Разработка дашборда статистики криптобота с real-time аналитикой

Торговый бот — чёрный ящик, пока у вас нет дашборда. Вы видите только конечный PnL, но не знаете, как стратегия ведёт себя внутри дня. Просадка в 35% может остаться незамеченной, если смотреть только на win rate. Дашборд статистики криптобота даёт прозрачность: equity curve, drawdown, реальный Sharpe ratio. Без этого вы рискуете потерять депозит. Наши дашборды строятся на real-time WebSocket и REST API, обновляются каждые 5 секунд. Результат — мгновенная реакция на изменения рынка и своевременная остановка убыточных стратегий.

Проблемы, которые решает дашборд

Первая проблема — скрытые просадки. Бот может показывать 70% win rate, но редкие крупные потери съедают всю прибыль. Equity curve визуализирует реальное состояние депозита. Вторая — отсутствие контекста. Без метрик риска (Sharpe, drawdown) невозможно сравнить две стратегии объективно. Третья — задержки в мониторинге. REST polling раз в минуту пропускает важные сигналы: проскальзывание (slippage) или атаки MEV на DEX. Real-time WebSocket решает это.

Почему equity curve — главный график криптобота?

Win rate 80% может скрывать редкие крупные потери. Equity curve показывает реальную динамику капитала. Хорошая кривая — плавный рост с контролируемыми просадками. Плохая — резкие падения на 30-40%, после которых бот не восстанавливается. Именно equity curve позволяет увидеть true drawdown, который не виден в сводных метриках. Дополнительно строим кривую с учётом slippage и комиссий — это даёт честную картину.

Какие метрики обязательны в дашборде?

Мы выделяем пять ключевых:

• Profit factor — отношение прибыльных сделок к убыточным. Значение >2 означает $2 прибыли на каждый $1 риска.
• Sharpe ratio — доходность с поправкой на риск. Чем выше, тем стабильнее стратегия.
• Max drawdown — максимальная просадка от пика до дна. Позволяет оценить риск депозита.
• Average trade duration — среднее время удержания позиции. Важно для high-frequency стратегий.
• Consecutive losses — серия убыточных сделок. Выявляет периоды нестабильности.

Эти метрики помогают вовремя заметить, что бот начинает деградировать — например, растёт max drawdown или падает profit factor. Закажите консультацию инженера, чтобы подобрать оптимальный набор под вашу стратегию.

Реализация на Python с Decimal

Для точного расчёта метрик используем Decimal. Ниже — ключевые методы из нашего класса PerformanceCalculator:

from decimal import Decimal from typing import List import statistics import math class PerformanceCalculator: def __init__(self, trades: list[ClosedTrade], initial_capital: Decimal): self.trades = sorted(trades, key=lambda t: t.closed_at) self.initial_capital = initial_capital def total_pnl(self) -> Decimal: return sum(t.pnl for t in self.trades) def total_roi(self) -> float: return float(self.total_pnl() / self.initial_capital * 100) def win_rate(self) -> float: if not self.trades: return 0 wins = sum(1 for t in self.trades if t.pnl > 0) return wins / len(self.trades) * 100 def profit_factor(self) -> float: gross_profit = sum(float(t.pnl) for t in self.trades if t.pnl > 0) gross_loss = abs(sum(float(t.pnl) for t in self.trades if t.pnl < 0)) return gross_profit / gross_loss if gross_loss > 0 else float('inf') def max_drawdown(self) -> float: equity = float(self.initial_capital) peak = equity max_dd = 0 for trade in self.trades: equity += float(trade.pnl) if equity > peak: peak = equity dd = (peak - equity) / peak max_dd = max(max_dd, dd) return max_dd * 100 def sharpe_ratio(self, risk_free_rate: float = 0.05) -> float: if len(self.trades) < 2: return 0 daily_returns = self.build_daily_returns() if not daily_returns: return 0 avg_daily_return = statistics.mean(daily_returns) std_daily_return = statistics.stdev(daily_returns) if std_daily_return == 0: return 0 daily_rf = risk_free_rate / 365 sharpe = (avg_daily_return - daily_rf) / std_daily_return * math.sqrt(365) return round(sharpe, 2) def avg_trade_duration_hours(self) -> float: if not self.trades: return 0 durations = [(t.closed_at - t.opened_at).total_seconds() / 3600 for t in self.trades] return statistics.mean(durations) def consecutive_losses(self) -> int: max_streak = 0 current_streak = 0 for trade in self.trades: if trade.pnl < 0: current_streak += 1 max_streak = max(max_streak, current_streak) else: current_streak = 0 return max_streak def build_equity_curve(self) -> list[dict]: equity = float(self.initial_capital) curve = [{'date': self.trades[0].opened_at, 'equity': equity}] for trade in self.trades: equity += float(trade.pnl) curve.append({ 'date': trade.closed_at, 'equity': equity, 'pnl': float(trade.pnl), 'cumulative_roi': (equity / float(self.initial_capital) - 1) * 100 }) return curve 

