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 |

config/config.example.yaml

@@ -95,6 +95,23 @@ strategy:
     trend_filter_period: 100      # 0 = Trendfilter aus
     min_holding_bars: 3           # Signalausstiege erst danach; Stop/Ziel gelten immer
 
+  # Zusatzmerkmale aus dem Terminmarkt. Die Daten stammen vom Perpetual zum jeweiligen
+  # Spot-Paar (BTC/USDT -> BTC/USDT:USDT); gehandelt wird weiterhin Spot.
+  #
+  # In zwei Backtests (5m über 20 Tage, 15m über 28 Tage) brachten sie KEINE Verbesserung –
+  # die Anbindung funktioniert, die Merkmale trugen nichts bei. Deshalb standardmäßig aus.
+  # Zum Selberprüfen einschalten und gegen einen Lauf ohne vergleichen.
+  #
+  # Achtung: Ein- und Ausschalten ändert die Anzahl der Merkmale. Ein gespeichertes Modell
+  # mit anderer Dimension wird verworfen, das Training beginnt von vorn.
+  derivatives:
+    enabled: false
+    funding_rate: true        # was Longs den Shorts zahlen, alle 8h
+    open_interest: true       # offene Kontrakte – reicht bei Binance nur 30 Tage zurück
+    oi_change_bars: 12        # über wie viele Kerzen die OI-Veränderung gemessen wird
+    max_pages: 40             # Obergrenze für Seitenabrufe je Symbol
+    min_coverage: 0.9         # darunter gilt die Reihe als unbrauchbar und bleibt neutral
+
   learner:
     enabled: true
     model_path: /data/models/adaptive.npz
@@ -111,7 +128,12 @@ strategy:
     trade_sample_weight: 3.0      # echte Trades zählen dreifach gegenüber Shadow-Labels
     # Einstiegssignale sind selten. Zusätzliche Stichproben des Marktzustands verkürzen die
     # Aufwärmphase von Wochen auf Tage (0 = aus).
-    background_sample_every_n_bars: 10
+    # Der wirksamste Hebel für die Lerngeschwindigkeit: Nur rund 3 % der Beobachtungen
+    # stammen aus echten Trades, der Rest aus diesen Stichproben. Von 10 auf 5 halbiert
+    # die Zeit bis zur Einsatzbereitschaft.
+    # Nicht zu klein wählen – benachbarte Kerzen sind stark korreliert, unter dem halben
+    # label_horizon_bars überlappt praktisch jede Stichprobe mit ihrem Nachbarn.
+    background_sample_every_n_bars: 5
     background_sample_weight: 0.5
     # Beim Start ein noch untrainiertes Modell aus der Kurshistorie vorlernen, damit der Bot
     # nach Sekunden einsatzbereit ist statt nach Tagen (0 = aus).
@@ -147,6 +169,22 @@ notifications:
   notify_on_trade: true
   notify_on_risk_halt: true
 
+# ──────────────── Erklärungen über ein lokales Sprachmodell (Ollama) ────────
+# Fasst auf Knopfdruck zusammen, was die Zahlen zeigen. Hat KEINEN Einfluss auf den
+# Handel – es entscheidet nichts, es formuliert nur.
+llm:
+  enabled: false
+  base_url: http://127.0.0.1:11434
+  model: llama3.2
+  timeout_seconds: 120
+  temperature: 0.2
+  max_tokens: 700
+  max_answer_chars: 2000
+  # Reasoning-Modelle (qwen3, deepseek-r1) verbrauchen sonst das gesamte Token-Budget für
+  # ihre Denkschritte und liefern eine leere Antwort. Für eine Zustandsbeschreibung
+  # wird kein Reasoning gebraucht.
+  think: false
+
 # ───────────────────────────── Backtest-Voreinstellungen ────────────────────
 backtest:
   bars: 5000

src/trademind/app.py

@@ -11,9 +11,11 @@ from .broker import Broker, LiveBroker, PaperBroker
 from .config import Config, Mode
 from .configstore import ConfigStore
 from .data import CcxtDataFeed, DataFeed
+from .derivatives import DerivativesProvider
 from .engine import TradingEngine
 from .exchange import build_exchange, load_market_info
-from .features import N_FEATURES
+from .features import n_features
+from .llm import OllamaClient
 from .notify import Notifier
 from .portfolio import Portfolio
 from .risk import RiskManager
@@ -63,6 +65,8 @@ class Runtime:
     notifier: Notifier
     server: StatusServer | None
     exchange: Any | None
+    derivatives: DerivativesProvider | None = None
+    llm: OllamaClient | None = None
 
     async def start_services(self) -> None:
         await self.notifier.start()
@@ -73,6 +77,10 @@ class Runtime:
         if self.server is not None:
             await self.server.close()
         await self.notifier.close()
+        if self.llm is not None:
+            await self.llm.close()
+        if self.derivatives is not None:
+            await self.derivatives.close()
         if self.exchange is not None:
             await self.exchange.close()
         else:
@@ -186,12 +194,38 @@ async def build_runtime(
         broker = PaperBroker(paper_config, market_info=market_info)
         starting_equity = paper_config.starting_balance
 
-    strategy = build_strategy(config.strategy, N_FEATURES, seed=seed, load_model=load_model)
+    derivatives_provider: DerivativesProvider | None = None
+    derivatives_exchange = None
+    if config.strategy.derivatives.enabled:
+        # Funding Rate und Open Interest gibt es nur am Terminmarkt, also ein zweiter
+        # Client mit defaultType=future neben dem Spot-Client.
+        futures_config = config.exchange.model_copy(
+            update={"options": {**config.exchange.options, "defaultType": "future"}}
+        )
+        derivatives_exchange = build_exchange(futures_config, read_only=True)
+        derivatives_provider = DerivativesProvider(derivatives_exchange, config.strategy.derivatives)
+        log.info(
+            "Terminmarktmerkmale aktiv (%s%s) – Daten vom Perpetual zu %s",
+            "Funding Rate" if config.strategy.derivatives.funding_rate else "",
+            ", Open Interest" if config.strategy.derivatives.open_interest else "",
+            ", ".join(config.market.symbols),
+        )
+
+    strategy = build_strategy(
+        config.strategy,
+        n_features(config.strategy.derivatives),
+        seed=seed,
+        load_model=load_model,
+    )
     learner = getattr(strategy, "learner", None)
     if learner is not None and config.mode is Mode.LIVE and config.strategy.learner.freeze_in_live:
         learner.frozen = True
         log.info("Live-Modus: Online-Lernen eingefroren (freeze_in_live=true)")
 
+    llm_client = OllamaClient(config.llm) if config.llm.enabled else None
+    if llm_client is not None:
+        log.info("Erklärungen über Ollama aktiv (%s, Modell %s)", config.llm.base_url, config.llm.model)
+
     portfolio = Portfolio(starting_equity=starting_equity, quote_currency=broker.quote_currency)
     risk = RiskManager(config.risk)
     notifier = Notifier(config.notifications)
@@ -206,6 +240,8 @@ async def build_runtime(
         storage=storage,
         notifier=notifier,
         config_store=config_store,
+        derivatives=derivatives_provider,
+        llm=llm_client,
     )
 
     server = StatusServer(config.server, engine.status, controller=engine) if serving else None
@@ -230,6 +266,8 @@ async def build_runtime(
         notifier=notifier,
         server=server,
         exchange=exchange,
+        derivatives=derivatives_provider,
+        llm=llm_client,
     )
 
 

src/trademind/backtest.py

@@ -16,7 +16,7 @@ import numpy as np
 
 from .data import format_ts
 from .engine import Bar, TradingEngine
-from .features import FeatureMatrix, build_feature_matrix
+from .features import FeatureMatrix
 from .models import Candles, ExitReason
 
 log = logging.getLogger(__name__)
@@ -114,12 +114,12 @@ class BacktestRunner:
         self.progress_every = progress_every
         self._matrices: dict[str, FeatureMatrix] = {}
 
