Successful Algorithmic Trading

Halls-Moore, Michael — Successful Algorithmic Trading (QuantStart, 2015)

Kernthesen

• Algorithmisches Trading ist für Retail-Trader zugänglich — Python und Daten sind verfügbar.
• Die größten Fehler sind Backtesting-Fehler: Look-ahead Bias, Survivorship Bias, Overfitting.
• Wissenschaftliche Methode auf Märkte anwenden: Hypothese → Test → Falsifikation.
• Kein Buch für schnellen Reichtum — sondern systematischer Ausbildungsleitfaden.

Hauptthemen

Trading-System-Architektur

• Datenpipeline, Signal-Generation, Portfolio-Management, Execution.
• Event-Driven Backtesting als robusterer Ansatz vs. vectorized backtesting.

Backtesting-Qualität

• Häufige Fallstricke: Look-ahead Bias, Survivorship Bias, Data Snooping.
• Transaction Costs, Slippage, Market Impact als realistische Modellannahmen.
• In-Sample vs. Out-of-Sample Trennung als Pflicht.

Python-Implementation

• Pandas, NumPy als Daten-Grundlage.
• Event-Driven Engine selbst bauen (Backtest → Live mit gleicher Architektur).
• Broker-API-Integration (Interactive Brokers als Beispiel).

Strategie-Typen

• Mean Reversion (Pairs Trading, Kalman Filter).
• Momentum und Trend Following.
• Machine Learning als Signalgenerator.

Kontext

• QuantStart.com als Plattform — das Buch ist ein vertiefender Begleiter.
• Halls-Moore richtet sich an technisch versierte Einsteiger (Python-Kenntnisse vorausgesetzt).

Zentrale Konzepte

• backtesting — Robuste historische Validierung
• [[event_driven_backtest]] — Architektur nah am Live-Trading
• [[algorithmisches_trading]] — Python-basierter Ansatz

Verwandte Quellen

• [[2026-05-09_chan_algorithmic_trading]] — Ernest Chan's Python-Quant-Ansatz
• 2026-05-09_lopez_afml — Fortgeschrittene ML-Trading-Methoden