Algorithmischer Trading-Dashboard mit HTML und LLM: Eine No-Code-Fallstudie
Der algorithmische Trader Dmitry Ovchinnikov überwand Excel-Limitierungen – 400.000 Datenzeilen verlangsamten die Analyse von 100+ Strategien. Mit einem LLM erstellte er ein HTML-Dashboard: dynamische P&L-Historie, Kapitalmanagement und browserbasierte Visualisierung. Der Prototyp wurde an einem Tag ohne Code-Erstellung fertiggestellt.
Excel- und MetaTrader-Analyse-Herausforderungen
Daten aus MetaTrader wurden als CSV exportiert und mit VBA-Makros verarbeitet. Das System funktionierte, hatte aber keine Historie: Ein verpasster täglicher Export bedeutete dauerhaft verlorene Daten. Das Volumen erreichte über Monate 400.000 Zeilen, was selbst auf leistungsstarken PCs zu Verzögerungen führte.
MetaTrader-Berichte sind ungenau: Sie verzerren die Marge und berücksichtigen keine einheitliche Cash-Position. Keine Drittanbieter-Dienste decken diese Anforderungen vollständig ab.
Wesentliche Problembereiche:
- Keine dynamische Trade-Historie.
- Schwierigkeiten bei der Berechnung offener Positionen.
- Fehlender Echtzeit-Überblick über Kapital nach Algorithmen und Instrumenten.
Dashboard-Ziele: Verfolgung der Mittelzuweisung, Strategiestatus und täglicher P&L seit Handelsbeginn.
Anforderungen an den Algorithmischen Trader-Dashboard
Das Tool muss operatives und analytisches Management bieten:
Operativ:
- Wo das Geld ist: nach Algorithmen, Instrumenten.
- Strategiestatus (aktiv/inaktiv).
Analytisch:
- Aufschlüsselung von P&L nach Tagen/Stunden.
- Strategie-Performance-Analyse.
- Kapitalumverteilung.
- Identifizierung von Schwachstellen.
Ergebnisberechnung für Algorithmus+Instrument-Paare umfasst:
- Geschlossene Trades (direkte Gewinnberechnung).
- Offene Positionen (tägliche Momentaufnahme).
Das Dashboard berechnet bei jedem Laden die gesamte Historie aus CSV-Dateien neu, anders als alte MQL-Skripte mit sofortigen Momentaufnahmen.
Prototyp-Erstellung mit LLM
Dmitry beschrieb Aufgaben einem LLM (Claude): CSV aus MetaTrader laden, mit JS im Browser verarbeiten, visualisieren. Keine formale Spezifikation – iterative Entwicklung über Screenshots und Beispiele.
Ergebnis: Eine einzelne HTML-Datei mit Daten, JS-Logik und Charts. Funktioniert auf PC und Mobilgerät ohne Installation.
Prozess:
- CSV laden → Trades parsen.
- Nach Algorithmen/Instrumenten gruppieren.
- Täglichen P&L berechnen (geschlossen + schwebender P&L).
- Visualisierung: Charts, Tabellen, Filter.
Probleme und Lösungen:
- Korrekter schwebender P&L: mehrere Iterationen, Analyse des aktuellen HTML.
- Chat-Wechsel bei Kontextlimit: Modell las die Datei, stellte Logik wieder her.
LLM-Vergleich:
| Modell | Ergebnis |
|----------|----------------------------|
| Claude | 1–3 Iterationen, präziser Code |
| DeepSeek| Verliert Kontext |
| Gemini | Zerstört Struktur |
| ChatGPT | Lange Spezifikationsdiskussion |
Prototyp an einem Tag fertig, Verfeinerungen iterativ.
Funktionalität und Vorteile
Das Dashboard bietet ein vollständiges Bild:
- Kapitalzuweisungstabellen.
- P&L-Dynamik-Charts nach Strategie.
- Filter nach Datum, Instrumenten.
- Algorithmus-Status (erkennt inaktive).
Veränderungen für den Nutzer:
- Schnellere Kapitalzuweisungsentscheidungen.
- Schnellere Reaktion auf Strategieausfälle (zuvor dauerte es Monate).
- Übergang von Excel+VBA zu LLM→HTML.
Der Ansatz ist universell: Anwendbar auf Vertrieb, persönliche Finanzen – überall dort, wo Dashboards aus tabellarischen Daten benötigt werden.
Wesentliche Punkte:
- Dynamische P&L-Berechnung mit schwebenden Positionen für jeden Tag.
- Einzelne HTML-Datei: Portabilität, CSV-Aktualisierungen.
- Iterative Entwicklung über LLM ohne Code.
- Skalierung: 400k+ Zeilen, 100+ Strategien.
- Zeitersparnis: Prototyp an einem Tag.
Zukünftige Entwicklung
Das aktuelle Dashboard deckt grundlegende Analysen ab. Mögliche Ergänzungen:
- Risikokennzahlen (VaR, Drawdown nach Strategie).
- Performance-Heatmaps nach Instrument.
- Tageszeitanalyse.
- Korrelationen zwischen Strategien.
- Echtzeit-Integration (WebSocket zum Broker).
— Editorial Team
Noch keine Kommentare.