Datenanalyse mit Pandas, NumPy und Matplotlib

Jede ernsthafte finanzielle Berechnung in Python läuft letztlich über NumPy. Während Python-Listen flexibel sind, sind sie langsam — jedes Element ist ein vollständiges Python-Objekt mit Typprüfungs-Overhead. NumPy-Arrays speichern rohe Zahlen in zusammenhängenden Speicherblöcken, was Operationen ermöglicht, die 100-mal schneller laufen als reine Python-Loops.

Hier ist der Unterschied in der Praxis:

import numpy as np

# Create an array of 1 million random daily returns
returns = np.random.normal(0.0005, 0.02, 1_000_000)

# Vectorized operations — no loops needed
cumulative = np.cumprod(1 + returns)  # Growth of $1
sharpe = returns.mean() / returns.std() * np.sqrt(252)
max_drawdown = np.min(cumulative / np.maximum.accumulate(cumulative) - 1)

print(f"Sharpe Ratio: {sharpe:.3f}")
print(f"Max Drawdown: {max_drawdown:.2%}")

Zentrale NumPy-Konzepte für Finance:

• Vektorisierte Operationen — Wende Mathematik auf ganze Arrays gleichzeitig an, statt Element für Element zu loopen.
• Broadcasting — Richtet automatisch Arrays unterschiedlicher Formen für Arithmetik aus (z. B. das Subtrahieren eines skalaren Mittelwerts von jedem Element).
• Lineare Algebra — np.linalg stellt Matrixmultiplikation, Eigenwertzerlegung und Solver bereit, die in der Portfolio-Optimierung genutzt werden.
• Zufallsstichproben — Monte-Carlo-Simulationen, Bootstrap-Sampling und stochastische Modellierung verlassen sich alle auf np.random.

Wenn NumPy der Motor ist, ist pandas das Dashboard. Es umhüllt NumPy-Arrays in beschriftete, indizierte Strukturen, die die Manipulation von Finanzdaten intuitiv und ausdrucksstark machen.

Die zwei Kernstrukturen sind:

• Series — Eine einzelne Datenspalte mit einem Index (denk an: eine Zeitreihe von Schlusskursen).
• DataFrame — Eine Tabelle von Spalten, jede eine Series, die einen gemeinsamen Index teilen (denk an: OHLCV-Candlestick-Daten).

Daten zu laden und zu inspizieren ist unkompliziert:

import pandas as pd

# Read from CSV
df = pd.read_csv("btc_daily.csv", parse_dates=["date"], index_col="date")

# Or from JSON (common in API responses)
df = pd.read_json("https://api.example.com/candles?symbol=ETH")

# Quick inspection
print(df.shape)          # (365, 5)
print(df.dtypes)         # Column types
print(df.describe())     # Statistical summary
print(df.tail())         # Last 5 rows

Was pandas für Finance unentbehrlich macht, ist sein DatetimeIndex. Sobald dein Index vom Typ Datetime ist, schaltest du mächtige Zeitreihenoperationen frei:

# Slice by date range
q1_data = df["2025-01":"2025-03"]

# Resample daily data to weekly OHLC
weekly = df["close"].resample("W").ohlc()

# Forward-fill missing data (weekends, holidays)
df = df.asfreq("D").ffill()

Diese Operationen handhaben die unordentlichen Realitäten von Finanzdaten — Lücken, Zeitzonenunterschiede, unregelmäßige Zeitstempel —, damit du dich auf die Analyse konzentrieren kannst statt auf Daten-Verrohrung.

Finanzanalyse ist von Natur aus gefenstert. Dich interessiert selten ein einzelner Datenpunkt isoliert — Kontext kommt daher, wie er sich zur jüngsten Historie verhält. Pandas' .rolling()-Methode ist hier dein primäres Werkzeug.

import pandas as pd
import numpy as np

# Assume df has a "close" column with DatetimeIndex
df["sma_20"] = df["close"].rolling(20).mean()
df["sma_50"] = df["close"].rolling(50).mean()
df["ema_12"] = df["close"].ewm(span=12).mean()

# Daily returns and rolling volatility
df["returns"] = df["close"].pct_change()
df["vol_30d"] = df["returns"].rolling(30).std() * np.sqrt(365)

# Bollinger Bands
df["bb_upper"] = df["sma_20"] + 2 * df["close"].rolling(20).std()
df["bb_lower"] = df["sma_20"] - 2 * df["close"].rolling(20).std()

# Rolling correlation between two assets
df["corr_btc_eth"] = df["btc_returns"].rolling(60).corr(df["eth_returns"])

Zentrale rollende Berechnungen, die jeder Trader kennen sollte:

• Simple Moving Average (SMA) — Gleichgewichteter Durchschnitt über N Perioden. Nachlaufend, aber stabil.
• Exponential Moving Average (EMA) — Gewichtet jüngere Daten stärker über .ewm(). Reagiert stärker auf Preisänderungen.
• Rollierende Volatilität — Standardabweichung der Renditen über ein Fenster, annualisiert. Essenziell für Positionsgrößen und Risikobudgets.
• Rollierende Korrelation — Misst, wie sich zwei Assets im Laufe der Zeit gemeinsam bewegen. Entscheidend für Portfolio-Diversifikation.

Auf Plattformen wie GaiaEx kannst du historische Candle-Daten über die Trading-API abrufen, in ein pandas-DataFrame laden und diese Indikatoren in Sekunden berechnen — während deine Assets sicher in deiner MPC-Wallet bleiben.

Wenn du mehrere Assets verwaltest, wird .groupby() essenziell. Es lässt dich Daten nach Kategorie aufteilen, Berechnungen anwenden und Ergebnisse kombinieren — das Split-Apply-Combine-Muster.

