<!-- reviewed: 2026-06-10 by Codex, ISSUE_9305 Batch 5 insights locale review; source: ISSUE_9256 B1 -->
---
title: "Trading-Software-Generationen: Von MT4 zu LLM"
url: https://stratcraft.ai/insights/trading-software-generations
type: insight
---

# Trading-Software-Generationen: Von MT4 zu LLM

Trading-Software hat sich durch vier praktische Generationen entwickelt: Indikator-Komponenten, paketierte Strategien, system-level Forschungs-Pipelines und LLM-Prompt-zu-Code-Workflows.

## Generationenvergleich

| Dimension | Gen 1: Indicator Era | Gen 2: Strategy Era | Gen 3: System Era | Gen 4: LLM Era |
|---|---|---|---|---|
| Zeitraum | ~2005-2012 | ~2012-2018 | ~2018-2023 | 2023-heute |
| Vertreterprodukte | MT4 / MQL4 | Backtrader, freqtrade, vnpy | QuantConnect, WorldQuant BRAIN | ChatGPT + Brokerage-API |
| Kernabstraktion | Modulare Indikatoren | Paketierte Strategielogik: Einstieg, Ausstieg, Sizing | Feature-Engineering-Pipeline | Natürliche Sprache zu Code |
| Typischer Workflow | Indikatoren ziehen, Bedingungen setzen, backtesten | Strategie-Code schreiben, Parameter optimieren, backtesten | Feature-Pipeline bauen, trainieren, validieren, ausführen | Prompten, Strategie generieren, backtesten |
| Wesentlicher Fortschritt | Indikatoren wanderten aus Büchern und Foren in wiederverwendbare Komponenten | Vollständige Strategien wurden paketierbar, teilbar und reproduzierbar | Die Pipeline wurde zum Produkt, mit standardisierter Validierung | Generierung ist schnell, die Einstiegshürde ist niedrig |
| Typische Falle | Indikator-Verehrung und Suche nach dem Heiligen Gral | Parameter-Overfitting: genetische Suche findet Zufall, nicht Robustheit | Daten-Leakage und Survivorship Bias | Strategie-Halluzination und Backtest-Overfitting-Blindheit |
| Fehler-Grundursache | Regeln sind manuell und es fehlt systematische Validierung | Das Optimierungsziel ist Backtest-Rendite, nicht Robustheit | Modellkomplexität verbirgt Datenqualitätsprobleme | Das Modell überspringt die in den ersten drei Generationen aufgebaute Infrastruktur |

## LLM-Failure-Modes

### Strategie-Halluzination

Das Modell gibt plausible Trading-Logik aus, die quantitativ aussieht, aber keine Marktbegründung, keine statistische Grundlage oder ungültige Annahmen hat. Es produziert Code, der Syntax-Checks besteht und gleichzeitig falsche Kausalität einschleust.

### Backtest-Overfitting-Blindheit

Das Modell behandelt einen profitablen Backtest als Validierung und übersieht Leakage, Parameter-Mining, instabile Regimes oder Survivorship Bias. Es beschleunigt Curve Fitting, weil Generierungsgeschwindigkeit ungetestete Varianten vervielfacht.

## Z-Score-Pattern-Beispiel

```python
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)
```

## Model + Tools

LLMs sind nützlich, wenn sie in Tools eingebettet sind. Ein ernstzunehmender Trading-Stack ist nicht nur ein Modell; er enthält Pricing-Engines, Execution-Logik, Risikokontrollen, Datenvalidierung, Monitoring und Deployment-Disziplin. Systeme im Stil von Jane Street zeigen das Muster: das Modell ist eine Schicht innerhalb einer größeren Toolchain.

## StratCraft-Positionierung

StratCraft ist kein Anspruch auf Gen 5. Es ist Infrastruktur für Gen-2- und Gen-3-Entwickler, die lokale C++-grade Backtest-Performance, Plugin-Isolation und ein Ecosystem brauchen, das Strategie-Generierung, Validierung und Komposition wiederholbar macht.

Quelle: https://stratcraft.ai/insights/trading-software-generations
