Die meisten automatisierten Strategien basieren auf Kursdaten: Open, High, Low, Close.
Doch wer nur den Preis betrachtet, sieht die Oberfläche des Marktes, nicht seine Struktur.
Hinter jeder Kerze stehen reale Marktteilnehmer, die mit Volumen und Richtung handeln. Und genau dort – im Orderflow – liegt der Schlüssel, um Trends, Umkehrpunkte und Marktregime objektiv zu erkennen.
In diesem Beitrag zeige ich Ihnen,
„Orderflow“ beschreibt die tatsächliche Aktivität der Marktteilnehmer:
Welche Volumina werden zu welchem Preis gehandelt, und wer dominiert – Käufer oder Verkäufer?
Während der klassische Chart nur zeigt, wo der Preis war, verrät der Orderflow, warum er sich bewegt hat.
Beispiel:
Ein starker Anstieg der Kerze kann durch wenige große Market-Buy-Orders entstehen – oder durch das passive Zurückziehen von Sell-Limits.
Beides sieht im Candlestick gleich aus, hat aber komplett unterschiedliche Bedeutung.
Orderflow = Abfolge ausgeführter Market Orders (Kauf/Verkauf) + Reaktion der Limit Orders im Orderbuch.
Damit beantwortet Orderflow die zentrale Frage:
„Wer kontrolliert gerade den Markt – Käufer oder Verkäufer?“
Das Volume-Profile zeigt, wo im Preisbereich das meiste Handelsvolumen stattgefunden hat. Es visualisiert somit das Volumen nach Preis, nicht nach Zeit.
Beispiel:
Dort, wo wenig Volumen gehandelt wurde (Low Volume Nodes), entstehen potenzielle Unterstützungen oder Widerstände.
Diese Informationen sind für Algo-Trader Gold wert, weil sie objektive Marktstrukturmerkmale liefern.
Delta und CVD – wer drückt den Markt wirklich?
Neben dem Volumen an sich ist entscheidend, in welche Richtung es fließt.
Delta zeigt die Aggressivität der Marktteilnehmer.
b) CVD (Cumulative Volume Delta)
CVD summiert das Delta über die Zeit und zeigt, wer langfristig die Kontrolle hat.
Ein steigendes CVD bei stagnierendem Preis kann z. B. eine Akkumulation andeuten – Käufer bauen Positionen auf, ohne dass der Preis steigt.
Orderflow-Daten sind kein Ersatz für klassische Indikatoren – sie sind ein Upgrade.
Sie erlauben es, Marktlogik zu quantifizieren:
a) Trendbestätigung mit CVD
Ein EA kann prüfen, ob steigende Preise auch durch Käufer-Volumen unterstützt werden.
Beispiel (Python/Pseudocode):
if price > sma_200 and cvd > cvd_sma: signal = „BUY“
Diese einfache Kombination filtert viele falsche Breakouts heraus, die nur auf „trockener Liquidität“ beruhen.
b) Mean-Reversion an Low-Volume-Nodes
Low-Volume-Zonen sind Preissprünge, in denen kaum Handel stattfand.
Wenn der Preis in diese Zone zurückkehrt, fehlen dort oft Käufer oder Verkäufer – der Markt reagiert abstoßend.
Beispiel:
Ein EA platziert Limit-Sell-Orders an LVN-Bereichen, aber nur, wenn kein steigendes Delta erkennbar ist.
c) Breakout-Bestätigung mit Volume Spike
Ein echter Ausbruch wird fast immer von Volumenexpansion begleitet.
EAs können prüfen, ob der Volumendurchschnitt während eines Breakouts über dem 50-Perioden-Mittel liegt.
→ Wenn ja, Breakout bestätigt.
MetaTrader 4/5 bietet kein echtes Orderbuch und keine vollständigen Volumendaten (nur Tickvolumen).
Wer Orderflow analysieren will, braucht spezialisierte Feeds oder API-Zugänge.
Beispiel:
Ein Python-Skript empfängt Tickdaten via API, berechnet CVD und sendet Signal an MT5-EA via Socket-Verbindung.
Orderflow-Daten liefern eine Fülle quantitativer Features, die sich hervorragend für KI- oder EA-Strategien eignen.
| Kategorie | Beispiel |
| Volumenstruktur | HVN, LVN, POC, VolumeRatio |
| Flow-Dynamik | Delta, CVD, Delta-Slope |
| Imbalance | Verhältnis MarketBuy/Sell |
| Reaktionszonen | Preisabstand zu POC oder LVN |
| Volumen-Cluster | Standardabweichung des Volumens über Preisbereiche |
Beispiel einer Feature-Definition (Python):
df[‚delta‘] = df[‚buy_vol‘] – df[’sell_vol‘] df[‚cvd‘] = df[‚delta‘].cumsum() df[‚vol_ratio‘] = df[‚buy_vol‘] / (df[’sell_vol‘] + 1) df[‚dist_to_poc‘] = abs(df[‚price‘] – df[‚poc‘])
Diese Variablen lassen sich direkt in Klassifikationsmodelle (z. B. „Trend vs. Range“) integrieren oder in EAs als Filter verwenden.
Ein praktischer Ansatz:
Der EA bezieht regelmäßig Orderflow-Daten von einer externen Quelle (z. B. CSV-Datei, API oder Socket).
Anschließend werden daraus Filter- oder Bestätigungsbedingungen berechnet.
double cvd = GetExternalValue(„cvd.csv“); double cvd_prev = GetExternalValue(„cvd_prev.csv“); if(cvd > cvd_prev && Close[0] > iMA(_Symbol, PERIOD_H1, 50, 0, MODE_SMA, PRICE_CLOSE, 0)) trade.Buy(lots, _Symbol, Ask, sl, tp);
→ Der EA öffnet nur Long-Trades, wenn sowohl Preis als auch Volumenfluss steigen.
Orderflow-Daten eignen sich nicht nur für einzelne Strategien, sondern auch als Regime-Filter im EA-Portfolio:
Ein zentrales Mother Risk Script kann diese Daten sammeln und an alle EAs weiterleiten – so handeln mehrere Systeme kontextbewusst nach Marktstruktur.
| Fehler | Auswirkung |
| Nutzung von Tickvolumen statt echten Orderflow-Daten | Fehlende Aussagekraft zu Käufer-/Verkäufer-Dominanz |
| Fehlende Synchronisierung von Preis & Volumenzeitstempeln | Verzerrte Signale |
| Überkomplexe Feature-Sets ohne Normalisierung | Overfitting |
| CVD ohne Trendbezug genutzt | Falsche Divergenzen |
| Volumen nicht brokerneutral validiert | Strategien funktionieren nur bei einem Datenanbieter |
Orderflow- und Volume-Profile-Analysen sind der Missing Link zwischen Preis und Marktmechanik.
Während klassische Indikatoren nur Ergebnisse interpretieren, zeigt der Orderflow die Ursache: wer kauft, wer verkauft, und wo.
Für Algo-Trader eröffnet das enorme Vorteile:
Der Preis zeigt, was passiert – der Orderflow hingegen zeigt, warum es passiert.
Wer beides kombiniert, baut EAs mit echtem Marktverständnis – nicht nur mit mathematischer Logik.