# DataFrame with multiple assets
trades = pd.DataFrame({
    "symbol": ["BTC", "ETH", "BTC", "SOL", "ETH", "BTC"],
    "side": ["buy", "buy", "sell", "buy", "sell", "buy"],
    "pnl": [120.5, -45.2, 89.0, 210.3, 55.8, -30.1],
    "volume": [5000, 3200, 4800, 1500, 2900, 5100],
})

# Performance by asset
summary = trades.groupby("symbol").agg(
    total_pnl=("pnl", "sum"),
    avg_pnl=("pnl", "mean"),
    trade_count=("pnl", "count"),
    total_volume=("volume", "sum"),
    win_rate=("pnl", lambda x: (x > 0).mean()),
)

print(summary.sort_values("total_pnl", ascending=False))

Fortgeschrittene Aggregationsmuster für Portfolio-Arbeit:

• Mehrstufiges GroupBy — Gruppiere nach Symbol und Seite, um Long- vs. Short-Performance pro Asset zu sehen.
• Benutzerdefinierte Aggregationsfunktionen — Berechne Sharpe Ratios, Sortino Ratios oder maximalen Drawdown pro Asset-Gruppe.
• Pivot-Tabellen — Forme Daten um, um monatliche Renditen pro Asset in einem heatmap-freundlichen Format mit pd.pivot_table() zu sehen.
• Resampling mit GroupBy — Kombiniere zeitbasiertes Resampling mit kategorialer Gruppierung für Multi-Asset-Zeitreihenanalyse.

Daten ohne Visualisierung sind nur Zahlen. Matplotlib verwandelt deine Analyse in Charts, die Muster offenbaren, die in Rohdaten unsichtbar sind.

import matplotlib.pyplot as plt
import matplotlib.dates as mdates

fig, axes = plt.subplots(3, 1, figsize=(14, 10),
                         sharex=True, gridspec_kw={"height_ratios": [3, 1, 1]})

# Price + Moving Averages
axes[0].plot(df.index, df["close"], label="Close", linewidth=1.2)
axes[0].plot(df.index, df["sma_20"], label="SMA 20", linestyle="--")
axes[0].fill_between(df.index, df["bb_upper"], df["bb_lower"],
                     alpha=0.1, color="blue", label="Bollinger Bands")
axes[0].set_ylabel("Price (USD)")
axes[0].legend(loc="upper left")

# Volume bars
colors = ["green" if c > o else "red"
          for c, o in zip(df["close"], df["open"])]
axes[1].bar(df.index, df["volume"], color=colors, alpha=0.7)
axes[1].set_ylabel("Volume")

# Rolling Volatility
axes[2].plot(df.index, df["vol_30d"], color="purple")
axes[2].set_ylabel("30d Volatility")
axes[2].axhline(y=0.8, color="red", linestyle=":", alpha=0.5)

axes[2].xaxis.set_major_formatter(mdates.DateFormatter("%b %Y"))
plt.tight_layout()
plt.savefig("analysis_dashboard.png", dpi=150)
plt.show()

Das erzeugt ein professionelles Drei-Panel-Dashboard: Preisverlauf mit Bollinger-Bändern oben, Volumen in der Mitte und Volatilität unten. Dieses Layout spiegelt, was du auf professionellen Trading-Terminals sehen würdest.

Für statistische Visualisierung baut seaborn auf Matplotlib auf mit High-Level-Funktionen:

import seaborn as sns

# Return distribution
sns.histplot(df["returns"].dropna(), bins=100, kde=True)

# Correlation heatmap across assets
corr_matrix = portfolio_returns.corr()
sns.heatmap(corr_matrix, annot=True, cmap="RdYlGn", center=0)

Die echte Kraft entsteht, wenn du diese Werkzeuge zu einer wiederholbaren Pipeline verkettest. Hier ist ein Workflow, den professionelle Quants täglich nutzen:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

def analyze_asset(symbol: str, df: pd.DataFrame) -> dict:
    """Full analysis pipeline for a single asset."""
    df["returns"] = df["close"].pct_change()
    df["log_returns"] = np.log(df["close"] / df["close"].shift(1))

    return {
        "symbol": symbol,
        "total_return": (df["close"].iloc[-1] / df["close"].iloc[0]) - 1,
        "annual_vol": df["returns"].std() * np.sqrt(365),
        "sharpe": df["returns"].mean() / df["returns"].std() * np.sqrt(365),
        "max_drawdown": (df["close"] / df["close"].cummax() - 1).min(),
        "skewness": df["returns"].skew(),
        "kurtosis": df["returns"].kurtosis(),
    }

# Analyze multiple assets
results = [analyze_asset(sym, data) for sym, data in assets.items()]
summary = pd.DataFrame(results).set_index("symbol")
print(summary.round(4))

Diese Pipeline nimmt rohe Preisdaten und produziert ein umfassendes Risiko-Rendite-Profil für jedes Asset. Von hier aus kannst du diese Kennzahlen in einen Portfolio-Optimierer einspeisen, Allokationsempfehlungen erzeugen oder Rebalancing-Signale auslösen.

Der Pandas-NumPy-Matplotlib-Stack ist das Fundament, auf dem alles andere in Python-Finance aufbaut. Beherrsche diese drei Bibliotheken, und du hast die Fähigkeiten, jeden Markt zu analysieren, jeden Indikator zu bauen und jede Strategie zu visualisieren — egal ob du Aktien an der NYSE, Krypto auf GaiaEx oder Derivate an der CME handelst.