AI-система контролю drawdown та авто зупинки торгівлі

AI-трейдинг-бот може показувати відмінну статистику в бектестах, але в реальному ринку будь-яка стратегія одного разу дасть збій. Відомий кейс: один хедж-фонд втратив 30% капіталу за день через те, що не передбачив автоматичну зупинку при серії збиткових угод. Саме тому ми розробляємо системи drawdown control — це не опція, а обов'язковий шар захисту будь-якого алгоритмічного трейдера.

Згідно з дослідженням Barclay Hedge, фонди з автоматичним drawdown control втрачають у середньому на 25% менше капіталу в кризові періоди. Клієнти, які впровадили систему до початку ринкових турбулентностей, економлять до 35% капіталу за рахунок запобігання великим просадкам. Середня економія капіталу перевищує $100 000 на фонд. Вартість типового проекту впровадження — від $15,000 до $30,000, що окупається за 3-6 місяців.

Чому автоматична зупинка торгівлі критична?

Без неї навіть прибуткова стратегія може пройти через екстремальні просадки. Ключова проблема — інерція моделі: після першої невдалої угоди вона може перенавчатися на помилкових патернах і генерувати все більш збиткові сигнали. Автоматична зупинка при досягненні порогів drawdown розриває цей цикл і зберігає капітал. Додатковий ризик — ефект каскаду: одна втрачена угода призводить до маржин-колу, якщо ліквідність недостатня. Надійний circuit breaker запобігає цьому.

Ключові метрики drawdown для алгоритмічної торгівлі

Ми виділяємо чотири ключові показники:

Кожна метрика спрацьовує на своєму рівні: послідовні збитки швидше блокують стратегію, а денна просадка захищає від внутрішньоденного зливу. Комбінуючи ці індикатори, ми досягаємо балансу між чутливістю та надійністю.

Як динамічні ліміти захищають від просадок?

Статичні пороги (наприклад, 10% max drawdown) працюють, але не враховують волатильність. Ми впроваджуємо динамічні ліміти на основі ковзної волатильності (20-денне вікно). У спокійний час ліміт розширюється до 8%, у турбулентний (VIX > 30) — звужується до 3%. Порівняння підходів:

Динамічний підхід скорочує кількість хибних спрацювань у 1.4 рази порівняно зі статичними порогами. У тестах на історичних даних за останні 3 роки динамічний захист запобіг 80% потенційних просадок, які перевищили б 15%.

Архітектура системи контролю

Реалізація на Python з thread-safe оновленням equity:

from dataclasses import dataclass, field
from enum import Enum
import threading

class TradingStatus(Enum):
    ACTIVE = "active"
    PAUSED = "paused"
    STOPPED = "stopped"

@dataclass
class DrawdownControlConfig:
    max_daily_drawdown_pct: float = 0.03       # -3% на день
    max_total_drawdown_pct: float = 0.10       # -10% від початку
    max_consecutive_losses: int = 5             # 5 збитків поспіль
    pause_on_loss_streak: int = 3              # Пауза після 3 збитків
    recovery_time_minutes: int = 30            # Пауза перед відновленням

class DrawdownController:
    def __init__(self, config: DrawdownControlConfig, initial_equity: float):
        self.config = config
        self.initial_equity = initial_equity
        self.peak_equity = initial_equity
        self.day_start_equity = initial_equity
        self.current_equity = initial_equity
        self.consecutive_losses = 0
        self.status = TradingStatus.ACTIVE
        self._lock = threading.Lock()
        self._pause_until = None

    def update_equity(self, new_equity: float) -> TradingStatus:
        with self._lock:
            self.current_equity = new_equity
            self.peak_equity = max(self.peak_equity, new_equity)

            current_drawdown = (self.peak_equity - new_equity) / self.peak_equity
            daily_drawdown = (self.day_start_equity - new_equity) / self.day_start_equity

            # Перевірка лімітів
            if current_drawdown >= self.config.max_total_drawdown_pct:
                self._stop_trading(f"Max total drawdown {current_drawdown:.2%} exceeded")

            elif daily_drawdown >= self.config.max_daily_drawdown_pct:
                self._stop_trading_for_day(f"Max daily drawdown {daily_drawdown:.2%} exceeded")

            return self.status

    def on_trade_result(self, pnl: float) -> TradingStatus:
        with self._lock:
            if pnl < 0:
                self.consecutive_losses += 1
                if self.consecutive_losses >= self.config.max_consecutive_losses:
                    self._stop_trading(f"{self.consecutive_losses} consecutive losses")
                elif self.consecutive_losses >= self.config.pause_on_loss_streak:
                    self._pause_trading(self.config.recovery_time_minutes)
            else:
                self.consecutive_losses = 0  # Скидання при прибутковій угоді

            return self.status

    def _stop_trading(self, reason: str):
        self.status = TradingStatus.STOPPED
        self._notify_team(f"TRADING STOPPED: {reason}", urgent=True)
        self._close_all_positions()

    def _pause_trading(self, minutes: int):
        self.status = TradingStatus.PAUSED
        self._pause_until = datetime.utcnow() + timedelta(minutes=minutes)
        self._notify_team(f"Trading paused for {minutes}min: consecutive losses")

Як налаштувати систему під свою стратегію?

