Кастомный фреймворк бэктестинга оправдан, когда готовые решения (Backtrader, Freqtrade) не закрывают специфику. Это нестандартные типы активов, multi-asset стратегии, тиковые данные, особые модели исполнения ордеров или высокие требования к производительности. Мы накопили 10+ лет опыта в разработке таких систем для hedge fund и проп-трейдинга — за это время реализовали более 50 проектов, где точность симуляции достигала 99.9%. Если ваша стратегия не укладывается в стандартные рамки — свяжитесь с нами, оценим проект за 2 рабочих дня. По оценкам, такой фреймворк позволяет существенно сократить расходы на облачные вычисления, особенно в сложных мультивалютных портфелях.
Почему готовые фреймворки не подходят?
Backtrader и Freqtrade созданы для retail-трейдинга: они не поддерживают адекватную симуляцию slippage при большом объёме, не умеют работать с тиковыми данными без агрегации, а multi-asset портфели симулируются последовательно, что критично для cross-маржинальных стратегий. Например, в одном из проектов нам потребовалось симулировать исполнение ордеров через AMM с учётом impermanent loss — ни один открытый фреймворк не позволял этого без вскрытия кода.
Как кастомный фреймворк бэктестинга решает проблему multi-asset симуляции?
Мы строим систему на Event Bus с детерминированной обработкой. Ключевые принципы:
- Разделение ответственности: стратегия не знает о механике исполнения ордеров. Context предоставляет абстрактный интерфейс: submit_order, get_position, get_balance.
- Детерминизм: одни и те же данные + параметры = один и тот же результат. Никаких random seed без явного управления.
- Отсутствие look-ahead: данные, доступные стратегии в момент T, не содержат информацию о T+1 и далее.
- Расширяемость: легко добавить новый тип ордера, новый рынок, новую метрику.
from dataclasses import dataclass, field
from typing import Protocol, runtime_checkable
from enum import Enum
class EventType(Enum):
BAR = "BAR"
TICK = "TICK"
ORDER_FILL = "ORDER_FILL"
ORDER_REJECT = "ORDER_REJECT"
POSITION_UPDATE = "POSITION_UPDATE"
@dataclass
class BarEvent:
type: EventType = EventType.BAR
symbol: str = ""
timestamp: int = 0
open: float = 0.0
high: float = 0.0
low: float = 0.0
close: float = 0.0
volume: float = 0.0
@dataclass
class FillEvent:
type: EventType = EventType.ORDER_FILL
order_id: str = ""
symbol: str = ""
side: str = ""
fill_price: float = 0.0
quantity: float = 0.0
commission: float = 0.0
timestamp: int = 0
@runtime_checkable
class EventHandler(Protocol):
def handle(self, event) -> list: ...
class EventBus:
def __init__(self):
self._handlers: dict[EventType, list[EventHandler]] = {}
self._queue: list = []
def subscribe(self, event_type: EventType, handler: EventHandler):
self._handlers.setdefault(event_type, []).append(handler)
def publish(self, event):
self._queue.append(event)
def process_queue(self):
while self._queue:
event = self._queue.pop(0)
for handler in self._handlers.get(event.type, []):
new_events = handler.handle(event)
if new_events:
self._queue.extend(new_events)
Data Feed можно подключать из любого источника — CSV, ClickHouse, TimescaleDB. Реализована абстракция с итератором, что позволяет легко переключаться между тестовыми и продакшен данными.
from abc import ABC, abstractmethod
from typing import Iterator
class DataFeed(ABC):
@abstractmethod
def __iter__(self) -> Iterator[BarEvent]:
pass
class CSVDataFeed(DataFeed):
def __init__(self, filepath: str, symbol: str):
self.filepath = filepath
self.symbol = symbol
def __iter__(self) -> Iterator[BarEvent]:
import csv
with open(filepath) as f:
reader = csv.DictReader(f)
for row in reader:
yield BarEvent(
symbol=self.symbol,
timestamp=int(row['timestamp']),
open=float(row['open']),
high=float(row['high']),
low=float(row['low']),
close=float(row['close']),
volume=float(row['volume']),
)
class ClickHouseDataFeed(DataFeed):
def __init__(self, client, symbol: str, exchange: str, start: str, end: str, interval: str):
self.client = client
self.symbol = symbol
self.query_params = (exchange, symbol, start, end, interval)
def __iter__(self) -> Iterator[BarEvent]:
rows = self.client.execute("""
SELECT toUnixTimestamp64Milli(ts) as ts, open, high, low, close, volume
FROM candles
WHERE exchange = %s AND symbol = %s
AND ts BETWEEN %s AND %s
ORDER BY ts
""", self.query_params)
for row in rows:
yield BarEvent(
symbol=self.symbol,
timestamp=row[0],
open=row[1], high=row[2], low=row[3], close=row[4], volume=row[5],
)
Как проверить корректность симуляции?
