Каждая миллисекунда на счету. В HFT-маркет-мейкинге latency в 1 мс решает всё — на Binance каждый миллисекундный спред на паре BTC/USDT при объёме 1000 BTC приносит 50–100 USD. Но скорость без интеллекта ведёт к накоплению инвентаря на направленных движениях: без ML за час можно потерять 2000 USD на adverse selection. Наши RL-агенты снижают adverse selection ratio на 12–18% и увеличивают P&L на 15–30% по сравнению с классическими статическими моделями (Avellaneda-Stoikov model).
Экономика маркет-мейкинга
P&L складывается из четырёх компонентов: spread capture, inventory risk, adverse selection, maker fees. Цель — максимизировать spread capture при минимальном inventory risk. Классическая модель Авельянеды-Штойкова даёт базовую формулу, но мы заменяем фиксированные параметры на динамически оцениваемые ML.
Как ML-модели снижают риск adverse selection?
Классический подход использует константные risk aversion и volatility. На ML-решении мы обучаем нейросеть предсказывать:
- Order flow intensity: сколько ордеров придёт в следующую секунду.
- Adverse selection probability: вероятность, что следующий ордер информированный.
- Short-term price direction: тренд цены на ближайшие секунды.
Hawkes процессы моделируют кластерный приход ордеров: burst activity → временное снижение позиции. На практике это позволяет уменьшить adverse selection ratio на 12–18% по сравнению с константными резервами.
Почему RL-агент эффективнее статических правил для управления инвентарем?
Мы используем RL-агент с состоянием: инвентарь, imbalance, волатильность, время суток, тренд. Агент выбирает ширину спреда и skew. Пространство состояний включает 6 признаков, а reward функция учитывает как мгновенную прибыль, так и штрафы за отклонение от нулевой позиции.
# Simplified market making state space state = np.array([ inventory / max_inventory, # Normalized inventory bid_ask_imbalance, # Order book imbalance recent_vol_normalized, # Short-term volatility time_of_day_features, # Session effects recent_price_trend # Directional signal ]) action = agent.act(state) # action: [spread_half_width, inventory_skew] Стохастический контроль удерживает инвентарь в заданных лимитах, асимметрично смещая котировки для плавного снижения позиции без агрессивных ордеров. Наши инженеры имеют 5+ лет опыта в HFT и ML, что гарантирует стабильную работу стратегии.
Сравнение: классика vs ML
| Параметр | Классический MM | ML MM |
|---|---|---|
| Risk aversion | Константа | Адаптивная |
| Volatility | Фиксированная | Предсказанная |
| Spread | Симметричный | Асимметричный |
| Inventory control | Жёсткий лимит | RL-оптимизация |
| Прибыль | Базовая | +15–30% |
DeFi и AMM: концентрированная ликвидность
Для Uniswap V3 мы оптимизируем диапазон концентрированной ликвидности. Более узкий диапазон = больше комиссий, но выше риск impermanent loss. RL-агент решает, когда ребалансировать позицию, предсказывая ожидаемый IL на заданном горизонте. В наших тестах на ETH/USDC 0.3% точность прогноза IL составила 89%. Для точной оценки вашей стратегии и объёмов свяжитесь с нами — мы подготовим демо-счёт.
Типичные ошибки при внедрении MM-бота
- Игнорирование maker-taker fee структуры: на некоторых биржах (Binance, Bybit) maker rebate может превышать taker fee, что меняет экономику.
- Использование одинакового спреда для всех торговых пар — разная ликвидность требует разных настроек.
- Отсутствие мониторинга latency: задержка >10 мс на CEX уничтожает преимущество ML.
Сравнение CEX и DEX маркет-мейкинга
| Параметр | CEX | DEX |
|---|---|---|
| Latency | <1 мс (колокейшн) | 1-5 блоков (15-30 с) |
| Fee модель | Maker rebate | Комиссия пула (0.01-1%) |
| Риски | Сбой биржи | Smart contract, MEV |
| Инвентарь | Прямой | Через AMM (автоматический) |
| ML-фокус | Order flow | IL prediction |
Техническая инфраструктура
Latency — ключевой фактор. На CEX используем колокейшн, на DEX — MEV-protected RPC (Flashbots). Стек: WebSocket → Order Book → Quote Engine → ML inference → Order Manager → Exchange API. Inference latency поддерживаем на уровне <5 мс благодаря ONNX Runtime и GPU инференсу на T4. Наша система обрабатывает до 10 000 ордеров в минуту и поддерживает 50+ торговых пар. Мониторинг: P&L attribution, fill rate, adverse selection ratio, инвентарь во времени. Все метрики стекаются в Grafana с алертами по Sharpe ratio и VaR.
Как мы разрабатываем AI-бота: пошаговый процесс
- Анализ торговых пар и ликвидности — оценка спредов, объёмов и конкурентной среды.
- Выбор и настройка ML-архитектуры — PyTorch, Hugging Face Transformers, опционально LangChain.
- Обучение модели на исторических данных — backtesting с метриками Sharpe, Sortino, maximum drawdown.
- Интеграция с биржей — REST/WebSocket API, WebSocket order book, механизм реконнекта.
- Деплой на сервере — Docker-контейнер, мониторинг Prometheus+Grafana, алерты.
- Документация и обучение команды — передача кода, model card, runbooks.
- Гарантийная поддержка 3 месяца — фикс багов, дообучение при изменении рынка.
Что входит в работу (deliverables)
- Исходный код ML-модели с комментариями и конфигурацией.
- API-интеграция с выбранными биржами (CEX/DEX).
- Развёртывание на сервере с автоматическим рестартом и мониторингом.
- Документация: описание архитектуры, инструкция по запуску, runbook для оператора.
- Обучение команды заказчика (2–5 часов онбординга).
- Гарантийная поддержка 3 месяца: исправление ошибок, дообучение модели при изменении рыночных условий.
Сроки: от 4 до 8 недель в зависимости от сложности. Для точной оценки свяжитесь с нами — мы разберём ваш use case и предложим оптимальное решение. Закажите разработку AI-маркет-мейкинг бота и получите консультацию по вашей стратегии.