Мы разрабатываем AI-скальпинг-ботов, которые анализируют микроструктуру рынка в реальном времени. Алгоритмы крупных игроков используют Level 2 данные стакана и микроструктурные сигналы, чтобы предсказывать движение цены на несколько тиков вперёд. Без машинного обучения вы полагаетесь на интуицию, но в HFT-окружении это не работает. Мы строим решения, которые обрабатывают эти сигналы и совершают сделки за миллисекунды. Оценим ваш проект и предложим реализацию под ключ — от прототипа до продакшена с мониторингом.
Проблема в том, что рыночные данные содержат шум. Без правильного feature engineering сигнал теряется, а сделки исполняются по худшей цене. Поэтому мы фокусируемся на извлечении фич из Level 2 данных стакана: дисбаланс объёмов, поток агрессивных ордеров, микропрайс. Эти сигналы недоступны долгосрочным стратегиям, но дают преимущество на горизонте 1–10 тиков.
Из каких компонентов состоит AI-скальпинг-бот?
Скальпинг-бот включает модули сбора данных, feature engineering, модель предсказания, исполнения и мониторинга. Мы проектируем каждый модуль с учётом latency-бюджета и специфики рынка.
Микроструктурные сигналы
Order Book Imbalance (OBI) — дисбаланс объёмов bid/ask. Если на bid в 5 раз больше объёма, давление покупателей выше — вероятно движение вверх. Формула: OBI = (bid_volume - ask_volume) / (bid_volume + ask_volume). ML улучшает сигнал взвешиванием по уровням стакана.
Trade Flow Imbalance — разница между объёмом сделок, инициированных покупателями и продавцами. Высокий дисбаланс указывает на агрессивных участников.
Queue Position и Order Flow Toxicity — оценка "ядовитости" потока через VPIN (Volume-Synchronized Probability of Informed Trading) для предсказания adverse selection.
Microprice — взвешенная середина спреда: microprice = (ask_vol * bid + bid_vol * ask) / (bid_vol + ask_vol). Отклонение цены сделки от микропрайса даёт сигнал краткосрочного движения.
| Сигнал | Описание | Feature engineering | Горизонт предсказания |
|---|---|---|---|
| OBI | Дисбаланс объёмов | Взвешивание по уровням | 1–5 тиков |
| Trade Flow Imbalance | Поток агрессивных ордеров | Скользящие средние | 1–10 тиков |
| Microprice | Взвешенная середина | Deviation от цены | 1–3 тика |
Как DeepLOB предсказывает движение цены?
DeepLOB — архитектура CNN + LSTM, которая обрабатывает снимки стакана за последние N секунд. Свёртки извлекают пространственные паттерны, LSTM — временные зависимости. Выход — три класса: движение вверх, вниз или флэт. Пример реализации:
class DeepLOB(nn.Module): def __init__(self, depth=20, features=4): super().__init__() self.conv_layers = nn.Sequential( nn.Conv2d(1, 32, (1, 2), stride=(1, 2)), nn.LeakyReLU(0.01), nn.Conv2d(32, 32, (4, 1)), nn.LeakyReLU(0.01), nn.Conv2d(32, 32, (4, 1)), nn.LeakyReLU(0.01), ) self.lstm = nn.LSTM(32, 64, 2, batch_first=True, dropout=0.2) self.fc = nn.Linear(64, 3) def forward(self, x): # x: [batch, 100, depth*features] x = x.unsqueeze(1) conv_out = self.conv_layers(x) batch, _, h, w = conv_out.shape lstm_in = conv_out.permute(0, 2, 1, 3).reshape(batch, h, -1) lstm_out, _ = self.lstm(lstm_in) return self.fc(lstm_out[:, -1, :]) Модели обучаются на исторических тиковых данных с разными горизонтами (1, 5, 10 тиков) и агрегируются в ансамбль. Мы используем PyTorch для обучения и ONNX Runtime для инференса, чтобы снизить latency.
Почему latency критичен для скальпинга?
Скальпинг требует жёсткого latency-бюджета:
- Вычисление сигнала: <1 мс
- Выставление ордера: <5 мс round-trip
- Полный цикл: <10 мс
Для этого используется co-location или proximity hosting, WebSocket-фиды вместо REST (в 100× быстрее), асинхронный код (asyncio). Мы оптимизируем каждый этап — от сбора данных до отправки ордера. Например, проектируем модель так, чтобы инференс укладывался в 100 мкс на GPU.
Как оценить качество бэктестинга?
Бэктестинг на тиковых данных — основа для валидации стратегии. Мы используем метрики: Sharpe ratio (>2.0), win rate (>55%), profit factor (>1.5). Обязательно проверяем модель на out-of-sample данных, чтобы исключить переобучение. В одном проекте мы получили Sharpe 3.1 на тестовом периоде длительностью 6 месяцев, но только после добавления VPIN-фичи.
| Метрика | Целевое значение | Комментарий |
|---|---|---|
| Sharpe ratio | >2.0 | С поправкой на комиссии |
| Win rate | >55% | Не менее 1000 сделок |
| Profit factor | >1.5 | Отношение прибыли к убытку |
Управление рисками при скальпинге
Daily loss limit — остановка при дневном убытке, чтобы одна плохая сессия не уничтожила прибыль. Максимальный размер позиции — автоматическое закрытие при превышении inventory threshold. Drawdown tracking с circuit breakers по скользящей 5-дневной просадке.
Типичные ошибки начинающих:
- Не учитывают комиссии: при 500 сделках в день комиссия может съесть всю прибыль.
- Переобучают модель на один режим рынка — после смены волатильности стратегия ломается.
- Игнорируют latency: сигнал приходит, когда цена уже изменилась.
Наш процесс разработки
- Аналитика — разбор микроструктуры рынка, сбор тиковых данных.
- Прототипирование — создание baseline-модели и бэктестинг.
- Оптимизация — снижение latency, улучшение fill rate.
- Продакшн — деплой на co-located сервера, интеграция с биржей.
- Мониторинг — continuous evaluation модели, алерты по P&L.
Что входит в работу
- Документация по архитектуре модели и API для торговли.
- Дашборд мониторинга в реальном времени.
- Обучение вашей команды (код, метрики, алерты).
- Гарантия качества: мы проводим стресс-тесты и валидацию на out-of-sample данных.
Опыт нашей команды — более 5 лет в HFT-разработке, десятки проектов с ML-моделями на реальных рынках. Свяжитесь с нами, чтобы оценить ваш проект — мы предложим решение под ключ. Получите консультацию по оптимизации latency и микроструктурным стратегиям. Гарантируем прозрачность: вы получаете не чёрный ящик, а интерпретируемые сигналы и полную документацию.
Основы микроструктуры рынка описаны на Wikipedia.