-    def _prepare(self) -> int:
-        rules = self.engine.config.strategy.rules
+    async def _prepare(self) -> int:
         first_valid = 0
         usable: dict[str, Candles] = {}
         for symbol, candles in self.series.items():
-            matrix = build_feature_matrix(candles, rules)
+            # Über die Engine, damit Terminmarktdaten genauso einfließen wie im Live-Betrieb.
+            matrix = await self.engine.build_matrix(candles)
             if matrix is None:
                 log.warning(
                     "%s: nur %d Kerzen – zu wenig für die Indikatoren, Symbol wird übersprungen",
@@ -136,7 +136,7 @@ class BacktestRunner:
 
     async def run(self) -> BacktestReport:
         start_time = time.perf_counter()
-        first_valid = self._prepare()
+        first_valid = await self._prepare()
         length = min(len(c) for c in self.series.values())
         symbols = list(self.series)
 

src/trademind/config.py

@@ -35,6 +35,10 @@ RESTART_REQUIRED: frozenset[str] = frozenset(
         # Wirkt erst beim nächsten Start – der aktuelle Handelszustand bleibt, wie er ist.
         "trading.autostart",
         "strategy.name",
+        # Ändert die Anzahl der Merkmale und damit die Modelldimension.
+        "strategy.derivatives.enabled",
+        "strategy.derivatives.funding_rate",
+        "strategy.derivatives.open_interest",
         "strategy.learner.enabled",
         "strategy.learner.model_path",
         "strategy.learner.replay_size",
@@ -165,9 +169,15 @@ class LearnerConfig(_Base):
     label_horizon_bars: int = Field(default=12, ge=1)
     label_target_bps: float = Field(default=30.0, ge=0)
     trade_sample_weight: float = Field(default=3.0, gt=0)
-    # Einstiegssignale sind selten. Zusätzliche Stichproben des Marktzustands beschleunigen
-    # die Aufwärmphase erheblich (0 = aus).
-    background_sample_every_n_bars: int = Field(default=10, ge=0)
+    # Einstiegssignale sind selten – nur rund 3 % der Beobachtungen stammen aus echten
+    # Trades. Regelmäßige Stichproben des Marktzustands sind daher der wirksamste Hebel
+    # für die Lerngeschwindigkeit (0 = aus).
+    #
+    # Achtung beim Verkleinern: Benachbarte Kerzen sind stark korreliert und die
+    # Label-Fenster überlappen sich. Bei 5 statt 10 verdoppeln sich die Trainingsschritte,
+    # der Informationsgehalt wächst aber deutlich langsamer. Unter dem halben
+    # label_horizon_bars überlappt praktisch jede Stichprobe mit ihrem Nachbarn.
+    background_sample_every_n_bars: int = Field(default=5, ge=0)
     background_sample_weight: float = Field(default=0.5, gt=0)
     # Beim Start ein noch untrainiertes Modell aus der Kurshistorie vorlernen, statt
     # tagelang auf genügend Live-Beobachtungen zu warten (0 = aus).
@@ -176,10 +186,29 @@ class LearnerConfig(_Base):
     save_every_n_updates: int = Field(default=50, ge=1)
 
 
+class DerivativesConfig(_Base):
+    """Zusatzmerkmale aus dem Terminmarkt (Funding Rate, Open Interest).
+
+    Die Daten stammen vom Perpetual zum jeweiligen Spot-Paar. Gehandelt wird weiterhin Spot.
+    """
+
+    enabled: bool = False
+    funding_rate: bool = True
+    open_interest: bool = True
+    # Über wie viele Kerzen die Open-Interest-Veränderung gemessen wird.
+    oi_change_bars: int = Field(default=12, ge=1, le=500)
+    # Obergrenze für Seitenabrufe je Symbol – Binance liefert nur 500 Zeilen je Seite und
+    # deckt höchstens 30 Tage ab.
+    max_pages: int = Field(default=40, ge=1, le=500)
+    # Unter dieser Abdeckung gilt die Reihe als unbrauchbar und wird verworfen.
+    min_coverage: float = Field(default=0.9, ge=0.0, le=1.0)
+
+
 class StrategyConfig(_Base):
     name: str = "adaptive"  # adaptive | rules
     rules: RuleConfig = Field(default_factory=RuleConfig)
     learner: LearnerConfig = Field(default_factory=LearnerConfig)
+    derivatives: DerivativesConfig = Field(default_factory=DerivativesConfig)
 
     @field_validator("name")
     @classmethod
@@ -230,6 +259,25 @@ class NotificationConfig(_Base):
     notify_on_risk_halt: bool = True
 
 
+class OllamaConfig(_Base):
+    """Lokales Sprachmodell zur Erklärung von Entscheidungen.
+
+    Nimmt keinerlei Einfluss auf den Handel – es formuliert nur, was die Zahlen zeigen.
+    """
+
+    enabled: bool = False
+    base_url: str = "http://127.0.0.1:11434"
+    model: str = "llama3.2"
+    timeout_seconds: float = Field(default=120.0, gt=0, le=600)
+    temperature: float = Field(default=0.2, ge=0.0, le=2.0)
+    max_tokens: int = Field(default=700, ge=32, le=4096)
+    max_answer_chars: int = Field(default=2000, ge=100, le=20_000)
+    # Reasoning-Modelle (qwen3, deepseek-r1) legen ihre Denkschritte in ein eigenes Feld und
+    # verbrauchen dafür das gesamte Token-Budget – die eigentliche Antwort bleibt dann leer.
+    # Für eine Zustandsbeschreibung wird kein Reasoning gebraucht, deshalb standardmäßig aus.
+    think: bool | None = False
+
+
 class BacktestConfig(_Base):
     start: str | None = None  # ISO-8601, z.B. 2024-01-01T00:00:00Z
     end: str | None = None
@@ -250,6 +298,7 @@ class Config(_Base):
     storage: StorageConfig = Field(default_factory=StorageConfig)
     server: ServerConfig = Field(default_factory=ServerConfig)
     notifications: NotificationConfig = Field(default_factory=NotificationConfig)
+    llm: OllamaConfig = Field(default_factory=OllamaConfig)
     backtest: BacktestConfig = Field(default_factory=BacktestConfig)
 
     @field_validator("log_level")

