Dieses Dokument führt den PF‑Effizienz‑Index (PFEI) als aggregierte, nichtlineare Effizienzkennzahl für diskretionäre und algorithmische Handelssysteme ein. Der PFEI bewertet, wie effizient ein beobachteter Profitfaktor im Verhältnis zu Tick‑Winrate, Trade‑Winrate, Verluststruktur und der Anzahl der Verlusttrades erzeugt wird – und schließt damit Lücken klassischer Einzelkennzahlen wie Profitfaktor, Winrate oder Chance‑Risiko‑Verhältnis. PFEI wurde entwickelt, um praktische Fragen zu beantworten wie: - Ist mein aktueller Handelsstil strukturell effizient oder hängt mein Profitfaktor vor allem von Glück und Ausreißern ab? - Wie riskant ist es, meinen Profitfaktor mit aggressiveren Parametern zu steigern? - Welche Kombination aus Gewinnquote (Ticks und Trades), Risiko-Ertrags-Verhältnis und Verlustsequenzlänge passt zu meiner Risikotoleranz? - Wie kann ich verschiedene Handelssysteme (Retail, diskretionär oder algorithmisch) auf einer einzigen strukturellen Qualitätsskala vergleichen? - Wie sehen meine historischen Ergebnisse aus, wenn sie in Zonen wie PERFECT, OPTIMAL oder CATASTROPHIC eingeordnet werden – und welche Parameter machen mein Risiko messbar effizienter und langfristig tragbar? Im ersten Teil werden die zugrunde liegenden Parameter definiert (Profitfaktor, Tick‑Winrate, Trade‑Winrate, Verlustanzahl) und die zweistufige Berechnung des Index beschrieben: Ebene 1 bildet einen Struktur‑Index ohne Robustheitskorrektur, Ebene 2 ergänzt eine asymptotische Robustheitskorrektur über die Verlustanzahl (N‑Faktor). Anschließend wird die Bedeutung von Zähler, Nenner und N‑Faktor erläutert, insbesondere die qualitative Gewichtung der Tick‑Qualität, die explizite Berücksichtigung der Verlustwahrscheinlichkeit im Nenner sowie die Fokussierung auf die Loss‑Seite für die Robustheitsbewertung. Darauf aufbauend werden Schwellenwerte hergeleitet, über die der PFEI in fünf Qualitätszonen eingeteilt wird (KATASTROPHAL, PERFEKT, OPTIMAL, MITTELMÄSSIG, SCHLECHT/ÜBERZOGEN). Diese Zonen dienen als Kohärenz‑Indikatoren und zeigen an, ob Profitfaktor, Wahrscheinlichkeitsstruktur und Verlustmuster noch synchron laufen oder bereits systemisch auseinanderdriften. Im zweiten Teil enthält das Dokument eine praxisorientierte Checkliste zur Ursachenanalyse bei schlechtem PFEI. Schritt für Schritt werden Tick‑Qualität, Trade‑Winrate, Verluststruktur und N‑Faktor, Verlustgröße und Drawdown‑Verlauf, der Profitfaktor im Kontext sowie Regel‑ und Umsetzungsdisziplin untersucht. Auf dieser Basis werden konkrete Maßnahmen zur Optimierung von Setups, Kontext‑Filtern, Stop‑Platzierung, Positionsgröße, Max‑Loss‑Regeln und Trade‑Limit abgeleitet. Der PFEI fungiert damit als Startsignal für eine strukturierte, quantitative Session‑Auswertung, während die eigentliche Diagnose über die Einzelkennzahlen erfolgt. Abschließend wird der PFEI in die bestehende Trading‑ und Quant‑Literatur eingeordnet: Im Unterschied zu Kennzahlen wie Sharpe Ratio, Sortino Ratio oder MAR Ratio fokussiert der PFEI nicht auf Portfolio‑Volatilität oder Drawdown, sondern auf die Effizienz und Robustheit des Profitfaktors auf Trade‑Serien‑Ebene mit besonderem Schwerpunkt auf der Verlustseite. Die vollständige Python‑Implementierung des PF‑Effizienz‑Index (PFEI) – einschließlich Gitterauswertung, Monte‑Carlo‑Simulation und Analyse des gefilterten Subraums – ist diesem Datensatz als Skript beigefügt. Der Code ist bewusst so gestaltet, dass er zum Experimentieren und Replizieren einlädt: Nutzer können die Parameterbereiche für Winraten, Profitfaktor und Verlustserienlänge anpassen, die Zonenzuordnung neu berechnen und prüfen, wie der PFEI unter unterschiedlichen Annahmen reagiert. Sämtliche im Dokument berichteten numerischen Beispiele und Zonenprofile lassen sich mit der beigefügten Python‑Datei in einer Standard‑Scientific‑Python‑Umgebung (NumPy, pandas, Plotly) nachvollziehen und bei Bedarf erweitern. "Alle beschriebenen Kennzahlen und Formeln dienen ausschließlich Bildungs‑ und Forschungszwecken und stellen keine Anlageberatung dar." Erweiterte Anwendung und universelle Kohärenz: Ergänzend zur primären Anwendung im Finanzsektor deuten theoretische Überlegungen und erste Testreihen darauf hin, dass die mathematische Logik des PFEI – insbesondere die Interaktion zwischen Prozess‑Präzision (WS), Gesamterfolgsrate (WT) und Ertrags‑Faktor (PF) – als universelle Metrik für die strukturelle Integrität komplexer Systeme fungieren kann. Durch Abstraktion der Parameter lässt sich der Index potenziell auf Felder wie industrielle Qualitätssicherung, die Bewertung von KI‑Diagnostikmodellen, Netzstabilität in der Energietechnik oder biophysikalische Prozesse (z.B. DNA‑Replikation) übertragen.Überall dort, wo ein diskreter Output auf Makro‑Ebene in direkter Resonanz zu einer zugrunde liegenden Prozess‑Qualität auf Mikro‑Ebene steht und durch Fehlereignisse (NL) unterbrochen wird, bietet der PFEI eine objektive Methode, um „echte Systemeffizienz“ von statistischen Ausreißern oder instabilen Glücksserien zu trennen. Diese interdisziplinäre Kohärenz unterstreicht das Potenzial des PFEI als Werkzeug für eine umfassende, quantitative Systembewertung über das Trading hinaus.

