Terminmarktmerkmale, Ollama-Erklärungen, schnelleres Lernen

Drei Erweiterungen aus der vorangegangenen Analyse.

Lerngeschwindigkeit
- background_sample_every_n_bars von 10 auf 5. Gemessen stammen nur rund 3 % der
  Beobachtungen aus echten Trades; diese Stichproben sind der wirksamste Hebel.
  Nicht weiter gesenkt, weil benachbarte Kerzen stark korreliert sind und sich die
  Label-Fenster überlappen - mehr Gradientenschritte heißt dort nicht mehr
  Information.

Funding Rate und Open Interest als Merkmale (strategy.derivatives, standardmäßig aus)
- Vier zusätzliche Merkmale vom Perpetual zum jeweiligen Spot-Paar. Gehandelt wird
  weiterhin Spot, die Kennzahlen kommen über einen zweiten ccxt-Client mit
  defaultType=future.
- Die Zuordnung ist lookahead-frei: Für jede Kerze gilt nur der Wert, der zu diesem
  Zeitpunkt bereits veröffentlicht war.
- Fällt eine Quelle aus oder deckt sie weniger als min_coverage ab, bleiben die
  Spalten neutral. Die Modelldimension bleibt dabei stabil.
- Gemessene API-Grenzen bei Binance: Open Interest reicht 30 Tage zurück, 500 Zeilen
  je Abruf; Funding Rate über ein Jahr. Beide Merkmale sind deshalb einzeln
  abschaltbar.

  ERGEBNIS: kein Nutzen. Zwei Backtests mit identischen Kerzen und Seed -
  5m/20 Tage: Rendite -1,79 % auf -1,90 %, Accuracy 51,2 % auf 50,4 %;
  15m/28 Tage: Rendite -2,22 % auf -2,67 %, LogLoss praktisch unverändert.
  Die Anbindung arbeitet einwandfrei (100 % Datenabdeckung), das Modell gewichtet
  die neuen Merkmale aber nur mit 0,01 bis 0,09 gegenüber 0,39 für ema_spread.
  Die Funktion bleibt aus und ist dafür da, das auf anderen Zeiträumen selbst zu
  prüfen - nicht weil sie sich bewährt hätte.

Ollama-Erklärungen (llm, standardmäßig aus)
- Neuer Dashboard-Bereich und POST /control/explain. Das Modell bekommt den Zustand
  als Text und gibt Text zurück; es entscheidet nichts, beeinflusst keine Order und
  wird nie aus dem Handels-Loop heraus aufgerufen. Der System-Prompt untersagt
  Anlageempfehlungen und Kursprognosen.
- Bewusst nicht als Entscheider: nicht reproduzierbar, kaum backtestbar, und es
  würde die Nachvollziehbarkeit des linearen Modells zerstören.
- Beim Test an qwen3.8:27b zeigte sich ein echter Fehler: Reasoning-Modelle legen
  ihre Denkschritte in ein eigenes Antwortfeld und verbrauchten dafür das gesamte
  Token-Budget, response blieb leer. llm.think ist jetzt standardmäßig false, die
  Fehlermeldung nennt Ursache und Ausweg statt nur "leere Antwort", und für ältere
  Ollama-Versionen ohne das Feld gibt es einen Wiederholungsversuch ohne es.

Bewusst nicht enthalten: News- und Google-Trends-Sentiment. Es fehlt eine Quelle mit
Point-in-Time-Historie; ohne die lässt sich das Merkmal nicht backtesten. Nach dem
Ergebnis oben wäre ein unvalidiertes Merkmal der falsche Schritt.

test_stop_loss_bounds_the_worst_trade läuft jetzt mit strategy.name: rules. Er hing
über die geänderte Voreinstellung an zufälligem Modellverhalten, geprüft werden soll
aber die Stop-Logik.

270 Tests (36 neue), ruff sauber. Gegen echte Binance-Daten und eine laufende
Ollama-Instanz geprüft, Dashboard-Bereich im Browser bedient.

README.md

@@ -235,6 +235,84 @@ im Paper-Betrieb gereiftes Modell unverändert bleiben soll.
 