src/trademind/derivatives.py

@@ -0,0 +1,228 @@
+"""Zusatzdaten aus dem Terminmarkt: Funding Rate und Open Interest.
+
+Beides sagt etwas über die Positionierung der Marktteilnehmer, was sich aus reinen
+Kerzendaten nicht ablesen lässt:
+
+* **Funding Rate** – was Long-Positionen den Short-Positionen zahlen (oder umgekehrt).
+  Positiv und steigend heißt: Longs sind bereit, für ihre Position zu bezahlen.
+* **Open Interest** – wie viele Kontrakte offen sind. Zusammen mit der Kursrichtung
+  unterscheidet das neu aufgebaute Positionen von Glattstellungen.
+
+Gehandelt wird weiterhin Spot; die Kennzahlen stammen vom zugehörigen Perpetual
+(``BTC/USDT`` → ``BTC/USDT:USDT``).
+
+Zwei Grenzen der Börsen-API, gemessen an Binance:
+
+* Open Interest reicht nur **30 Tage** zurück, 500 Zeilen je Abruf.
+* Funding Rate reicht über ein Jahr zurück, veröffentlicht alle 8 Stunden.
+
+Deshalb sind beide Merkmale einzeln abschaltbar, und fehlende Abdeckung wird gemeldet
+statt stillschweigend mit Nullen aufgefüllt.
+"""
+
+from __future__ import annotations
+
+import asyncio
+import logging
+from dataclasses import dataclass
+
+import numpy as np
+
+from .config import DerivativesConfig
+from .models import Candles
+
+log = logging.getLogger(__name__)
+
+MAX_PAGE = 500
+FUNDING_INTERVAL_MS = 8 * 3_600_000
+
+
+def perpetual_symbol(spot_symbol: str) -> str:
+    """``BTC/USDT`` → ``BTC/USDT:USDT`` – die übliche ccxt-Schreibweise für Perpetuals."""
+    if ":" in spot_symbol:
+        return spot_symbol
+    quote = spot_symbol.split("/")[-1]
+    return f"{spot_symbol}:{quote}"
+
+
+def forward_fill_to_bars(
+    bar_timestamps: np.ndarray, source_ts: np.ndarray, source_values: np.ndarray
+) -> tuple[np.ndarray, np.ndarray]:
+    """Ordnet eine Zeitreihe den Kerzen zu – ohne in die Zukunft zu schauen.
+
+    Für jede Kerze gilt der letzte Wert, der zum Kerzenzeitpunkt **bereits bekannt** war.
+    Gibt ``(werte, bekannt)`` zurück; ``bekannt`` markiert Kerzen ohne Vorgängerwert.
+    """
+    bars = np.asarray(bar_timestamps, dtype=np.int64)
+    values = np.full(bars.size, np.nan, dtype=np.float64)
+    known = np.zeros(bars.size, dtype=bool)
+    if source_ts.size == 0:
+        return values, known
+
+    order = np.argsort(source_ts)
+    src_ts = np.asarray(source_ts, dtype=np.int64)[order]
+    src_val = np.asarray(source_values, dtype=np.float64)[order]
+
+    # searchsorted mit "right" liefert die Anzahl Quellwerte mit ts <= bar_ts.
+    idx = np.searchsorted(src_ts, bars, side="right") - 1
+    valid = idx >= 0
+    values[valid] = src_val[idx[valid]]
+    known[valid] = True
+    return values, known
+
+
+@dataclass(slots=True)
+class DerivativeSeries:
+    """Auf die Kerzen ausgerichtete Terminmarktdaten."""
+
+    symbol: str
+    timestamp: np.ndarray
+    funding_rate: np.ndarray      # Anteil je 8h-Periode, NaN wenn unbekannt
+    open_interest: np.ndarray     # Kontrakte, NaN wenn unbekannt
+    funding_coverage: float = 0.0
+    oi_coverage: float = 0.0
+
+    @property
+    def usable(self) -> bool:
+        return self.funding_coverage > 0.0 or self.oi_coverage > 0.0
+
+    def describe(self) -> str:
+        return (
+            f"{self.symbol}: Funding {self.funding_coverage * 100:.0f} %, "
+            f"Open Interest {self.oi_coverage * 100:.0f} % der Kerzen abgedeckt"
+        )
+
+
+class DerivativesProvider:
+    """Holt Funding Rate und Open Interest und hält sie je Symbol vor.
+
+    Der Zwischenspeicher wächst inkrementell: Im Live-Betrieb wird je neuer Kerze nur
+    das kurze Stück seit dem letzten bekannten Zeitstempel nachgeladen.
+    """
+
+    def __init__(self, exchange, config: DerivativesConfig) -> None:
+        self._exchange = exchange
+        self.config = config
+        self._funding: dict[str, tuple[np.ndarray, np.ndarray]] = {}
+        self._oi: dict[str, tuple[np.ndarray, np.ndarray]] = {}
+        self.failures: dict[str, str] = {}
+
+    async def close(self) -> None:
+        if self._exchange is not None:
+            await self._exchange.close()
+
+    # ------------------------------------------------------------------ Abruf
+
+    async def _fetch_funding(self, symbol: str, since: int, until: int) -> None:
+        perp = perpetual_symbol(symbol)
+        known_ts, known_val = self._funding.get(symbol, (np.empty(0, np.int64), np.empty(0)))
+        cursor = int(known_ts[-1]) + 1 if known_ts.size else since
+        collected: list[tuple[int, float]] = []
+        while cursor < until:
+            try:
+                rows = await self._exchange.fetch_funding_rate_history(perp, since=cursor, limit=1000)
+            except asyncio.CancelledError:
+                raise
+            except Exception as exc:  # noqa: BLE001 - Zusatzdaten dürfen nie den Bot stoppen
+                self.failures[f"{symbol}/funding"] = f"{type(exc).__name__}: {exc}"
+                log.warning("%s: Funding-Rate nicht abrufbar (%s)", perp, exc)
+                return
+            if not rows:
+                break
+            for row in rows:
+                rate = row.get("fundingRate")
+                if row.get("timestamp") is not None and rate is not None:
+                    collected.append((int(row["timestamp"]), float(rate)))
+            nxt = int(rows[-1]["timestamp"]) + 1
+            if nxt <= cursor:
+                break
+            cursor = nxt
+            await self._throttle()
+
+        if collected:
+            ts = np.concatenate([known_ts, np.array([c[0] for c in collected], dtype=np.int64)])
+            val = np.concatenate([known_val, np.array([c[1] for c in collected], dtype=np.float64)])
+            order = np.argsort(ts)
+            self._funding[symbol] = (ts[order], val[order])
+
+    async def _fetch_open_interest(self, symbol: str, timeframe: str, since: int, until: int) -> None:
+        perp = perpetual_symbol(symbol)
+        known_ts, known_val = self._oi.get(symbol, (np.empty(0, np.int64), np.empty(0)))
+        cursor = int(known_ts[-1]) + 1 if known_ts.size else since
+        collected: list[tuple[int, float]] = []
+        pages = 0
+        while cursor < until and pages < self.config.max_pages:
+            try:
+                rows = await self._exchange.fetch_open_interest_history(
+                    perp, timeframe, since=cursor, limit=MAX_PAGE
+                )
+            except asyncio.CancelledError:
+                raise
+            except Exception as exc:  # noqa: BLE001
+                # Häufigster Fall: Anfrage älter als das Fenster der Börse (30 Tage).
+                self.failures[f"{symbol}/open_interest"] = f"{type(exc).__name__}: {exc}"
+                log.warning("%s: Open Interest ab %d nicht abrufbar (%s)", perp, cursor, exc)
+                break
+            if not rows:
+                break
+            for row in rows:
+                amount = row.get("openInterestAmount") or row.get("openInterestValue")
+                if row.get("timestamp") is not None and amount is not None:
+                    collected.append((int(row["timestamp"]), float(amount)))
+            nxt = int(rows[-1]["timestamp"]) + 1
+            if nxt <= cursor:
+                break
+            cursor = nxt
+            pages += 1
+            await self._throttle()
+
+        if collected:
+            ts = np.concatenate([known_ts, np.array([c[0] for c in collected], dtype=np.int64)])
+            val = np.concatenate([known_val, np.array([c[1] for c in collected], dtype=np.float64)])
+            order = np.argsort(ts)
+            unique = np.concatenate([[True], np.diff(ts[order]) > 0])
+            self._oi[symbol] = (ts[order][unique], val[order][unique])
+
+    async def _throttle(self) -> None:
+        delay = getattr(self._exchange, "rateLimit", 0) or 0
+        if delay:
+            await asyncio.sleep(delay / 1000)
+
+    # ------------------------------------------------------------ Bereitstellen
+
+    async def series_for(self, candles: Candles) -> DerivativeSeries:
+        """Terminmarktdaten passend zu einer Kerzenserie, auf deren Zeitstempel ausgerichtet."""
+        symbol = candles.symbol
+        bars = np.asarray(candles.timestamp, dtype=np.int64)
+        empty = np.full(bars.size, np.nan)
+        series = DerivativeSeries(symbol=symbol, timestamp=bars, funding_rate=empty.copy(),
+                                  open_interest=empty.copy())
+        if bars.size == 0:
+            return series
+
+        since = int(bars[0]) - FUNDING_INTERVAL_MS  # ein Intervall Vorlauf für den ersten Wert
+        until = int(bars[-1]) + 1
+
+        if self.config.funding_rate:
+            await self._fetch_funding(symbol, since, until)
+            ts, val = self._funding.get(symbol, (np.empty(0, np.int64), np.empty(0)))
+            values, known = forward_fill_to_bars(bars, ts, val)
+            series.funding_rate = values
+            series.funding_coverage = float(np.mean(known)) if bars.size else 0.0
+
+        if self.config.open_interest:
+            await self._fetch_open_interest(symbol, candles.timeframe, since, until)
+            ts, val = self._oi.get(symbol, (np.empty(0, np.int64), np.empty(0)))
+            values, known = forward_fill_to_bars(bars, ts, val)
+            series.open_interest = values
+            series.oi_coverage = float(np.mean(known)) if bars.size else 0.0
+
+        return series
+
+    def snapshot(self) -> dict[str, object]:
+        return {
+            "enabled": True,
+            "funding_symbols": sorted(self._funding),
+            "oi_symbols": sorted(self._oi),
+            "failures": dict(self.failures),
+        }

src/trademind/engine.py

@@ -20,7 +20,9 @@ from .broker import Broker, InsufficientFunds, OrderRejected, PaperBroker
 from .config import Config
 from .configstore import ConfigError, ConfigStore
 from .data import DataFeed
-from .features import FEATURE_NAMES, FeatureSnapshot, build_feature_matrix, required_bars
+from .derivatives import DerivativesProvider
+from .features import FeatureSnapshot, build_feature_matrix, feature_names, required_bars
+from .llm import OllamaClient, build_status_prompt
 from .models import Action, Candles, ExitReason, Position, Side, Signal
 from .notify import Notifier
 from .portfolio import Portfolio
@@ -151,9 +153,14 @@ class TradingEngine:
         storage: Storage | NullStorage,
         notifier: Notifier | None = None,
         config_store: ConfigStore | None = None,
+        derivatives: DerivativesProvider | None = None,
+        llm: OllamaClient | None = None,
     ) -> None:
+        self.llm = llm
         self.config = config
         self.config_store = config_store
+        self.derivatives = derivatives
+        self._coverage_warned: set[str] = set()
         self.broker = broker
         self.feed = feed
         self.strategy = strategy
@@ -258,7 +265,7 @@ class TradingEngine:
                         log.warning("%s: Historie nicht abrufbar (%s)", symbol, exc)
                         job.skipped.append(f"{symbol}: {exc}")
                         continue
-                    matrix = build_feature_matrix(candles, self.config.strategy.rules)
+                    matrix = await self.build_matrix(candles)
                     if matrix is None:
                         log.warning("%s: zu wenig Historie (%d Kerzen)", symbol, len(candles))
                         job.skipped.append(f"{symbol}: nur {len(candles)} Kerzen")
@@ -462,6 +469,26 @@ class TradingEngine:
         self.apply_config(new_config)
         return {"accepted": True, "reason": "", **self.config_state()}
 
+    # ------------------------------------------------------ Erklärung (LLM)
+
+    async def explain(self) -> dict[str, Any]:
+        """Den aktuellen Zustand vom Sprachmodell in Worte fassen lassen.
+
+        Läuft außerhalb des Handels-Loops und ohne dessen Mutex – eine Erklärung darf
+        den Handel weder blockieren noch beeinflussen.
+        """
+        if not self.config.llm.enabled or self.llm is None:
+            return {
+                "ok": False,
+                "error": "Erklärungen sind deaktiviert (llm.enabled)",
+                "model": self.config.llm.model,
+            }
+        prompt = build_status_prompt(self.status())
+        result = await self.llm.generate(prompt)
+        if not result.ok:
+            log.warning("Erklärung fehlgeschlagen: %s", result.error)
+        return result.as_dict()
+
     def training_status(self) -> dict[str, Any]:
         learner = self.learner
         return {
@@ -474,6 +501,44 @@ class TradingEngine:
             **self.training.as_dict(),
         }
 
