Tägliche Swing-Trade-Ideen: Marktanalyse mit n8n und KI automatisieren
Wie ich einen n8n-Workflow gebaut habe, der nach US-Börsenschluss Marktdaten zieht, technische Indikatoren berechnet und mit Gemini strukturierte Swing-Trade-Ideen per E-Mail liefert.
Worum es geht
An den Märkten geht es schnell, aber routinehafte technische Vorbereitung wiederholt sich oft: Kurse vom Vortag holen, ein paar Indikatoren prüfen und festhalten, was man im Blick behalten will. Dieses Projekt automatisiert genau diesen Research-Rhythmus—nicht, um Urteile zu ersetzen, sondern um Zeit zu sparen und Berichte einheitlich zu halten.
Der Workflow heißt „Daily 5 Swing Trade Signal Bot“. An jedem US-Handelstag kurz nach Börsenschluss werden fünf zufällig ausgewählte US-Aktien aus einer kuratierten Liste analysiert und eine formatierte HTML-E-Mail mit strukturierten Ideen verschickt. Grundlage sind ausschließlich technische Daten (Preise, Volumen, Indikatoren)—keine News, kein Makro-Dashboard, keine „heißen Tipps“.
n8n-workflow
Die Idee in einfachen Worten
- Zeitplan: Werktags nach US-Schluss (im README ist 16:05 Eastern als Beispiel genannt—die Zeitzone auf deiner n8n-Instanz sollte zu deinem Betrieb passen).
- Auswahl: Fünf Ticker aus deinem eigenen Univers ziehen, damit sich die Watchliste rotiert.
- Daten: Historische Bars und ein aktueller Quote-Snapshot über Broker- und Marktdaten-APIs.
- Berechnung: Übliche Indikatoren (z. B. RSI, MACD, ATR, Bollinger-Bänder, gleitende Durchschnitte, MFI).
- Interpretation mit KI: Ein ausführlicher Prompt—plus optionale Nutzerpräferenzen—geht an Google Gemini, strukturierte JSON-Empfehlungen kommen zurück.
- Versand: HTML-E-Mail per Gmail versenden.
Wenn das nach einer kleinen Fintech-Pipeline klingt, ist das Absicht: klare Inputs, nachvollziehbare Schritte und ein Ablauf, den du morgen erneut laufen lassen kannst.
Was durch das System fließt
Die README beschreibt die Kette Schritt für Schritt. Hier eine kompakte Übersicht zum Überfliegen:
| Phase | Inhalt (übergeordnet) |
|---|---|
| Trigger | Werktags nach Börsenschluss |
| Aktienliste | Zufallsziehung aus deiner kuratierten Liste |
| Marktdaten | Tägliche OHLCV (z. B. Alpaca) + Quote-Snapshot (z. B. Yahoo über RapidAPI) |
| Indikatoren | Aufbereiteter Datensatz für den Prompt |
| Prompt | Deutsche Strategie-Erklärung + Daten (optional Profil) |
| Modell | Gemini liefert strukturierte JSON-Empfehlungen |
| Ausgabe | Aufteilen, prüfen, HTML-Mail versenden |
Systemarchitektur
Bei instabilem Netzwerk sind Retries vorgesehen; leere oder ungültige LLM-Antworten werden abgefangen, damit die Instanz nicht „hart“ aussteigt.
Was in der Inbox landet
Im Repository liegt n8n-swing-email-template.html: Es strukturiert den täglichen Bericht so, dass jede Idee Raum für Kontext (was der Chart „sagt“), Risiko-Rahmen und nächste Schritte hat—ohne Bank-Research zu imitieren. Die Trennung—Rohdaten im Workflow, formulierte Ausgabe im Template—ist praktisch übertragbar: Text und CSS kannst du anpassen, ohne den ganzen n8n-Workflow neu zu exportieren.
Wenn du später die optionale Profil-API anbindest, kann dasselbe Template persönlichere Formulierungen oder Vorgaben widerspiegeln, während die Datenpipeline gleich bleibt.