 ---
 
+## Terminmarktdaten als Zusatzmerkmale
+
+Optional fließen **Funding Rate** und **Open Interest** vom zugehörigen Perpetual
+(`BTC/USDT` → `BTC/USDT:USDT`) als vier weitere Merkmale ein. Gehandelt wird weiterhin Spot.
+
+```yaml
+strategy:
+  derivatives:
+    enabled: true
+```
+
+Die Zuordnung ist lookahead-frei: Für jede Kerze gilt nur der Wert, der zu diesem Zeitpunkt
+**bereits veröffentlicht** war. Fällt eine Quelle aus oder deckt sie weniger als
+`min_coverage` der Kerzen ab, bleiben die Spalten neutral — die Modelldimension ändert sich
+nicht, der Bot läuft weiter.
+
+> **Gemessenes Ergebnis: kein Nutzen.** Zwei Backtests mit identischen Kerzen und Seed:
+>
+> | Lauf | Rendite | Trefferquote | Modell-Accuracy | LogLoss |
+> |---|---|---|---|---|
+> | 5m, 20 Tage, ohne | −1,79 % | 18,9 % | 51,2 % | 0,7262 |
+> | 5m, 20 Tage, mit | −1,90 % | 21,4 % | 50,4 % | 0,7445 |
+> | 15m, 28 Tage, ohne | −2,22 % | 20,7 % | 46,8 % | 0,7856 |
+> | 15m, 28 Tage, mit | −2,67 % | 18,8 % | 48,3 % | 0,7831 |
+>
+> Die Datenanbindung funktioniert (100 % Abdeckung in beiden Läufen), aber das Modell
+> gewichtet die neuen Merkmale schwach (0,01–0,09 gegenüber 0,39 für `ema_spread`). Deshalb
+> ist die Funktion **standardmäßig aus**. Sie ist da, damit du es auf deinen Zeiträumen
+> selbst prüfen kannst — nicht, weil sie sich bewährt hätte.
+
+**Grenzen der Börsen-API** (gemessen an Binance): Open Interest reicht nur **30 Tage**
+zurück, 500 Zeilen je Abruf. Funding Rate reicht über ein Jahr. Längere Backtests deshalb
+mit `open_interest: false` fahren.
+
+Ein- und Ausschalten ändert die Anzahl der Merkmale (18 ↔ 22). Ein gespeichertes Modell mit
+abweichender Dimension wird verworfen und das Training beginnt von vorn — die Schalter sind
+darum als neustartpflichtig markiert.
+
+---
+
+## Erklärungen über ein lokales Sprachmodell
+
+Mit einer laufenden [Ollama](https://ollama.com)-Instanz erscheint im Dashboard der Bereich
+**Erklärung**: Auf Knopfdruck fasst ein lokales Modell zusammen, was die Zahlen zeigen —
+Merkmalsgewichte, Trefferquote, Risikolage, offene Positionen.
+
+```yaml
+llm:
+  enabled: true
+  model: llama3.2
+```
+
+**Das Modell entscheidet nichts.** Es bekommt den Zustand als Text und gibt Text zurück; es
+wird nie aus dem Handels-Loop heraus aufgerufen und beeinflusst keine Order. Bewusst so:
+Ein Sprachmodell je Kerze entscheiden zu lassen wäre nicht reproduzierbar, kaum backtestbar
+und würde die Nachvollziehbarkeit zerstören, die das lineare Modell heute bietet.
+
+Der System-Prompt untersagt Anlageempfehlungen und Kursprognosen. Beispielausgabe:
+
+> Der Bot befindet sich im simulierten Modus und hat bislang keine Handelsaktivität
+> entfaltet […] Da die Trefferquote knapp über dem Zufallswert liegt und keine realen
+> Handelsdaten vorliegen, ist die Belastbarkeit des Modells unter realen Marktbedingungen
+> noch nicht nachgewiesen.
+
+> **Reasoning-Modelle.** `qwen3`, `deepseek-r1` und Verwandte legen ihre Denkschritte in ein
+> eigenes Antwortfeld und verbrauchen dafür das gesamte Token-Budget — die eigentliche
+> Antwort bleibt leer. `llm.think: false` (Standard) schaltet das ab; getestet mit
+> `qwen3.8:27b`, das damit in rund 20 Sekunden antwortet. Reicht das Budget trotzdem nicht,
+> sagt die Fehlermeldung genau das und nennt den Schalter.
+
+**Nicht enthalten:** News- oder Google-Trends-Sentiment als Merkmal. Der Grund ist nicht
+technischer Natur — es fehlt eine Quelle mit Point-in-Time-Historie. Ohne die lässt sich ein
+solches Merkmal nicht backtesten, und ein unvalidiertes Merkmal in ein Modell zu geben, das
+bei 51 % Accuracy steht, macht es eher schlechter. Google Trends kommt zusätzlich mit
+täglicher Auflösung und pro Abfrage neu skalierten Werten — für 5-Minuten-Kerzen unbrauchbar.
+
+---
+
 ## Risikomanagement
 
 Vor jeder Order greifen mehrere unabhängige Grenzen:
@@ -463,6 +541,7 @@ curl -X POST localhost:8080/control/train/history -H 'Content-Type: application/
 
 | Endpunkt                       | Methode | Wirkung                                    |
 |--------------------------------|---------|--------------------------------------------|
+| `/control/explain`             | POST    | Erklärung des aktuellen Zustands (braucht `llm.enabled`) |
 | `/control/config`              | GET     | Alle Felder mit Wert, Typ, Grenzen und Markierungen |
 | `/control/config`              | POST    | `{"risk.max_open_positions": 5}` — ändern und sichern |
 | `/control/config/reset`        | POST    | `{}` oder `{"paths": [...]}` — Overlay verwerfen |