einfachen Alert. Ein Trader, dem diese Disziplin fehlt, beginnt damit, Syntax zu lernen, und entdeckt erst später, dass er konkret nichts zu kodieren hat. Jedes vernünftige Buch über systematisches Trading wiederholt denselben Ratschlag — die Strategie zuerst manuell operationalisieren, erst danach automatisieren. Jeder Wochenendkurs, der einen „Bot für hundertneunundneunzig Dollar" verkauft, ignoriert ihn.

Algorithmischer Handel ist auch keine magische Quelle passiven Einkommens: Eine Strategie, die heute funktioniert, tut es, weil eine bestimmte Marktregelmäßigkeit noch gilt. In dem Moment, in dem sie verschwindet, verliert der Bot genauso effektiv wie ein diskretionärer Trader — nur ohne das emotionale Signal, dass etwas nicht stimmt. Ein solider Einstieg in die Mechanismen des praktischen Tradings legt das Fundament, bevor du auch nur eine Zeile Code schreibst.

Die Leiter vom Alert zur Vollautomatisierung

Der natürliche Weg verläuft über vier Stufen. Die erste Stufe sind Plattform-Alerts in TradingView oder MetaTrader, die einen Ton oder eine E-Mail auslösen, wenn die Einstiegsbedingung erfüllt ist. Der Trader klickt die Order noch selbst, ist aber gezwungen, die Strategie in eine Regel zu übersetzen, die präzise genug ist, damit die Plattform sie ausdrücken kann. Viele Retail-Trader verlassen diese Stufe nie — und müssen es auch nicht, wenn die Anzahl der täglichen Signale gering ist.

Die zweite Stufe ist ein einfacher Expert Advisor (EA) in MQL5 für MetaTrader, typischerweise ein Moving-Average-Crossover mit einem Trailing Stop oder ein ATR-Ausbruch. Ein solcher EA umfasst zwei bis vier Hundert Zeilen und ist in Wochen gebaut. Die dritte Stufe ist ein Python-Backtester mit pandas, NumPy und backtrader, mit dem der Trader in einem einzigen Abend Dutzende von Strategievarianten iteriert. Die vierte, optionale Stufe ist eine direkte Broker-Verbindung über REST oder FIX mit Interactive Brokers oder OANDA, womit MetaTrader als Zwischenschicht entfällt. Die Abwägung zwischen MQL5 und Python sowie die Werkzeuge der Handelsplattformen bestimmen am Ende, welche Route für dich praktischer ist.

Fähigkeiten und die Wahl der Programmiersprache

Die Liste ist kurz. Statistisches Denken hat das höchste Gewicht — zu verstehen, wo der Unterschied zwischen Trefferquote, Profit Factor und Erwartungswert (Expectancy) liegt, und zu wissen, dass eine Equity-Kurve aus fünfzig Trades noch nichts beweist. Ohne dieses Fundament produziert selbst sauberer Code Schlussfolgerungen wie „die Strategie funktioniert, weil die letzten sechs Trades Gewinner waren" — was eine Nullhypothese ist, keine Analyse. Zweite Stelle: Geduld für den Validierungszyklus — Idee, Kodierung, Backtest, Walk-Forward, drei bis sechs Monate auf dem Demo-Konto und erst dann echtes Kapital. Dritte Stelle: Programmierbasiswissen — Variablen, Schleifen, Funktionen, ein pandas DataFrame. Du musst kein Softwareingenieur sein; es genügt, den EA-Code einer anderen Person lesen und einen Parameter ändern zu können, ohne den Rest zu beschädigen.

Die Sprachenwahl hängt von einer Frage ab: Bleibt der Trader im MetaTrader-Ökosystem, oder verlässt er es? MQL5 ist die native Sprache von MT5, die Ausführungslatenz liegt im einstelligen Millisekundenbereich, und der Strategy Tester liefert einen soliden Backtest direkt aus der Box heraus. Python ist die gesamte Welt außerhalb von MetaTrader — pandas und NumPy für Datenverarbeitung, backtrader oder vectorbt für Backtests, REST-Clients für Interactive Brokers und OANDA. Die Vor- und Nachteile beider Sprachen lassen sich am besten im Kontext der verfügbaren Handelsstrategien beurteilen, die du tatsächlich umsetzen willst.

Ein illustratives Beispiel — erste Strategie vom Konzept zum Backtest

Nehmen wir eine Crossover-Strategie auf EUR/USD im Stundenchart H1: Long-Einstieg, wenn der EMA 21 den SMA 55 von unten kreuzt, sofern der ATR der letzten vierzehn Kerzen über seinem Fünfzig-Perioden-Mittelwert liegt. Stop Loss 1,5 ATR unter dem Einstieg, Take Profit (Gewinnmitnahme) 2,5 ATR darüber, Positionsgröße ein Prozent des Kapitals.

