# InelidaMarketScan — Wissenschaftliche Analyse der Finanzmärkte mit Machine Learning

> **Quantitative Finanzforschung: ICT, Ichimoku, XGBoost & Stochastische Analysis**
> Von **Didier Vally / Reuniware Systems**
> Version 1.0.6 — 2026-07-19
> 📦 PyPI: [https://pypi.org/project/inelida-marketscan](https://pypi.org/project/inelida-marketscan) | GitHub: [https://github.com/reuniware/InelidaMarketScanner](https://github.com/reuniware/InelidaMarketScanner)

---

## Zusammenfassung

Dieses Dokument präsentiert die Ergebnisse von 6 Monaten quantitativer Finanzforschung im algorithmischen Handel. Das InelidaMarketScan-Framework kombiniert technische ICT-Analyse (Inner Circle Trader) und Multi-Timeframe-Ichimoku mit einer XGBoost Machine-Learning-Pipeline (123 Features) und stochastischen Analysefunktionen (Ornstein-Uhlenbeck, Hurst, GARCH, Monte Carlo, Kelly). Modell v18 erreicht 64,0% Kreuzvalidierungsgenauigkeit bei 1.210 historischen Trades. Die Analyse von 27 aufeinanderfolgenden Modellen zeigt, dass Ichimoku-Features (Kijun/Tenkan-Abstände, T/K-Kreuzungen) prädiktiver sind als ICT-Muster (FVG, Order Blocks). Die Kapitalsimulation mit ML% ≥ 50%-Filterung zeigt einen Profitfaktor von 2,27 bei In-Sample-Daten, während die Out-of-Sample-Validierung eine Obergrenze von 1,173 identifiziert. Dieses Dokument dient als umfassende wissenschaftliche Referenz zur Schnittstelle von ICT, Ichimoku und Machine Learning.

---

## 1. Einleitung

### 1.1 Kontext und Problemstellung

Algorithmischer Handel basiert auf der Identifikation wiederkehrender Muster in Finanzzeitreihen. Die von Michael Huddleston entwickelten ICT-Konzepte (Inner Circle Trader) beschreiben institutionelles Marktverhalten: Liquiditätssweeps, Fair Value Gaps, Order Blocks, Market Structure Shifts. Parallel dazu liefert der Ichimoku Kinko Hyo Indikator eine Multi-Timeframe-Betrachtung des Marktgleichgewichts. Dieses Projekt erforscht die Fusion dieser beiden Paradigmen durch einen automatisierten Scanner mit XGBoost-Modell.

### 1.2 Forschungsziele

1. Entwicklung eines automatischen Scanners, der ICT und Ichimoku über 8 Timeframes (M5 bis MN) kombiniert. 2. Aufbau einer ML-Pipeline mit 123 benannten Features aus dem Scanner. 3. Validierung der Vorhersagekraft durch historisches Backtesting (2025-2026) und Out-of-Sample-Tests. 4. Integration quantitativer Finanzfunktionen (OU, Hurst, GARCH, Monte Carlo, Kelly). 5. Erreichen eines Profitfaktors > 1,5 unter realen Bedingungen.

## 2. Theoretische Grundlagen von ICT

ICT-Konzepte modellieren das Verhalten von Finanzinstitutionen (Banken, Hedgefonds), die Preisniveaus manipulieren, um Positionen aufzubauen. Die folgenden 8 Konzepte werden automatisch vom Scanner erkannt:

| ICT-Konzept | Beschreibung und Erkennung |
|:---|:---|
| **Liquiditätssweeps** | Kurzer Bruch eines Schlüsselniveaus (Asian High/Low, London High/Low) zur Auslösung von Stops vor der Umkehr. Erkannt auf H1 mit Umkehrbestätigung. |
| **Fair Value Gaps (FVG)** | Lücke zwischen 3 aufeinanderfolgenden Kerzen, in der kein Handel stattfand. Erkannt auf 6 TFs (M5 bis D1) mit Mitigationsprozentsatz. |
| **Order Blocks (OB)** | Letzte Kerze vor einem gerichteten Impuls — Zone, in der Institutionen Orders platzierten. Erkannt via ATR(14) auf 6 TFs. |
| **Breaker Blocks (BRK)** | Gebrochener Order Block, der sich in entgegengesetzte Unterstützung/Widerstand umkehrt. Abgeleitet von bestehenden OBs. |
| **Market Structure Shift (MSS/BOS)** | Änderung der Marktstruktur: Break of Structure und Change of Character auf 6 TFs. |
| **Volumen HVN/LVN** | High Volume Node und Low Volume Node basierend auf MT5 Tick-Volumen. Erkannt auf 6 TFs. |
| **Reversal Pipeline** | Vollständige Sweep → Umkehr → Bestätigungskette mit Post-Sweep-Bar-Zähler. |
| **Fibonacci-Extensions** | +1,618 bis +4,0 Extensions basierend auf der asiatischen Range für TP-Ziele. |

## 3. Multi-TF Ichimoku-Architektur

Der Diamond-Scanner analysiert 8 Timeframes gleichzeitig. Für jeden TF werden 5 Ichimoku-Komponenten berechnet:

| Timeframe | Tenkan | Kijun | Kumo | T/K Cross | Flat History |
|:---|:---:|:---:|:---:|:---:|:---:|
| **M5** | X | X | - | X | - |
| **M15** | X | X | - | X | - |
| **M30** | X | X | - | X | - |
| **H1** | X | X | X | X | X |
| **H4** | X | X | X | X | X |
| **D1** | X | X | X | X | X |
| **W1** | X | X | X | X | X |
| **MN** | X | X | X | X | X |

## 4. Diamond-Scanner-Architektur

Der Diamond-Scanner aggregiert 109 Scoring-Kriterien in 10 Kategorien:

| Kategorie | Kriterien | Beispiele |
|:---|---:|:---|
| Ichimoku H1-D1 | 24 | Kijun/Tenkan-Abstände, T/K-Kreuzungen, Kumo-Positionen, Flat Bars |
| Ichimoku W1-MN | 8 | Kijun W1/MN, Kumo W1/MN, Wolkenfarbe, Doppelspeicher |
| FVG (6 TFs) | 12 | FVG bear/bull M5 bis D1, Mitigations-%, Zeitpriorität |
| Order Blocks (6 TFs) | 12 | OB bear/bull M5 bis D1, Position ÜBER/UNTER/AN |
| MSS/BOS (6 TFs) | 18 | Regime, BOS, CHoCH auf M5 bis D1 |
| Volumen HVN/LVN (6 TFs) | 12 | Volumenspitze, HVN, LVN auf M5 bis D1 |
| Breaker Blocks (6 TFs) | 12 | BRK bear/bull M5 bis D1 |
| Asian/London Sweeps | 4 | AH/AL-Sweep, London H/L-Sweep |
| Reversal Pipeline | 5 | Sweep→Umkehr→Bestätigung, Post-Sweep-FVG, Retest |
| M30/M15/M5 Kijun | 2 | Kijun M30/M15/M5 Richtungskreuzung |

**Maximale Punktzahl:** 109 Kriterien (107 ohne MN)

## 5. Machine-Learning-Pipeline

Die ML-Pipeline transformiert Scanner-Ergebnisse in Gewinnwahrscheinlichkeit durch 3 Stufen:

| Stufe | Werkzeug | Details |
|:---:|:---|:---|
| 1 | `ml_labeler.py` | Feature-Extraktion aus Diamond-Scan (DB / manuelles CSV / Backtest). Erzeugt gelabeltes CSV mit Outcome-Spalte (1=gewonnen, 0=verloren). |
| 2 | `ml_trainer.py` | XGBoost-Training mit 5-facher Kreuzvalidierung, scale_pos_weight für unausgeglichene Klassen, Hyperparameter-Grid-Search. |
| 3 | `ml_predictor.py` | Echtzeit-Inferenz: extract_features() → predict_proba() → ML% im Live-Scan angezeigt. Vereinfachter MLPredictor: 1 joblib.load statt 5. |

## 6. XGBoost-Modell v18 — Konfiguration

Modell v18 ist das aktive Produktionsmodell. Trainiert auf 1.210 historischen Trades mit 123 benannten Features (inklusive GARCH und Stochastik).

