Order-Flow-Imbalance als ML-Feature das Orderbuch in Vorhersagekraft übersetzen.

Die meisten Features, die in Trading-Modelle einfließen, sind höflich gesagt schwach: Renditen, gleitende Durchschnitte, RSI-Varianten — Größen, die jeder berechnet und die genau deshalb kaum noch Information tragen. Order-Flow-Imbalance gehört zu den wenigen Ausnahmen mit nachweisbarer, wenn auch sehr kurzlebiger Prognosekraft. Die Idee ist simpel: Wenn auf der Kaufseite des Orderbuchs spürbar mehr Volumen drückt als auf der Verkaufsseite, steigt der Preis in den nächsten Sekunden bis Minuten mit überzufälliger Wahrscheinlichkeit. Diese Beobachtung ist in der Marktmikrostruktur gut belegt — und trotzdem scheitern viele Umsetzungen, weil das Feature falsch konstruiert, falsch normalisiert oder mit Look-Ahead-Bias verseucht ist. Dieser Beitrag zeigt, wie Order-Flow-Imbalance sauber gebaut wird, welchen realistischen Mehrwert man erwarten darf, wo die Datenanforderungen liegen und warum das Feature trotz echter Prognosekraft nach Kosten oft schwer handelbar bleibt. Ehrlich gesagt ist OFI eher ein Werkzeug für Execution und Market-Making als für klassisches Daytrading.

Was Order-Flow-Imbalance eigentlich misst.

Order-Flow-Imbalance (OFI) quantifiziert das Ungleichgewicht zwischen Kauf- und Verkaufsdruck im Orderbuch. Im Kern vergleicht man, wie sich das Volumen am besten Geld- und Briefkurs (Bid/Ask) von einem Zeitpunkt zum nächsten verändert. Steigt das Bid-Volumen oder rückt der Bid-Kurs nach oben, ist das ein Kaufimpuls; steigt das Ask-Volumen oder fällt der Ask, ein Verkaufsimpuls. Die Differenz dieser Impulse über ein Zeitfenster ist die Imbalance.

Wichtig ist der Unterschied zur naiven „Buy-minus-Sell-Volume“-Größe. OFI berücksichtigt nicht nur ausgeführte Trades, sondern auch Veränderungen im stehenden Orderbuch — also Limit-Orders, die hinzukommen oder verschwinden. Genau darin liegt der Informationsgehalt: Das Orderbuch verrät Absichten, bevor sie zu Trades werden.

In der einfachsten Form arbeitet man nur mit Level 1 (bester Bid/Ask). Tiefere Varianten beziehen mehrere Orderbuch-Ebenen ein und gewichten sie nach Abstand zum Mid-Price. Mehr Ebenen bedeuten mehr Information, aber auch mehr Rauschen und höhere Datenanforderungen — der Mehrwert flacht jenseits der ersten fünf bis zehn Ebenen meist deutlich ab.

Warum das Feature überhaupt Prognosekraft hat.

Der ökonomische Grund ist plausibel und nicht bloß ein statistischer Zufall. Wer aggressiv kaufen muss — etwa ein großer institutioneller Auftrag, der über die Zeit ausgeführt wird — hinterlässt Spuren im Orderfluss, bevor die gesamte Position abgearbeitet ist. Diese Spuren erzeugen kurzfristig Druck in eine Richtung. Market-Maker, die das Ungleichgewicht sehen, ziehen ihre Quotes nach und der Preis bewegt sich.

Das erklärt zugleich die zentrale Eigenschaft: Die Prognosekraft ist real, aber extrem kurzlebig. Auf Horizonten von Sekunden bis wenigen Minuten ist der Zusammenhang zwischen OFI und folgender Preisbewegung in liquiden Märkten stabil messbar. Auf Stunden- oder Tagesbasis verschwindet er fast vollständig — das Signal ist dann längst eingepreist.

Realistisch ist das hier ein Mikrostruktur-Effekt, kein Alpha für Swing-Trader. Wer mit Tagesschlusskursen arbeitet, hat von OFI nichts. Wer im Sekunden- bis Minutenbereich agiert oder Execution optimieren will, hat eines der wenigen Features mit echtem Edge.

Die saubere Konstruktion Schritt für Schritt.

Die Berechnung von OFI ist anfällig für subtile Fehler. Eine belastbare Konstruktion folgt einigen Grundregeln:

• Event-basiert statt zeitbasiert denken. OFI entsteht aus Orderbuch-Updates. Aggregiert man zu früh über feste Zeitfenster, geht Information verloren. Üblich ist, Updates einzeln zu verarbeiten und erst danach über ein Fenster zu summieren.
• Konsistente Vorzeichenlogik. Bid-Veränderungen und Ask-Veränderungen müssen mit korrektem Vorzeichen kombiniert werden. Ein steigender Bid ist Kaufdruck (+), ein steigender Ask ist Verkaufsdruck (−). Hier passieren die meisten Implementierungsfehler.
• Mid-Price als Referenz. Das zu prognostizierende Ziel ist üblicherweise die Änderung des Mid-Price, nicht des letzten Trade-Preises — Letzterer springt durch den Bid-Ask-Bounce und verrauscht das Label.
• Strikte Zeitstempel-Disziplin. Jedes OFI-Sample darf nur Information enthalten, die zum Berechnungszeitpunkt tatsächlich vorlag. Schon eine Millisekunde Zukunft im Feature erzeugt scheinbar grandiose, in Wahrheit wertlose Backtest-Resultate.