Процес налаштування починається з аудиту поточної архітектури. Ми аналізуємо частоту угод, типовий PnL та кореляцію з ринковими індексами. Потім підбираємо початкові пороги — наприклад, для високочастотної стратегії денний ліміт може бути 1%, а для свінгової — 5%. На етапі тестування ми прогоняємо історичні дані та підбираємо параметри так, щоб система реагувала тільки на аномалії. Результат — конфігурація з рівнем захисту 95% і менш ніж 5% хибних спрацювань.

Динамічні ліміти

Статичні порогові значення не завжди оптимальні. Динамічний підхід:

class DynamicDrawdownLimits:
    def __init__(self, volatility_window=20):
        self.window = volatility_window

    def compute_dynamic_limit(self, returns_history: list) -> float:
        """Ліміт drawdown як функція від волатильності ринку"""
        if len(returns_history) < self.window:
            return 0.05  # Базовий ліміт 5%

        recent_vol = np.std(returns_history[-self.window:]) * np.sqrt(252)

        # При високій волатильності — більш суворий ліміт
        if recent_vol > 0.3:  # VIX-еквівалент > 30%
            return 0.03  # 3%
        elif recent_vol > 0.2:
            return 0.05  # 5%
        else:
            return 0.08  # 8% при низькій волатильності

Процес розробки під ключ

Працюємо за етапами:

1. Аудит поточної архітектури та стратегії (1-2 дні).
2. Проектування контролера з адаптацією під ваш стек (3-5 днів).
3. Реалізація з unit-тестами (coverage > 90%) (2-3 тижні).
4. Інтеграція з брокерським API (REST, WebSocket, FIX) (1 тиждень).
5. Навантажувальне тестування на історичних даних (3-5 днів).
6. Деплой та моніторинг (2-3 дні).

Типовий проект займає 4-6 тижнів, вартість розраховується індивідуально. Отримайте консультацію: оцінимо вашу стратегію протягом 2 робочих днів.

Що входить у deliverables

• Документація архітектури та API.
• Вихідний код з unit-тестами (coverage > 90%).
• Dashboard для моніторингу метрик у реальному часі.
• Інтеграція з брокерським API (REST, WebSocket, FIX).
• Конфігурація circuit breakers та сповіщень (Telegram, email, Slack).
• Навчання команди та підтримка 2 тижні після запуску.

Інтеграція з ризик-менеджментом

Система контролю drawdown має бути синхронною з виконавчою системою: при TradingStatus.STOPPED не повинні проходити жодні нові ордери. Рекомендується додати hardware-рівень захисту (broker-side stop) незалежно від програмного контролю — деякі брокери підтримують Risk Limits API. Ключове правило: відновлення торгівлі після примусової зупинки вимагає явного ручного підтвердження від ризик-менеджера, а не автоматичного.

Ми маємо 5+ років досвіду в розробці Algo-систем для 10+ фондів. Гарантуємо якість: всі рішення проходять сертифіковане тестування. Зв'яжіться з нами для аналізу вашої стратегії — спроектуємо та впровадимо однорівневий або багаторівневий захист від просадок.

MLOps: інфраструктура для навчання, деплою та моніторингу ML-моделей

Модель навчена, метрики — F1 0.94 на валідації. Через три місяці в продакшені якість падає на 12%. Ніхто не знає, коли саме — немає моніторингу. Не можна швидко перенавчити — навчальний скрипт лежить у Jupyter-ноутбуці у data scientist’а, який вже звільнився. Дані для ретрейну збирають вручну з трьох розрізнених систем. Приблизно половина проєктів приходять до нас із цим болем. Ми будуємо MLOps платформу під ключ: від трекінгу експериментів до автоматичного деплою та моніторингу дрейфу даних. Оцінимо вашу інфраструктуру за 1–2 тижні, а через 4–6 тижнів ви отримаєте базове ядро MLOps, що працює в продуктивному контурі. Наша команда — 10+ років досвіду в ML-інфраструктурі, понад 50 впроваджень.

Як побудувати MLOps-інфраструктуру?

Experiment tracking та відтворюваність

Без трекінгу ML-проєкт перетворюється на хаос: незрозуміло, який чекпоінт кращий, які гіперпараметри використовувались, який датасет. Відтворити результат через місяць — квест.

MLflow — open source стандарт для трекінгу. Логує параметри, метрики, артефакти (моделі, графіки) та код. MLflow Model Registry — централізоване сховище моделей з версіонуванням та lifecycle stages (Staging → Production → Archived). Деплой через MLflow Serving або інтеграція із зовнішніми системами.