| Hyperparameter | Wert |
|:---|:---|
| `max_depth` | 6 |
| `learning_rate` | 0,03 |
| `n_estimators` | 200 |
| `subsample` | 0,8 |
| `min_child_weight` | 3 |
| `gamma` | 0,1 |
| `reg_alpha` | 0,5 (L1) |
| `reg_lambda` | 1,0 (L2) |
| `scale_pos_weight` | auto (basierend auf Win/Loss-Verhältnis) |

**123 benannte Features** umfassen: Scores/Bias (6), Kijun 6 TFs (18), Tenkan 6 TFs (18), T/K-Kreuzungen (6), Kumo (6), M5/M15/M30-Kreuzungen (12), Flat Bars (2), Aktive FVGs (1), Order Blocks (6), Sweeps (5), Volumen (6), MSS/BOS (6), Breaker Blocks (6), Kompression (1), Stochastik (8: OU, Hurst, Monte Carlo, GARCH), Zeitlich (3), Anlagetyp (3).

## 7. Modellhistorie

27 XGBoost-Modelle wurden seit Projektbeginn trainiert und evaluiert. Hier die Historie der Hauptversionen:

| Modell | Daten | Features | Trades | CV | OOS PF | Status |
|:---|:---|---:|---:|:---:|:---:|
| v1 | 6 Hauptpaare | 36 | 852 | 61,0% | — | Archiviert |
| v4 | 13 Symbole | 111 | 1.210 | 62,9% | 1,26* | In-Sample (Leakage) |
| v7 | 13 Symbole | 25 beste | 2.923 | 60,1% | 1,173 | 🥇 Bestes OOS unified |
| v13 | 4 Modelle/Anlage | 25 | 2.923 | 53-64% | 4,000 | 🏆 Pro-Anlagetyp (15 Trades) |
| v15 | 2025-2026 | 25 + OU/Hurst | 5.009 | 59,8% | — | Stochastik integriert |
| v18 | 13 Symbole | 123 (GARCH) | 1.210 | 64,0% | 0,503 F1 | [X] Produktion aktiv |

## 8. Feature-Wichtigkeit (v4)

Die Feature-Importance-Analyse zeigt, welche Kriterien am meisten Gewicht in den Modellentscheidungen haben:

| Rang | Feature | Gewinn | Erkenntnis |
|:---:|:---|:---:|:---|
| 1 | `is_dxy` | 14,2 | Der Dollar folgt einer radikal anderen Logik als Forex-Paare |
| 2 | `rr` | 10,0 | Das theoretische Risk/Reward-Verhältnis sagt das tatsächliche Ergebnis voraus |
| 3 | `tkx_h1` | 9,2 | Die H1 Tenkan/Kijun-Kreuzung ist der beste Einzelprädiktor |
| 4 | `kj_h1` | 6,9 | Abstand zur H1 Kijun erfasst das kurzfristige Gleichgewicht |
| 5 | `sl` | 6,4 | Das Stop-Loss-Niveau ist ebenso wichtig wie der Take-Profit |
| 6 | `day_wednesday` | 6,4 | Mittwoche (FOMC) zeigen statistisch abweichendes Verhalten |
| 7 | `d_kj_h4` | 6,3 | Abstand zur H4 Kijun zeigt den zugrunde liegenden Trend an |
| 8 | `d_kj_d1` | 6,0 | Abstand zur D1 Kijun verankert den Makrokontext |
| 9 | `tkx_h4` | 6,0 | H4 T/K-Kreuzung bestätigt den Session-Trend |
| 10 | `is_forex` | 5,9 | FX-Paare haben eigenes Verhalten vs. Indizes/Metalle |

## 9. Out-of-Sample-Validierung

Die OOS-Validierung (Training Januar-Juni 2026, Test Juli 2026) ist der entscheidende Test. Modell v4 zeigt einen In-Sample-PF von 2,27 bei ML% ≥ 50%-Schwelle, aber dies enthält Data Leakage (das Modell sah 80% der Testdaten während des Trainings). Der wahre OOS-PF von v7 beträgt 1,173 — ein statistisch signifikanter, aber bescheidener Vorteil. Modell v13 (pro Anlagetyp) erreicht PF=4,000 bei 15 Trades, aber die Stichprobe ist zu klein für Zuverlässigkeit. Fazit: ML bietet einen echten Vorteil (PF > 1,0), aber die aktuelle Obergrenze liegt bei ~1,17 mit einheitlicher Architektur.

