VARRD

Verwandeln Sie jede Handelsidee in etwa 3 Minuten in einen statistisch validierten Edge.

pip install varrd

Fragen Sie alles

varrd research "Does buying SPY after a 3-day losing streak actually work?"

varrd research "When VIX spikes above 30, is there a bounce in ES?"

varrd research "Is there a seasonal pattern in wheat before harvest?"

varrd research "What happens to gold when the dollar drops 3 days straight?"

varrd research "Does Bitcoin rally after the halving?"

varrd research "When crude oil drops 5% in a week, what happens next?"

Jede Frage erhält echte Daten, ein Diagramm mit markierten Signalen, einen statistischen Test und eine definitive Antwort.

Related MCP server: QuantConnect

Was Sie zurückerhalten

Edge gefunden

STRONG EDGE — Statistically significant vs both zero and market baseline.

  Direction:    LONG
  Win Rate:     62%
  Sharpe:       1.45
  Signals:      247

  Trade Setup:
    Entry:       $5,150.25
    Stop Loss:   $5,122.00
    Take Profit: $5,192.50
    Risk/Reward: 1:1.5

Kein Edge

NO EDGE — Neither test passed. No tradeable signal found.

You found out for 25 cents instead of $25,000 in live losses.

Beides sind wertvolle Ergebnisse.

Warum kann ich nicht einfach Claude / ChatGPT bitten, das zu tun?

Weil es wirklich schwer ist, Handelsideen richtig zu testen, und es ein Dutzend Möglichkeiten gibt, versehentlich gefälschte Ergebnisse zu produzieren, die großartig aussehen, aber in der Praxis Geld verlieren.

Ein LLM allein schreibt Ihnen gerne einen Backtest, zeigt Ihnen eine schöne Equity-Kurve und sagt Ihnen, dass es eine Gewinnrate von 70 % hat. Das Problem: Nichts davon ist echt. Das LLM hat keine Marktdaten, keine Testumgebung und keine Leitplanken, die es daran hindern, Overfitting zu betreiben, sich die besten Ergebnisse herauszupicken oder sich einfach Zahlen auszudenken.

Selbst wenn Sie einem LLM echte Daten geben (wie in Claude Code oder Cursor), kann es dies immer noch nicht richtig tun. Hier ist der Grund:

Was beim Testen von Handelsideen schiefgehen kann — und was VARRD handhabt:

• Overfitting — Das Optimieren einer Strategie, bis sie auf historischen Daten gut aussieht. VARRD hält ungesehene Daten zurück und testet nur einmal darauf. Sie können es nicht erneut ausführen, nachdem Sie die Ergebnisse gesehen haben.

• Cherry-picking von Ergebnissen — Das Testen von 50 Variationen und das Zeigen nur des Gewinners. VARRD verfolgt jeden Test, den Sie durchführen, und erhöht die Signifikanzschwelle automatisch, je mehr Sie testen.

• p-hacking — Das Bearbeiten der Zahlen, bis Sie ein "signifikantes" Ergebnis erhalten. VARRD korrigiert für Mehrfachvergleiche, damit ein glückliches Ergebnis nicht als echt durchgeht.

• Lookahead-Bias — Das versehentliche Verwenden zukünftiger Daten in Ihrer Formel. VARRD läuft in einem isolierten Kernel, der dies strukturell unmöglich macht.

• Falscher Testtyp — Manche Ideen benötigen eine Analyse der Vorwärtsrenditen, andere benötigen vollständige Simulationen mit Stops und Targets. VARRD verfügt über ein Team spezialisierter Agenten, die den richtigen Test für jede Frage bestimmen.

• Marktübergreifende Kontamination — Das Testen auf einem Markt, obwohl das Signal eigentlich von einem anderen stammte. VARRD isoliert und gleicht Daten über Märkte und Zeitrahmen hinweg ab.

