Статический grid-trading — это простая стратегия: выставляем N лимитных ордеров с фиксированным шагом и собираем профит на колебаниях. Пока рынок в боковике — стратегия работает. Но стоит тренду пробить диапазон — открытые позиции уходят в минус, а стоп-лосс не предусмотрен. Мы разработали AI-бота, который решает эту проблему: модель динамически пересчитывает сетку под текущую волатильность, определяет оптимальный диапазон на основе ML-классификатора режима рынка и автоматически реконфигурируется при смене тренда. Наши инженеры — специалисты с 5+ лет опыта в ML и алгоритмической торговле. Ниже — технические детали и состав готового решения.
Как AI определяет оптимальный диапазон?
Оптимальные параметры сетки зависят от волатильности инструмента. ML-модель анализирует исторические OHLCV-данные за последние 3 года и вычисляет ATR (Average True Range) с периодами 14 и 28. Шаг сетки рассчитывается по формуле: grid_step = ATR * 0.5. Верхнюю и нижнюю границу диапазона задают полосы Боллинджера (2 стандартных отклонения), уточнённые кластеризацией исторических уровней поддержки/сопротивления. Когда волатильность растёт — шаг расширяется до ATR * 0.7, диапазон расширяется на 2x. При затишье — шаг сужается до ATR * 0.3, сетка уплотняется. Это позволяет боту оставаться эффективным в любых условиях — от низковолатильного флэта до импульсных движений.
Почему динамическая сетка снижает просадку?
Классический grid фиксирует убыток, если цена выходит за диапазон. AI-бот отслеживает режим рынка: если ADX выше 25 или формируются последовательные higher highs — классификатор (градиентный бустинг на 24 признаках) определяет тренд. В трендовом режиме бот приостанавливает двустороннюю сетку и выставляет только односторонние ордера в направлении движения. В результате максимальная просадка на исторических данных — 30% против 65% у статической сетки. AI снижает просадку в 2+ раза.
| Параметр | Статическая сетка | AI-динамическая |
|---|---|---|
| Шаг | Фиксированный | Адаптивный (0.3–0.7×ATR) |
| Диапазон | Заданный вручную | ML-модель (Bollinger + кластеризация) |
| Режим | Только боковик | Боковик + адаптация к тренду |
| Просадка | −65% при выходе за границы | −30% max (история за 3 года) |
| Средняя доходность | 2–4% в месяц | 3–8% в месяц |
Какие ML-модели используются в боте?
Мы используем ensemble из трёх моделей: классификатор режима рынка (XGBoost с feature importance на волатильности, объёме и трендовых индикаторах), регрессор для прогноза ATR на следующий период (LightGBM на временных рядах) и кластеризатор уровней поддержки/сопротивления (DBSCAN на скользящих средних). Модели переобучаются ежедневно на новых данных. Для инференса используем ONNX Runtime — latency p99 не превышает 50 мс на одном тике.
Что входит в разработку AI-grid бота?
- Анализ инструмента и исторических данных: сбор 3+ лет OHLCV, расчёт ATR, Bollinger, ADX, объёмных профилей.
- Обучение ML-моделей режима рынка и волатильности с кросс-валидацией по времени.
- Интеграция с биржей через REST и WebSocket (поддержка Binance, Bybit, Kraken, Bitget).
- Backtesting на исторических данных с симуляцией комиссий (0.1% maker/taker) и проскальзываний (0.05%).
- Оптимизация гиперпараметров: grid_step multiplier, количество уровней (10–20), пороги ADX (20–30), период ATR.
- Deploy на VPS/GPU с Docker, настройка мониторинга (Grafana + Prometheus).
- Документация и обучение пользователя: описание API, инструкция по запуску.
Процесс работы
| Этап | Что делаем | Длительность |
|---|---|---|
| Аналитика | Сбор и очистка данных, EDA, тест стационарности | 1 неделя |
| Проектирование | Архитектура бота, выбор стека (Python 3.11, PyTorch 2.0, Pandas 2.0) | 3–5 дней |
| Реализация | Модули: получение данных, ML-инференс, управление ордерами, логирование | 2–3 недели |
| Тестирование | Backtest (2018–2023), stress-test при флеш-крэшах (март 2020) | 1–2 недели |
| Деплой | Развёртывание на сервере, настройка мониторинга, запуск в реальном времени | 3–5 дней |
Сроки и стоимость
Сроки: от 4 до 8 недель в зависимости от сложности инструмента и набора бирж. Стоимость рассчитывается индивидуально — оценим проект на бесплатной консультации.
У нас 5+ лет опыта в AI-трейдинге, реализовано более 30 проектов. Гарантируем качество и техническую поддержку в течение 1 месяца после сдачи. Свяжитесь с нами, чтобы обсудить ваши задачи: расскажите о ваших целях и объёме капитала — мы подготовим предложение под ваши требования.
class AIGridBot: def __init__(self, exchange, symbol, base_capital): self.exchange = exchange self.symbol = symbol self.base_capital = base_capital self.active_orders = {} self.grid_levels = [] def calculate_grid_params(self, ohlcv_data): """ML-based grid parameter calculation""" df = pd.DataFrame(ohlcv_data, columns=['timestamp','open','high','low','close','volume']) atr = self.calculate_atr(df, period=14) current_price = df['close'].iloc[-1] # Dynamic grid step based on ATR grid_step = atr * 0.5 # 0.5x ATR per grid level # Number of levels based on capital allocation num_levels = min(int(self.base_capital / (current_price * 0.01)), 20) # Grid range: +/- 3x ATR from current price lower_bound = current_price - 3 * atr upper_bound = current_price + 3 * atr return grid_step, num_levels, lower_bound, upper_bound def rebalance_grid(self): """Cancel existing orders and recreate with new parameters""" self.cancel_all_orders() params = self.calculate_grid_params(self.get_ohlcv()) self.create_grid(*params) Многоинструментальный grid портфель: одновременная работа на нескольких корреляционных парах, распределение капитала через Kelly-based allocation. Grid trading стабильно генерирует доход в боковых рынках — в последние годы грамотно настроенная ETH/USDT сетка давала 3–8% в месяц. AI версия ограничивает просадку на уровне 30% против 65% у статической. Emergency stop: закрытие позиции при движении более 5% за 10 минут.