## 10. Kapitalsimulation — ML%-Filterung

Simulation auf 1.210 historischen Trades mit Anfangskapital von 10.000 € und 1% Risiko pro Trade:

| ML%-Schwelle | Trades | Gewinnrate | PF (RR) | G&V (10k€) |
|:---|---:|---:|:---:|---:|
| Kein Filter | 1.210 | 37,6% | 1,02 | +1.442 € |
| ML% ≥ 45% | 661 | 54,3% | 1,91 🔥 | +27.542 € |
| ML% ≥ 50% | 504 | 59,7% | 2,27 🔥🔥 | +25.842 € |
| ML% ≥ 55% | 327 | 67,3% | 2,80 | +19.242 € |
| ML% ≥ 60% | 170 | 78,8% | 3,59 | +9.340 € |
| ML% ≥ 70% | 71 | 88,7% | 1,64 | +514 € |

## 11. Quantitative Finanzanalyse & Stochastische Analysis

6 quantitative Finanzfunktionen wurden in Scanner und ML-Pipeline integriert. Diese Funktionen berechnen Risiko-, Volatilitäts- und Marktregime-Metriken:

| Funktion | Zweck | ML-Feature | v18 Rang |
|:---|:---|:---|:---:|
| **Ornstein-Uhlenbeck** | Erkennt Preisüberdehnung vom langfristigen Mittelwert. Score 0-100%: >80% = wahrscheinliche Umkehr. | `ou_score` | Nicht getestet |
| **Hurst-Exponent** | Klassifiziert das Marktregime: H < 0,45 = RANGE, H > 0,55 = TREND. | `hurst_h` | Nicht getestet |
| **GARCH(1,1)** | Modelliert bedingte Volatilität. 4 Features: Persistenz, Langfrist-Vol, Halbwertszeit, Prognose-Vol. | `garch_persistence` | #14 |
| **Monte Carlo** | Simuliert 10.000 Preispfade. Berechnet P(SL erreicht) und P(TP erreicht). | `mc_p_sl, mc_p_tp` | Nicht getestet |
| **Kelly-Kriterium** | Optimale Positionsgröße pro Anlagetyp. Gewinn=0,00 (redundant mit optimiertem SL/TP). | `kelly_full` | #124 |
| **FTMO-Ruin** | Ruinwahrscheinlichkeit für Prop-Firm-Konto mit 10% Drawdown über 100 simulierte Trades. | `ftmo_ruin_prob` | Nicht getestet |

## 12. Kelly-Kriterium nach Anlagetyp

Das Kelly-Kriterium verwendet reale Gewinnraten pro Anlagetyp (aus dem Backtest) statt eines einheitlichen win_rate=0,40. Ergebnisse:

| Anlagetyp | Gewinnrate | Kelly Voll | Kelly Halb |
|:---|---:|:---:|:---:|
| **DXY** | 73% | 46,0% | 23,0% |
| **XAUUSD** | 42% | 13,0% | 6,5% |
| **Forex** | 31% | 3,5% | 1,8% |
| **Indizes** | 38% | 7,0% | 3,5% |
| **Krypto** | 35% | 2,5% | 1,3% |

## 13. Vereinfachter MLPredictor (19.07.2026)

Der MLPredictor lud zuvor dasselbe Modell 5-mal (1× pro Vorhersagemethode). Die Vereinfachung vom 19.07.2026 reduzierte dies auf einen einzigen `joblib.load()`. Ergebnis: 30 Codezeilen entfernt, Ladezeit durch 4 geteilt, und die redundante `_ASSET_MODEL_MAP` eliminiert. Modell v18 ist nun das einzige einheitliche Modell für alle Anlagetypen.