+    async def build_matrix(self, candles: Candles):
+        """Merkmalsmatrix bauen und dabei – falls aktiviert – Terminmarktdaten einbeziehen."""
+        derivatives = self.config.strategy.derivatives
+        series = None
+        if derivatives.enabled and self.derivatives is not None:
+            try:
+                series = await self.derivatives.series_for(candles)
+            except asyncio.CancelledError:
+                raise
+            except Exception as exc:  # noqa: BLE001 - Zusatzdaten dürfen nie den Bot stoppen
+                log.warning("%s: Terminmarktdaten nicht verfügbar (%s)", candles.symbol, exc)
+                series = None
+            else:
+                if series is not None and not self._coverage_ok(series):
+                    series = None
+        return build_feature_matrix(candles, self.config.strategy.rules, derivatives, series)
+
+    def _coverage_ok(self, series) -> bool:
+        """Zu lückenhafte Reihen verwerfen – neutrale Spalten sind ehrlicher als Rauschen."""
+        minimum = self.config.strategy.derivatives.min_coverage
+        checks = []
+        if self.config.strategy.derivatives.funding_rate:
+            checks.append(("Funding", series.funding_coverage))
+        if self.config.strategy.derivatives.open_interest:
+            checks.append(("Open Interest", series.oi_coverage))
+        for label, coverage in checks:
+            if coverage < minimum:
+                key = f"{series.symbol}/{label}"
+                if key not in self._coverage_warned:
+                    self._coverage_warned.add(key)
+                    log.warning(
+                        "%s: %s deckt nur %.0f %% der Kerzen ab (nötig %.0f %%) – "
+                        "Terminmarktmerkmale bleiben für dieses Symbol neutral",
+                        series.symbol, label, coverage * 100, minimum * 100,
+                    )
+                return False
+        return True
+
     async def _fetch_history(self, symbol: str, bars: int) -> Candles:
         """Längere Historie holen, wenn der Feed das kann – sonst das normale Fenster."""
         fetch_history = getattr(self.feed, "fetch_history", None)
@@ -543,7 +608,7 @@ class TradingEngine:
                 continue  # noch dieselbe Kerze – nichts Neues zu entscheiden
             self.last_bar_ts[symbol] = bar.timestamp
 
-            matrix = build_feature_matrix(candles, self.config.strategy.rules)
+            matrix = await self.build_matrix(candles)
             snapshot = matrix.snapshot(-1) if matrix is not None else None
             if snapshot is None:
                 log.info(
@@ -793,8 +858,17 @@ class TradingEngine:
             "trading": self.trading_control_status(),
             "training": self.training_status(),
             "feature_weights": (
-                learner.feature_importance(FEATURE_NAMES) if learner is not None else {}
+                learner.feature_importance(feature_names(self.config.strategy.derivatives))
+                if learner is not None
+                else {}
             ),
+            "derivatives": (
+                self.derivatives.snapshot() if self.derivatives is not None else {"enabled": False}
+            ),
+            "llm": {
+                "enabled": self.config.llm.enabled and self.llm is not None,
+                "model": self.config.llm.model,
+            },
         }
 
 

src/trademind/features.py

@@ -13,11 +13,11 @@ from dataclasses import dataclass
 
 import numpy as np
 
-from .config import RuleConfig
+from .config import DerivativesConfig, RuleConfig
 from .indicators import atr, donchian_position, ema, macd, roc, rolling_std, rsi, sma
 from .models import Candles
 
-FEATURE_NAMES: tuple[str, ...] = (
+BASE_FEATURE_NAMES: tuple[str, ...] = (
     "ema_spread",          # (EMA_fast - EMA_slow) / Preis  [%]
     "ema_fast_dist",       # (Preis - EMA_fast) / Preis     [%]
     "trend_dist",          # (Preis - EMA_trend) / Preis    [%]
@@ -38,11 +38,38 @@ FEATURE_NAMES: tuple[str, ...] = (
     "time_cos",
 )
 
-N_FEATURES = len(FEATURE_NAMES)
+# Zusatzmerkmale aus dem Terminmarkt – nur aktiv, wenn strategy.derivatives.enabled.
+FUNDING_FEATURE_NAMES: tuple[str, ...] = (
+    "funding_bps",         # Funding Rate der laufenden Periode, in Basispunkten
+    "funding_trend",       # Abweichung vom Mittel der letzten Perioden
+)
+OI_FEATURE_NAMES: tuple[str, ...] = (
+    "oi_change",           # Veränderung des Open Interest über oi_change_bars  [%]
+    "oi_price_divergence", # OI-Veränderung × Kursrichtung: neue Positionen oder Glattstellung
+)
+
+# Rückwärtskompatibler Name für die Basisausstattung.
+FEATURE_NAMES = BASE_FEATURE_NAMES
+N_FEATURES = len(BASE_FEATURE_NAMES)
 MIN_BARS = 140
 _CLIP_LIMIT = 8.0
 
 
+def feature_names(derivatives: DerivativesConfig | None = None) -> tuple[str, ...]:
+    """Merkmalsnamen für die gegebene Konfiguration – die Anzahl hängt davon ab."""
+    names = BASE_FEATURE_NAMES
+    if derivatives is not None and derivatives.enabled:
+        if derivatives.funding_rate:
+            names += FUNDING_FEATURE_NAMES
+        if derivatives.open_interest:
+            names += OI_FEATURE_NAMES
+    return names
+
+
+def n_features(derivatives: DerivativesConfig | None = None) -> int:
+    return len(feature_names(derivatives))
+
+
 @dataclass(slots=True)
 class FeatureSnapshot:
     """Merkmalsvektor plus Roh-Kennzahlen, die Risiko und Regelwerk zusätzlich brauchen."""
@@ -96,6 +123,7 @@ class FeatureMatrix:
     ema_slow: np.ndarray
     trend_ema: np.ndarray
     first_valid: int              # ab hier sind die Zeilen belastbar
+    names: tuple[str, ...] = BASE_FEATURE_NAMES
 
     def __len__(self) -> int:
         return int(self.values.shape[0])
@@ -112,7 +140,7 @@ class FeatureMatrix:
         prev = max(idx - 1, 0)
         return FeatureSnapshot(
             values=self.values[idx].copy(),
-            names=FEATURE_NAMES,
+            names=self.names,
             index=idx,
             price=float(self.price[idx]),
             atr=float(self.atr[idx]),
@@ -127,9 +155,54 @@ class FeatureMatrix:
         )
 
 
-def build_feature_matrix(candles: Candles, rules: RuleConfig) -> FeatureMatrix | None:
+def _derivative_columns(
+    close: np.ndarray, series, config: DerivativesConfig
+) -> list[np.ndarray]:
+    """Spalten aus Funding Rate und Open Interest, in derselben Reihenfolge wie die Namen."""
+    columns: list[np.ndarray] = []
+    n = close.size
+
+    if config.funding_rate:
+        rate = np.asarray(getattr(series, "funding_rate", None), dtype=np.float64) \
+            if series is not None else np.full(n, np.nan)
+        rate = _clean(rate, 0.0)
+        # Anteil je 8h → Basispunkte. Typisch ±1 bp, in Extremphasen ±10 bp.
+        funding_bps = rate * 10_000.0
+        # Abweichung vom gleitenden Mittel der letzten Perioden: Zuspitzung oder Entspannung.
+        baseline = _clean(sma(funding_bps, 24), 0.0)
+        columns += [funding_bps, funding_bps - baseline]
+
+    if config.open_interest:
+        oi = np.asarray(getattr(series, "open_interest", None), dtype=np.float64) \
+            if series is not None else np.full(n, np.nan)
+        oi = _clean(oi, 0.0)
+        lag = min(config.oi_change_bars, max(n - 1, 1))
+        previous = np.concatenate([np.full(min(lag, n), oi[0] if n else 0.0), oi[:-lag]])[:n]
+        with np.errstate(divide="ignore", invalid="ignore"):
+            oi_change = np.where(previous > 0, (oi - previous) / previous * 100.0, 0.0)
+        prev_close = np.concatenate([np.full(min(lag, n), close[0] if n else 0.0), close[:-lag]])[:n]
+        with np.errstate(divide="ignore", invalid="ignore"):
+            price_change = np.where(prev_close > 0, (close - prev_close) / prev_close * 100.0, 0.0)
+        # Gleiches Vorzeichen = frisches Geld in Richtung des Trends, Gegenzeichen =
+        # Glattstellungen. Das Produkt fasst beides in einer Zahl zusammen.
+        divergence = np.sign(oi_change) * np.abs(price_change)
+        columns += [_clean(oi_change), _clean(divergence)]
+
+    return columns
+
+
+def build_feature_matrix(
+    candles: Candles,
+    rules: RuleConfig,
+    derivatives: DerivativesConfig | None = None,
+    series=None,
+) -> FeatureMatrix | None:
     """Berechnet Indikatoren und Merkmalsvektoren für die gesamte Serie.
 
