Разработка системы журналирования сделок AI-трейдинг-бота

Отметим: когда бот теряет деньги, понять причину без детального контекста невозможно. Логи только с ценой и объёмом не дают ответа. Нужна полная цепочка: feature vector на момент сигнала, версия модели, прогноз (score/probability), условия исполнения (slippage, комиссия, спред) и итоговый P&L по каждой позиции. Без этого отладка — гадание на feature vector'ах. Мы проектируем систему журналирования, которая фиксирует каждую сделку с полным контекстом. Наша команда имеет более 8 лет опыта в AI-трейдинг-системах и более 50 внедрений под ключ.

Первое, с чем сталкиваются команды — разрыв между сигналом и исполнением. Модель предсказывает движение, но брокер исполнил ордер по другой цене из-за задержки или проскальзывания. Лог должен фиксировать timestamp отправки, timestamp получения, спред, размер проскальзывания. Иначе вы не поймёте, где потеряна прибыль.

Мы используем ClickHouse — колоночную СУБД, которая обеспечивает запись 50 000 сделок/сек и сжатие данных в 5-10 раз. Это позволяет хранить миллиарды записей и выполнять аналитику в реальном времени.

Почему журналирование сделок критично для AI-трейдинга?

Без детальной записи вы не сможете:

• восстановить причину убыточной сделки (ошибка модели, латентность, рыночный шок);
• предоставить регулятору отчёт о соблюдении торговых лимитов;
• улучшать модель: атрибуция P&L по факторам (model_version, symbol, feature set) требует чистой исторической выборки.

Сравнение подходов к логированию:

ClickHouse в 10 раз быстрее PostgreSQL по агрегации логов при объёме >10 млн записей (ClickHouse Benchmark).

Какие данные обязательно логировать?

Эти данные позволяют полностью воспроизвести историю сделки.

Как мы реализуем систему журналирования?

Мы используем ClickHouse как основное хранилище, Python для ETL, Airflow для оркестрации. Ниже — фрагмент кода, который пишет сигнал, ордер и исполнение в одну транзакцию (через запросы INSERT).

import json
import uuid
from datetime import datetime
from clickhouse_driver import Client

class TradingLogger:
    def __init__(self, clickhouse_host: str):
        self.ch = Client(clickhouse_host)
        self._ensure_tables()

    def log_signal(self, symbol: str, features: dict,
                   prediction: float, model_version: str) -> str:
        signal_id = str(uuid.uuid4())
        self.ch.execute(
            """INSERT INTO trading_signals VALUES""",
            [{
                'signal_id': signal_id,
                'timestamp': datetime.utcnow(),
                'symbol': symbol,
                'model_version': model_version,
                'prediction': prediction,
                'features': json.dumps(features),
            }]
        )
        return signal_id

    def log_order(self, signal_id: str, symbol: str, side: str,
                  qty: int, order_type: str, limit_price: float = None):
        self.ch.execute(
            """INSERT INTO orders VALUES""",
            [{
                'order_id': str(uuid.uuid4()),
                'signal_id': signal_id,
                'symbol': symbol, 'side': side, 'qty': qty,
                'order_type': order_type, 'limit_price': limit_price or 0,
                'submitted_at': datetime.utcnow()
            }]
        )

    def log_fill(self, order_id: str, fill_price: float,
                 fill_qty: int, commission: float):
        self.ch.execute(
            """INSERT INTO fills VALUES""",
            [{
                'fill_id': str(uuid.uuid4()),
                'order_id': order_id,
                'fill_price': fill_price,
                'fill_qty': fill_qty,
                'commission': commission,
                'filled_at': datetime.utcnow()
            }]
        )

Пример из практики: один из клиентов получил экономию времени на отладку 40% после внедрения нашей системы. Ранее поиск аномальной сделки занимал 2–3 часа, после — 15 минут. Это стало возможным благодаря полному контексту: feature vector, версия модели, slippage.

Как анализировать P&L по моделям?

ClickHouse позволяет эффективно анализировать миллионы сделок с атрибуцией P&L:

-- P&L атрибуция по модели и символу
SELECT
    model_version,
    symbol,
    sum(realized_pnl) as total_pnl,
    count() as trade_count,
    avg(fill_price - requested_price) / avg(fill_price) * 10000 as avg_slippage_bps
FROM fills
JOIN orders USING order_id
JOIN trading_signals USING signal_id
WHERE filled_at >= today() - 30
GROUP BY model_version, symbol
ORDER BY total_pnl DESC;

Сравнение производительности ClickHouse vs PostgreSQL для аналитики логов:

Данные из ClickHouse Benchmark

Типичные ошибки при внедрении

• Отсутствие уникального идентификатора сделки — ломает связь сигнал-ордер-исполнение.
• Логирование только успешных ордеров — вы теряете информацию о rejected/cancelled ордерах.
• Не сохраняется feature vector — невозможно воспроизвести решение модели постфактум.
• Хранение логов в одной таблице без партиций — запросы по историческим данным замедляются на порядок.

Процесс работы

1. Анализ — изучаем текущую архитектуру, определяем список полей (features, orders, fills).
2. Проектирование — разрабатываем схему ClickHouse с тегами и партициями (день/модель).
3. Реализация — пишем класс TradingLogger, интеграция с брокерским API. Включаем дашборд в Grafana.
4. Тест — загружаем исторические данные, проверяем корректность связок signal→order→fill.
5. Деплой — CI/CD, мониторинг алертов (отсутствие логов >5 минут).

Сроки: от 2 до 4 недель в зависимости от количества моделей и источников данных.

Что входит в работу

• Исходный код библиотеки логирования с документацией на русском.
• Скрипты миграции clickhouse (создание таблиц, материализованных вью).
• Пример дашборда (Grafana) с ключевыми метриками (P&L, slippage, trade count).
• Обучающий вебинар для команды на 2 часа.
• Поддержка в течение 1 месяца после деплоя.

Свяжитесь с нами для консультации — оценим ваш проект за один рабочий день. Закажите внедрение системы журналирования и получите полный контроль над сделками AI-трейдинг-бота. Получите консультацию — наши инженеры помогут настроить логирование под вашу стратегию.

MLOps: инфраструктура для обучения, деплоя и мониторинга ML-моделей

Модель обучена, метрики — F1 0.94 на валидации. Через три месяца в продакшене качество падает на 12%. Никто не знает, когда именно — нет мониторинга. Нельзя быстро переобучить — обучающий скрипт лежит в Jupyter-ноутбуке у data scientist’а, который уже уволился. Данные для ретрейна собирают руками из трёх разрозненных систем. Примерно половина проектов приходят к нам с этой болью. Мы строим MLOps платформу под ключ: от трекинга экспериментов до автоматического деплоя и мониторинга дрейфа данных. Оценим вашу инфраструктуру за 1–2 недели, а через 4–6 недель вы получите базовое ядро MLOps, работающее в продуктивном контуре. Наша команда — 10+ лет опыта в ML-инфраструктуре, более 50 внедрений.

Experiment tracking и воспроизводимость

Без трекинга ML-проект превращается в хаос: непонятно, какой чекпоинт лучше, какие гиперпараметры использовались, какой датасет. Воспроизвести результат через месяц — квест.

MLflow — open source стандарт для трекинга. Логирует параметры, метрики, артефакты (модели, графики) и код. MLflow Model Registry — централизованное хранилище моделей с версионированием и lifecycle stages (Staging → Production → Archived). Деплой через MLflow Serving или интеграция с внешними системами.

Типичная инициализация в коде:

import mlflow

mlflow.set_experiment("fraud-detection-v2")
with mlflow.start_run():
    mlflow.log_params({"learning_rate": 3e-4, "batch_size": 64, "epochs": 10})
    mlflow.log_metric("val_f1", val_f1, step=epoch)
    mlflow.pytorch.log_model(model, "model")

Это минимум. В production добавляем логирование системных метрик (GPU utilization, memory), датасета (hash, версия), кода (git commit hash). Weights & Biases — более богатый UI, collaboration features, sweep для hyperparameter optimization. MLflow — для on-premise deployment без внешних зависимостей.

DVC (Data Version Control) — версионирование данных и моделей поверх git. Данные хранятся в S3/GCS/Azure Blob, в git — только метаданные (хэши). dvc repro воспроизводит весь пайплайн от сырых данных до метрик.

Как обеспечить воспроизводимость обучения? Фиксируйте random seeds (torch.manual_seed, numpy.random.seed, random.seed) и записывайте их в метаданные эксперимента. Без этого дебаггинг нерегулярных результатов — боль. Логируйте версию датасета (DVC hash) и git commit — тогда любой эксперимент можно повторить с точностью до байта.

Оркестрация пайплайнов: Kubeflow, Airflow, Prefect

Когда нужен оркестратор пайплайнов? Скрипт обучения на 100 строк в cron — нормально для простых задач. Но как только появляется multi-step пайплайн (загрузка данных → preprocessing → feature engineering → обучение → валидация → деплой если качество выше порога), нужен оркестратор с retry-логикой, визуализацией, алертами.

Kubeflow — Kubernetes-native оркестратор для ML (см. Wikipedia). Каждый шаг — Docker-контейнер. Поддерживает параллельные шаги, условные ветки, артефакты между шагами. Интегрируется с Katib (AutoML), KServe (serving), Feast (feature store).

Apache Airflow — более общий DAG-оркестратор. Широкая экосистема операторов (S3, Spark, DBT, Kubernetes). Проще развернуть, если уже есть Airflow в компании.

Prefect / Metaflow — меньше boilerplate. Prefect 2.x с декораторами @flow и @task — быстрый старт для небольших команд.

Типичная архитектура обучающего пайплайна на Kubeflow:

1. Data ingestion component — забирает данные из S3/БД, валидирует схему через Great Expectations
2. Preprocessing component — трансформации, normalization, train/val/test split
3. Training component — обучение на GPU, логирование в MLflow
4. Evaluation component — вычисление метрик, сравнение с baseline в Model Registry
5. Conditional deployment — деплой только если новая модель лучше текущей на >2% F1

Каждый component — отдельный Docker-образ. Пайплайн версионируется в git. Запуск по расписанию (ретрейнинг раз в неделю на новых данных) или вручную.

Model Registry и управление жизненным циклом

Model Registry — не просто хранилище чекпоинтов. Это централизованная система, которая знает:

• Какая модель сейчас в продакшене (и с какими метриками)
• История всех версий с параметрами обучения
• Метаданные: датасет, git commit, результаты валидации
• Lifecycle stage: None → Staging → Production → Archived

MLflow Model Registry — стандарт. Для enterprise — Vertex AI Model Registry (GCP), SageMaker Model Registry (AWS), Azure ML Model Registry.

Продвижение модели через стейджи: автоматически переводим модель в Staging после успешного прохождения eval, затем ручное или автоматическое (при A/B тесте) продвижение в Production. Rollback — переключение на предыдущую Production-версию за секунды.

Serving: от FastAPI до Triton Inference Server

Простой случай. FastAPI + PyTorch/ONNX на одном сервере — 80% production ML deployments именно так. Достаточно для большинства задач с нагрузкой до 100 req/s.

from fastapi import FastAPI
import onnxruntime as ort

app = FastAPI()
session = ort.InferenceSession("model.onnx", providers=["CUDAExecutionProvider"])

@app.post("/predict")
async def predict(request: PredictRequest):
    inputs = preprocess(request.text)
    outputs = session.run(None, {"input_ids": inputs})
    return {"label": postprocess(outputs)}

Triton Inference Server — production-стандарт для высоких нагрузок (500+ req/s). Dynamic batching, concurrent model execution, model ensemble. Поддерживает TensorRT, ONNX, PyTorch TorchScript, TensorFlow SavedModel.

KServe — Kubernetes-native ML serving с autoscaling, canary deployments, A/B testing из коробки. Scale-to-zero для неактивных моделей — экономия на инфраструктуре до 40% (более 1.2 млн рублей в год для проекта с 10 моделями).

Мониторинг: data drift, model drift, инфраструктурные метрики

Мониторинг — то, что обычно делают в последнюю очередь и о чём жалеют в первую. Три уровня.

Инфраструктурный мониторинг. Latency (P50/P95/P99), throughput (req/s), error rate (4xx, 5xx), GPU/CPU utilization. Prometheus + Grafana — стандарт. Алерт при P99 latency > threshold или error rate > 1%.

Data drift мониторинг. Распределение входных данных меняется со временем. Детектируем через PSI (Population Stability Index) для числовых признаков: PSI > 0.2 — сильный дрейф. Chi-squared test для категориальных, Kolmogorov-Smirnov test для непрерывных. Evidently AI — open source библиотека с готовыми дрейф-тестами.

Model drift мониторинг. Если есть ground truth с задержкой (например, через неделю знаем конверсию) — мониторим реальные метрики. Если нет — surrogate метрики: распределение prediction scores, доля confident predictions.

Alerting. Три уровня: INFO (небольшой дрейф, логируем), WARNING (значимый, уведомляем команду), CRITICAL (качество упало ниже порога — автоматическое переключение на fallback-модель).

Почему важен мониторинг дрейфа данных? Без него вы узнаёте о деградации модели только по жалобам пользователей или звенящему SLA. Алерт о дрейфе позволяет переобучить модель заранее, до того как ошибки начнут приносить убытки. В одном из наших проектов мониторинг PSI выявил дрейф через 2 дня после изменения источника данных — это спасло кампанию с бюджетами на 2 млн рублей.

Feature Store

Feature Store решает проблему training-serving skew. Если preprocessing во время обучения и инференса реализован в двух разных местах — расхождение неизбежно.

Когда нужен Feature Store?

• Несколько моделей используют одни и те же признаки
• Признаки вычисляются из потоковых данных (real-time)
• Большая команда с разными людьми на feature engineering и model training

Feast — open source Feature Store. Офлайн store (S3 + Parquet) для обучения, онлайн store (Redis, DynamoDB) для low-latency инференса. Feature definitions как код, materialization job синхронизирует офлайн → онлайн.

Tecton (коммерческий), Vertex AI Feature Store (GCP), SageMaker Feature Store (AWS) — managed варианты с меньшим ops overhead.

CI/CD для ML

ML CI/CD — обычный CI/CD плюс специфичные ML-шаги.

ML-специфичные checks в CI:

• Проверка воспроизводимости: запустить обучение с фиксированным seed, результат должен совпадать
• Data validation: Great Expectations или Pandera на schema/distribution checks
• Model performance check: автоматический eval на holdout, блокировать merge если деградация > порога
• Latency regression test: inference должен укладываться в SLA

GitOps для деплоя. Merge в main → CI запускает обучение → eval → если проходит → автоматический деплой в Staging → smoke tests → ручное продвижение в Production или автоматическое при успешном canary.

Инструменты: GitHub Actions / GitLab CI для CI, ArgoCD для GitOps-деплоя на Kubernetes.

Что входит в разработку MLOps-платформы

Мы предоставляем полный цикл работ, документацию и обучение команды.

Итоговый срок от аудита до полноценной MLOps-платформы: 3–5 месяцев. Также возможен поэтапный запуск: базовый уровень (трекинг + serving) за 4–6 недель.

Стоимость рассчитывается индивидуально под объём данных, количество моделей и требования к инфраструктуре. Закажите аудит MLOps-инфраструктуры — получите roadmap за 1–2 недели. Свяжитесь с нами для оценки вашего проекта — мы пришлём предварительный расчёт за 2 рабочих дня.

Обратите внимание: гарантия на архитектурные решения — 12 месяцев. Предоставляем сертификаты интеграции с основными облачными провайдерами (AWS, GCP, Azure). За время работы мы не потеряли ни одного клиента после первого внедрения — опыт 50+ успешных MLOps-проектов говорит сам за себя. Получите консультацию по построению MLOps платформы уже сегодня.