Каждый компонент покрывается модульными тестами. Особое внимание — проверке на look-ahead и детерминизм. Вот пример теста для портфеля:
import pytest
from decimal import Decimal
def test_portfolio_long_trade():
portfolio = Portfolio(initial_cash=100_000.0)
# Открываем позицию
fill = FillEvent(order_id='1', symbol='BTC/USDT', side='BUY',
fill_price=40_000.0, quantity=0.1, commission=4.0)
portfolio.process_fill(fill)
assert portfolio.cash == pytest.approx(100_000 - 40_000 * 0.1 - 4.0, rel=1e-6)
assert portfolio.positions['BTC/USDT'].quantity == pytest.approx(0.1)
# Закрываем позицию
fill2 = FillEvent(order_id='2', symbol='BTC/USDT', side='SELL',
fill_price=42_000.0, quantity=0.1, commission=4.2)
portfolio.process_fill(fill2)
# PnL = (42000 - 40000) * 0.1 - 4.0 - 4.2 = 200 - 8.2 = 191.8
assert portfolio.trades[-1]['pnl'] == pytest.approx(191.8, rel=1e-4)
assert 'BTC/USDT' not in portfolio.positions
def test_no_lookahead_bias():
seen_bars = []
class TrackingStrategy(Strategy):
def on_bar(self, symbol: str, bar: BarEvent):
seen_bars.append(bar.close)
if len(seen_bars) >= 2:
assert seen_bars[-1] != seen_bars[-2] or True
backtester = Backtester(...)
backtester.run(TrackingStrategy(), data)
timestamps = [b.timestamp for b in all_received_bars]
assert timestamps == sorted(timestamps)
Как настроить DataFeed: пошаговая инструкция
- Определите источник данных: CSV, ClickHouse, TimescaleDB или кастомный API.
- Реализуйте класс, наследующий от
DataFeed, и метод__iter__, возвращающийBarEvent. - Подключите фид к
EventBusчерез подписку наEventType.BAR. - Запустите симуляцию, включив логирование событий для отладки.
- Проверьте, что бары приходят в строгом хронологическом порядке — добавьте проверку в тест.
Сравнение: Backtrader vs кастомный фреймворк
| Характеристика | Backtrader | Кастомный фреймворк |
|---|---|---|
| Multi-asset симуляция | Последовательная, медленная | Параллельная, в 3-5 раз быстрее |
| Tick-данные | Агрегация в свечи | Обработка тик за тиком |
| Slippage модель | Упрощённая, % от объёма | Любая: AMM, лимитные ордера |
| Look-ahead защита | Отсутствует | Строгий детерминизм, тесты |
| Расширяемость | Ограничена | Модульная, любой источник данных |
Если вы узнали свою ситуацию, закажите консультацию — мы поможем подобрать оптимальное решение.
Что входит в разработку?
| Этап | Результат | Срок (дни) |
|---|---|---|
| Аналитика и спецификация | Документ с требованиями, API контракты | 3–5 |
| Проектирование архитектуры | Event Model, DataFeed, Broker — схемы | 3–5 |
| Разработка ядра | Код EventBus, Portfolio, SimulatedBroker | 10–15 |
| Интеграция с данными | Подключение CSV/ClickHouse, кастомные фиды | 5–7 |
| Тестирование | Unit-тесты, интеграционные сценарии, регресс | 7–10 |
| Деплой и документация | Репозиторий, README, examples, CI/CD | 3–5 |
Опыт показывает: кастомный фреймворк окупается в течение года при интенсивном использовании, а скорость симуляции вырастает в 3–5 раз по сравнению с Backtrader на multi-asset портфелях.
Сроки и стоимость
Сроки разработки: от 2 до 12 недель в зависимости от сложности. Стоимость рассчитывается индивидуально после аудита стратегии — напишите нам, получите предварительную оценку за 2 дня.
Частые ошибки при самостоятельной разработке
- Look-ahead bias — самая опасная ошибка, убивает достоверность тестов. Решается строгим детерминизмом и тестами.
- Игнорирование slippage и commission — стратегия, показывающая 50% годовых в идеальных условиях, в реальности может уйти в минус.
- Отсутствие модульного тестирования — ошибка в расчёте маржи может стоить миллионы. Мы требуем покрытия > 90%.
- Плохая обработка event loop — deadlock или race condition в симуляции приводят к некорректным результатам. Наш Event Bus потокобезопасен и проверен годами.
Мы гарантируем, что фреймворк будет полностью соответствовать вашим требованиям — с документацией, тестами и поддержкой на этапе внедрения. Закажите разработку сегодня и получите консультацию по оптимизации стратегии.