+    ``series`` ist eine :class:`~trademind.derivatives.DerivativeSeries` passend zu den
+    Kerzen; fehlt sie bei aktivierten Terminmarktmerkmalen, werden die Spalten neutral
+    gefüllt, damit die Modelldimension gleich bleibt.
+
     Gibt ``None`` zurück, wenn die Historie kürzer als ``required_bars`` ist.
     """
     n = len(candles)
@@ -201,6 +274,8 @@ def build_feature_matrix(candles: Candles, rules: RuleConfig) -> FeatureMatrix |
         np.sin(angle),
         np.cos(angle),
     ]
+    if derivatives is not None and derivatives.enabled:
+        columns += _derivative_columns(close, series, derivatives)
     values = np.column_stack([_clean(col) for col in columns])
     np.clip(values, -_CLIP_LIMIT, _CLIP_LIMIT, out=values)
 
@@ -214,6 +289,7 @@ def build_feature_matrix(candles: Candles, rules: RuleConfig) -> FeatureMatrix |
         ema_slow=_clean(ema_slow, close),
         trend_ema=_clean(trend_ema, close),
         first_valid=need - 1,
+        names=feature_names(derivatives),
     )
 
 

src/trademind/llm.py

@@ -0,0 +1,265 @@
+"""Ollama-Anbindung: erklärt Entscheidungen in Worten.
+
+Bewusst **nicht** als Entscheider. Ein Sprachmodell je Kerze über Käufe entscheiden zu
+lassen wäre nicht reproduzierbar, kaum backtestbar und in numerischer Zeitreihenvorhersage
+schwach – und es würde die Nachvollziehbarkeit zerstören, die das lineare Modell heute
+bietet (``/status`` zeigt jedes einzelne Gewicht).
+
+Wozu es taugt: aus Zahlen einen lesbaren Satz machen. Der Bot liefert die tatsächlichen
+Entscheidungsgrundlagen – Regelbegründung, Modellkonfidenz, Merkmalsgewichte, Risikolage –
+und das Modell formuliert daraus eine Erklärung. Es bekommt keinerlei Einfluss auf den
+Handel und wird nie aus dem Handels-Loop heraus aufgerufen.
+"""
+
+from __future__ import annotations
+
+import asyncio
+import logging
+from dataclasses import dataclass
+from typing import Any
+
+import aiohttp
+
+from .config import OllamaConfig
+
+log = logging.getLogger(__name__)
+
+SYSTEM_PROMPT = (
+    "Du erklärst die Entscheidungen eines Krypto-Trading-Bots auf Deutsch. "
+    "Beschreibe ausschließlich, was die übergebenen Zahlen zeigen. "
+    "Gib keine Anlageempfehlung, keine Kursprognose und keine Einschätzung, ob jemand "
+    "kaufen oder verkaufen sollte. Erfinde keine Zahlen, die nicht dastehen. "
+    "Wenn die Daten für eine Aussage nicht ausreichen, sage das. "
+    "Antworte in höchstens drei kurzen Absätzen, sachlich und ohne Aufzählungszeichen."
+)
+
+
+@dataclass(slots=True)
+class LlmResult:
+    ok: bool
+    text: str = ""
+    error: str = ""
+    model: str = ""
+    duration_seconds: float = 0.0
+
+    def as_dict(self) -> dict[str, Any]:
+        return {
+            "ok": self.ok,
+            "text": self.text,
+            "error": self.error,
+            "model": self.model,
+            "duration_seconds": round(self.duration_seconds, 2),
+        }
+
+
+class OllamaClient:
+    """Dünner Client für ``/api/generate``. Fehler werden gemeldet, nie geworfen."""
+
+    def __init__(self, config: OllamaConfig) -> None:
+        self.config = config
+        self._session: aiohttp.ClientSession | None = None
+
+    async def _ensure_session(self) -> aiohttp.ClientSession:
+        if self._session is None or self._session.closed:
+            timeout = aiohttp.ClientTimeout(total=self.config.timeout_seconds)
+            self._session = aiohttp.ClientSession(timeout=timeout)
+        return self._session
+
+    async def close(self) -> None:
+        if self._session is not None and not self._session.closed:
+            await self._session.close()
+        self._session = None
+
+    async def available_models(self) -> list[str]:
+        session = await self._ensure_session()
+        try:
+            async with session.get(f"{self.config.base_url.rstrip('/')}/api/tags") as response:
+                if response.status != 200:
+                    return []
+                payload = await response.json()
+        except asyncio.CancelledError:
+            raise
+        except Exception as exc:  # noqa: BLE001 - Erreichbarkeit ist optional
+            log.debug("Ollama nicht erreichbar: %s", exc)
+            return []
+        return [m.get("name", "") for m in payload.get("models", []) if m.get("name")]
+
+    async def generate(self, prompt: str, system: str = SYSTEM_PROMPT) -> LlmResult:
+        loop = asyncio.get_running_loop()
+        started = loop.time()
+        session = await self._ensure_session()
+        body: dict[str, Any] = {
+            "model": self.config.model,
+            "prompt": prompt,
+            "system": system,
+            "stream": False,
+            "options": {
+                "temperature": self.config.temperature,
+                "num_predict": self.config.max_tokens,
+            },
+        }
+        if self.config.think is not None:
+            body["think"] = self.config.think
+        url = f"{self.config.base_url.rstrip('/')}/api/generate"
+        try:
+            async with session.post(url, json=body) as response:
+                if response.status == 400 and "think" in body:
+                    # Ältere Ollama-Versionen kennen das Feld nicht – ohne es erneut versuchen.
+                    body.pop("think")
+                    async with session.post(url, json=body) as retry:
+                        if retry.status != 200:
+                            detail = (await retry.text())[:200]
+                            return LlmResult(False, error=f"HTTP {retry.status}: {detail}",
+                                             model=self.config.model,
+                                             duration_seconds=loop.time() - started)
+                        payload = await retry.json()
+                elif response.status != 200:
+                    detail = (await response.text())[:200]
+                    return LlmResult(False, error=f"HTTP {response.status}: {detail}",
+                                     model=self.config.model,
+                                     duration_seconds=loop.time() - started)
+                else:
+                    payload = await response.json()
+        except TimeoutError:
+            return LlmResult(
+                False,
+                error=f"Zeitüberschreitung nach {self.config.timeout_seconds:g}s – "
+                      "größere Modelle brauchen länger, llm.timeout_seconds erhöhen",
+                model=self.config.model,
+                duration_seconds=loop.time() - started,
+            )
+        except aiohttp.ClientError as exc:
+            return LlmResult(
+                False,
+                error=f"Ollama unter {self.config.base_url} nicht erreichbar ({exc})",
+                model=self.config.model,
+                duration_seconds=loop.time() - started,
+            )
+        except asyncio.CancelledError:
+            raise
+        except Exception as exc:  # noqa: BLE001 - eine Erklärung darf nie den Bot stören
+            return LlmResult(False, error=f"{type(exc).__name__}: {exc}",
+                             model=self.config.model, duration_seconds=loop.time() - started)
+
+        text = str(payload.get("response", "")).strip()
+        # Manche Modelle betten den Denkprozess als <think>-Block in die Antwort ein.
+        text = _strip_thinking(text)
+        if not text:
+            return LlmResult(
+                False,
+                error=_diagnose_empty(payload, self.config),
+                model=self.config.model,
+                duration_seconds=loop.time() - started,
+            )
+        return LlmResult(True, text=text[: self.config.max_answer_chars],
+                         model=self.config.model, duration_seconds=loop.time() - started)
+
+
+def _diagnose_empty(payload: dict[str, Any], config: OllamaConfig) -> str:
+    """Sagt, *warum* nichts zurückkam – „leere Antwort" allein hilft niemandem weiter."""
+    thinking = str(payload.get("thinking") or "")
+    reason = payload.get("done_reason")
+    if thinking and reason == "length":
+        return (
+            f"Das Modell hat alle {config.max_tokens} Tokens für seine Denkschritte verbraucht "
+            f"({len(thinking)} Zeichen im Feld 'thinking'), ohne eine Antwort zu formulieren. "
+            "llm.think auf false setzen oder llm.max_tokens erhöhen."
+        )
+    if thinking:
+        return (
+            "Das Modell hat nur Denkschritte geliefert, keine Antwort. "
+            "llm.think auf false setzen."
+        )
+    if reason == "length":
+        return f"Antwort nach {config.max_tokens} Tokens abgeschnitten – llm.max_tokens erhöhen."
+    return f"Leere Antwort vom Modell (done_reason={reason!r})"
+
+
+def _strip_thinking(text: str) -> str:
+    while "<think>" in text and "</think>" in text:
+        start = text.index("<think>")
+        end = text.index("</think>") + len("</think>")
+        text = (text[:start] + text[end:]).strip()
+    return text
+
+
+def _fmt(value: Any, digits: int = 2, suffix: str = "") -> str:
+    if value is None:
+        return "unbekannt"
+    if isinstance(value, bool):
+        return "ja" if value else "nein"
+    if isinstance(value, (int, float)):
+        return f"{value:.{digits}f}{suffix}"
+    return str(value)
+
+
+def build_status_prompt(status: dict[str, Any], top_weights: int = 8) -> str:
+    """Baut aus dem Statusabbild einen Prompt mit den tatsächlichen Entscheidungsgrundlagen."""
+    portfolio = status.get("portfolio", {})
+    strategy = status.get("strategy", {})
+    learner = strategy.get("learner", {}) if isinstance(strategy, dict) else {}
+    risk = status.get("risk", {})
+    trading = status.get("trading", {})
+    weights = status.get("feature_weights", {}) or {}
+    positions = status.get("positions", []) or []
+    trades = (status.get("recent_trades", []) or [])[-5:]
+
+    ranked = sorted(weights.items(), key=lambda kv: abs(kv[1]), reverse=True)[:top_weights]
+
+    lines = [
+        "Zustand eines Krypto-Trading-Bots. Erkläre in eigenen Worten, was er gerade tut,",
+        "worauf sein Modell derzeit achtet und wie belastbar das ist.",
+        "",
+        f"Betriebsart: {status.get('mode')} ({'simuliert' if trading.get('simulated') else 'echtes Geld'}), "
+        f"Handel {'aktiv' if trading.get('active') else 'pausiert'}",
+        f"Börse: {status.get('exchange')}, Symbole: {', '.join(status.get('symbols', []))}, "
+        f"Kerzenlänge {status.get('timeframe')}",
+        "",
+        "PORTFOLIO",
+        f"  Equity {_fmt(portfolio.get('equity'))} {status.get('quote_currency', '')}, "
+        f"Rendite {_fmt(portfolio.get('total_return_pct'))} %",
+        f"  Abgeschlossene Trades {portfolio.get('trades', 0)}, "
+        f"Trefferquote {_fmt((portfolio.get('win_rate') or 0) * 100, 1)} %, "
+        f"Profit-Faktor {_fmt(portfolio.get('profit_factor'))}",
+        f"  Maximaler Drawdown {_fmt(portfolio.get('max_drawdown_pct'))} %, "
+        f"offene Positionen {portfolio.get('open_positions', 0)}",
+        "",
+        "LERNMODELL (logistische Regression über normierte Merkmale)",
+        f"  Beobachtungen {learner.get('samples_seen', 0)}, davon aus echten Trades "
+        f"{learner.get('trade_samples', 0)}",
+        f"  Trefferquote der Vorhersagen {_fmt((learner.get('online_accuracy') or 0) * 100, 1)} % "
+        f"(50 % entspricht Raten)",
+        f"  Von {strategy.get('candidates_seen', 0)} Signalen des Regelwerks wurden "
+        f"{strategy.get('candidates_accepted', 0)} durchgelassen",
+        "",
+        "STÄRKSTE MERKMALSGEWICHTE (positiv = spricht für einen Einstieg)",
+    ]
+    lines += [f"  {name}: {value:+.3f}" for name, value in ranked] or ["  noch keine"]
+
+    lines += ["", "RISIKO", f"  Notbremse aktiv: {_fmt(risk.get('halted'))}"]
+    if risk.get("halt_reason"):
+        lines.append(f"  Grund: {risk['halt_reason']}")
+    lines.append(
+        f"  Grenzen: höchstens {risk.get('max_open_positions')} Positionen, "
+        f"{_fmt((risk.get('max_position_pct') or 0) * 100, 0)} % der Equity je Position"
+    )
+
+    if positions:
+        lines += ["", "OFFENE POSITIONEN"]
+        for p in positions:
+            lines.append(
+                f"  {p.get('symbol')}: Einstieg {_fmt(p.get('entry_price'), 6)}, "
+                f"aktuell {_fmt(p.get('mark_price'), 6)}, "
+                f"P/L {_fmt(p.get('unrealized_pct'))} %, seit {p.get('bars_held')} Kerzen, "
+                f"Modellkonfidenz beim Einstieg {_fmt(p.get('confidence'))}"
+            )
+
+    if trades:
+        lines += ["", "LETZTE TRADES"]
+        for t in trades:
+            lines.append(
+                f"  {t.get('symbol')}: {_fmt((t.get('pnl_pct') or 0) * 100)} %, "
+                f"Ausstieg wegen {t.get('exit_reason')}, {t.get('bars_held')} Kerzen gehalten"
+            )
+
+    return "\n".join(lines)

