De gids voor 'Fred API': Economische data (inflatie, rente) inladen
Stel je voor: je bouwt een algoritmische trading bot in Python en je wilt die voeden met betrouwbare economische data.
Je backtest strategieën op basis van inflatie, rente en banengroei, maar je hebt geen zin in handmatig gedoe. Dan is FRED, de Federal Reserve Economic Data, je beste vriend. Deze gratis API geeft je direct toegang tot meer dan 800.000 tijdreeksen. In deze gids leg ik je uit hoe je FRED slim inzet voor je trading bots, risicomanagement en backtesting, zonder dat je vastloopt in complexe rompslomp. Laten we beginnen.
Federal Reserve Economic Data
FRED is een enorme database van de Federal Reserve Bank van St. Louis, met ongeveer 816.000 tijdreeksen uit 108 bronnen.
Denk aan inflatie, rentetarieven, werkloosheid en banengroei. Voor algoritmische traders is dit goud: je kunt deze data rechtstreeks in je Python-omgeving laden, zonder dat je eindeloos Excel-bestanden hoeft te schrobben. De API is gratis voor basisgebruik en werkt met een simpele API-sleutel.
Je kunt er tijdreeksen ophalen in JSON- of CSV-formaat, perfect voor je backtesting-scripts.
Waarom is dit relevant voor jouw trading bots? Omdat economische indicators zoals de kern-PCE inflatie (nu 2,9%) of de werkloosheid (4,3%) direct invloed hebben op marktbewegingen. Stel je voor dat je een bot bouwt die reageert op renteverlagingen – FRED geeft je de data om die strategie te testen op historische patronen. Zonder betrouwbare data loop je het risico op foute backtests en verkeerde risicobeslissingen.
Documentation and manuals
De FRED API-documentatie is helder en toegankelijk, zelfs als je beginner bent. Je begint met een gratis account op fred.stlouisfed.org, waar je een API-sleutel aanmaakt.
In Python gebruik je bibliotheken zoals requests of fredapi (een wrapper die het leven makkelijker maakt). Installatie: pip install fredapi. Dan fetch je data met een paar regels code: bijvoorbeeld, de serie voor de federal funds rate (rentetarief) ophalen en plotten in je notebook.
Handige endpoints zijn er voor zoekfuncties (zoek op "inflation" of "unemployment") en tijdreeksen.
Je kunt data filteren op frequentie (maandelijks, wekelijks) en periode. Voor risicomanagement in je bots: laad historische data om stress-tests te doen, zoals hoe een bot reageert op een piek in werkloosheid. Let op: de API heeft rate limits (ongeveer 120.000 calls per dag), dus plan je calls slim in voor grote backtests.
FOMC Watch – De Fed zal de rente verlagen, maar riskeert inflatieprobleem
De Fed zit in een spagaat: de arbeidsmarkt verzwakt, maar inflatie blijft plakken.
De kern-PCE inflatie staat op 2,9%, ver boven het doel van 2%. Tegelijkertijd is de werkloosheid gestegen naar 4,3%, met een dieptepunt van 3,4% in 2023. Analisten verwachten een renteverlaging van 25 basispunten, maar dat brengt risico's met zich mee. Als de Fed te vroeg verlaagt, kan inflatie opnieuw oplopen, wat je trading bots kan ontregelen als ze zijn gebaseerd op stabiele rentescenario's.
Voor jouw algoritmische aanpak betekent dit: gebruik FRED om de FOMC-vergaderingen en renteprojecties te monitoren. Je kunt series zoals de federal funds rate futures laden om je bot te trainen op verschillende paden.
De arbeidsmarkt is verzwakt, maar dit is voornamelijk een door het aanbod gedreven vertraging.
In een backtest kun je bijvoorbeeld simuleren hoe een trend-following bot presteert bij een renteverlaging versus een verhoging.
Dit helpt bij risicomanagement: stel stop-losses in op basis van inflatie-drempels, zoals boven de 3%. De banengroei is flink herzien: tussen april 2024 en maart 2025 ging het om een daling van 900.000 banen. Het driemaands voortschrijdend gemiddelde zakte van meer dan 200.000 naar ongeveer 30.000.
