Ми розробляємо AI-скальпінг-ботів, які аналізують мікроструктуру ринку в реальному часі. Алгоритми великих гравців використовують Level 2 дані стакана та мікроструктурні сигнали, щоб передбачати рух ціни на кілька тіків вперед. Без машинного навчання ви покладаєтеся на інтуїцію, але в HFT-оточенні це не працює. Ми будуємо рішення, які обробляють ці сигнали та здійснюють угоди за мілісекунди. Оцінимо ваш проєкт і запропонуємо реалізацію під ключ — від прототипу до продакшену з моніторингом.
Проблема в тому, що ринкові дані містять шум. Без правильного feature engineering сигнал втрачається, а угоди виконуються за гіршою ціною. Тому ми зосереджуємося на вилученні фіч із Level 2 даних стакана: дисбаланс обсягів, потік агресивних ордерів, мікропрайс. Ці сигнали недоступні довгостроковим стратегіям, але дають перевагу на горизонті 1–10 тіків.
З яких компонентів складається AI-скальпінг-бот?
Скальпінг-бот включає модулі збору даних, feature engineering, модель передбачення, виконання та моніторингу. Ми проєктуємо кожен модуль з урахуванням latency-бюджету та специфіки ринку.
Мікроструктурні сигнали
Order Book Imbalance (OBI) — дисбаланс обсягів bid/ask. Якщо на bid в 5 разів більше обсягу, тиск покупців вищий — ймовірний рух вгору. Формула: OBI = (bid_volume - ask_volume) / (bid_volume + ask_volume). ML покращує сигнал зважуванням за рівнями стакана.
Trade Flow Imbalance — різниця між обсягом угод, ініційованих покупцями та продавцями. Високий дисбаланс вказує на агресивних учасників.
Queue Position та Order Flow Toxicity — оцінка "отруйності" потоку через VPIN (Volume-Synchronized Probability of Informed Trading) для передбачення adverse selection.
Microprice — зважена середина спреду: microprice = (ask_vol * bid + bid_vol * ask) / (bid_vol + ask_vol). Відхилення ціни угоди від мікропрайсу дає сигнал короткострокового руху.
| Сигнал | Опис | Feature engineering | Горизонт передбачення |
|---|---|---|---|
| OBI | Дисбаланс обсягів | Зважування за рівнями | 1–5 тіків |
| Trade Flow Imbalance | Потік агресивних ордерів | Ковзні середні | 1–10 тіків |
| Microprice | Зважена середина | Deviation від ціни | 1–3 тіки |
Як DeepLOB передбачає рух ціни?
DeepLOB — архітектура CNN + LSTM, яка обробляє знімки стакана за останні N секунд. Згортки вилучають просторові патерни, LSTM — часові залежності. Вихід — три класи: рух вгору, вниз або флет. Приклад реалізації:
class DeepLOB(nn.Module): def __init__(self, depth=20, features=4): super().__init__() self.conv_layers = nn.Sequential( nn.Conv2d(1, 32, (1, 2), stride=(1, 2)), nn.LeakyReLU(0.01), nn.Conv2d(32, 32, (4, 1)), nn.LeakyReLU(0.01), nn.Conv2d(32, 32, (4, 1)), nn.LeakyReLU(0.01), ) self.lstm = nn.LSTM(32, 64, 2, batch_first=True, dropout=0.2) self.fc = nn.Linear(64, 3) def forward(self, x): # x: [batch, 100, depth*features] x = x.unsqueeze(1) conv_out = self.conv_layers(x) batch, _, h, w = conv_out.shape lstm_in = conv_out.permute(0, 2, 1, 3).reshape(batch, h, -1) lstm_out, _ = self.lstm(lstm_in) return self.fc(lstm_out[:, -1, :]) Моделі навчаються на історичних тікових даних з різними горизонтами (1, 5, 10 тіків) і агрегуються в ансамбль. Ми використовуємо PyTorch для навчання та ONNX Runtime для інференсу, щоб знизити latency.
Чому latency критична для скальпінгу?
Скальпінг вимагає жорсткого latency-бюджету:
- Обчислення сигналу: <1 мс
- Виставлення ордера: <5 мс round-trip
- Повний цикл: <10 мс
Для цього використовується co-location або proximity hosting, WebSocket-фіди замість REST (в 100× швидше), асинхронний код (asyncio). Ми оптимізуємо кожен етап — від збору даних до відправки ордера. Наприклад, проєктуємо модель так, щоб інференс вкладався в 100 мкс на GPU.
Як оцінити якість бектестування?
Бектестування на тікових даних — основа для валідації стратегії. Ми використовуємо метрики: Sharpe ratio (>2.0), win rate (>55%), profit factor (>1.5). Обов'язково перевіряємо модель на out-of-sample даних, щоб виключити перенавчання. В одному проєкті ми отримали Sharpe 3.1 на тестовому періоді тривалістю 6 місяців, але тільки після додавання VPIN-фічі.
| Метрика | Цільове значення | Коментар |
|---|---|---|
| Sharpe ratio | >2.0 | З поправкою на комісії |
| Win rate | >55% | Не менше 1000 угод |
| Profit factor | >1.5 | Відношення прибутку до збитку |
Управління ризиками при скальпінгу
Daily loss limit — зупинка при денному збитку, щоб одна погана сесія не знищила прибуток. Максимальний розмір позиції — автоматичне закриття при перевищенні inventory threshold. Drawdown tracking з circuit breakers за ковзною 5-денною просіданням.
Типові помилки початківців:
- Не враховують комісії: при 500 угодах на день комісія може з'їсти весь прибуток.
- Перенавчають модель на один режим ринку — після зміни волатильності стратегія ламається.
- Ігнорують latency: сигнал надходить, коли ціна вже змінилася.
Наш процес розробки
- Аналітика — розбір мікроструктури ринку, збір тікових даних.
- Прототипування — створення baseline-моделі та бектестування.
- Оптимізація — зниження latency, покращення fill rate.
- Продакшн — деплой на co-located сервери, інтеграція з біржею.
- Моніторинг — continuous evaluation моделі, алерти по P&L.
Що входить в роботу
- Документація з архітектури моделі та API для торгівлі.
- Дашборд моніторингу в реальному часі.
- Навчання вашої команди (код, метрики, алерти).
- Гарантія якості: ми проводимо стрес-тести та валідацію на out-of-sample даних.
Досвід нашої команди — понад 5 років у HFT-розробці, десятки проєктів з ML-моделями на реальних ринках. Зв'яжіться з нами, щоб оцінити ваш проєкт — ми запропонуємо рішення під ключ. Отримайте консультацію з оптимізації latency та мікроструктурних стратегій. Гарантуємо прозорість: ви отримуєте не чорний ящик, а інтерпретовані сигнали та повну документацію.
Основи мікроструктури ринку описані на Wikipedia.