NexQuant/examples

PREDIX Examples

Willkommen zu den PREDIX Trading Platform Beispielen! Dieser Ordner enthält vollständi ge, lauffä hige Beispiele, die dir den Einstieg in algorithmisches Trading mit EUR/USD erleichtern.

📚 Beispiele im Überblick

Nr.	Beispiel	Beschreibung	Dauer	Schwierigkeit
01	factor_discovery.py	Automatische Generierung neuer Trading-Faktoren	~10 Min	⭐ Anfänger
02	factor_evolution.py	Optimierung bestehender Faktoren	~15 Min	⭐⭐ Mittel
03	strategy_generation.py	Kombination von Faktoren zu Strategien	~5 Min	⭐ Anfänger
04	backtest_simple.py	Backtest einer Trading-Strategie	~3 Min	⭐ Anfänger
05	model_training.py	ML-Modell-Training (LSTM/XGBoost)	~30 Min	⭐⭐⭐ Fortgeschritten
06	rl_trading_agent.py	Reinforcement Learning Agent	~60 Min	⭐⭐⭐ Fortgeschritten

🚀 Schnellstart

Voraussetzungen

# Installation
pip install -e ".[all]"

# Daten herunterladen (falls noch nicht geschehen)
rdagent download-data

Beispiel ausführen

# Faktor-Generierung (3 Loops)
python examples/01_factor_discovery.py --loop-n 3

# Backtest durchführen
python examples/04_backtest_simple.py --strategy momentum

📖 Detaillierte Anleitungen

Beispiel 01: Factor Discovery

Ziel: Automatisch neue Trading-Faktoren mit LLM generieren lassen

python examples/01_factor_discovery.py --loop-n 5 --llm local

Output:

• Generierte Faktoren in RD-Agent_workspace/
• Performance-Metriken (ARR, Sharpe, IC)
• Faktor-Implementierungen als Python-Code

Nächste Schritte: → Siehe 02_factor_evolution.py um Faktoren zu optimieren

Beispiel 02: Factor Evolution

Ziel: Bestehende Faktoren mit Session/Regime Filters verbessern

python examples/02_factor_evolution.py --factor momentum_16 --improve session_filter

Output:

• Verbesserte Faktoren mit Before/After-Vergleich
• Metrik-Verbesserungen (ARR +X%, Sharpe +X.X)

Beispiel 03: Strategy Generation

Ziel: Mehrere Faktoren zu einer robusten Strategie kombinieren

python examples/03_strategy_generation.py --factors momentum_16,reversal,session_alpha

Output:

• IC-weighted Faktor-Kombination
• Signal-Verteilung (Long/Short/Neutral)

Beispiel 04: Backtest

Ziel: Backtest einer Trading-Strategie auf historischen Daten

python examples/04_backtest_simple.py --strategy momentum --start 2020-01-01 --end 2025-12-31

Output:

• Key-Metriken: ARR, Sharpe, MaxDD, WinRate
• Equity Curve (optional als Plot)

Beispiel 05: Model Training

Ziel: ML-Modell (LSTM/XGBoost) auf Faktor-Daten trainieren

python examples/05_model_training.py --model lstm --features momentum_16,reversal

Output:

• Trainiertes Modell in models/
• Train/Val/Test Split Ergebnisse
• Feature Importance (bei XGBoost)

Beispiel 06: RL Trading Agent

Ziel: Reinforcement Learning Agent für Trading trainieren

python examples/06_rl_trading_agent.py --algo ppo --episodes 1000

Output:

• Trainierter RL-Agent in models/rl_agent/
• Learning Curve
• Trading-Statistiken

📓 Jupyter Notebook

Für eine interaktive Einführung siehe:

jupyter notebook examples/notebooks/quickstart.ipynb

🐛 Probleme?

• Dokumentation: docs/ oder README.md
• CLI Hilfe: rdagent COMMAND --help
• Issues: GitHub Issues
• Community: Discussions

⚠️ Wichtige Hinweise

• Keine Closed-Source Assets: Commite niemals git_ignore_folder/, results/, .env, models/local/, prompts/local/
• Daten-Pfade: Passe ggf. Datenpfade in den Beispielen an deine Installation an
• Laufzeit: ML/RL-Beispiele benötigen ggf. GPU für akzeptable Laufzeiten