Der letzte Punkt ist der gefährlichste. Order-Flow-Daten sind so granular, dass Look-Ahead-Bias sich leicht einschleicht — etwa wenn das Label das Trade enthält, das das Feature mitverursacht hat.

Normalisierung entscheidet über die Brauchbarkeit.

Roh-OFI ist kaum verwendbar, weil seine Skala mit der Liquidität schwankt. Ein Imbalance-Wert von „1.000 Kontrakte“ bedeutet in einem dünnen Markt etwas völlig anderes als in einem tiefen. Ohne Normalisierung lernt das Modell vor allem, welche Tageszeit oder welches Instrument gerade aktiv ist — nicht den eigentlichen Effekt.

Bewährt haben sich mehrere Ansätze: Skalierung am durchschnittlichen Orderbuch-Volumen, an der rollierenden Standardabweichung des OFI selbst oder am Spread. In der Praxis ist eine rollierende Z-Standardisierung über ein gleitendes Fenster (etwa die letzten Minuten desselben Handelstags) ein robuster Startpunkt — sie macht Werte über Zeit und Instrumente vergleichbar.

Achtung bei der Fensterwahl: Ein zu langes Normalisierungsfenster reagiert träge auf Regimewechsel, ein zu kurzes ist selbst verrauscht. Und auch hier gilt die Leakage-Regel — das Normalisierungsfenster darf nur Vergangenheitsdaten enthalten, niemals den aktuellen oder künftigen Wert.

Datenanforderungen und ihre Kosten.

OFI ist datenhungrig. Man braucht mindestens Level-1-Tick-Daten mit Orderbuch-Updates, besser Level-2-Daten mit mehreren Ebenen — idealerweise als sogenannte Market-by-Order- oder zumindest Market-by-Price-Feeds. Solche Daten sind kein Beiwerk, sondern ein eigener Kostenfaktor.

Hinzu kommt die Infrastruktur: Tick-Daten erzeugen schnell Terabytes pro Instrument und Jahr. Speicherung, Bereinigung und schnelle Verarbeitung sind ein eigenes Engineering-Projekt. Für einzelne liquide Futures ist das beherrschbar; für ein breites Aktienuniversum wird es schnell teuer und komplex.

Realistische Genauigkeit und der Kostenfilter.

Wie stark ist der Effekt? In sauberen Studien und Praxis-Implementierungen erklärt OFI auf sehr kurzen Horizonten einen messbaren, aber moderaten Teil der Preisvarianz — die Richtung der nächsten Mikro-Bewegung lässt sich überzufällig besser als ein Münzwurf treffen. Das klingt nach wenig, ist aber im Hochfrequenzbereich viel.

Der entscheidende Dämpfer ist der Kostenfilter. Die prognostizierten Bewegungen liegen oft im Bereich des halben Spreads oder darunter. Nach Spread, Gebühren und Slippage bleibt vom statistischen Edge häufig wenig bis nichts übrig — es sei denn, man tradet mit minimalen Kosten, sehr schneller Infrastruktur oder nutzt das Signal nicht zum direkten Handel, sondern zur Verbesserung der Ausführung bestehender Orders.

Genau das ist der ehrlichste Anwendungsfall: OFI als Execution-Feature. Statt eine Order blind in den Markt zu legen, wartet der Algorithmus einen günstigeren Mikro-Moment ab. Hier zahlt sich die Prognosekraft aus, ohne dass jeder einzelne Trade die Spread-Hürde überspringen muss.

Typische Fehler und ehrliche Grenzen.

Drei Fehler tauchen immer wieder auf. Erstens verstecktes Leakage: Das Feature enthält Information, die live nicht so früh vorlag — der häufigste Grund für Backtests, die zu schön sind, um wahr zu sein. Wer OFI baut, sollte das Ergebnis grundsätzlich misstrauisch prüfen.

Zweitens Überschätzung der Stabilität. Der OFI-Effekt ist in liquiden, ausgereiften Märkten am verlässlichsten. In dünnen Instrumenten, zu Handelsrandzeiten oder bei Nachrichtenereignissen kann er kippen oder sich umkehren. Ein Modell, das das nicht regimeabhängig behandelt, handelt zur falschen Zeit am stärksten.

Drittens Datenqualität. Orderbuch-Feeds enthalten Fehlprints, Lücken und Latenz-Artefakte. Ein einzelner kaputter Tick kann ein OFI-Sample massiv verzerren. Ohne robuste Bereinigung misst man eher Datenmüll als Marktdruck.

Ehrlich bleibt: OFI ist ein starkes, aber spezialisiertes Feature. Es ist kein Wundermittel für jeden Tradingstil, sondern ein scharfes Instrument für ein enges Anwendungsfeld — kurzfristige Prognose und Execution in liquiden Märkten, mit professioneller Daten- und Latenz-Infrastruktur.

Sie wollen prüfen, ob sich Order-Flow-Features in Ihre Execution oder Ihr kurzfristiges Signal-Set sinnvoll integrieren lassen? Unverbindlich anfragen — wir schauen gemeinsam auf Datenlage, Latenz-Budget und realistischen Edge nach Kosten und ordnen ehrlich ein, ob sich der Aufwand für Ihr Setup lohnt.