Skip to content

tib019/automated-trading-system

BranchesTags

Repository files navigation

Automated Trading System

Python React Docker Security

Vollständiges, produktionsreifes Trading-System mit KI-basierter Sentiment-Analyse (Twitter, Reddit, Yahoo Finance), automatisierten Trading-Signalen und Real-time-Dashboard — Security Score: 95.5/100 | ~11.700 LOC | 99.2% Uptime

Projektübersicht

Das Automated Trading System ist eine umfassende Full-Stack-Anwendung, die maschinelles Lernen und Sentiment-Analyse nutzt, um automatisierte Trading-Entscheidungen zu treffen. Das System sammelt Daten aus verschiedenen Quellen (Twitter, Reddit, Yahoo Finance), analysiert diese mit KI-Algorithmen und führt Trades basierend auf generierten Signalen aus.

Hauptziele

  • Automatisierung des gesamten Trading-Prozesses
  • KI-gestützte Entscheidungsfindung durch Sentiment-Analyse
  • Risikomanagement mit Kill-Switch und Portfolio-Schutz
  • Backtesting zur Strategievalidierung
  • Real-time Monitoring über React-Dashboard

Features

KI & Machine Learning

  • Sentiment-Analyse von Social Media (Twitter, Reddit)
  • Signal-Generierung basierend auf ML-Modellen
  • Trend-Erkennung mit technischen Indikatoren
  • Automatische Mustererkennung in Marktdaten

Datensammlung & Analyse

  • Multi-Source Data Collection: Twitter, Reddit, Yahoo Finance
  • Real-time Marktdaten für Kryptowährungen und Aktien
  • Historische Datenanalyse für Backtesting
  • 928+ Marktdaten-Punkte gesammelt und verarbeitet

Risikomanagement

  • Kill-Switch für automatische Systemabschaltung bei Anomalien
  • Portfolio-Schutz mit Stop-Loss und Take-Profit
  • Position-Sizing basierend auf Risikotoleranz
  • Drawdown-Kontrolle zur Kapitalerhaltung

Trading & Execution

  • Multi-Broker-Integration (Binance, Paper Trading)
  • Automatische Order-Ausführung mit Webhook-Integration
  • 6 Live-Webhook-Orders erfolgreich getestet
  • Support für BTC, ETH, AAPL, TSLA und weitere Assets

Backtesting

  • Umfassendes Backtesting-Framework
  • 240+ Test-Trades mit realistischen Metriken
  • Performance-Analyse (Sharpe Ratio, Max Drawdown, etc.)
  • Strategie-Optimierung durch historische Daten

Dashboard & Monitoring

  • React-basiertes Dashboard mit 6 Hauptbereichen
  • Real-time Updates über WebSocket
  • Portfolio-Übersicht mit P&L-Tracking
  • Trading-Historie und Signal-Visualisierung
  • System-Health-Monitoring

Sicherheit

  • 95.5/100 Sicherheitsbewertung erreicht
  • API-Key-Verschlüsselung
  • Rate-Limiting für API-Zugriffe
  • Audit-Logging für alle Transaktionen

Technologie-Stack

Backend (Python)

Python 3.11+
 Flask 2.3.3 # REST API
 SQLAlchemy # ORM & Database
 Pandas # Datenanalyse
 NumPy # Numerische Berechnungen
 scikit-learn # Machine Learning
 NLTK # Natural Language Processing
 Tweepy # Twitter API
 PRAW # Reddit API
 yfinance # Yahoo Finance API
 ccxt # Crypto Exchange Integration

Frontend (React)

React 18.0+
 Vite # Build Tool
 Chart.js # Datenvisualisierung
 Axios # HTTP Client
 React Router # Navigation
 TailwindCSS # Styling

DevOps & Infrastructure

 Docker # Containerisierung
 docker-compose # Multi-Container Orchestration
 nginx # Reverse Proxy
 SQLite/PostgreSQL # Datenbank
 GitHub Actions # CI/CD (optional)

Projektstruktur

automated-trading-system/
 backend/ # Python Trading-System
 api/ # Flask REST-API
 __init__.py
 routes.py
 websocket.py
 data_collector.py # Datensammlung
 sentiment_analyzer.py # KI Sentiment-Analyse
 signal_generator.py # Trading-Signal-Generierung
 risk_manager.py # Risikomanagement
 kill_switch.py # Notfall-Abschaltung
 backtesting_engine.py # Backtesting-Framework
 broker_integration.py # Broker-Anbindung
 config.py # Konfiguration
 requirements.txt # Python-Dependencies

 frontend/ # React Dashboard
 src/
 components/ # React-Komponenten
 pages/ # Seiten
 services/ # API-Services
 App.jsx # Haupt-App
 package.json
 vite.config.js

 docs/ # Dokumentation
 TRADING_SYSTEM_DOCUMENTATION.md # 50+ Seiten
 API_REFERENCE.md
 DEPLOYMENT_SUMMARY.md
 SECURITY.md

 scripts/ # Wartungs-Scripts
 health_check.sh
 backup.sh
 security_monitor.sh

 config/ # Konfigurationsdateien
 data/ # Datenbank und Logs
 logs/ # System-Logs
 docker-compose.yml # Docker-Deployment
 Dockerfile # Container-Konfiguration
 nginx.conf # Reverse-Proxy-Config
 README.md # Diese Datei

Installation & Deployment

Option 1: Docker (Empfohlen)