Backend API на FastAPI

FastAPI-эндпоинты для получения статистики и списка сделок с пагинацией.

from fastapi import FastAPI, Query from datetime import datetime, timedelta app = FastAPI() @app.get("/api/bot/{bot_id}/stats") async def get_bot_stats(bot_id: str, period: str = Query("30d", regex="^(7d|30d|90d|all)$")): days = {'7d': 7, '30d': 30, '90d': 90, 'all': None}[period] since = datetime.utcnow() - timedelta(days=days) if days else None trades = await db.get_closed_trades(bot_id, since=since) initial_capital = await db.get_initial_capital(bot_id) open_positions = await db.get_open_positions(bot_id) calc = PerformanceCalculator(trades, initial_capital) return { "period": period, "summary": { "total_pnl_usdt": str(calc.total_pnl()), "total_roi_percent": round(calc.total_roi(), 2), "win_rate_percent": round(calc.win_rate(), 1), "profit_factor": round(calc.profit_factor(), 2), "sharpe_ratio": calc.sharpe_ratio(), "max_drawdown_percent": round(calc.max_drawdown(), 2), "total_trades": len(trades), "avg_trade_duration_hours": round(calc.avg_trade_duration_hours(), 1), "max_consecutive_losses": calc.consecutive_losses(), }, "equity_curve": calc.build_equity_curve(), "open_positions": [p.to_dict() for p in open_positions], "current_status": await get_bot_status(bot_id) } @app.get("/api/bot/{bot_id}/trades") async def get_trades(bot_id: str, page: int = 1, limit: int = 50, symbol: str = None): trades = await db.get_trades_paginated(bot_id, page, limit, symbol) return { "trades": [t.to_dict() for t in trades.items], "total": trades.total, "page": page, "pages": math.ceil(trades.total / limit) } 

Frontend на React

Компоненты для визуализации: график equity curve и KPI-карточки.

import { LineChart, Line, XAxis, YAxis, Tooltip, ReferenceLine } from 'recharts'; const EquityCurveChart: React.FC<{data: EquityPoint[]}> = ({ data }) => { const initialEquity = data[0]?.equity || 0; return ( <LineChart width={800} height={300} data={data}> <XAxis dataKey="date" tickFormatter={d => format(new Date(d), 'MM/dd')} /> <YAxis tickFormatter={v => `$${(v/1000).toFixed(1)}k`} /> <Tooltip formatter={(value: number) => [`$${value.toFixed(2)}`, 'Equity']} labelFormatter={d => format(new Date(d), 'PPpp')} /> <ReferenceLine y={initialEquity} stroke="#888" strokeDasharray="3 3" label="Start" /> <Line type="monotone" dataKey="equity" stroke={data[data.length-1]?.equity >= initialEquity ? '#22c55e' : '#ef4444'} dot={false} strokeWidth={2} /> </LineChart> ); }; const StatCard: React.FC<{label: string; value: string; positive?: boolean}> = ({ label, value, positive }) => ( <div className="bg-white rounded-xl p-4 shadow-sm border"> <div className="text-sm text-gray-500">{label}</div> <div className={`text-2xl font-bold mt-1 ${positive === true ? 'text-green-600' : positive === false ? 'text-red-600' : 'text-gray-900'}`}>{value}</div> </div> ); 

Real-time мониторинг через WebSocket

Обновление текущего состояния бота каждые 5 секунд.

class BotStatusWebSocket: async def stream_status(self, websocket, bot_id: str): while True: status = { "bot_running": await is_bot_running(bot_id), "open_positions": await get_open_positions_summary(bot_id), "today_pnl": str(await get_today_pnl(bot_id)), "last_trade_at": await get_last_trade_time(bot_id), "api_latency_ms": await get_avg_latency(bot_id), "errors_last_hour": await get_error_count(bot_id, hours=1), } await websocket.send_json(status) await asyncio.sleep(5) 

Сравнение методов получения данных

Наш дашборд на WebSocket обновляется в 10 раз быстрее, чем REST polling раз в минуту. Это критично для high-frequency стратегий, где каждая секунда влияет на PnL.

Этапы разработки дашборда

Средний клиент после внедрения дашборда увеличивает прибыль на 15% за счёт своевременной остановки убыточных стратегий. Мы более 5 лет в блокчейне, разработали дашборды для 50+ торговых ботов. Гарантируем корректность метрик и 99.9% uptime.

Что входит в работу

• Анализ ваших текущих данных и метрик.
• Проектирование API (REST + WebSocket).
• Разработка backend на Python (FastAPI, PostgreSQL, Redis).
• Frontend на React (Recharts, Tailwind).
• Интеграция real-time мониторинга.
• Документация, обучение команды, поддержка 30 дней.

Закажите разработку дашборда для вашего криптобота — получите консультацию инженера бесплатно. Свяжитесь с нами для аудита метрик вашего бота. Экономия на комиссиях и своевременное выявление проблем окупают внедрение в течение первого месяца.