Strukturierter Einblick

Trading-Software-Generationen: Von MT4 bis LLM

Ein strukturierter Vergleich von vier Generationen von Trading-Software: Indikator-Plattformen, Strategie-Frameworks, System-Pipelines und LLM-Prompt-to-Code-Workflows.

Vier Generationen von Trading-Software

Der entscheidende Wandel betrifft nicht nur Sprache oder Benutzeroberfläche. Jede Generation veränderte die zentrale Abstraktion, mit der Trader Strategieideen formulierten, testeten und umsetzten.

Dimension	Gen 1: Indicator Era~2005-2012	Gen 2: Strategy Era~2012-2018	Gen 3: System Era~2018-2023	Gen 4: LLM Era2023-present
Time period	~2005-2012	~2012-2018	~2018-2023	2023-present
Representative products	MT4 / MQL4	Backtrader, freqtrade, vnpy	QuantConnect, WorldQuant BRAIN	ChatGPT + brokerage API
Core abstraction	Modular indicators	Packaged strategy logic: entry, exit, sizing	Feature engineering pipeline	Natural language to code
Typical workflow	Drag indicators, set conditions, backtest	Write strategy code, optimize parameters, backtest	Build feature pipeline, train, validate, execute	Prompt, generate strategy, backtest
Main progress	Indicators moved from books and forums into reusable components	Complete strategies became packageable, shareable, and reproducible	The pipeline became the product, with standardized validation	Generation is fast and the entry barrier is low
Typical trap	Indicator worship and holy-grail thinking	Parameter overfitting: genetic search finds coincidence, not robustness	Data leakage and survivorship bias	Strategy hallucination and backtest overfitting blindness
Failure root cause	Rules are manual and lack systematic validation	The optimization target is backtest return, not robustness	Model complexity hides data-quality problems	The model skips infrastructure accumulated across the first three generations

Zwei Fehlermodi der LLM-Ära

LLMs senken die Kosten für die Erstellung von Strategie-Code, beseitigen aber nicht die Notwendigkeit einer Validierungsinfrastruktur.

Strategy Hallucination

The model emits plausible trading logic that looks quantitative but has no market rationale, no statistical grounding, or invalid assumptions.

It creates code that passes syntax checks while smuggling in false causality.

Backtest Overfitting Blindness

The model treats a profitable backtest as validation and misses leakage, parameter mining, unstable regimes, or survivorship bias.

It accelerates curve fitting because generation speed multiplies untested variants.

Z-Score-Muster, häufig von LLMs generiert

spread = asset_a.close - hedge_ratio * asset_b.close
z_score = (spread - spread.mean()) / spread.std()

if z_score > 2:
    short(asset_a)
    long(asset_b)
elif z_score < -2:
    long(asset_a)
    short(asset_b)

Modell + Tools

Ein Modell ist kein Handelssystem

LLMs sind nützlich, wenn sie in Tools eingebettet sind. Ein seriöser Trading-Stack umfasst Datenvalidierung, Preisberechnungs-Engines, Ausführungslogik, Risikokontrollen, Monitoring und Deployment-Disziplin.

Jane-Street-ähnliche Systeme zeigen das Muster: Das Modell ist eine Schicht innerhalb einer größeren Toolchain, nicht das gesamte Produkt.

StratCraft-Positionierung

Infrastruktur für Gen-2- und Gen-3-Entwickler

StratCraft erhebt keinen Gen-5-Anspruch. Es bietet Entwicklern von Strategie-Frameworks und System-Pipelines lokale C++-Backtesting-Performance, Plugin-Isolation und wiederholbare Validierungs-Workflows.

Bauen Sie auf der Infrastrukturebene

Nutzen Sie die lokale Backtest-Engine und das Plugin-Ökosystem, um von generierten Ideen zu validierten Systemen zu gelangen.

Lokales Backtesting erkunden Plugins erkunden