Technische indicatoren omzetten naar 'Features' voor je model
Stel je voor: je hebt een berg data van de AEX of de S&P 500, maar je weet niet hoe je die rauwe getallen moet vertalen naar iets waar je model écht wat aan heeft. Je wilt je Python bot laten leren van koersbewegingen, maar die grafieken zeggen op zichzelf niets.
Het geheim zit hem in features, oftewel kenmerken. Technische indicatoren zijn daarvoor de bouwstenen. Ze zetten simpele prijsinformatie om in meetbare patronen. In deze gids leer je hoe je die indicators ombouwt tot sterke features voor je trading model.
Wat zijn features eigenlijk?
Een feature is gewoon een getal dat iets zegt over de markt. Het is een input voor je machine learning model. Denk aan het gemiddelde van de laatste 50 sluitingsprijzen, of de beweging van vandaag ten opzichte van gisteren.
Technische indicatoren zijn wiskundige formules die al jaren worden gebruikt door handelaren.
Ze zijn gebaseerd op prijs (open, high, low, close) en volume. Je kunt ze zien als een lens.
Die lens maakt patronen zichtbaar die met het blote oog moeilijk te zien zijn. Waarom is dit zo belangrijk? Omdat een model niet kan denken zoals een mens.
Het ziet alleen getallen. Als je de AEX koers van €480 zomaar doorvoert, heeft dat weinig betekenis.
Maar als je de Relative Strength Index (RSI) berekent, zie je of de markt overbought of oversold is. Die RSI-waarde, bijvoorbeeld 72, is een feature. Je model leert dan dat een waarde boven 70 vaak een correctie betekent. Zonder die feature is je model blind.
De kern: indicators omzetten naar bruikbare data
Het proces is simpel, maar het vraagt om precisie. Je begint met ruwe data, bijvoorbeeld van de broker Interactive Brokers of via de API van Binance.
Die data haal je op in Python, vaak met libraries als pandas of via een backtesting framework zoals Backtrader.
Vervolgens pas je een indicator toe. Laten we een concreet voorbeeld nemen: de Simple Moving Average (SMA). Je neemt de laatste 20 sluitingsprijzen, telt ze op en deelt door 20.
Dat getal is je feature. Maar een getal op zich is nog geen feature.
Het gaat om de relatie. Je kunt de SMA niet zomaar gebruiken. Je moet het verschil berekenen tussen de huidige prijs en die SMA. Is de prijs €50 en de SMA €49?
Dan is het verschil +€1. Die +€1 is de feature die je invoert.
Je kunt ook de richting van de SMA gebruiken. Is de SMA aan het stijgen? Dan is de feature 1. Daalt hij?
Dan is het 0. Dit heet binaire encoding.
Het maakt je model sneller en stabieler. Een ander voorbeeld is de Average True Range (ATR). Dit is een maat voor volatiliteit.
Stel, de ATR is €2,50. Dat betekent dat een aandeel gemiddeld €2,50 beweegt per dag.
Je kunt deze waarde direct als feature gebruiken. Of je deelt de huidige prijs door de ATR, om een genormaliseerde waarde te krijgen.
Zo voorkomt je model dat het wordt verward door verschillen in prijsniveaus. Een aandeel van €10 en een van €1000 gedragen zich anders, maar met normalisatie worden ze vergelijkbaar.
Varianten en modellen met prijsindicaties
Er zijn talloze indicatoren die je kunt ombouwen. De keuze hangt af van je strategie.
Voor een trendvolgend model gebruik je indicaties die de richting meten. Voor een mean-reversion model kijk je naar uitschieters. Hieronder staan een paar populaire opties met concrete prijsindicaties voor de AEX en S&P 500.
- Moving Average Crossover: Gebruik een korte SMA (bijvoorbeeld 10 dagen) en een lange SMA (50 dagen). Als de korte boven de lange komt, is dat een koopsignaal. Feature: crossover-waarde (1 voor boven, 0 voor onder). Voor de AEX bij €480: als de 10-day SMA €479 is en de 50-day SMA €475, is de feature 1.
- RSI (Relative Strength Index): Berekent de snelheid van prijsverandering. Een waarde boven 70 is overbought, onder 30 oversold. Feature: RSI-waarde zelf, of een binaire flag (1 als RSI > 70). Voor de S&P 500 index, met een niveau van €5.200, betekent een RSI van 75 vaak een daling van 1-2% op korte termijn.
- Bollinger Bands: Dit is een gemiddelde met bands eromheen (standaardafwijking). Feature: de afstand tot de bovenste band. Als de prijs €50 is en de bovenband €52, is de afstand -€2. Voor een aandeel als ASML (rond €800) kan deze feature helpen om uitschieters te herkennen.
- MACD (Moving Average Convergence Divergence): Een combinatie van EMAs. Feature: de MACD-lijn zelf of het signaal (MACD - signaal). Bij een waarde van +0,5 is de trend sterk omhoog. Gebruik dit voor momentum-strategieën op de S&P 500.
- Volume Weighted Average Price (VWAP): Combineert prijs en volume. Feature: prijs boven of onder VWAP. Voor een dagtrade op de AEX, als de prijs €481 is en VWAP €480, is de feature 1 (boven). Dit geeft aan dat kopers de overhand hebben.
Je kunt deze features voor financiële data combineren in een model. Bijvoorbeeld een Random Forest classifier in Python, getraind op 5 jaar historische data van Interactive Brokers.
Het model leert patronen, zoals "als RSI > 70 en MACD < 0, dan verkopen". Backtesten is essentieel. Gebruik een tool als Backtrader of Zipline om te zien hoe je model had gepresteerd. Voor de S&P 500: een backtest van 2020 tot 2024 met deze features kan een winst van 15-20% per jaar laten zien, afhankelijk van risicomanagement.
Praktische tips voor implementatie
Begin klein. Kies 3-5 indicatoren en leer hoe je het feature belang kunt visualiseren in Python om je model te verfijnen.
Gebruik Python libraries als TA-Lib of pandas_ta voor de berekeningen. Deze zijn gratis en werken naadloos met brokers zoals Interactive Brokers of Alpaca. Zorg dat je data schoon is: verwijder missende waarden en check voor outliers.
Een fout in de ATR-berekening kan je model €1000 kosten in een backtest.
Normaliseer altijd je features. Deel prijzen door de ATR of het gemiddelde van de laatste 100 dagen. Zo blijven waarden vergelijkbaar, of je nu handelt in een aandeel van €10 of €1000. Test verschillende tijdframes: 1-uur voor daytrading, dagelijks voor swing trading.
Voor risicomanagement: voeg een stop-loss feature toe, zoals de ATR-waarde vermenigvuldigd met 2. Dat betekent een stop op €5 bij een ATR van €2,50.
Backtest op meerdere markten. Probeer je features op de AEX, S&P 500 en misschien crypto via Binance. Gebruik een broker API voor live data, maar begin met historische data om te leren.
Houd een logboek bij van je resultaten. Als een feature niet bijdraagt, schrap hem; pas op dat je niet in de valkuil van te veel features gebruikt.
Machine learning is trial-and-error, maar met deze aanpak bouw je een stevig fundament voor je algoritmische bot.