NexQuant/TODO.md

Predix — Implementierungs-Tracker

Übersicht

• Start: April 2026
• Ziel: Vollständig integriertes Quant Trading System in fin_quant Loop
• Status: ✅ ALLE PHASEN ABGESCHLOSSEN (P0-P9)

---

Phasen

P0: Data Loader (2h) ✅ ABGESCHLOSSEN

• rdagent/scenarios/qlib/local/data_loader.py erstellt
  • OHLCV Loading + Caching (HDF5 → pd.Series)
  • Faktor Loading + Metadaten (JSON + Parquet)
  • Feature Matrix Builder (alignment mit close)
  • Thread-sicheres Caching
• Tests: test/local/test_data_loader.py (11 passed)
• Abhängigkeiten: Keine

P1: Strategy Worker (4h) ✅ ABGESCHLOSSEN

• rdagent/scenarios/qlib/local/strategy_worker.py erstellt
  • LLM Call Wrapper (llama.cpp :8081)
  • Backtest Engine (subprocess mit OHLCV)
  • Acceptance Gate (FTMO-konform)
  • FTMO Compliance Check
• Tests: test/local/test_strategy_worker.py (41 passed)
• Abhängigkeiten: P0 (data_loader.py)

P2: Strategy Orchestrator (6h) ✅ ABGESCHLOSSEN

• rdagent/scenarios/qlib/local/strategy_orchestrator.py erstellt
  • Multi-Process Pool (4-8 Workers)
  • Task Queue (random factor selection)
  • LLM Semaphore (max 2 parallel für llama.cpp)
  • Result Collection + Deduplizierung
  • Strategy Saver (JSON + Reports)
• CLI Command: rdagent generate_strategies
• Tests: test/local/test_strategy_orchestrator.py (30 passed)
• Abhängigkeiten: P1

P3: Optuna Optimizer (4h) ✅ ABGESCHLOSSEN

• rdagent/scenarios/qlib/local/optuna_optimizer.py erstellt
  • Parameter Space Definition (FTMO-konform)
  • Objective Function (Sharpe × |IC| × √trades)
  • FTMO Penalty Logic
  • TPE Sampler + MedianPruner
  • 20-50 Trials pro Strategie
• Integration in Strategy Orchestrator
• Tests: test/local/test_optuna_optimizer.py (60 passed)
• Abhängigkeiten: P1, pip install optuna

P4: CLI Commands (2h) ✅ ABGESCHLOSSEN

• rdagent/app/cli.py erweitert
  • generate_strategies Command
  • CLI Parameter (count, workers, style, optuna)
  • Rich Console Output
  • Integration in fin_quant Loop
• Tests: test/integration/test_cli_commands.py (21 tests)
• Abhängigkeiten: P2, P3

P5: ML Training Pipeline (6h) ✅ ABGESCHLOSSEN

• rdagent/scenarios/qlib/local/ml_trainer.py erstellt
  • Feature Matrix Builder (alle Top-N Faktoren)
  • Time-Series Train/Val Split
  • LightGBM Training (early stopping)
  • Feature Importance Analysis
  • Model Save/Load
• CLI Command: rdagent train_models
• Tests: test/local/test_ml_trainer.py (46 passed)
• Abhängigkeiten: P0, pip install lightgbm

P6: Feedback an fin_quant Loop (3h) ✅ ABGESCHLOSSEN

• Hook in QuantRDLoop.feedback() einbauen
  • _trigger_ml_training() alle 500 Faktoren
  • _trigger_strategy_generation() alle 1000 Faktoren
  • ML Feature Importance → Prompt Feedback
• Prompt-Loader erweitern (local/ml_feedback.yaml)
• Tests: test/local/test_feedback_integration.py
• Abhängigkeiten: P5

P7: Portfolio Optimizer (6h) ✅ ABGESCHLOSSEN

• rdagent/scenarios/qlib/local/portfolio_optimizer.py erstellen
  • Korrelationsmatrix (max 0.3)
  • Mean-Variance Optimization
  • Risk Parity (gleicher Risiko-Beitrag)
  • Black-Litterman (LLM Views als Priors)
  • Portfolio-Backtest
• CLI Command: rdagent optimize_portfolio
• Tests: test/local/test_portfolio_optimizer.py
• Abhängigkeiten: P5

P8: Integrationstests (4h) ✅ ABGESCHLOSSEN

• End-to-End Pipeline Test
  • Data Loading → Strategy Gen → Backtest → Accept
• Parallelisierung Test
  • 4 Workers, 2 LLM parallel, keine Race Conditions
• Optuna Test
  • 20 Trials, Konvergenz prüfen
• FTMO Compliance Test
  • SL ≤ 2%, DD ≤ 10%, Daily Loss ≤ 5%
• Tests: test/integration/test_full_pipeline.py
• Abhängigkeiten: P0-P7

P9: Dokumentation (3h) ✅ ABGESCHLOSSEN

• README.md aktualisieren
  • Neue Commands dokumentieren
  • Architektur-Diagramm
  • Setup-Anleitung
• QWEN.md aktualisieren
  • Neue Module in Architecture Section
  • Data Flow Diagram
  • Project Status
• Abhängigkeiten: P0-P8

---

Dependencies Checklist

• pip install optuna (P3)
• pip install lightgbm (P5)
• pip install xgboost (P5, optional)
• llama.cpp Server auf :8081 mit --parallel 2 (P1-P3)

FTMO Compliance Rules

Regel	Limit	Prüfung
Max Stop Loss	2%	Hard-coded in Optuna Space
Max Drawdown	10%	Acceptance Gate
Max Daily Loss	5%	Risk Management Layer
Risk/Reward	≥ 2:1	TP ≥ 2× SL enforced
Max Positions	1	Strategy Code enforced

Risiko-Metriken (Ziele)

Metrik	Target	Minimum
Strategie IC	> 0.03	> 0.02
Strategie Sharpe	> 1.5	> 0.5
Max Drawdown	< 10%	< 15%
Win Rate	> 50%	> 45%
Monthly Return	1-3%	> 0.5%
Trades/Monat	> 20	> 10

Notizen

• Alles in fin_quant Loop: Keine separaten Skripte mehr (predix_gen_strategies_real_bt.py, predix_smart_strategy_gen.py deprecated)
• Graceful Degradation: Wenn llama.cpp nicht läuft, skippt Strategy Generation mit klarer Warnung
• LLM Parallelisierung: Max 2 parallele Calls (llama.cpp --parallel 2)
• Optuna Trials: Standard 30, kann via CLI überschrieben werden