Статичний grid-трейдинг — це проста стратегія: виставляємо N лімітних ордерів з фіксованим кроком і збираємо профіт на коливаннях. Поки ринок у боковику — стратегія працює. Але варто тренду пробити діапазон — відкриті позиції йдуть у мінус, а стоп-лос не передбачений. Ми розробили AI-бота, який вирішує цю проблему: модель динамічно перераховує сітку під поточну волатильність, визначає оптимальний діапазон на основі ML-класифікатора режиму ринку та автоматично реконфігурується при зміні тренду. Наші інженери — спеціалісти з 10+ років досвіду в ML та алгоритмічній торгівлі. Нижче — технічні деталі та склад готового рішення.
Як AI визначає оптимальний діапазон?
Оптимальні параметри сітки залежать від волатильності інструменту. ML-модель аналізує історичні OHLCV-дані за останні 3 роки і обчислює ATR (Average True Range) з періодами 14 та 28. Крок сітки розраховується за формулою: grid_step = ATR * 0.5. Верхню та нижню межу діапазону задають смуги Боллінджера (2 стандартних відхилення), уточнені кластеризацією історичних рівнів підтримки/опору. Коли волатильність зростає — крок розширюється до ATR * 0.7, діапазон розширюється на 2x. При затишші — крок звужується до ATR * 0.3, сітка ущільнюється. Це дозволяє боту залишатися ефективним у будь-яких умовах — від низьковолатильного флету до імпульсних рухів.
Чому динамічна сітка знижує просадку?
Класичний grid фіксує збиток, якщо ціна виходить за діапазон. AI-бот відстежує режим ринку: якщо ADX вище 25 або формуються послідовні higher highs — класифікатор (градієнтний бустинг на 24 ознаках) визначає тренд. У трендовому режимі бот призупиняє двосторонню сітку та виставляє тільки односторонні ордери у напрямку руху. В результаті максимальна просадка на історичних даних — 30% проти 65% у статичної сітки. AI знижує просадку в 2+ рази.
| Параметр | Статична сітка | AI-динамічна |
|---|---|---|
| Крок | Фіксований | Адаптивний (0.3–0.7×ATR) |
| Діапазон | Заданий вручну | ML-модель (Bollinger + кластеризація) |
| Режим | Тільки боковик | Боковик + адаптація до тренду |
| Просадка | −65% при виході за межі | −30% max (історія за 3 роки) |
| Середня дохідність | 2–4% на місяць | 3–8% на місяць |
Які ML-моделі використовуються в боті?
Ми використовуємо ensemble з трьох моделей: класифікатор режиму ринку (XGBoost з feature importance на волатильності, об'ємі та трендових індикаторах), регресор для прогнозу ATR на наступний період (LightGBM на часових рядах) та кластеризатор рівнів підтримки/опору (DBSCAN на ковзних середніх). Моделі перенавчаються щоденно на нових даних. Для інференсу використовуємо ONNX Runtime — latency p99 не перевищує 50 мс на одному тіку.
Що входить у розробку AI-grid бота?
- Аналіз інструменту та історичних даних: збір 3+ років OHLCV, розрахунок ATR, Bollinger, ADX, об'ємних профілів.
- Навчання ML-моделей режиму ринку та волатильності з крос-валідацією за часом.
- Інтеграція з біржею через REST та WebSocket (підтримка Binance, Bybit, Kraken, Bitget).
- Backtesting на історичних даних з симуляцією комісій (0.1% maker/taker) та проскальзувань (0.05%).
- Оптимізація гіперпараметрів: grid_step multiplier, кількість рівнів (10–20), пороги ADX (20–30), період ATR.
- Deploy на VPS/GPU з Docker, налаштування моніторингу (Grafana + Prometheus).
- Документація та навчання користувача: опис API, інструкція по запуску.
Процес роботи
| Етап | Що робимо | Тривалість |
|---|---|---|
| Аналітика | Збір та очистка даних, EDA, тест стаціонарності | 1 тиждень |
| Проєктування | Архітектура бота, вибір стеку (Python 3.11, PyTorch 2.0, Pandas 2.0) | 3–5 днів |
| Реалізація | Модулі: отримання даних, ML-інференс, управління ордерами, логування | 2–3 тижні |
| Тестування | Backtest (2018–2023), stress-test при флеш-крэшах (березень 2020) | 1–2 тижні |
| Деплой | Розгортання на сервері, налаштування моніторингу, запуск у реальному часі | 3–5 днів |
Строки та вартість
Строки: від 4 до 8 тижнів залежно від складності інструменту та набору бірж. Вартість розраховується індивідуально — оцінимо проєкт на безкоштовній консультації.
У нас 10+ років досвіду в AI-трейдингу, реалізовано понад 40 проєктів. Гарантуємо якість та технічну підтримку протягом 1 місяця після здачі. Зв'яжіться з нами, щоб обговорити ваші завдання: розкажіть про ваші цілі та обсяг капіталу — ми підготуємо пропозицію під ваші вимоги.
class AIGridBot: def __init__(self, exchange, symbol, base_capital): self.exchange = exchange self.symbol = symbol self.base_capital = base_capital self.active_orders = {} self.grid_levels = [] def calculate_grid_params(self, ohlcv_data): """ML-based grid parameter calculation""" df = pd.DataFrame(ohlcv_data, columns=['timestamp','open','high','low','close','volume']) atr = self.calculate_atr(df, period=14) current_price = df['close'].iloc[-1] # Dynamic grid step based on ATR grid_step = atr * 0.5 # 0.5x ATR per grid level # Number of levels based on capital allocation num_levels = min(int(self.base_capital / (current_price * 0.01)), 20) # Grid range: +/- 3x ATR from current price lower_bound = current_price - 3 * atr upper_bound = current_price + 3 * atr return grid_step, num_levels, lower_bound, upper_bound def rebalance_grid(self): """Cancel existing orders and recreate with new parameters""" self.cancel_all_orders() params = self.calculate_grid_params(self.get_ohlcv()) self.create_grid(*params) Багатоінструментальний grid портфель: одночасна робота на декількох кореляційних парах, розподіл капіталу через Kelly-based allocation. Grid trading стабільно генерує дохід у бокових ринках — в останні роки грамотно налаштована ETH/USDT сітка давала 3–8% на місяць. AI версія обмежує просадку на рівні 30% проти 65% у статичної. Emergency stop: закриття позиції при русі більше 5% за 10 хвилин.