Polygon.io vs. Databento: Marktdaten im Vergleich.

Wer eine systematische Strategie baut, verbringt überraschend viel Zeit damit, sich Gedanken über Datenquellen zu machen. Zwei Namen tauchen dabei seit Jahren immer wieder auf: Polygon.io und Databento. Beide adressieren das gleiche Problem — saubere, verlässliche Marktdaten zu fairen Preisen — gehen aber technisch und kommerziell sehr unterschiedliche Wege. Hier ist mein Vergleich aus zwei Jahren paralleler Nutzung.

Zwei Philosophien, ein Markt.

Polygon.io ist 2017 als „Stripe für Marktdaten" angetreten: einfache REST- und WebSocket-APIs, dokumentationsfreundlich, monatliches Abo. Die Zielgruppe sind Entwicklerinnen und Entwickler, die in einer Stunde produktiv sein wollen. Databento wurde 2019 mit einem anderen Fokus gestartet: Zugang zu institutionellen Datenfeeds (CME, Nasdaq TotalView, OPRA) ohne den klassischen Exchange-Bürokratie-Overhead. Bezahlt wird nach Volumen, nicht nach Monatspaket.

Beide Anbieter haben das gleiche Versprechen — saubere Daten ohne fünfstellige jährliche Lizenzgebühren — aber sie sprechen unterschiedliche Käuferprofile an. Polygon ist ideal für die Strategie-Entwicklung und kleine Live-Systeme. Databento spielt seine Stärke aus, wenn Sie Tickdaten in echter Markttiefe brauchen.

Datenabdeckung im Direktvergleich.

Die Coverage entscheidet, ob ein Anbieter überhaupt für Ihre Strategie in Frage kommt. Hier eine grobe Übersicht, Stand Frühjahr 2026:

Für eine reine Aktienstrategie auf Tagesbasis ist Polygon.io ausreichend und deutlich günstiger. Sobald Sie Optionen mit Level-2-Tiefe oder Futures-Tick-Daten brauchen, führt an Databento praktisch kein Weg vorbei — zumindest nicht in dieser Preisklasse.

Latenz und Realtime-Verhalten.

Beide Anbieter werben mit „Realtime", aber das Wort bedeutet im Quant-Bereich sehr unterschiedliche Dinge. Polygon.io liefert WebSocket-Streams mit einer typischen End-to-End-Latenz von 50 bis 200 Millisekunden von Exchange-Trade bis zum Empfang in Ihrer Applikation — abhängig vom Server-Standort. Für Strategien auf Minuten- oder Stunden-Basis spielt das keine Rolle.

Databento operiert auf einer anderen Ebene: über Co-Location oder direkte Anbindung an CHI1, NY4 und LD4 erreichen Sie einstellige Millisekunden bis sub-Millisekunden. Wenn Sie eine Strategie betreiben, die auf Order-Book-Imbalances reagiert, ist das der Unterschied zwischen ausführbar und nicht ausführbar. Für Endkunden ohne eigene Co-Location-Infrastruktur nivelliert sich der Vorteil natürlich wieder auf normale Internet-Latenzen.

API-Design und Developer Experience.

Hier gewinnt Polygon.io eindeutig — zumindest für den Einstieg. Die REST-API folgt einer logischen Ressourcen-Struktur, die OpenAPI-Spec ist sauber, und die Dokumentation enthält Beispiele in fünf Sprachen. Ein einfacher Pull historischer Daten sieht so aus:

import requests

def get_aggregates(ticker: str, start: str, end: str, api_key: str):
    url = (
        f"https://api.polygon.io/v2/aggs/ticker/{ticker}/range/"
        f"1/day/{start}/{end}"
    )
    params = {"adjusted": "true", "sort": "asc", "apiKey": api_key}
    resp = requests.get(url, params=params, timeout=10)
    resp.raise_for_status()
    return resp.json()["results"]

bars = get_aggregates("AAPL", "2024-01-01", "2024-12-31", "YOUR_KEY")
print(f"{len(bars)} Tagesbalken geladen")