Finanzlogik trifft Technik (ohne Dschungel aus Fachvokabeln)
Aus Sicht einer Person, die Märkte beobachtet, ist der Bot ein disziplinierter Scanner: dieselben Indikatoren, dasselbe Berichtsformat, jeden Tag. So lassen sich Tage leichter vergleichen als mit Screenshots im Chat-Verlauf.
Aus Sicht einer Entwicklerin ist spannend die Trennung der Verantwortlichkeiten:
- APIs liefern Fakten (Bars, letzter Preis, Fundamentals aus dem Quote-Endpunkt).
- Dein Code macht daraus Zahlen, mit denen das Modell arbeiten kann.
- Das Modell formuliert daraus verständliche Trade-Ideen—eingegrenzt durch Regeln in
system-prompt.js.
Im Repository steht klar: Die Ausgaben dienen Bildungszwecken / technischer Analyse und sind keine Anlageberatung. Behandle sie wie Labortagebücher: gut, um Abläufe und Risikosprache zu lernen—kein Ersatz für eigene Recherche und deinen Compliance-Kontext.
Optionale Personalisierung (Produkt-Perspektive)
Unter web/ liegt eine Next.js-Oberfläche; Trader-Profile landen in Supabase—E-Mail, gewählte Symbole und Präferenzen wie Risikoprofil, Kapital oder Entry-Stil. n8n kann GET /api/profile?email=... aufrufen und das JSON in den Prompt mischen, sodass Stops, Zeithorizonte und Formulierungen pro Nutzer angepasst werden können.
Damit wird aus einer Automatisierungs-Demo eher ein Hauch Fintech-Subscription—weiterhin ein Nebenprojekt, aber strukturell nah an dem, was echte Produkte trennen: Identität + Einstellungen einerseits, Batch-Analysen andererseits.
Betrieb und Sicherheit (die langweiligen Punkte, die zählen)
Sensible Werte stehen nicht im exportierten Workflow. Du konfigurierst Umgebungsvariablen (Alpaca-Keys, RapidAPI-Key, Empfängerliste, optional Gemini/Gmail, falls du Env statt n8n-Credentials nutzt). In n8n referenzierst du sie mit {{ $env.VARIABLE_NAME }}—so bleibt die Git-Historie sauber, wenn du die JSON-Workflow-Datei teilst.
Was öffentlich erreichbar ist, gehört hinter die übliche Absicherung (n8n-Instanz schützen, Keys rotieren, .env nie committen).
Was ich mitgenommen habe
- Automatisierung funktioniert am besten mit langweiligen Spezifikationen. Sind Indikatorensatz und Prompt-Regeln klar, wird der Ablauf verlässlich.
- LLMs sind stärker als „strukturierte Berichtsschreiber“ denn als Orakel. JSON-Ausgabe plus E-Mail-Templates halten die Nutzererfahrung straff.
- Haftungsausschlüsse gehören zum Design. Projekte aus Finance + KI sollten Grenzen von Anfang an benennen—dieses tut das.
Kurz zu Indikatoren
Indikatoren sind Heuristiken, keine Naturgesetze. RSI kann in starken Trends lange „überkauft“ bleiben; ATR sagt etwas über Schwankung, nicht automatisch über die Richtung. Der Workflow behauptet nicht, diese Mehrdeutigkeit aufzulösen—er liefert einen einheitlichen Schnappschuss, damit du Zeit in die Einordnung steckst, nicht in Copy-Paste in Tabellen.
Ressourcen
GitHub-Repository (Workflow, Prompts, E-Mail-Template, Web-App):
github.com/hd2386/n8n-automation-swing-trade-ideas
Präsentationsvideo (Walkthrough):
Video auf Google Drive ansehen
Projektdokumentation (PDF):
Den vollständigen Projektbericht findest du als vollständigen Projektbericht (PDF) im Repository KI in der Kundenkommunikation.
Wenn du etwas Ähnliches aufsetzen willst: README-Env-Vorlage nutzen, Workflow-JSON importieren, Aktienunivers in stocks_list.js anpassen—und erst danach die „fancy“ Features. Viel Erfolg beim Automatisieren—und denk daran: Vergangenheitskurse sind keine Garantie für die Zukunft.