← All Collections
📖 6 parts

Order Book & Market Microstructure

How the order book really works — accessing the data, reading queue position, rebuilding bars from order flow, and modeling it with deep learning and Hawkes processes.

  1. 01
    CCXT: Wie WebSocket-Orderbook-Methoden wirklich funktionieren
    Jun 3, 2025 #CCXT

    CCXT: Wie WebSocket-Orderbook-Methoden wirklich funktionieren

    Detaillierte Analyse der CCXT-WebSocket-Methoden für Orderbooks: watchOrderBook, watchBidsAsks, watchOrderBookForSymbols. Reale Tests auf 75+ Börsen.

  2. 02
    Ordertypen im algorithmischen Handel: Von der nachziehenden Limit-Order bis zu virtuellen Orders
    Mar 23, 2026 #orders

    Ordertypen im algorithmischen Handel: Von der nachziehenden Limit-Order bis zu virtuellen Orders

    Ein umfassender Leitfaden zu Ordertypen im algorithmischen Handel: Standard-Börsenorders, nachziehende Limit-Orders, zeitbasierte Orders, virtuelle/synthetische Orders. Mit Codebeispielen und praxisnahen Anwendungsfällen.

  3. 03
    Queue Inside the Wall: Analyzing Order Position in Order Book Density
    Mar 20, 2026 #order book

    Queue Inside the Wall: Analyzing Order Position in Order Book Density

    How understanding your place in the queue at a price level transforms scalping from guesswork into an engineering problem

  4. 04
    Bar-Typen und Aggregationsmethoden für algorithmischen Handel
    Mar 22, 2026 #algotrading

    Bar-Typen und Aggregationsmethoden für algorithmischen Handel

    Zweiachsige Klassifikation der Candle-Konstruktion: 17 Basis-Bar-Typen (Zeit, Tick, Volumen, Dollar, Renko, Range, Volatilität, Heikin-Ashi, Kagi, Line Break, P&F, TIB, VIB, Run, CUSUM, Entropie, Delta) × 3 Aggregationsmethoden (Kalender, Rolling, Adaptiv) = 51 Kombinationen. Mit Implementierungscode und praktischen Empfehlungen.

  5. 05
    DeepLOB: Deep Learning für Limit-Orderbücher
    May 26, 2026 #deep-learning

    DeepLOB: Deep Learning für Limit-Orderbücher

    Wie DeepLOB ein CNN, ein Inception-Modul und ein LSTM kombiniert, um Mid-Price-Bewegungen aus rohen Orderbuchdaten vorherzusagen — die Architektur, die echten FI-2010-Zahlen und eine funktionierende PyTorch-Reimplementierung.

  6. 06
    Digitaler Fingerabdruck eines Traders: Wie man einen Market Maker am Verhalten im Orderbuch erkennt
    Mar 19, 2026 #fingerprint

    Digitaler Fingerabdruck eines Traders: Wie man einen Market Maker am Verhalten im Orderbuch erkennt

    Jeder Algorithmus hinterlässt einen einzigartigen Fingerabdruck. Lernen Sie ihn zu lesen — und Sie wissen, wer auf der anderen Seite Ihres Trades steht.