Создание алгоритма маркет-мейкинга под ключ
Мы разрабатываем алгоритмы маркет-мейкинга под ключ — от анализа ликвидности до деплоя на сервере. В крипте маркет-мейкинг остаётся высокодоходным для нишевых активов: mid-cap altcoins, perpetual futures с невысокой ликвидностью. При правильной настройке средняя дневная доходность составляет 0.15–0.3% от инвентаря, а fill rate достигает 70–85%. Используем Avellaneda-Stoikov model и динамический спред, чтобы минимизировать inventory risk и максимизировать P&L.
Наша гарантия — uptime котировок 95%+ и устойчивость к инвентарным рискам даже при высокой волатильности. Опыт 5+ лет и 20+ проектов в этой области.
Как мы гарантируем стабильность?
Мы используем отказоустойчивую архитектуру с горячим резервированием, мониторинг latency (<10ms) и автоматические алерты при превышении risk limits. Каждый алгоритм проходит стресс-тестирование на исторических данных и настраивается под конкретный актив. Сертифицированные инженеры сопровождают проект 24/7.Базовая модель маркет-мейкинга
Naive market making — выставить bid на X% ниже mid-price и ask на X% выше. Проблема: inventory risk. Если цена резко движется в одну сторону, маркет-мейкер накапливает невыгодную позицию. Потери могут достигать 50% капитала за одну сессию, если не управлять рисками.
Avellaneda-Stoikov модель — математически оптимальная стратегия маркет-мейкинга. Учитывает inventory risk и time horizon:
bid_price = mid - δ/2 - γσ²(T-t)q ask_price = mid + δ/2 - γσ²(T-t)q где: δ = spread (оптимальный) γ = risk aversion coefficient σ = волатильность актива q = текущий inventory (в единицах актива) T = конец торгового периода t = текущее время Ключевое: при положительном inventory (накоплено много актива) алгоритм сдвигает котировки вниз, чтобы быстрее продать излишки. При отрицательном — поднимает, чтобы купить.
Как настроить модель Avellaneda-Stoikov?
- Собрать исторические данные: цены, объёмы, спред, волатильность (σ).
- Выбрать коэффициент risk aversion (γ) — на практике 0.01–0.1.
- Оптимизировать target inventory (q_target) и временной горизонт (T).
- Запустить backtest на данных за последние 30 дней.
- Настроить hard/soft limits: например, max inventory = 10% от капитала.
Мы подбираем параметры индивидуально, используя генетические алгоритмы и grid search.
Как работает модель Avellaneda-Stoikov?
Модель Avellaneda-Stoikov — это стохастический подход, который динамически корректирует котировки на основе текущего инвентаря и оставшегося времени. Коэффициент γ (risk aversion) определяет, насколько агрессивно алгоритм будет закрывать позицию. На практике мы подбираем γ на historical data, чтобы балансировать между доходностью спреда и риском inventory.
Какие риски инвентаря и как их минимизировать?
Inventory risk — главный враг маркет-мейкера. Если позиция вышла за пределы допустимого диапазона, мы применяем несколько методов:
- Hard limit: при inventory > MAX_INVENTORY — останавливаем выставление ордеров на соответствующей стороне. Ждём исполнения.
- Soft limit с skewing: постепенно смещаем котировки против направления накопленного inventory. Чем больше inventory — тем сильнее сдвиг.
- Hedging: открываем хедж-позицию на другой бирже или в perpetual futures. Если накопили много BTC spot, продаём BTC-PERP.
Для каждого проекта мы выбираем комбинацию методов на основе волатильности актива и объёма торгов. Гарантируем, что просадка от inventory risk не превышает заданного порога (обычно 5% от капитала).
Управление спредом
Спред не должен быть фиксированным — он адаптируется к условиям рынка:
- Volatility-based spread:
spread = base_spread × (current_volatility / mean_volatility). При высокой волатильности спред расширяется — inventory risk выше. - Order book depth: если ликвидность в стакане низкая — риск adverse selection выше, спред шире.
- Time of day: в периоды низкой активности спред расширяется.
- Токсичный flow: если последние N сделок были преимущественно на одной стороне — возможно informed trading. Алгоритм расширяет спред или временно снимает котировки.
Multi-level quotes
Вместо одной пары ордеров (1 bid + 1 ask) выставляем несколько уровней:
Bid 3: mid - 0.5% × 1000 USDT Bid 2: mid - 0.3% × 500 USDT Bid 1: mid - 0.15% × 200 USDT --- MID PRICE --- Ask 1: mid + 0.15% × 200 USDT Ask 2: mid + 0.3% × 500 USDT Ask 3: mid + 0.5% × 1000 USDT Ближние к mid ордера исполняются чаще и дают rebate от биржи. Дальние — страхуют от резких движений.
Order cancellation и re-quoting
Ордера нужно регулярно обновлять при изменении mid-price:
- Threshold-based re-quoting: если mid сдвинулся более чем на N% — отменяем старые ордера и выставляем новые.
- Time-based re-quoting: принудительное обновление каждые T секунд.
- Event-based: при любом изменении лучшего bid/ask в стакане.
Частая отмена ордеров стоит API request quota. Биржи имеют rate limits. Для Binance: 1200 requests/min HTTP, отдельные лимиты для WebSocket. Важно оптимизировать частоту обновлений.
Биржевые программы маркет-мейкинга
Крупные биржи платят за предоставление ликвидности:
| Биржа | Программа | Условия |
|---|---|---|
| Binance | Liquidity Provider | Rebate до -0.005% |
| Bybit | Market Maker | Нулевая или отрицательная maker fee |
| OKX | Market Maker | Специальные условия fee |
| Kraken | Market Maker | Maker rebate по заявке |
Для получения этих условий нужно обеспечивать минимальный uptime котировок (>80% времени bid/ask в определённом диапазоне от mid) и минимальный объём.
Этапы разработки
| Этап | Длительность | Результат |
|---|---|---|
| Анализ ликвидности | 2–5 дней | Отчёт с optimal model и risk parameters |
| Реализация алгоритма | 2–4 недели | Модули pricing, order management, risk control |
| Интеграция с биржей | 3–7 дней | Стабильное соединение WebSocket + REST |
| Тестирование (backtest + paper) | 1–2 недели | Отчёт по sharpe, drawdown, fill rate |
| Деплой и мониторинг | 3–5 дней | Сервер с Grafana, алерты в Telegram |
Мониторинг и метрики
P&L breakdown: spread income - inventory risk losses - fees.
Fill rate: процент ордеров, которые исполнились. Слишком низкий (<50%) → слишком широкий спред. Слишком высокий (>90%) → слишком узкий, много adverse selection.
Inventory exposure: текущая позиция в USD, максимальная за сессию, среднее. Uptime: процент времени, когда котировки выставлены (цель >99.5%).
Latency: время от получения обновления рынка до выставления/обновления ордеров (цель <10ms).
Технический стек
Язык: Python (asyncio + aiohttp/websockets) для стратегий с latency > 50ms. C++ или Rust для latency-critical компонентов.
Биржевые коннекторы: CCXT Pro (Python) обеспечивает унифицированный API для WebSocket. Для production — собственные коннекторы для каждой биржи.
Хранение: PostgreSQL для trades, orders, positions. InfluxDB или TimescaleDB для метрик производительности.
Мониторинг: Grafana дашборды для realtime P&L, inventory, latency. Алерты в Telegram при превышении risk limits.
Свяжитесь с нами для оценки вашего проекта за 2 дня. Получите консультацию архитектора — обсудим детали.