Initial commit: TradeMind – Krypto-Trading-Bot mit Lernmodus

Per Podman deploybarer Bot, der Käufe und Verkäufe simuliert ausführt und sich
aus den Ergebnissen weiter antrainiert.

Aufbau
- Einheitliche Bar-Verarbeitung für paper, backtest und live; ausgetauscht werden
  nur Datenquelle und Broker.
- Börsenanbindung über ccxt: rund 100 Börsen allein über exchange.id erreichbar.
  Zugangsdaten kommen über ENV-Platzhalter, der Live-Modus ist doppelt abgesichert.
- Paper-Broker mit Gebühren, Slippage, Börsenpräzision und Volumengrenzen.
- Online trainierte logistische Regression bewertet jedes Einstiegssignal. Sie lernt
  aus realen Trade-Ergebnissen, aus Shadow-Labels aller Kandidaten – auch der
  abgelehnten – und aus Hintergrund-Stichproben; beim Kaltstart wird sie aus der
  Kurshistorie vorgelernt.
- Risikomanagement: Positions- und Exposure-Grenzen, ATR-Stops, Cooldown sowie
  Tagesverlust- und Drawdown-Notbremsen.
- SQLite-Persistenz, HTTP-Status mit Prometheus-Metriken und Dashboard, Webhooks.

Deployment
- Containerfile (zweistufig, non-root UID 10001), podman-compose, systemd-Quadlet.
- Modell und Datenbank liegen im Volume /data und überleben Neustarts.

128 Tests, ruff sauber. Verifiziert gegen echte Marktdaten sowie im gebauten
Container inklusive Healthcheck und Zustandswiederherstellung.

tests/conftest.py

@@ -0,0 +1,84 @@
+"""Gemeinsame Fixtures: synthetische Kursverläufe ohne Netzwerkzugriff."""
+
+from __future__ import annotations
+
+import numpy as np
+import pytest
+
+from trademind.config import Config, PaperConfig, RiskConfig, RuleConfig
+from trademind.models import Candles
+
+BAR_MS = 300_000  # 5 Minuten
+
+
+def make_candles(
+    symbol: str = "BTC/USDT",
+    n: int = 600,
+    start_price: float = 30_000.0,
+    trend: float = 0.0002,
+    noise: float = 0.002,
+    cycle: float = 0.0,
+    cycle_period: int = 80,
+    seed: int = 7,
+    timeframe: str = "5m",
+    start_ts: int = 1_700_000_000_000,
+) -> Candles:
+    """Erzeugt eine plausible OHLCV-Serie (geometrischer Random Walk plus optionale Welle)."""
+    rng = np.random.default_rng(seed)
+    steps = rng.normal(loc=trend, scale=noise, size=n)
+    if cycle:
+        steps += cycle * np.sin(2 * np.pi * np.arange(n) / cycle_period)
+    close = start_price * np.exp(np.cumsum(steps))
+
+    open_ = np.concatenate([[start_price], close[:-1]])
+    spread = np.abs(rng.normal(0.0, noise * 0.8, size=n)) * close
+    high = np.maximum(open_, close) + spread
+    low = np.minimum(open_, close) - spread
+    low = np.maximum(low, close * 0.5)
+    volume = rng.lognormal(mean=3.0, sigma=0.4, size=n)
+    timestamp = start_ts + np.arange(n, dtype=np.int64) * BAR_MS
+
+    return Candles(
+        symbol=symbol,
+        timeframe=timeframe,
+        timestamp=timestamp,
+        open=open_,
+        high=high,
+        low=low,
+        close=close,
+        volume=volume,
+    )
+
+
+@pytest.fixture
+def candles() -> Candles:
+    return make_candles()
+
+
+@pytest.fixture
+def rules() -> RuleConfig:
+    return RuleConfig()
+
+
+@pytest.fixture
+def paper_config() -> PaperConfig:
+    return PaperConfig(starting_balance=10_000.0, fee_rate=0.001, slippage_bps=5.0)
+
+
+@pytest.fixture
+def risk_config() -> RiskConfig:
+    return RiskConfig(max_open_positions=2, max_position_pct=0.25, cooldown_bars_after_exit=0)
+
+
+@pytest.fixture
+def base_config(tmp_path) -> Config:
+    return Config.model_validate(
+        {
+            "mode": "backtest",
+            "market": {"symbols": ["BTC/USDT"], "timeframe": "5m", "history_bars": 300},
+            "paper": {"starting_balance": 10_000.0},
+            "storage": {"database_path": str(tmp_path / "test.sqlite3")},
+            "server": {"enabled": False},
+            "strategy": {"learner": {"model_path": str(tmp_path / "model.npz"), "warmup_samples": 20}},
+        }
+    )