Zum Inhalt

Quantitative Trading Strategies Using Python

Autor: Peng Liu | Jahr: 2023 | Verlag: Apress

Ein Buch, das den Bestand an einer Naht schließt: Es verbindet die Marktmikrostruktur, die 2026-07-25_harris_trading_and_exchanges beschreibt und 2026-07-28_johnson_algorithmic_trading_dma operationalisiert, mit der Implementierung in Code.

Was es abdeckt

  • Quantitativer Handel als Arbeitsablauf (Kap. 1) — Modellentwicklung von der Idee bis zum Einsatz, institutioneller algorithmischer Handel, Anlageklassen, Marktstrukturen, die Typen von Buy-Side-Investoren, Market Making, Scalping, Portfolio-Rebalancing.
  • Der elektronische Markt (Kap. 2) — elektronische Orders, Eigenhandel gegen Kundenhandel, Matching-Systeme, Limit Order Book, sichtbare gegen nicht sichtbare Orders, Ordertypen.
  • Danach technische Analyse, statistische Tests und maschinelles Lernen, jeweils mit Code.

Der zweite Teil ist der wertvollste: Das Limit Order Book wird nicht beschrieben, sondern programmiert — und damit verständlich in einer Weise, die eine Textbeschreibung nicht erreicht.

Warum die Anordnung stimmt

Die meisten Python-Trading-Bücher beginnen bei Indikatoren und Backtests. Liu beginnt bei der Marktstruktur — was eine Order ist, wie sie gematcht wird, was im Orderbuch steht. Erst danach kommen Strategien.

Das ist die richtige Reihenfolge, weil fast alle Backtest-Fehler dort entstehen: Wer nicht weiß, wie eine Limit-Order ausgeführt wird, unterstellt im Backtest Ausführungen, die es nicht gegeben hätte. Siehe execution_optimierung und system_testing_overfitting.

Einordnung

Der Bestand hat mit 2026-05-11_hilpisch_derivatives_analytics_python und dem Python-Stack (python_quant_trading_stack_synthese) bereits Implementierungsliteratur. Lius Beitrag ist die Verbindung zur Mikrostruktur — er ist der einzige im Bestand, der Orderbuchmechanik und Strategieentwicklung in einem Band behandelt.

Bewertung

Für wen: Wer systematisch handelt und den Weg von der Marktmechanik zum lauffähigen Code sucht. Setzt Python-Grundkenntnisse voraus, keine Finanzmathematik.

Stärken: Die Reihenfolge — Struktur vor Strategie. Der Orderbuch-Teil ist im Bestand konkurrenzlos. Apress-Standard mit begleitendem GitHub-Code.

Schwächen: Wie alle Bücher dieser Gattung streift es viele Themen, ohne eines auszuschöpfen — der ML-Teil ist eine Einführung, keine Behandlung. Es fehlt jede Auseinandersetzung mit data_mining_bias, obwohl das Buch statistische Tests behandelt; wer Lius Verfahren ohne Aronsons Korrektur anwendet, produziert genau die Scheintreffer, vor denen dieser warnt. Und Marktdatenbezug über kostenlose Schnittstellen altert schnell.