src/trademind/server.py

@@ -31,6 +31,8 @@ class Controller(Protocol):
 
     def trading_control_status(self) -> dict[str, Any]: ...
 
+    async def explain(self) -> dict[str, Any]: ...
+
     def config_state(self) -> dict[str, Any]: ...
 
     def update_config(self, patch: dict[str, Any]) -> dict[str, Any]: ...
@@ -130,6 +132,20 @@ _DASHBOARD = r"""<!doctype html>
     </div>
   </div>
 </section>
+<section id="explain-section" hidden>
+  <h2>Erklärung</h2>
+  <div class="panel">
+    <div class="row">
+      <button id="explain-btn">Lage erklären lassen</button>
+      <span class="hint" id="explain-hint" style="margin:0">
+        Ein lokales Sprachmodell fasst zusammen, was die Zahlen zeigen. Es hat keinerlei
+        Einfluss auf den Handel.
+      </span>
+    </div>
+    <div id="explain-out" hidden style="margin-top:12px; white-space:pre-wrap; line-height:1.55"></div>
+  </div>
+</section>
+
 <section id="config-section" hidden>
   <h2>Konfiguration</h2>
   <div class="panel">
@@ -197,6 +213,7 @@ async function refresh() {
     // Der Abschnitt muss aus dem Statuslauf heraus sichtbar werden – sein Aufklapp-Knopf
     // sitzt darin, er könnte sich sonst nie selbst einblenden.
     $("config-section").hidden = !(s.trading || {}).control_enabled;
+    $("explain-section").hidden = !((s.trading || {}).control_enabled && (s.llm || {}).enabled);
   } catch (e) { document.getElementById("sub").textContent = "Status nicht erreichbar: " + e; }
 }
 
@@ -323,6 +340,25 @@ $("token-btn").addEventListener("click", () => {
   refresh();
 });
 
+// -------------------------------------------------------------- Erklärung
+$("explain-btn").addEventListener("click", async () => {
+  const btn = $("explain-btn"), out = $("explain-out");
+  btn.disabled = true;
+  setHint($("explain-hint"), "Das Modell denkt nach – das dauert je nach Modellgröße etwas …");
+  try {
+    const r = await fetch("control/explain", { method: "POST", headers: headers() });
+    const d = await r.json().catch(() => ({}));
+    if (d.ok) {
+      out.hidden = false;
+      out.textContent = d.text;
+      setHint($("explain-hint"), `${d.model}, ${d.duration_seconds}s`);
+    } else {
+      setHint($("explain-hint"), d.error || `HTTP ${r.status}`, true);
+    }
+  } catch (e) { setHint($("explain-hint"), e.message, true); }
+  btn.disabled = false;
+});
+
 // ----------------------------------------------------------- Konfiguration
 let cfgOpen = false, cfgLoaded = null;
 
@@ -489,6 +525,7 @@ class StatusServer:
                     web.post("/control/train/live", self._train_live),
                     web.get("/control/trading", self._trading_state),
                     web.post("/control/trading", self._set_trading),
+                    web.post("/control/explain", self._explain),
                     web.get("/control/config", self._config_state),
                     web.post("/control/config", self._update_config),
                     web.post("/control/config/reset", self._reset_config),
@@ -631,6 +668,14 @@ class StatusServer:
         status = 428 if result.get("requires_confirmation") and payload["enabled"] else 409
         return web.json_response(result, status=status, dumps=_dumps)
 
+    async def _explain(self, request: web.Request) -> web.Response:
+        denied = await self._guard(request)
+        if denied is not None:
+            return denied
+        assert self._controller is not None
+        result = await self._controller.explain()
+        return web.json_response(result, status=200 if result.get("ok") else 503, dumps=_dumps)
+
     async def _config_state(self, request: web.Request) -> web.Response:
         denied = await self._guard(request)
         if denied is not None:

