Meronexa verarbeitet Orderbuchtiefe, Volumenprofile und Volatilitätscluster parallel und liefert quantifizierte Signale mit nachvollziehbarer Begründung – ohne Blackbox-Logik.
Die Infrastruktur von Meronexa ist auf parallele Verarbeitung ausgelegt, nicht auf sequentielle Abfragen. Das reduziert die Zeit zwischen Markteingang und Signalausgabe deutlich gegenüber klassischen Polling-Ansätzen.
Beispielhafte Darstellung des Live-Feeds im Terminal, keine Echtzeitdaten dieser Seite.
Jeder Datenpunkt durchläuft eine Normalisierungsschicht, bevor er in die Mustererkennung einfließt. Dadurch bleiben Vergleiche zwischen Krypto-, Devisen- und Indexmärkten konsistent, auch wenn die Ausgangsformate der einzelnen Datenanbieter unterschiedlich strukturiert sind.
Meronexa wurde für Trader entwickelt, die Entscheidungen auf Basis nachvollziehbarer Daten statt subjektiver Einschätzung treffen wollen. Das System kombiniert statistische Modelle mit regelbasierter Validierung, sodass jedes Signal auf einen konkreten Auslöser zurückführbar bleibt.
Die Entwicklung konzentriert sich auf drei Punkte: niedrige Latenz, nachvollziehbare Modelllogik und eine Datenbasis, die groß genug ist, um statistisch belastbare Muster von kurzfristigem Marktrauschen zu unterscheiden.
Das Modell kombiniert Zeitreihenanalyse mit einer regelbasierten Validierungsschicht. Statistische Auffälligkeiten – etwa ungewöhnliche Orderbuch-Asymmetrien oder Volatilitätscluster – werden zunächst erkannt und anschließend gegen historische Vergleichsmuster geprüft. Erst Übereinstimmungen oberhalb eines definierten Konfidenzniveaus erzeugen ein Signal.
Diese zweistufige Prüfung reduziert Fehlsignale, die bei reinen Mustererkennungsmodellen häufig durch kurzfristiges Rauschen entstehen.
Workflow
Jedes Signal lässt sich bis zum Ausgangsdatenpunkt zurückverfolgen. Das unterscheidet den Ansatz von Modellen, die Entscheidungen ausschließlich über intransparente neuronale Gewichtungen treffen.
Echtzeit-Datenströme aus Orderbüchern, Handelsvolumen und Referenzkursen werden kontinuierlich erfasst und auf Vollständigkeit geprüft. Lücken oder verzögerte Datenpunkte werden markiert, nicht künstlich interpoliert.
Statistische Modelle identifizieren Abweichungen von historischen Verteilungen, etwa bei Volumenspitzen oder Volatilitätsclustern. Die Gewichtung der einzelnen Faktoren ist dokumentiert und einsehbar.
Jedes erkannte Muster wird gegen feste Regeln geprüft, etwa Mindestliquidität oder maximale Slippage-Toleranz. Erst nach dieser Prüfung erreicht ein Signal das Terminal.
Die Gewichtung der Modellparameter unterscheidet sich je nach Zeithorizont. Die folgende Übersicht zeigt, welches Modul für welchen Ansatz relevant ist.
| Handelsstil | Zeithorizont | Datenfokus | Relevantes Modul |
|---|---|---|---|
| Scalping | Sekunden bis Minuten | Orderbuchtiefe, Tick-Volumen | Latenzoptimierte Signalpipeline |
| Swing-Trading | Stunden bis Tage | Volatilitätscluster, Trendstärke | Mittelfristige Mustererkennung |
| Portfolio-Hedging | Tage bis Wochen | Korrelationsmatrix, Drawdown-Risiko | Risikomanagement-Parameter |
Meronexa stellt eine REST-Schnittstelle sowie einen WebSocket-Feed für Echtzeitdaten bereit. Beide Schnittstellen sind dokumentiert und lassen sich an bestehende Order-Management-Systeme anbinden, ohne die interne Infrastruktur offenzulegen.
Die statistischen Basismodelle werden in regelmäßigen Zyklen mit aktuellen Marktdaten nachjustiert. Validierungsregeln werden unabhängig davon angepasst, sobald sich strukturelle Marktbedingungen, etwa Liquiditätsregime, nachweislich verändern.
Verbindungen werden verschlüsselt übertragen, Zugriffe auf Konto- und Konfigurationsdaten sind rollenbasiert beschränkt. Marktdaten und Kontoinformationen werden getrennt verarbeitet und ausschließlich zur Signalgenerierung verwendet.
Meronexa richtet sich an Trader und Analysten, die mit strukturierten Daten arbeiten. Der Zugang ist in drei Stufen gestaffelt, abhängig von Datentiefe und API-Kontingent.
Zugriff auf den Signalfeed und Basis-Dashboards, begrenztes API-Kontingent.
Vollständiger Signalfeed, erweiterte Risikoparameter, höheres API-Kontingent.
Individuelle Integration, dedizierte Datenkontingente, erweiterter Support.