Databento setzt auf eine eigene Client-Library mit binärem Format (DBN — Databento Binary Encoding). Das ist schneller zu parsen, hat aber eine flachere Lernkurve. Ein Pull von Futures-Trade-Daten sieht so aus:

import databento as db

client = db.Historical("YOUR_KEY")
data = client.timeseries.get_range(
    dataset="GLBX.MDP3",
    symbols=["ESM4"],
    schema="trades",
    start="2024-03-15",
    end="2024-03-16",
)
df = data.to_df()
print(df.head())

Das DBN-Format zahlt sich aus, sobald Sie mehrere Gigabyte am Tag verarbeiten — was bei Tickdaten schnell der Fall ist. Für reine OHLC-Bars ist der Mehraufwand allerdings unnötig.

Preise und Lizenzmodelle.

Polygon.io verkauft fixe Monatspakete: das Stocks-Starter-Paket beginnt bei 29 USD monatlich, professionelle Pläne mit unbegrenzten WebSocket-Verbindungen und 15 Jahren Historie liegen bei rund 199 USD. Optionen kosten extra. Vorhersagbar, einfach zu budgetieren, ideal für Solo-Trader.

Databento rechnet pro Datenpunkt ab — historische Daten werden in Gigabyte oder pro Symbol-Tag abgerechnet, Live-Daten pro Connection und Symbol-Monat. Ein Beispiel: ein Jahr Tagesdaten für 50 US-Aktien kostet wenige Dollar. Ein Monat OPRA-Tickdaten hingegen kann schnell vierstellig werden. Für Personen, die genau wissen, was sie brauchen, ist das fair. Für Personen, die explorativ arbeiten, sollte ein Budget-Cap gesetzt werden — das geht über die Console.

Stabilität, Support und Vertragsdetails.

Beide Anbieter haben in den letzten zwei Jahren auf öffentliche Status-Pages und anständigen Support gesetzt. Polygon.io hat eine deutlich grössere Community — Stack-Overflow-Antworten, GitHub-Repos mit Wrappern, Discord-Server. Wenn Sie nachts um drei ein API-Problem haben, finden Sie wahrscheinlich jemanden, der es schon gelöst hat.

Databento ist kleiner, aber technisch tiefer. Wenn Sie eine Frage zu MBO-Order-Updates stellen, antwortet jemand, der die Spezifikation kennt. Der Support reagiert auch auf E-Mail-Anfragen meist innerhalb weniger Stunden — das ist im US-Daten-Business keine Selbstverständlichkeit.

Was Sie bei beiden lesen sollten: die Lizenz-Klauseln. Die meisten Pläne erlauben interne und einzelpersonenbezogene Nutzung. Sobald Sie Daten weitergeben oder in einem kommerziellen Produkt verarbeiten, brauchen Sie einen Enterprise-Vertrag. Das ist relevant, sobald Sie eine Strategie an Mandanten verkaufen oder einen öffentlich zugänglichen Dashboard-Service planen.

Meine Empfehlung nach zwei Jahren Praxis.

Ich nutze beide Dienste parallel — und das ist kein Bequemlichkeits-Bug, sondern Absicht. Polygon.io ist meine Erstwahl für Aktien-EOD-Strategien, Prototypen und alles, was schnell stehen muss. Databento kommt zum Einsatz, sobald Optionen, Futures oder saubere Tick-Daten ins Spiel kommen — und für jeden Backtest, bei dem ich mich zu 100 % auf die Datenqualität verlassen muss.

Wer am Anfang steht und nur eine API will: Polygon.io. Wer schon weiß, dass die Strategie Tick-Granularität braucht: Databento. Wer beides nutzen will und nicht in verschiedenen Datenmodellen ersticken möchte: investieren Sie früh in eine eigene Abstraktionsschicht — eine schmale Python-Klasse, die beide Quellen kapselt und ein einheitliches Dataframe-Format zurückgibt. Das spart später viel Refactoring.

Sie planen die Datenarchitektur für Ihre Strategie und wollen die Optionen sauber durchdenken? Erstgespräch buchen — wir schauen, welche Quellen für Ihren Use Case wirklich passen.