Интеграция AI-трейдинг-бота с QUIK QLUA

Мы сталкиваемся с ситуацией: трейдеры пишут простые стратегии на QLUA, но для ML-моделей (LSTM, градиентный бустинг) нужны Python-библиотеки и GPU. QUIK — доминирующий терминал на российских рынках (ММВБ, СПБ Биржа), а QLUA — встроенный Lua-скриптовый движок. Проблема: QLUA не тянет тяжелые вычисления, а Python не умеет напрямую выставлять ордера. Решение — асинхронный TCP-мост между QLUA и Python AI-сервером. Ошибка в QLUA-скрипте может стоить миллионы, а latency в 50 мс — превратить прибыльную стратегию в убыточную. Наша команда устраняет эти риски, имея за плечами более 50 интеграций и 5+ лет опыта. Средний объём данных на один тик — 100 байт, что при 10 тиках в секунду даёт нагрузку 1 Кб/с — некритично.

Как работает интеграция AI-бота с QUIK?

Основной подход — QLUA-скрипт выступает посредником: получает данные от терминала, отправляет их в Python по TCP, получает сигнал и отправляет ордер. Это даёт минимальную задержку (p99 <10 мс) и полный контроль над ML-логикой. Рассмотрим типовую реализацию.

QLUA + Python TCP Bridge

-- QLUA скрипт: получает данные, отправляет Python, получает сигнал
local socket = require("socket")
local json = require("json")

local client = socket.tcp()
client:connect("127.0.0.1", 5555)

function OnBar(class_code, sec_code, interval, candle)
    if class_code == "TQBR" and sec_code == "SBER" then
        local features = {
            open = candle.open,
            high = candle.high,
            low = candle.low,
            close = candle.close,
            volume = candle.volume,
            symbol = sec_code
        }
        client:send(json.encode(features) .. "\n")
        local signal_str = client:receive("*l")
        local signal = json.decode(signal_str)
        if signal.action == "buy" then
            SendOrder(sec_code, signal.price, signal.quantity, true)
        elseif signal.action == "sell" then
            SendOrder(sec_code, signal.price, signal.quantity, false)
        end
    end
end

function SendOrder(sec_code, price, qty, is_buy)
    local trans = {
        CLASSCODE = "TQBR",
        SECCODE = sec_code,
        OPERATION = is_buy and "B" or "S",
        PRICE = tostring(price),
        QUANTITY = tostring(qty),
        ACCOUNT = "L01-00000F00",
        TYPE = "L",
        TRANS_ID = tostring(os.time())
    }
    sendTransaction(trans)
end

# Python AI-сервер
import socket
import json
import numpy as np
from your_ml_model import predict

server = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
server.bind(('127.0.0.1', 5555))
server.listen(1)

conn, addr = server.accept()

buffer = ""
while True:
    data = conn.recv(4096).decode()
    buffer += data
    if '\n' in buffer:
        line, buffer = buffer.split('\n', 1)
        features = json.loads(line)
        signal = predict(features)
        conn.send((json.dumps(signal) + '\n').encode())

Сравнение подходов к интеграции

Выбор между ними зависит от приоритетов: если нужен полный цикл — QLUA+TCP, если только быстрая отправка — Trans2Quik. Для .NET-проектов удобен QuikSharp, но он требует установки соответствующей среды.

Как избежать потери соединения?

При разрыве TCP-соединения QLUA-скрипт может зависнуть. Решение — watchdog в Python-сервере, который перезапускает скрипт при потере связи. Также в QLUA используем таймауты и повторные подключения. В таблице ниже — типовые задержки при разных способах получения данных.

Получение биржевых данных

Финам Data Feed — для ML обучения: исторические данные через Финам API или экспорт из QUIK. QLUA Data Tables — для потоковых данных.

-- Получение всех сделок из таблицы
local trades_table = getTable("trades")
local num_rows = #trades_table
-- Подписка на стакан
Subscribe_Level_II_Quotes("TQBR", "SBER")
local order_book = getParamEx2("TQBR", "SBER", "BID")

Специфика российского рынка

Режим T+2 на ММВБ: учёт в AI-стратегиях. Short позиции требуют РЕПО или наличия ценных бумаг. Брокерские комиссии: типичные 0.035–0.1% от оборота. Для дейтрейдинга это значимо. Брокерский сбор + биржевой сбор + НКД для облигаций.

Фьючерсы и опционы через FORTS: отдельный класс SPBFUT. Кодировка тикеров (SiM5, RIM5). Часовое гарантийное обеспечение.

Что делать, если модель даёт ложные сигналы?

Ложные сигналы — частая проблема ML-стратегий. Мы внедряем фильтрацию: дополнительная статистическая проверка (z-score, Z-test) перед отправкой ордера. Также используем стоп-лоссы и ограничение на количество сделок в минуту.

Процесс работы

1. Аналитика: обсуждаем стратегию, выбираем стек (QLUA+Python или другой).
2. Проектирование: архитектура TCP-моста, типы ордеров, частоты данных.
3. Разработка: пишем QLUA-скрипт, Python AI-сервер, интегрируем модель.
4. Тестирование: paper trading в QUIK, симуляция рыночных условий с разными режимами T+2 и FORTS.
5. Деплой: настройка мониторинга, автостарт скриптов, документация.

Сроки и стоимость

Интеграция под ключ занимает от 2 до 4 недель в зависимости от сложности ML-модели и количества инструментов. Стоимость рассчитывается индивидуально. Для ориентира: базовая интеграция QLUA+Python — от 2 недель, с обучением модели — до 2 месяцев.

Чек-лист для запуска AI-бота

• Настроить watchdog для TCP-соединения
• Включить логирование всех транзакций QLUA
• Проверить latency в пиковые нагрузки (более 100 сделок в секунду)
• Протестировать работу с разными классами инструментов (TQBR, SPBFUT)
• Установить лимиты на частоту ордеров

Что входит в работу

• QLUA-скрипт с обработкой ошибок и переподключением
• Python AI-сервер с интеграцией вашей модели
• Мониторинг через логи и метрики (latency, throughput)
• Документация по запуску и обслуживанию
• Обучение команды (2 часа)
• Поддержка 1 месяц после деплоя

Документация QLUA описывает все события и функции. Для старта достаточно socket-модуля Lua и socket-модуля Python.

Оцените ваш проект — напишите нам, мы поможем подобрать оптимальную архитектуру. Закажите консультацию, чтобы мы проанализировали вашу стратегию. Свяжитесь с нами для обсуждения деталей.