• Erfundene Statistiken — LLMs erfinden Zahlen, um überzeugt zu klingen. In VARRD stammt jede Statistik aus einer deterministischen Berechnung. Die KI interpretiert Ergebnisse, sie generiert sie niemals.

• ATR-basierte Positionsgrößenbestimmung — Echte Edges benötigen echtes Risikomanagement. VARRD berechnet Stop-Losses und Take-Profits basierend auf der tatsächlichen Volatilität, nicht auf willkürlichen Prozentsätzen.

• Anzeigen, was gerade passiert — Ein validierter Edge ist nutzlos, wenn Sie nicht sehen können, wann er ausgelöst wird. VARRD scannt Live-Daten und sagt Ihnen genau, wann Ihre Signale aktiv sind, mit frischen Einstiegs- und Ausstiegsniveaus.

Ein LLM ist ein Gehirn ohne Labor. Es kann über Handelsideen nachdenken, aber es kann sie nicht in einer kontrollierten Umgebung testen. VARRD ist das Labor — eine zweckgebundene Infrastruktur, in der jeder Test verfolgt, jedes Ergebnis verifiziert und das Dutzend Möglichkeiten, versehentlich zu schummeln, auf Systemebene blockiert wird, nicht auf Prompt-Ebene.

Schnellstart — Python

from varrd import VARRD

v = VARRD()  # auto-creates free account, $2 in credits

# Research a trading idea
r = v.research("When RSI drops below 25 on ES, is there a bounce?")
r = v.research("test it", session_id=r.session_id)

print(r.context.edge_verdict)  # "STRONG EDGE" / "NO EDGE"

# Get exact trade levels
r = v.research("show me the trade setup", session_id=r.session_id)

# What's firing right now across all your strategies?
signals = v.scan(only_firing=True)
for s in signals.results:
    print(f"{s.name}: {s.direction} {s.market} @ ${s.entry_price}")

# Morning briefing — today's news connected to your specific edges
b = v.briefing()
print(b.news)
# "**ES selling accelerates into the open** Three consecutive lower highs..."
# "↳ Your ES mean-reversion setups are live territory here..."

# Let VARRD discover edges autonomously
result = v.discover("mean reversion on futures")
print(result.edge_verdict, result.market, result.win_rate)

Schnellstart — CLI

# Full research workflow (auto-follows chart → test → trade setup)
varrd research "When wheat drops 3 days in a row, is there a snap-back?"

# What's firing right now?
varrd scan --only-firing

# Personalized market briefing — news filtered to your edge library
varrd briefing

# Search saved strategies
varrd search "momentum on grains"

# Let VARRD discover edges on its own
varrd discover "mean reversion on futures"

Verwendung mit KI-Agenten

Claude Desktop / Claude Code / Cursor

Option 1 — Direktes HTTP (Claude Code, Cursor, OpenBB):

{
  "mcpServers": {
    "varrd": {
      "transport": {
        "type": "streamable-http",
        "url": "https://app.varrd.com/mcp"
      }
    }
  }
}

Option 2 — via mcp-remote (Claude Desktop, jeder stdio-Client):

{
  "mcpServers": {
    "varrd": {
      "command": "npx",
      "args": ["-y", "mcp-remote", "https://app.varrd.com/mcp"]
    }
  }
}

Kein API-Schlüssel erforderlich. Fragen Sie dann einfach: "Gibt es ein Muster, wenn Gold nach einer Zinsentscheidung der Fed ansteigt?"

OpenBB Workspace

VARRD lässt sich direkt als MCP-Server in den OpenBB Workspace integrieren:

1. Workspace öffnen → auf "+" im MCP-Server-Panel klicken

2. https://app.varrd.com/mcp eingeben

3. Die Tools von VARRD erscheinen in Ihrem Copilot — Ideen recherchieren, Signale scannen, Strategien suchen

OpenBB liefert Ihnen die Daten. VARRD sagt Ihnen, ob Ihre Idee einen Edge hat.

Handelsbots (Freqtrade, Jesse, Hummingbot, OctoBot, NautilusTrader)

VARRD validiert, dass Ihre Strategie einen echten Edge hat, bevor Sie sie einsetzen. Funktioniert mit jedem Bot:

from varrd import VARRD
from varrd.freqtrade import generate_strategy

v = VARRD()
result = v.discover("RSI oversold reversal on BTC")

if result.has_edge:
    hyp = v.get_hypothesis(result.hypothesis_id)
    strategy_code, config = generate_strategy(hyp)
    # Drop into your bot's strategies/ folder and run it

Das Muster: Erst validieren, dann einsetzen. Die meisten Strategien überstehen statistische Tests nicht — es ist besser, dies für 0,25 $ herauszufinden als für 25.000 $.

CrewAI

from crewai import Agent, Task, Crew

researcher = Agent(
    role="Trading Researcher",
    goal="Find statistically validated trading edges",
    backstory="You are a quantitative researcher who tests trading ideas rigorously.",
    mcps=[{"type": "streamable-http", "url": "https://app.varrd.com/mcp"}]
)

task = Task(
    description="Research whether RSI oversold conditions on ES lead to a bounce within 5 days.",
    agent=researcher,
    expected_output="Edge verdict with trade setup if edge is found."
)

crew = Crew(agents=[researcher], tasks=[task])
result = crew.kickoff()

LangChain / LangGraph

from langchain_mcp_adapters.client import MultiServerMCPClient
from langgraph.prebuilt import create_react_agent
from langchain_anthropic import ChatAnthropic

model = ChatAnthropic(model="claude-sonnet-4-20250514")

async with MultiServerMCPClient({
    "varrd": {"url": "https://app.varrd.com/mcp", "transport": "streamable_http"}
}) as client:
    agent = create_react_agent(model, client.get_tools())
    result = await agent.ainvoke({"messages": [
        {"role": "user", "content": "Does gold rally when the dollar drops 3 days in a row?"}
    ]})

Raw MCP (jeder Client)

# Any MCP-compatible client can connect to:
https://app.varrd.com/mcp
# Transport: Streamable HTTP | No auth required | $2 free credits

8 statistische Leitplanken (infrastrukturell erzwungen)

Jeder Test durchläuft diese automatisch. Sie können sie nicht überspringen.

Datenabdeckung

Insgesamt über 15.000 Instrumente.

MCP-Tools

Preise

• 2 $ kostenlos bei der Anmeldung — genug für 6–8 Forschungssitzungen

• Forschung: ~0,20–0,30 $ pro getesteter Idee

• Discovery (autonom): ~0,20–0,30 $

• ELROND-Rat (8 Experten-Ermittler): ~0,40–0,60 $

• Multi-Markt (3+ Märkte): ~1 $

• Scan, Suche, Guthaben: Immer kostenlos

• Guthabenpakete: 5 $ / 20 $ / 50 $ via Stripe

• Guthaben verfällt nie

Beispiele

Siehe examples/ für ausführbare Skripte:

• quick_start.py — 5 Zeilen, um alle Strategien zu scannen

• research_idea.py — Vollständiger Forschungs-Workflow über mehrere Runden

• multi_idea_loop.py — Viele Ideen in einer Schleife testen

• scan_portfolio.py — Portfolio-Scan mit Handelsniveaus

• mcp_config.json — MCP-Konfiguration für Claude Desktop / Cursor

Für KI-Agenten-Entwickler

Siehe AGENTS.md für den vollständigen Integrationsleitfaden — Tool-Referenz, Antwortformate, Authentifizierung und Workflow-Muster.

Links

• Web-App: app.varrd.com

• Website: varrd.com

• MCP-Endpunkt: https://app.varrd.com/mcp

• PyPI: pypi.org/project/varrd