Schritt eins: Der Trader führt vierzig Einstiege manuell in MT5 auf den letzten sechs Monaten historischer Daten durch und berechnet die Trefferquote sowie den durchschnittlichen Gewinn- und Verlusttrade. Angenommen, das Ergebnis zeigt 38 Prozent Trefferquote bei einem Profit Factor von 1,4. Schritt zwei: Den EA in MQL5 kodieren und durch den Strategy Tester über fünf Jahre Geschichte laufen lassen. Das Ergebnis sollte den manuellen Werten entsprechen oder systematisch abweichen — im zweiten Fall weiß der Trader, dass entweder die Regel falsch aufgeschrieben wurde oder ein Teil der manuellen Ausführung intuitiv interpretiert worden ist. Schritt drei: Derselbe EA in Python mit backtrader auf Dukascopy-Daten, inklusive realem Spread und Slippage (Kursschlupf). Schritt vier: Walk-Forward-Analyse, falls die Zahlen stabil sind. Alle Zahlen sind illustrativ — sie zeigen die Abfolge, nicht ein Versprechen.

„Der größte Feind eines algorithmischen Traders ist der Data-Snooping-Bias. Modelle, die im Backtest hervorragend aussehen, scheitern im Live-Trading oft nicht, weil die Strategie falsch ist, sondern weil der Trader sie auf denselben Daten optimiert hat, mit denen er sie auch bewertet hat." — Ernest P. Chan, Algorithmic Trading: Winning Strategies and Their Rationale, Wiley, 2013

Warum die meisten Retail-Algo-Projekte scheitern

Die Gründe sind zwei, und keiner hat etwas mit Programmierkenntnissen zu tun. Der erste ist das Fehlen eines Marktvorteils, den es sich lohnt zu automatisieren. Der Trader schreibt einen Backtester, passt die Parameter an die letzten fünf Jahre Daten an und erhält eine Equity-Kurve, die schöner ist als alles, was die Realität jemals liefern könnte — klassisches Curve-Fitting. Er geht live, verliert Geld, kommt zu dem Schluss, dass er eine „bessere Strategie" braucht, und wiederholt die Schleife.

Der zweite Grund ist die Unwilligkeit, ein Ergebnis zu akzeptieren, das sagt: „Deine Strategie hat keinen Vorteil, geh zurück ans Reißbrett." Die meisten Trader überoptimieren lieber die Parameter, als diese Botschaft anzunehmen — der Algorithmus wird sie nicht abmildern, er wird sie nur schneller wiederholen. Auf der Infrastrukturseite ist die Realität nüchtern: Ein VPS bei Vultr oder Hetzner kostet fünf bis zwanzig Euro im Monat, MetaTrader und Python sind kostenlos, Dukascopy-Daten ebenfalls. Die Markteintrittsbarriere beträgt Dutzende von Euro monatlich, keine Tausende. Der Engpass ist Zeit und statistisches Denken, nicht Geld. Einen praktischen Begleiter zum Betrieb eines EA auf einem VPS findest du im Abschnitt Platforms & Tools auf ForexMechanics.

Was jetzt zu tun ist

1. Öffne ein Journal und schreibe eine Woche lang jeden Einstieg als eindeutige Regel in der Form „wenn X und Y, dann öffne Z" auf — ohne Wörter wie „normalerweise", „tendiert dazu" oder „ich spüre, dass". Wenn du am Ende der Woche keine Entscheidung als solche Regel neu formulieren kannst, hast du noch keine Strategie zum Automatisieren, sondern nur eine Sammlung von Reaktionen.
2. Lade das kostenlose MetaTrader 5 von deinem Broker herunter, eröffne ein Demo-Konto und konfiguriere drei Alerts in TradingView oder dem nativen MT5-Alert-System für die einfachste Version deiner Regel — beobachte zwei Wochen lang, ob die Alerts in denselben Momenten auslösen, die du manuell gewählt hättest.
3. In der dritten Woche registrierst du dich auf mql5.com, öffnest den MetaEditor, der mit MT5 mitgeliefert wird, und schreibst den einfachstmöglichen Expert Advisor — einen EMA-21/SMA-55-Crossover mit einem 1,5-ATR-Trailing-Stop, gestützt auf die MQL5-Reference-Dokumentation. Das Ziel ist ein erster funktionierender EA in vierzig bis achtzig Arbeitsstunden — kein profitabler.
4. Nach zwei Monaten installierst du Python 3.11 oder neuer, fügst pandas, NumPy und backtrader per pip install hinzu, arbeitest den Backtrader-Quickstart-Guide durch und implementierst denselben MQL5-EA als backtrader-Strategie neu. Vergleiche die Backtestergebnisse auf denselben Daten — Abweichungen von mehr als einigen Prozent bedeuten, dass eine versteckte Annahme irgendwo vergraben ist.
5. Erst im fünften oder sechsten Monat solltest du den EA auf einem Demo-MetaTrader-Konto auf einem VPS bei Vultr oder Hetzner bereitstellen und ihm drei Monate Zeit geben. Wenn die Demo-Performance mit dem Walk-Forward-Backtest übereinstimmt, erst dann ein Live-Konto mit Kapital in Betracht ziehen, dessen Verlust dein Monatsbudget nicht beeinträchtigen würde — fünfhundert bis zweitausend Euro in der ersten Iteration, nicht mehr.