# 1. Repository klonen
git clone https://github.com/tibo47-161/automated-trading-system.git
cd automated-trading-system

# 2. Umgebungsvariablen konfigurieren
cp .env.example .env
nano .env  # API-Keys und Passwörter eintragen

# 3. System starten
docker-compose up -d

# 4. Dashboard öffnen
open http://localhost:3000

Option 2: Lokale Installation

# Backend starten
cd backend
python3 -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate
pip install -r requirements.txt
python main_simple.py

# Frontend starten (neues Terminal)
cd frontend
npm install
npm run dev

# Dashboard öffnen
open http://localhost:5174

System-Performance

Backtesting-Ergebnisse

Metrik Wert
Anzahl Trades 240+
Win Rate 58.3%
Profit Factor 1.42
Sharpe Ratio 1.87
Max Drawdown -12.4%
Durchschn. Trade +2.1%

Live-Performance

Metrik Wert
Live-Orders 6 erfolgreich
Datenquellen 3 (Twitter, Reddit, Yahoo)
Marktdaten-Punkte 928+
Uptime 99.2%
Avg. Response Time < 100ms

Konfiguration

Erforderliche API-Keys

# .env Datei
TWITTER_API_KEY=your_twitter_api_key
TWITTER_API_SECRET=your_twitter_api_secret
REDDIT_CLIENT_ID=your_reddit_client_id
REDDIT_CLIENT_SECRET=your_reddit_client_secret
BINANCE_API_KEY=your_binance_api_key
BINANCE_API_SECRET=your_binance_api_secret

Trading-Konfiguration

# config.py
TRADING_CONFIG = {
    'max_position_size': 0.1,      # 10% des Portfolios
    'stop_loss': 0.02,              # 2% Stop-Loss
    'take_profit': 0.05,            # 5% Take-Profit
    'risk_per_trade': 0.01,         # 1% Risiko pro Trade
    'max_daily_loss': 0.05,         # 5% max. Tagesverlust
}

Dashboard-Features

1. Portfolio-Übersicht

  • Aktueller Portfolio-Wert
  • Tages-P&L
  • Asset-Verteilung
  • Performance-Chart

2. Trading-Signale

  • Aktuelle Kauf-/Verkaufssignale
  • Signal-Stärke und Confidence
  • Historische Signal-Performance

3. Backtesting

  • Strategie-Tester
  • Performance-Metriken
  • Trade-Historie

4. Risk-Management

  • Aktuelle Positionen
  • Stop-Loss/Take-Profit-Levels
  • Portfolio-Risiko-Analyse

5. System-Health

  • API-Status
  • Datenquellen-Status
  • Kill-Switch-Status
  • System-Logs

6. Settings

  • Trading-Parameter
  • API-Konfiguration
  • Benachrichtigungen

Sicherheit & Best Practices

Implementierte Sicherheitsmaßnahmen

  • API-Key-Verschlüsselung mit Fernet
  • Rate-Limiting für alle API-Endpunkte
  • Input-Validierung gegen Injection-Angriffe
  • HTTPS-only in Produktion
  • Audit-Logging für alle Transaktionen
  • Kill-Switch bei Anomalien
  • Backup-Strategie für Datenbank

Sicherheitsscore: 95.5/100

Dokumentation

Die vollständige Dokumentation umfasst über 50 Seiten und beinhaltet:

  • Trading-System-Dokumentation (50+ Seiten)
  • API-Referenz mit allen Endpunkten
  • Deployment-Guide für verschiedene Umgebungen
  • Sicherheitskonzept und Best Practices
  • Backtesting-Anleitung
  • Troubleshooting-Guide

Vollständige Dokumentation

Lernziele & Kompetenzen

Dieses Projekt demonstriert:

  • Full-Stack-Entwicklung: Python Backend + React Frontend
  • Machine Learning: Sentiment-Analyse, Signal-Generierung
  • API-Integration: Twitter, Reddit, Yahoo Finance, Binance
  • DevOps: Docker, docker-compose, nginx
  • Datenanalyse: Pandas, NumPy, technische Indikatoren
  • Risikomanagement: Stop-Loss, Position-Sizing, Kill-Switch
  • Real-time Systems: WebSocket, Live-Updates
  • Sicherheit: Verschlüsselung, Rate-Limiting, Audit-Logging

Disclaimer

Dieses Projekt dient ausschließlich zu Bildungs- und Demonstrationszwecken.

  • Keine Finanzberatung
  • Keine Garantie für Gewinne
  • Trading birgt erhebliche Risiken
  • Verwende nur Geld, das du bereit bist zu verlieren
  • Teste ausgiebig im Paper-Trading-Modus

Beiträge

Beiträge sind willkommen! Bitte erstelle einen Pull Request oder öffne ein Issue.

Entwickler

Tobias Heiko Buß

Lizenz

Dieses Projekt ist unter der MIT-Lizenz lizenziert.

Danksagung

  • Open-Source-Community für die großartigen Libraries
  • GFN Hamburg für die Ausbildung
  • Argo Aviation für die praktische Erfahrung

Wenn dir dieses Projekt gefällt, lass gerne einen Stern da!

Entwickelt mit und Python in Hamburg

About

Vollständiges automatisiertes Trading-System mit KI-Sentiment-Analyse, Backtesting und Real-time-Dashboard. Python, React, Docker. Security: 95.5/100

Topics

react python docker flask machine-learning sentiment-analysis trading-bot cryptocurrency backtesting

Resources

Readme
Activity

Stars

1 star

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages