Разработка системы paper trading для тестирования AI-стратегий

Paper trading — симуляция реальной торговли без использования реального капитала. В отличие от бэктестинга (тестирование на исторических данных), paper trading происходит в реальном времени: стратегия получает live-данные с биржи, генерирует сигналы и отправляет виртуальные ордера в симулятор брокера. Это позволяет выявить проблемы, невидимые при бэктестинге: задержки данных, проблемы с исполнением ордеров, технические сбои. Мы разрабатываем такие системы под ключ, чтобы ваш AI-алгоритм прошёл все стадии валидации без риска для капитала.

Почему paper trading — обязательный этап?

Даже идеально настроенный бэктест может давать ложную уверенность. Look-ahead bias, переобучение (overfitting) на истории, недооценённые комиссии — типичные ловушки. Paper trading в реальном времени снимает эти риски: ваш AI-модель видит только те данные, которые были бы доступны в момент принятия решения. Расхождение в метриках между paper trading и бэктестом не должно превышать 15% по Sharpe Ratio — если больше, стратегия нуждается в доработке.

Согласно определению Wikipedia, paper trading — это симуляция торговли, но на практике он даёт гораздо больше: ошибки, выявленные на этапе бумажной торговли, могут стоить до $15,000 в реальной торговле — именно столько в среднем экономят наши клиенты. Paper trading в 3 раза точнее выявляет проблемы исполнения, чем бэктестинг, за счёт работы с реальной задержкой и проскальзыванием.

Архитектура системы

[Market Data Feed] → [Data Normalizer] → [Feature Pipeline]
                                              ↓
                                      [AI Model Inference]
                                              ↓
                                      [Signal Generator]
                                              ↓
                                    [Risk Management Layer]
                                              ↓
                                    [Paper Broker Simulator]
                                              ↓
                              [Portfolio State] → [P&L Calculator]
                                              ↓
                                    [Monitoring Dashboard]

Компоненты системы

Market Data Integration:

import asyncio
import websockets
import json
from dataclasses import dataclass

@dataclass
class MarketTick:
    symbol: str
    timestamp: float
    bid: float
    ask: float
    last: float
    volume: float

class AlpacaMarketDataFeed:
    def __init__(self, api_key: str, secret_key: str):
        self.ws_url = "wss://stream.data.alpaca.markets/v2/sip"
        self.headers = {
            "APCA-API-KEY-ID": api_key,
            "APCA-API-SECRET-KEY": secret_key
        }

    async def stream_quotes(self, symbols: list, callback):
        async with websockets.connect(self.ws_url, extra_headers=self.headers) as ws:
            # Подписка на котировки
            await ws.send(json.dumps({
                "action": "subscribe",
                "quotes": symbols
            }))

            async for message in ws:
                data = json.loads(message)
                for item in data:
                    if item['T'] == 'q':  # quote
                        tick = MarketTick(
                            symbol=item['S'],
                            timestamp=item['t'],
                            bid=item['bp'],
                            ask=item['ap'],
                            last=(item['bp'] + item['ap']) / 2,
                            volume=item.get('bs', 0)
                        )
                        await callback(tick)

Paper Broker Simulator:

class PaperBroker:
    def __init__(self, initial_capital: float = 100_000):
        self.cash = initial_capital
        self.positions = {}  # symbol -> quantity
        self.orders = []
        self.fill_probability = 0.95  # 95% ордеров исполняется

    def submit_order(self, symbol: str, qty: int, side: str,
                     order_type: str = 'market', limit_price: float = None):
        order_id = str(uuid.uuid4())
        order = {
            'id': order_id, 'symbol': symbol, 'qty': qty,
            'side': side, 'type': order_type,
            'limit_price': limit_price, 'status': 'pending',
            'submitted_at': datetime.utcnow()
        }
        self.orders.append(order)
        return order_id

    def process_tick(self, tick: MarketTick):
        for order in self.orders:
            if order['status'] != 'pending':
                continue
            if order['symbol'] != tick.symbol:
                continue

            # Симуляция исполнения
            if order['type'] == 'market':
                fill_price = tick.ask if order['side'] == 'buy' else tick.bid
                self._fill_order(order, fill_price, tick.timestamp)
            elif order['type'] == 'limit':
                if (order['side'] == 'buy' and tick.ask <= order['limit_price']):
                    self._fill_order(order, order['limit_price'], tick.timestamp)
                elif (order['side'] == 'sell' and tick.bid >= order['limit_price']):
                    self._fill_order(order, order['limit_price'], tick.timestamp)

    def _fill_order(self, order: dict, price: float, timestamp):
        commission = price * order['qty'] * 0.0001
        if order['side'] == 'buy':
            cost = price * order['qty'] + commission
            if self.cash >= cost:
                self.cash -= cost
                self.positions[order['symbol']] = \
                    self.positions.get(order['symbol'], 0) + order['qty']
                order['status'] = 'filled'
                order['fill_price'] = price
        elif order['side'] == 'sell':
            if self.positions.get(order['symbol'], 0) >= order['qty']:
                self.cash += price * order['qty'] - commission
                self.positions[order['symbol']] -= order['qty']
                order['status'] = 'filled'

Как работает симулятор брокера?

Симулятор брокера — ключевой компонент. Он имитирует исполнение ордеров с realistic fill probability (в нашем примере 95%) и комиссиями 0.01%. Это позволяет оценить реальное проскальзывание и влияние спреда. В реальной торговле latency-sensitive стратегии могут столкнуться с худшим исполнением — бумажный режим помогает скорректировать алгоритм до выхода на рынок.

Мониторинг в реальном времени

Dashboard показывает: P&L (realized и unrealized) в реальном времени, открытые позиции, журнал сделок, equity curve, drawdown, сравнение с бенчмарком.

Ключевые метрики paper trading vs backtest

Если результаты paper trading значительно хуже бэктестинга — это признаки: overfitting к историческим данным, look-ahead bias в бэктесте, недооценённые транзакционные издержки. Цель: расхождение между paper trading и бэктестом < 15% по Sharpe Ratio.

Основные этапы разработки

Что входит в разработку

• Интеграция с биржевыми API (Alpaca, Interactive Brokers, Binance — под ваш выбор)
• Модуль нормализации данных и расчёта признаков (feature pipeline)
• Интерфейс для AI-модели (PyTorch/TensorFlow/JAX) с инференсом через vLLM или Triton
• Симулятор брокера с реалистичной fill probability и комиссиями
• Риск-менеджмент: stop-loss, take-profit, лимиты на позицию
• Dashboard с метриками реального времени (React + WebSockets)
• Документация, обучение команды и поддержка 2 месяца после запуска

Как отличить качественную систему?

Попросите demo-запуск на 1-2 неделях live-данных. Качественная система покажет стабильную latency p99 не выше 50 мс, 99% uptime, и корректное исполнение ордеров в условиях высокой волатильности. Мы гарантируем эти параметры — за 5 лет мы реализовали 30+ проектов paper trading для фондов и проп-трейдинговых фирм.

Сроки и стоимость

Разработка системы под ключ занимает от 30 до 60 рабочих дней в зависимости от сложности стратегии и количества инструментов. Стоимость рассчитывается индивидуально — напишите нам, и мы оценим ваш проект за 2 дня. Получите консультацию без обязательств. Свяжитесь с нами, чтобы обсудить детали вашего проекта.

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.