Astraea
Geplant als KI-gestützte Trading-Technologie-Plattform. Heute schreibt das System laufend die Marktdaten der fünf größten Krypto-Coins von der Börse Binance in eine Datenbank. Eine Pipeline berechnet daraus Indikatoren und Verfahren zur Tradinganalyse.
Was es ist
Astraea soll Marktdaten auswerten und handelbare Bewegungen erkennen, zuerst bei Krypto-Werten an der Börse Binance. Einen handelnden Bot gibt es nicht. Was heute läuft, ist die Datengrundlage: ein Live-Crawler und eine Historien-Pipeline. Ich arbeite daran seit November 2025.
Wie es funktioniert
Live-Daten
Ein Java-System mit Quarkus und MyBatis empfängt die Marktdaten der fünf größten Coins der Börse Binance in Echtzeit und speichert sie. Das sind BTC, ETH, BNB, SOL und XRP. Es läuft seit Monaten auf einer kleinen ARM-Instanz in der Oracle Cloud. Der Host steht in Tokio, nahe an der Börse.
Über WebSocket kommen für Spot und Futures:
- Aggregierte Trades mit Preis, Menge und Seite des Aggressors.
- Der Book Ticker, also bester Bid und bester Ask mit ihren Mengen.
- Das Orderbuch als laufende Updates, bei Spot alle 100 ms, bei Futures alle 500 ms. Das System führt es lokal aus Snapshot und Updates nach und wertet bis zu 950 Stufen je Seite aus.
Nur für Futures kommen dazu:
- Der Mark Price mit Funding-Rate, jede Sekunde.
- Liquidationen.
- Das Futures-Orderbuch zusätzlich mit RPI-Orders (Retail Price Improvement).
Einmal pro Minute fragt das System per REST ab:
- Das Open Interest.
- Drei Long/Short-Verhältnisse: über alle Konten, über die Konten der Top-Trader und über deren Positionen.
Daraus entstehen Tabellen im Sekundentakt: Klines mit Orderflow, Ticker, Mark Price, Liquidationen, Orderbuch-Kennzahlen wie Tiefe, Slippage und der Vergleich zwischen Spot und Futures, dazu die Sentiment-Werte.
Historie
Eine mehrstufige Batch-Pipeline verarbeitet 5,5 Jahre Marktdaten. Sie lädt die Archive automatisiert aus dem S3-Bucket der Börse, prüft die Prüfsummen, entpackt sie und importiert die Trades in Rohtabellen. Ein erstes Programm verdichtet sie zu Sekundenbalken. Ein zweites berechnet daraus Klines, Indikatoren und Volumenprofile über elf Timeframes.
Die Pipeline ist in eigenständige Programme geschnitten. Jedes schreibt sein Ergebnis in eine eigene Tabellenschicht, so lässt sich jede Stufe für sich neu rechnen. Die Feature-Schicht umfasst 291 Spalten in sechs Tabellen, die Datenbank 1,3 TB auf PostgreSQL mit TimescaleDB.
Analyse
Auf den Daten laufen Backtests und Szenariorechnungen für Handelsstrategien. Der Teil für maschinelles Lernen ist in Python geschrieben. Er markiert Kursbewegungen nach der Triple-Barrier-Methode und trainiert Modelle wie XGBoost, LightGBM und einen Transformer, validiert mit Walk-Forward. Ein eigenes Werkzeug in JavaFX dient zum Markieren von Bewegungen im Chart.
Stand
Die Handelsforschung ist pausiert. Ich konnte keine ausreichend profitable Strategie finden, die das weitere Vorgehen finanziert hätte. Der Crawler und die Datenplattform laufen weiter.