tests/test_derivatives.py

@@ -0,0 +1,262 @@
+"""Terminmarktdaten: Zuordnung ohne Blick in die Zukunft, Merkmale, Ausfallverhalten."""
+
+from __future__ import annotations
+
+import numpy as np
+import pytest
+
+from trademind.config import Config, DerivativesConfig
+from trademind.derivatives import (
+    DerivativeSeries,
+    DerivativesProvider,
+    forward_fill_to_bars,
+    perpetual_symbol,
+)
+from trademind.features import (
+    BASE_FEATURE_NAMES,
+    build_feature_matrix,
+    feature_names,
+    n_features,
+)
+from trademind.models import Candles
+
+from .conftest import make_candles
+
+BAR = 300_000
+
+
+# ------------------------------------------------------------------ Symbolik
+
+
+@pytest.mark.parametrize(
+    ("spot", "perp"),
+    [
+        ("BTC/USDT", "BTC/USDT:USDT"),
+        ("ETH/USDC", "ETH/USDC:USDC"),
+        ("SOL/USDT:USDT", "SOL/USDT:USDT"),  # schon ein Perpetual
+    ],
+)
+def test_perpetual_symbol(spot: str, perp: str):
+    assert perpetual_symbol(spot) == perp
+
+
+# ------------------------------------------------- Zuordnung ohne Lookahead
+
+
+def test_forward_fill_uses_only_past_values():
+    bars = np.array([1000, 2000, 3000, 4000], dtype=np.int64)
+    src_ts = np.array([1500, 3500], dtype=np.int64)
+    src_val = np.array([10.0, 20.0])
+
+    values, known = forward_fill_to_bars(bars, src_ts, src_val)
+
+    assert not known[0], "vor dem ersten Quellwert darf nichts bekannt sein"
+    assert values[1] == 10.0      # 1500 <= 2000
+    assert values[2] == 10.0      # 3500 liegt in der Zukunft von 3000
+    assert values[3] == 20.0      # 3500 <= 4000
+    assert list(known) == [False, True, True, True]
+
+
+def test_value_exactly_on_the_bar_counts_as_known():
+    values, known = forward_fill_to_bars(
+        np.array([2000], dtype=np.int64), np.array([2000], dtype=np.int64), np.array([7.0])
+    )
+    assert known[0] and values[0] == 7.0
+
+
+def test_unsorted_source_is_handled():
+    values, _ = forward_fill_to_bars(
+        np.array([5000], dtype=np.int64),
+        np.array([3000, 1000, 2000], dtype=np.int64),
+        np.array([30.0, 10.0, 20.0]),
+    )
+    assert values[0] == 30.0, "der jüngste Wert vor der Kerze zählt"
+
+
+def test_empty_source_yields_nothing_known():
+    values, known = forward_fill_to_bars(
+        np.arange(3, dtype=np.int64), np.empty(0, np.int64), np.empty(0)
+    )
+    assert not known.any()
+    assert np.isnan(values).all()
+
+
+# --------------------------------------------------------- Merkmalsanzahl
+
+
+def test_feature_count_depends_on_configuration():
+    assert n_features(None) == len(BASE_FEATURE_NAMES) == 18
+    assert n_features(DerivativesConfig(enabled=False)) == 18
+    assert n_features(DerivativesConfig(enabled=True)) == 22
+    assert n_features(DerivativesConfig(enabled=True, open_interest=False)) == 20
+    assert n_features(DerivativesConfig(enabled=True, funding_rate=False)) == 20
+
+
+def test_feature_names_are_unique_and_ordered():
+    names = feature_names(DerivativesConfig(enabled=True))
+    assert names[:18] == BASE_FEATURE_NAMES
+    assert len(set(names)) == len(names)
+    assert names[18:] == ("funding_bps", "funding_trend", "oi_change", "oi_price_divergence")
+
+
+# ------------------------------------------------------ Merkmalsberechnung
+
+
+def series_for(candles, funding: float = 0.0001, oi_growth: float = 0.0) -> DerivativeSeries:
+    n = len(candles)
+    oi = 100_000.0 * (1.0 + oi_growth * np.arange(n) / max(n - 1, 1))
+    return DerivativeSeries(
+        symbol=candles.symbol,
+        timestamp=candles.timestamp,
+        funding_rate=np.full(n, funding),
+        open_interest=oi,
+        funding_coverage=1.0,
+        oi_coverage=1.0,
+    )
+
+
+def test_matrix_gains_columns_when_enabled(candles, rules):
+    plain = build_feature_matrix(candles, rules)
+    enriched = build_feature_matrix(
+        candles, rules, DerivativesConfig(enabled=True), series_for(candles)
+    )
+    assert plain.values.shape[1] == 18
+    assert enriched.values.shape[1] == 22
+    assert np.allclose(plain.values, enriched.values[:, :18]), "Basismerkmale dürfen sich nicht ändern"
+
+
+def test_funding_is_converted_to_basis_points(candles, rules):
+    matrix = build_feature_matrix(
+        candles, rules, DerivativesConfig(enabled=True), series_for(candles, funding=0.0003)
+    )
+    snapshot = matrix.snapshot(-1).as_dict()
+    assert snapshot["funding_bps"] == pytest.approx(3.0)      # 0,03 % = 3 bps
+    assert snapshot["funding_trend"] == pytest.approx(0.0, abs=1e-9)  # konstant, kein Trend
+
+
+def test_rising_open_interest_shows_up_as_positive_change(candles, rules):
+    matrix = build_feature_matrix(
+        candles, rules, DerivativesConfig(enabled=True), series_for(candles, oi_growth=0.5)
+    )
+    assert matrix.snapshot(-1).as_dict()["oi_change"] > 0
+
+
+def test_divergence_sign_follows_open_interest(rules):
+    up = make_candles(n=400, trend=0.002, noise=0.0002, seed=3)
+    rising = build_feature_matrix(
+        up, rules, DerivativesConfig(enabled=True), series_for(up, oi_growth=0.5)
+    ).snapshot(-1).as_dict()
+    falling = build_feature_matrix(
+        up, rules, DerivativesConfig(enabled=True), series_for(up, oi_growth=-0.3)
+    ).snapshot(-1).as_dict()
+    # Steigender Kurs mit steigendem OI = neue Positionen, mit fallendem OI = Glattstellung.
+    assert rising["oi_price_divergence"] > 0
+    assert falling["oi_price_divergence"] < 0
+
+
+def test_missing_series_keeps_the_dimension_stable(candles, rules):
+    """Fällt die Datenquelle aus, bleiben die Spalten erhalten – neutral gefüllt."""
+    matrix = build_feature_matrix(candles, rules, DerivativesConfig(enabled=True), None)
+    assert matrix.values.shape[1] == 22
+    assert np.isfinite(matrix.values).all()
+    snapshot = matrix.snapshot(-1).as_dict()
+    assert snapshot["funding_bps"] == 0.0
+    assert snapshot["oi_change"] == 0.0
+
+
+def test_values_stay_within_the_clip_limit(candles, rules):
+    """Auch absurde Terminmarktwerte dürfen die Normierung nicht sprengen."""
+    n = len(candles)
+    extreme = DerivativeSeries(
+        symbol=candles.symbol,
+        timestamp=candles.timestamp,
+        funding_rate=np.full(n, 0.75),                       # 7500 bps
+        open_interest=np.geomspace(1.0, 1e9, n),
+        funding_coverage=1.0,
+        oi_coverage=1.0,
+    )
+    matrix = build_feature_matrix(candles, rules, DerivativesConfig(enabled=True), extreme)
+    assert np.abs(matrix.values).max() <= 8.0
+    assert np.isfinite(matrix.values).all()
+
+
+# ---------------------------------------------------------- Ausfallverhalten
+
+
+class FlakyExchange:
+    """Börse, die für Funding funktioniert und bei Open Interest scheitert."""
+
+    rateLimit = 0
+
+    def __init__(self, funding_rows=None):
+        self.funding_rows = funding_rows or []
+        self.oi_calls = 0
+
+    async def fetch_funding_rate_history(self, symbol, since=None, limit=None):
+        rows = [r for r in self.funding_rows if since is None or r["timestamp"] >= since]
+        return rows[:limit] if limit else rows
+
+    async def fetch_open_interest_history(self, symbol, timeframe, since=None, limit=None):
+        self.oi_calls += 1
+        raise RuntimeError("startTime is invalid")
+
+    async def close(self):
+        return None
+
+
+async def test_failing_source_is_recorded_not_raised(candles):
+    start = int(candles.timestamp[0])
+    rows = [{"timestamp": start - 3_600_000, "fundingRate": 0.0002}]
+    provider = DerivativesProvider(FlakyExchange(rows), DerivativesConfig(enabled=True))
+
+    series = await provider.series_for(candles)
+
+    assert series.funding_coverage == 1.0
+    assert series.oi_coverage == 0.0
+    assert any("open_interest" in key for key in provider.failures)
+    assert provider.snapshot()["failures"]
+
+
+async def test_provider_returns_empty_series_for_empty_candles():
+    blank = Candles.from_rows("BTC/USDT", "5m", [])
+    provider = DerivativesProvider(FlakyExchange(), DerivativesConfig(enabled=True))
+    series = await provider.series_for(blank)
+    assert series.timestamp.size == 0
+    assert not series.usable
+
+
+async def test_incremental_fetch_does_not_refetch_everything(candles):
+    start = int(candles.timestamp[0])
+    rows = [{"timestamp": start - 3_600_000 + i * 8 * 3_600_000, "fundingRate": 0.0001}
+            for i in range(4)]
+
+    class Counting(FlakyExchange):
+        def __init__(self, rows):
+            super().__init__(rows)
+            self.funding_calls = 0
+
+        async def fetch_funding_rate_history(self, symbol, since=None, limit=None):
+            self.funding_calls += 1
+            return await super().fetch_funding_rate_history(symbol, since, limit)
+
+    exchange = Counting(rows)
+    provider = DerivativesProvider(exchange, DerivativesConfig(enabled=True, open_interest=False))
+    await provider.series_for(candles)
+    first = exchange.funding_calls
+    await provider.series_for(candles)
+    assert exchange.funding_calls - first <= 1, "der zweite Lauf darf nur nachladen"
+
+
+# -------------------------------------------------------------- Konfiguration
+
+
+def test_derivatives_switches_require_a_restart():
+    from trademind.config import requires_restart
+
+    for path in ("strategy.derivatives.enabled", "strategy.derivatives.funding_rate",
+                 "strategy.derivatives.open_interest"):
+        assert requires_restart(path), f"{path} ändert die Modelldimension"
+
+
+def test_derivatives_are_off_by_default():
+    assert Config().strategy.derivatives.enabled is False