Dit suggereert geen diepe recessie, maar een aanbod-side issue – denk aan vergrijzing of migratiepatronen. Voor traders: dit betekent dat je bot niet moet panikeren van een enkele publicatie, maar rekening moet houden met herziene cijfers.
Bij het bouwen van je Python-bot, laad je de banengroei-series uit FRED (zoals de non-farm payrolls) en combineer je die met andere indicators. Een break-even banengroei van circa 75.000 lager geeft aan dat de markt al rekening houdt met zwakte. Gebruik dit voor risicomanagement: als je bot long gaat op aandelen, zet een hedge in via rente-derivaten als de werkloosheid stijgt. Zo voorkom je verrassingen.
Praktische integratie in je trading bots
Om FRED naadloos in je Python-omgeving te integreren, begin je met een eenvoudig script. Leer hoe je fundamental data in je Python script krijgt door de fredapi-bibliotheek te gebruiken om data te laden en op te slaan in een Pandas DataFrame.
Voorbeeld: haal de PCE inflatie-serie (ID: PCEPI) op en plot 'm om trends te zien. Dit is direct bruikbaar voor backtesting van bots die reageren op inflatie-drempels, zoals een momentum-bot die verkoopt bij inflatie boven de 3%. Voor meer geavanceerde toepassingen, koppel FRED aan je broker-API (zoals Interactive Brokers of Alpaca).
Je kunt dan live data streamen en je bot aanpassen op basis van nieuwe publicaties.
- Gebruik FRED API voor directe datatoegang in programmeeromgevingen – geen Excel meer.
- Let op herzieningen van banengroei-cijfers bij economische analyses; vertrouw niet op één publicatie.
- Combineer FRED met je backtesting-framework zoals Zipline of Backtrader voor realistische scenario's.
Prijzen voor premium FRED-toegang zijn er niet – het is gratis – maar als je enterprise-niveaus nodig hebt, check dan de Federal Reserve-diensten. Voor risicomanagement: bouw een dashboard in Python met Streamlit dat FRED-data visualiseert, inclusief herzieningen van banencijfers om fouten te voorkomen. Een veelgemaakte fout is het negeren van benchmarks voor herzieningen.
Bijvoorbeeld, de banengroei werd met 900.000 naar beneden bijgesteld – controleer altijd de historische revisies in FRED om je bot niet op drijfzand te bouwen. Voor Nederlandse data: FRED bevat internationale series, maar check CBS voor lokale inflatie en rente als je op Europa richt.
Tips voor risicomanagement en backtesting met FRED
Risicomanagement begint met goede data. Gebruik FRED om scenario's te testen: hoe reageert je bot op een renteverlaging van 25 basispunten?
Simuleer dit in Python door historische data, zoals data uit Finviz en Yahoo Finance, te combineren met je handelslogica.
Voor prijsindicaties: als je een premium-datafeed nodig hebt voor real-time toegang, kost dat bij brokers zoals IBKR ongeveer €10-20 per maand, maar FRED zelf is gratis. Voor backtesting: laad series voor inflatie, rente en werkloosheid, en bouw een eenvoudige strategie die long gaat op lage rente en lage werkloosheid. Test op 10 jaar historische data om robuustheid te checken.
"Een bot zonder herziene data is als een kaart zonder kompas – je verdwaalt snel in marktvolatiliteit."
Gebruik korte paragrafen in je code-documentatie om het overzichtelijk te houden – net als in deze gids. Varieer je testen: van eenvoudige moving averages tot complexe ML-modellen die FRED-data als features gebruiken.
Sluit af met een simpele routine: elke week FRED-data updaten in je script, herzieningen controleren, en je bot optimaliseren. Vergeet niet om regelmatig de integriteit van je database te controleren op dubbele rijen. Zo blijf je ahead of the curve zonder dat het te veel tijd kost. Met deze aanpak bouw je sterke, data-gedreven bots die economische schommelingen aankunnen.