## 14. Bugfixes — 19.07.2026

Eine gründliche Codeüberprüfung am 19.07.2026 identifizierte und behob 4 Bugs:

| # | Schwere | Datei | Beschreibung |
|:---:|:---|:---|:---|
| 1 | KRITISCH | `diamond_scanner.py` | Toter Code nach `return` in `ml_available` — Symbole wurden nie aktiviert. `initialize()` setzte `_initialized` nicht auf True. |
| 2 | HOCH | `stochastic_analytics.py` | GARCH: Wenn kein gültiges (α,β)-Paar gefunden, stiller Fallback mit erfundenen Parametern. `best_ll <= -1e100`-Prüfung hinzugefügt. |
| 3 | MITTEL | `stochastic_analytics.py` | Monte Carlo: Log-Return-Volatilitäts-Fallback wurde berechnet, aber nie verwendet, wenn OU-Sigma null war. |
| 4 | NIEDRIG | `stochastic_analytics.py` | FTMO: `pnl_avg`/`roi_avg` außerhalb des try-Blocks — Risiko von NameError bei Code-Erweiterung. |

## 15. Endgültige Entscheidungsmatrix

Die Entscheidungsmatrix kombiniert Diamond-Score, ML%, Sicherheitsregeln und Makrokontext:

| Bedingung | Aktion | Begründung |
|:---|:---:|:---|
| ML% ≥ 60% + TKx H1 ausgerichtet + kein HIGH NEWS | 🟢 GO | Dreifache Bestätigung: ML, Ichimoku, Makro |
| ML% ≥ 60% + TKx H1 Konflikt | 🟡 WARTEN | ML wird durch T/K H1-Kreuzung widersprochen |
| ML% 50-60% + TKx H1 ausgerichtet | 🟡 VORSICHT | Moderater ML-Vorteil, braucht zusätzliche Bestätigung |
| ML% < 50% | 🔴 KEIN GO | Modell hat keinen statistischen Vorteil |
| HIGH NEWS DAY + BULL | 🔴 WARTEN | Makro-Tage (≥2 Großereignisse) brechen Korrelationen |
| Mittwoch (FOMC-Tag) + Forex | 🟡 Hohes Risiko | Mittwoche zeigen statistisch abweichendes Verhalten |

## 16. Fazit und Ausblick

Das InelidaMarketScan-Projekt zeigt, dass eine ML-Pipeline mit Ichimoku-Features einen statistisch signifikanten Vorteil generieren kann (OOS PF = 1,173). Die 4 kritischen Bugs, die am 19.07.2026 behoben wurden, stärken die Zuverlässigkeit des Live-Scanners. Die 27 aufeinanderfolgenden Modelle offenbarten wichtige Erkenntnisse: Ichimoku-Features sind prädiktiver als ICT-Muster, der Anlagetyp ist ein Hauptprädiktor, und stochastische Funktionen liefern komplementäres Volatilitätssignal. Der nächste Leistungssprung erfordert einen größeren Datensatz (2024-2026, >5.000 Trades/Anlagetyp) und potenziell Deep-Learning-Architekturen (LSTM, Transformer).

## Referenzen

- Huddleston, M. — Inner Circle Trader (ICT) Concepts, 2022-2024
- Chen, T. & Guestrin, C. — XGBoost: A Scalable Tree Boosting System, KDD 2016
- Bollerslev, T. — Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics, 1986
- Hurst, H.E. — Long-term Storage Capacity of Reservoirs, Trans. ASCE, 1951
- Uhlenbeck, G.E. & Ornstein, L.S. — On the Theory of Brownian Motion, Physical Review, 1930
- Kelly, J.L. — A New Interpretation of Information Rate, Bell System Technical Journal, 1956
- Hosoda, G. — Ichimoku Kinko Hyo, 1968

---

> **Quantitative Finanzforschungsarbeit. Reproduktion mit Zitat gestattet.**

## 🌐 Gemeinschaft

Treten Sie dem Discord-Server **Trading Pro** bei, um sich mit der Community auszutauschen: https://discord.gg/u9JApXqhXy

---

> **Didier Vally / Reuniware Systems** — InelidaMarketScan v1.0.6
> 2026-07-19