tests/test_engine.py

@@ -95,10 +95,15 @@ async def test_cash_and_equity_stay_consistent(base_config):
 
 
 async def test_stop_loss_bounds_the_worst_trade(base_config):
+    # Bewusst ohne Lernmodell: Geprüft wird die Stop-Logik, nicht welche Signale das
+    # Modell gerade durchlässt. Mit "adaptive" hinge das Ergebnis daran, wie weit das
+    # Modell aufgewärmt ist – das hat mit Stops nichts zu tun.
     config = Config.model_validate(
-        {**base_config.model_dump(), "risk": {**base_config.risk.model_dump(),
-                                              "stop_loss_atr_mult": 1.0,
-                                              "take_profit_atr_mult": 10.0}}
+        {**base_config.model_dump(),
+         "strategy": {"name": "rules"},
+         "risk": {**base_config.risk.model_dump(),
+                  "stop_loss_atr_mult": 1.0,
+                  "take_profit_atr_mult": 10.0}}
     )
     engine = build_engine(config)
     await engine.prepare()

tests/test_llm.py

@@ -0,0 +1,221 @@
+"""Ollama-Anbindung: Antwortverarbeitung, Fehlerdiagnose, Prompt-Aufbau."""
+
+from __future__ import annotations
+
+import asyncio
+
+import pytest
+from aiohttp import web
+
+from trademind.config import OllamaConfig
+from trademind.llm import SYSTEM_PROMPT, OllamaClient, build_status_prompt
+
+STATUS = {
+    "mode": "paper",
+    "exchange": "binance",
+    "symbols": ["BTC/USDT", "ETH/USDT"],
+    "timeframe": "5m",
+    "quote_currency": "USDT",
+    "portfolio": {"equity": 10123.45, "total_return_pct": 1.23, "trades": 7, "win_rate": 0.42,
+                  "profit_factor": 1.1, "max_drawdown_pct": 2.5, "open_positions": 1},
+    "strategy": {"candidates_seen": 40, "candidates_accepted": 9,
+                 "learner": {"samples_seen": 900, "trade_samples": 7, "online_accuracy": 0.53}},
+    "risk": {"halted": False, "halt_reason": "", "max_open_positions": 3, "max_position_pct": 0.2},
+    "trading": {"active": True, "simulated": True},
+    "feature_weights": {"ema_spread": 0.39, "trend_dist": -0.29, "rsi_norm": 0.01},
+    "positions": [{"symbol": "BTC/USDT", "entry_price": 70000.0, "mark_price": 70500.0,
+                   "unrealized_pct": 0.71, "bars_held": 4, "confidence": 0.62}],
+    "recent_trades": [{"symbol": "ETH/USDT", "pnl_pct": -0.004, "exit_reason": "stop_loss",
+                       "bars_held": 9}],
+}
+
+
+# ------------------------------------------------------------------- Prompt
+
+
+def test_prompt_contains_the_real_numbers():
+    prompt = build_status_prompt(STATUS)
+    for needle in ("paper", "binance", "BTC/USDT", "10123.45", "ema_spread", "stop_loss"):
+        assert needle in prompt, f"{needle} fehlt im Prompt"
+
+
+def test_prompt_ranks_weights_by_magnitude():
+    prompt = build_status_prompt(STATUS, top_weights=2)
+    assert "ema_spread" in prompt and "trend_dist" in prompt
+    assert "rsi_norm" not in prompt, "das schwächste Gewicht sollte wegfallen"
+
+
+def test_prompt_survives_a_bare_status():
+    prompt = build_status_prompt({})
+    assert "PORTFOLIO" in prompt and "LERNMODELL" in prompt
+
+
+def test_system_prompt_forbids_advice():
+    for needle in ("keine Anlageempfehlung", "keine Kursprognose", "Erfinde keine Zahlen"):
+        assert needle in SYSTEM_PROMPT
+
+
+# ------------------------------------------------------------ Falsches Ollama
+
+
+def fake_ollama(handler):
+    app = web.Application()
+    app.router.add_post("/api/generate", handler)
+    app.router.add_get("/api/tags", lambda _: web.json_response({"models": [{"name": "testmodell"}]}))
+    return app
+
+
+@pytest.fixture
+async def client_for(aiohttp_server):
+    async def _make(handler, **overrides) -> OllamaClient:
+        server = await aiohttp_server(fake_ollama(handler))
+        options = {"model": "testmodell", "timeout_seconds": 5, **overrides}
+        config = OllamaConfig(
+            enabled=True, base_url=str(server.make_url("/")).rstrip("/"), **options
+        )
+        return OllamaClient(config)
+
+    return _make
+
+
+async def test_plain_answer_is_returned(client_for):
+    async def handler(request):
+        assert (await request.json())["stream"] is False
+        return web.json_response({"response": "Alles ruhig.", "done_reason": "stop"})
+
+    client = await client_for(handler)
+    result = await client.generate("frage")
+    assert result.ok and result.text == "Alles ruhig."
+    assert result.model == "testmodell"
+    await client.close()
+
+
+async def test_thinking_block_is_stripped(client_for):
+    async def handler(_):
+        return web.json_response(
+            {"response": "<think>erst überlegen</think>Das Ergebnis.", "done_reason": "stop"}
+        )
+
+    client = await client_for(handler)
+    result = await client.generate("frage")
+    assert result.ok and result.text == "Das Ergebnis."
+    await client.close()
+
+
+async def test_reasoning_model_without_answer_is_diagnosed(client_for):
+    """Der reale Fall: qwen3 verbraucht das Token-Budget für 'thinking'."""
+
+    async def handler(_):
+        return web.json_response({"response": "", "thinking": "x" * 1800, "done_reason": "length"})
+
+    client = await client_for(handler)
+    result = await client.generate("frage")
+    assert not result.ok
+    assert "Denkschritte" in result.error
+    assert "llm.think" in result.error, "die Meldung muss den Ausweg nennen"
+    await client.close()
+
+
+async def test_truncated_answer_is_diagnosed(client_for):
+    async def handler(_):
+        return web.json_response({"response": "", "done_reason": "length"})
+
+    client = await client_for(handler)
+    result = await client.generate("frage")
+    assert not result.ok and "max_tokens" in result.error
+    await client.close()
+
+
+async def test_think_flag_is_sent(client_for):
+    seen = {}
+
+    async def handler(request):
+        seen.update(await request.json())
+        return web.json_response({"response": "ok", "done_reason": "stop"})
+
+    client = await client_for(handler)
+    await client.generate("frage")
+    assert seen["think"] is False, "Reasoning ist standardmäßig aus"
+    await client.close()
+
+
+async def test_old_ollama_without_think_field_still_works(client_for):
+    """Ältere Versionen lehnen das Feld ab – dann ohne es erneut versuchen."""
+    calls = []
+
+    async def handler(request):
+        body = await request.json()
+        calls.append("think" in body)
+        if "think" in body:
+            return web.json_response({"error": "unknown field think"}, status=400)
+        return web.json_response({"response": "Klappt doch.", "done_reason": "stop"})
+
+    client = await client_for(handler)
+    result = await client.generate("frage")
+    assert result.ok and result.text == "Klappt doch."
+    assert calls == [True, False]
+    await client.close()
+
+
+async def test_http_error_is_reported(client_for):
+    async def handler(_):
+        return web.json_response({"error": "model not found"}, status=404)
+
+    client = await client_for(handler)
+    result = await client.generate("frage")
+    assert not result.ok and "404" in result.error
+    await client.close()
+
+
+async def test_timeout_is_reported_with_a_hint(client_for):
+    async def handler(_):
+        await asyncio.sleep(2)
+        return web.json_response({"response": "zu spät"})
+
+    client = await client_for(handler, timeout_seconds=0.2)
+    result = await client.generate("frage")
+    assert not result.ok
+    assert "Zeitüberschreitung" in result.error and "timeout_seconds" in result.error
+    await client.close()
+
+
+async def test_unreachable_server_is_reported(aiohttp_server):
+    """Server starten, wieder beenden, dann anfragen – die Verbindung wird abgelehnt."""
+
+    async def handler(_):
+        return web.json_response({"response": "nie erreicht"})
+
+    server = await aiohttp_server(fake_ollama(handler))
+    url = str(server.make_url("/")).rstrip("/")
+    await server.close()
+
+    client = OllamaClient(OllamaConfig(enabled=True, base_url=url, timeout_seconds=5))
+    result = await client.generate("frage")
+    assert not result.ok
+    assert "nicht erreichbar" in result.error and url in result.error
+    await client.close()
+
+
+async def test_answer_is_capped(client_for):
+    async def handler(_):
+        return web.json_response({"response": "y" * 5000, "done_reason": "stop"})
+
+    client = await client_for(handler, max_answer_chars=100)
+    result = await client.generate("frage")
+    assert result.ok and len(result.text) == 100
+    await client.close()
+
+
+async def test_model_listing(client_for):
+    async def handler(_):
+        return web.json_response({"response": "ok"})
+
+    client = await client_for(handler)
+    assert await client.available_models() == ["testmodell"]
+    await client.close()
+
+
+def test_llm_is_off_by_default():
+    from trademind.config import Config
+
+    assert Config().llm.enabled is False