Разработка алгоритма scalping
Scalping — торговая стратегия с очень высокой частотой сделок и минимальными целевыми прибылями на каждой позиции (0.1–0.5%). Алгоритмический скальпер делает десятки или сотни сделок в день, зарабатывая на малых движениях цены при высоком объёме.
Требования к скальпинг-системе
Latency: задержка между получением сигнала и исполнением ордера должна быть минимальной. VPS в том же датацентре, что и биржа. Для Binance — AWS Tokyo (ap-northeast-1), для Bybit — аналогично.
Fees: при таргете 0.1–0.2% taker fee 0.04–0.07% съедает значительную часть. Нужно либо использовать limit orders (maker fee 0–0.02%), либо иметь достаточно высокий win rate и R:R.
Slippage: минимальный на инструментах с глубоким стаканом. BTC/USDT и ETH/USDT на крупных биржах — минимальный slippage.
Скальпинг стратегии
Order book imbalance scalping: при дисбалансе bid/ask > 3:1 или 1:3 ожидается краткосрочное движение в соответствующем направлении. Быстрый вход limit order, цель 0.1–0.15%, стоп 0.1–0.15%.
Tape reading (tick data): анализ потока сделок (aggTrades). Серия крупных сделок в одном направлении = aggressors давят на цену.
Spread scalping с rebate: выставляем limit orders на bid и ask, зарабатываем spread + maker rebate. Фактически маркет-мейкинг на микро-уровне.
Microstructure momentum: первые 5–10 свечей после сильного движения часто продолжают направление. Вход в направлении импульса, быстрый выход.
Управление позицией
Hard stop-loss: фиксированный стоп 0.15–0.2% (зависит от инструмента). Не держим убыточную позицию в надежде на разворот — это убивает скальпинг.
Time-based exit: если через N секунд/минут позиция не показала прибыль — закрываем. Время = деньги в скальпинге.
Maximum daily loss: при достижении максимального дневного убытка (например, 2% капитала) — алгоритм останавливается автоматически.
Maximum daily trades: ограничение количества сделок предотвращает overtrading в плохих рыночных условиях.
Backtesting скальпинга
Обычный OHLCV backtesting недостаточен для скальпинга — нужны tick-данные или 1-секундные бары. Учёт slippage, spread и fees критически важен.
Realistic backtesting: используем aggTrades данные (Binance предоставляет исторические) с симуляцией order book execution. Предполагаем partial fill при крупных лимит-ордерах.
Метрики: profit factor (gross profit / gross loss) > 1.5, средняя прибыль / средний убыток > 1.2, максимальный drawdown < 5%, количество сделок достаточно для статистической значимости.
Стек: Python (asyncio + websockets) или C++ для минимальной latency, ClickHouse для хранения tick-данных, Grafana для realtime P&L мониторинга. Алгоритм работает как daemon с автоматическим reconnect при разрыве WebSocket соединения.