AI-бот для маркет-мейкингу: ML-стратегії та RL-управління інвентарем
Кожна мілісекунда на рахунку. У HFT-маркет-мейкингу latency в 1 мс вирішує все — на Binance кожен мілісекундний спред на парі BTC/USDT при об'ємі 1000 BTC приносить 50–100 USD. Але швидкість без інтелекту веде до накопичення інвентарю на направлених рухах: без ML за годину можна втратити 2000 USD на adverse selection. Наші RL-агенти знижують adverse selection ratio на 12–18% та збільшують P&L на 15–30% порівняно з класичними статичними моделями (Avellaneda-Stoikov model).
Економіка маркет-мейкингу
P&L складається з чотирьох компонентів: spread capture, inventory risk, adverse selection, maker fees. Мета — максимізувати spread capture при мінімальному inventory risk. Класична модель Авельянеди-Штойкова дає базову формулу, але ми замінюємо фіксовані параметри на динамічно оцінювані ML.
Як ML-моделі знижують ризик adverse selection?
Класичний підхід використовує константні risk aversion та volatility. На ML-рішенні ми навчаємо нейромережу передбачати:
- Order flow intensity: скільки ордерів прийде в наступну секунду.
- Adverse selection probability: ймовірність, що наступний ордер інформований.
- Short-term price direction: тренд ціни на найближчі секунди.
Hawkes процеси моделюють кластерний прихід ордерів: burst activity → тимчасове зниження позиції. На практиці це дозволяє зменшити adverse selection ratio на 12–18% порівняно з константними резервами.
Чому RL-агент ефективніший за статичні правила для управління інвентарем?
Ми використовуємо RL-агент зі станом: інвентар, imbalance, волатильність, час доби, тренд. Агент обирає ширину спреду та skew. Простір станів включає 6 ознак, а reward функція враховує як миттєвий прибуток, так і штрафи за відхилення від нульової позиції.
# Simplified market making state space
state = np.array([
inventory / max_inventory, # Normalized inventory
bid_ask_imbalance, # Order book imbalance
recent_vol_normalized, # Short-term volatility
time_of_day_features, # Session effects
recent_price_trend # Directional signal
])
action = agent.act(state) # action: [spread_half_width, inventory_skew]Стохастичний контроль утримує інвентар у заданих лімітах, асиметрично зміщуючи котирування для плавного зниження позиції без агресивних ордерів. Наші інженери мають 5+ років досвіду в HFT та ML, що гарантує стабільну роботу стратегії.
Порівняння: класика vs ML
| Параметр | Класичний MM | ML MM |
|---|---|---|
| Risk aversion | Константа | Адаптивна |
| Volatility | Фіксована | Передбачена |
| Spread | Симетричний | Асиметричний |
| Inventory control | Жорсткий ліміт | RL-оптимізація |
| Прибуток | Базова | +15–30% |
DeFi та AMM: концентрована ліквідність
Для Uniswap V3 ми оптимізуємо діапазон концентрованої ліквідності. Вужчий діапазон = більше комісій, але вищий ризик impermanent loss. RL-агент вирішує, коли ребалансувати позицію, передбачаючи очікуваний IL на заданому горизонті. У наших тестах на ETH/USDC 0.3% точність прогнозу IL склала 89%. Для точної оцінки вашої стратегії та обсягів зв'яжіться з нами — ми підготуємо демо-рахунок.
Типові помилки при впровадженні MM-бота
- Ігнорування maker-taker fee структури: на деяких біржах (Binance, Bybit) maker rebate може перевищувати taker fee, що змінює економіку.
- Використання однакового спреду для всіх торгових пар — різна ліквідність потребує різних налаштувань.
- Відсутність моніторингу latency: затримка >10 мс на CEX знищує перевагу ML.
Порівняння CEX та DEX маркет-мейкингу
| Параметр | CEX | DEX |
|---|---|---|
| Latency | <1 мс (колокація) | 1-5 блоків (15-30 с) |
| Fee модель | Maker rebate | Комісія пулу (0.01-1%) |
| Ризики | Збій біржі | Smart contract, MEV |
| Інвентар | Прямий | Через AMM (автоматичний) |
| ML-фокус | Order flow | IL prediction |
Технічна інфраструктура
Latency — ключовий фактор. На CEX використовуємо колокейшн, на DEX — MEV-protected RPC (Flashbots). Стек: WebSocket → Order Book → Quote Engine → ML inference → Order Manager → Exchange API. Inference latency підтримуємо на рівні <5 мс завдяки ONNX Runtime та GPU інференсу на T4. Наша система обробляє до 10 000 ордерів на хвилину та підтримує 50+ торгових пар. Моніторинг: P&L attribution, fill rate, adverse selection ratio, інвентар у часі. Всі метрики стікаються в Grafana з алертами по Sharpe ratio та VaR.
Як ми розробляємо AI-бота: покроковий процес
- Аналіз торгових пар та ліквідності — оцінка спредів, обсягів та конкурентного середовища.
- Вибір та налаштування ML-архітектури — PyTorch, Hugging Face Transformers, опціонально LangChain.
- Навчання моделі на історичних даних — backtesting з метриками Sharpe, Sortino, maximum drawdown.
- Інтеграція з біржею — REST/WebSocket API, WebSocket order book, механізм реконекту.
- Деплой на сервері — Docker-контейнер, моніторинг Prometheus+Grafana, алерти.
- Документація та навчання команди — передача коду, model card, runbooks.
- Гарантійна підтримка 3 місяці — фікс багів, донавчання при зміні ринку.
Що входить у роботу (deliverables)
- Вихідний код ML-моделі з коментарями та конфігурацією.
- API-інтеграція з обраними біржами (CEX/DEX).
- Розгортання на сервері з автоматичним перезапуском та моніторингом.
- Документація: опис архітектури, інструкція з запуску, runbook для оператора.
- Навчання команди замовника (2–5 годин онбордингу).
- Гарантійна підтримка 3 місяці: виправлення помилок, донавчання моделі при зміні ринкових умов.
Терміни: від 4 до 8 тижнів залежно від складності. Для точної оцінки зв'яжіться з нами — ми розберемо ваш use case та запропонуємо оптимальне рішення. Замовте розробку AI-маркет-мейкинг бота та отримайте консультацію щодо вашої стратегії.
