Marktanalyse
LiveRankoon
Rankoon ist aus meinem Portfolio-Projekt hervorgegangen, einem klassischen Machine-Learning-Setup mit XGBoost-Ranking-Modellen für die Analyse von Krypto-Strategien. Heute ist es eine öffentliche Website mit Live-Signalen über verschiedene Zeithorizonte, Sektorrotation, täglichen Modell-Rankings, Musterportfolios und transparenten historischen Trefferquoten. Alles basiert auf öffentlichen Marktdaten und simuliertem Geld. Es ist Recherche, keine Anlageberatung.
- Meine Rolle
- Gründer, ML-Engineer und Produktentwickler
- Gestartet
- Aktualisiert
- Sichtbarkeit
- Öffentlich
- Modell-Rankings über das gesamte Universum
- Täglich
- Validierung mit veröffentlichten Trefferquoten
- Walk-forward
- simuliertes Geld, keine Anlageberatung
- Nur Papier
Problem
Krypto-Analysen sind über Datensammlung, Modellevaluation und Ausführungstests verstreut. Das macht es schwer, Strategien konsistent zu vergleichen oder zu wissen, ob ein Signal je funktioniert hat.
Lösung
Ein öffentliches Produkt, das Daten sammelt, Assets mit ML-Modellen rankt, Signale mit ihren historischen Trefferquoten veröffentlicht und Musterportfolios gegen den Markt verfolgt.
Architektur
Geplante Collectors laden öffentliche Marktdaten, XGBoost-Ranking-Modelle bewerten die Assets täglich, eine Walk-forward-Evaluation erfasst die Trefferquoten ehrlich, und Musterportfolios folgen einer einfachen simulierten Regel. Eine Web-App zeigt Signale, Rankings, Analyseseiten und die Performance der Portfolios.
Was ich gelernt habe
Klassisches ML liefert nach wie vor, wenn Datenqualität, Disziplin bei der Evaluation und ehrliches Reporting stimmen. Trefferquoten direkt neben den Signalen schaffen mehr Vertrauen als jede Modellbeschreibung.
Technologien
- Python
- XGBoost
- Walk-forward validation
- Automated data collection
- Paper trading
- Azure
#machine-learning #ranking-models #crypto #market-research
Weitere Screenshots