This document introduces the PF Efficiency Index (PFEI) as an aggregated, nonlinear efficiency metric for discretionary and algorithmic trading systems. The PFEI evaluates how efficiently an observed profit factor is generated in relation to tick win rate, trade win rate, loss structure, and the number of losing trades, thereby closing gaps left by classical stand‑alone metrics such as profit factor, win rate, or risk‑reward ratio. PFEI is designed to answer practical questions such as: - Is my current trading style structurally efficient, or does my profit factor mainly depend on luck and outliers? - How risky is it to push my profit factor higher by using more aggressive parameters? - Which combination of tick win rate, trade win rate, risk–reward ratio and loss-sequence length fits my personal risk tolerance? - How can I compare different trading systems (retail, discretionary or algorithmic) on a single structural quality scale? - How do my historical results look when they are mapped into zones like PERFECT, OPTIMAL or CATASTROPHIC – and which parameter sets make my risk measurably more efficient and sustainable over time? In the first part, the underlying parameters are defined (profit factor, tick win rate, trade win rate, number of losses), and the two‑stage calculation of the index is described: Level 1 forms a structure index without robustness correction, Level 2 adds an asymptotic robustness correction via the number of losses (N‑factor). The meaning of numerator, denominator, and N‑factor is then explained, in particular the qualitative weighting of tick quality, the explicit consideration of loss probability in the denominator, and the focus on the loss side for robustness assessment. Building on this, threshold values are derived by which the PFEI is divided into five quality zones (CATASTROPHIC, PERFECT, OPTIMAL, MEDIOCRE, POOR/OVERSTRETCHED). These zones serve as coherence indicators and show whether profit factor, probability structure, and loss patterns are still running in sync or are already drifting apart at a systemic level. In the second part, the document contains a practice‑oriented checklist for root‑cause analysis in the case of a poor PFEI. Step by step, tick quality, trade win rate, loss structure and N‑factor, loss size and drawdown path, the profit factor in context, as well as rule and execution discipline are examined. On this basis, concrete measures are derived to optimise setups, context filters, stop placement, position size, max‑loss rules, and trade limits. The PFEI thus functions as a starting signal for structured, quantitative session evaluation, while the actual diagnosis is made via the individual metrics. Finally, the PFEI is positioned within the existing trading and quant literature: in contrast to metrics such as the Sharpe ratio, Sortino ratio, or MAR ratio, the PFEI does not focus on portfolio volatility or drawdown, but on the efficiency and robustness of the profit factor at the trade‑series level, with a particular emphasis on the loss side. The complete Python implementation of the PF Efficiency Index (PFEI), including the full grid evaluation, Monte‑Carlo simulation and filtered subspace analysis, is provided as an attached script. The code is intended for experimentation and replication: users can adjust the parameter ranges for win rates, profit factor and loss series length, recompute the zone assignments, and verify how the PFEI responds under different assumptions. All reported numerical examples and zone profiles in this document can be reproduced or extended by running the attached Python file in a standard scientific Python environment (NumPy, pandas, Plotly). "All metrics and formulas described are intended solely for educational and research purposes and do not constitute investment advice." Extended application and universal coherence: In addition to its primary use in the financial domain, theoretical considerations and initial test runs suggest that the mathematical logic of the PFEI – in particular the interaction between process precision (WS), overall success rate (WT), and return factor (PF) – can serve as a universal metric for the structural integrity of complex systems. By abstracting the parameters, the index can potentially be transferred to fields such as industrial quality control, the evaluation of AI diagnostic models, power‑grid stability, or biophysical processes such as DNA replication.Wherever a discrete macro‑level output is in direct resonance with an underlying micro‑level process quality and is interrupted by error events (NL), the PFEI offers an objective way to distinguish genuine system efficiency from statistical outliers or unstable streaks of luck. This interdisciplinary coherence highlights the potential of the PFEI as a tool for comprehensive quantitative system assessment beyond trading.