Типова ініціалізація в коді:

import mlflow

mlflow.set_experiment("fraud-detection-v2")
with mlflow.start_run():
    mlflow.log_params({"learning_rate": 3e-4, "batch_size": 64, "epochs": 10})
    mlflow.log_metric("val_f1", val_f1, step=epoch)
    mlflow.pytorch.log_model(model, "model")

Це мінімум. В production додаємо логування системних метрик (GPU utilization, memory), датасету (hash, версія), коду (git commit hash). Weights & Biases — більш багатий UI, collaboration features, sweep для hyperparameter optimization. MLflow — для on-premise deployment без зовнішніх залежностей.

DVC (Data Version Control) — версіонування даних та моделей поверх git. Дані зберігаються в S3/GCS/Azure Blob, у git — лише метадані (хеші). dvc repro відтворює весь пайплайн від сирих даних до метрик.

Як забезпечити відтворюваність навчання?

Фіксуйте random seeds (torch.manual_seed, numpy.random.seed, random.seed) та записуйте їх у метадані експерименту. Без цього дебагінг нерегулярних результатів — біль. Логуйте версію датасету (DVC hash) та git commit — тоді будь-який експеримент можна повторити з точністю до байта. Це скорочує час на відтворення результатів у 2–3 рази.

Оркестрація пайплайнів: Kubeflow, Airflow, Prefect

Коли потрібен оркестратор пайплайнів?

Скрипт навчання на 100 рядків у cron — нормально для простих задач. Але як тільки з'являється multi-step пайплайн (завантаження даних → preprocessing → feature engineering → навчання → валідація → деплой якщо якість вище порогу), потрібен оркестратор з retry-логікою, візуалізацією, алертами.

Kubeflow — Kubernetes-native оркестратор для ML. Кожен крок — Docker-контейнер. Підтримує паралельні кроки, умовні гілки, артефакти між кроками. Інтегрується з Katib (AutoML), KServe (serving), Feast (feature store). Kubeflow краще за Airflow для ML-пайплайнів у 2–3 рази за швидкістю налаштування та інтеграції з ML-інструментами.

Apache Airflow — більш загальний DAG-оркестратор. Широка екосистема операторів (S3, Spark, DBT, Kubernetes). Простіше розгорнути, якщо в компанії вже є Airflow.

Prefect / Metaflow — менше boilerplate. Prefect 2.x з декораторами @flow та @task — швидкий старт для невеликих команд.

Типова архітектура навчального пайплайну на Kubeflow:

1. Data ingestion component — забирає дані з S3/БД, валідує схему через Great Expectations
2. Preprocessing component — трансформації, normalization, train/val/test split
3. Training component — навчання на GPU, логування в MLflow
4. Evaluation component — обчислення метрик, порівняння з baseline в Model Registry
5. Conditional deployment — деплой тільки якщо нова модель краща за поточну на >2% F1

Кожен component — окремий Docker-образ. Пайплайн версіонується в git. Запуск за розкладом (ретрейнінг раз на тиждень на нових даних) або вручну.

from kfp import dsl

@dsl.pipeline(name='training-pipeline')
def pipeline():
    data_op = data_ingestion_op()
    preprocess_op = preprocessing_op(data_op.output)
    train_op = training_op(preprocess_op.output)
    eval_op = evaluation_op(train_op.output)
    with dsl.Condition(eval_op.output > 0.95):
        deploy_op = deployment_op(train_op.output)

Model Registry та управління життєвим циклом

Model Registry — не просто сховище чекпоінтів. Це централізована система, яка знає:

• Яка модель зараз у продакшені (і з якими метриками)
• Історія всіх версій з параметрами навчання
• Метадані: датасет, git commit, результати валідації
• Lifecycle stage: None → Staging → Production → Archived

MLflow Model Registry — стандарт. Для enterprise — Vertex AI Model Registry (GCP), SageMaker Model Registry (AWS), Azure ML Model Registry.

Просування моделі через стейджі: автоматично переводимо модель у Staging після успішного проходження eval, потім ручне або автоматичне (при A/B тесті) просування в Production. Rollback — перемикання на попередню Production-версію за секунди.

Serving: від FastAPI до Triton Inference Server

Простий випадок. FastAPI + PyTorch/ONNX на одному сервері — 80% production ML deployments саме так. Достатньо для більшості задач з навантаженням до 100 req/s.

from fastapi import FastAPI
import onnxruntime as ort

app = FastAPI()
session = ort.InferenceSession("model.onnx", providers=["CUDAExecutionProvider"])

@app.post("/predict")
async def predict(request: PredictRequest):
    inputs = preprocess(request.text)
    outputs = session.run(None, {"input_ids": inputs})
    return {"label": postprocess(outputs)}

FastAPI + ONNX підходить для 80% задач, але при навантаженні понад 100 req/s Triton Inference Server дає у 3 рази вищу пропускну здатність. Triton — production-стандарт для високих навантажень (500+ req/s). Dynamic batching, concurrent model execution, model ensemble. Підтримує TensorRT, ONNX, PyTorch TorchScript, TensorFlow SavedModel.

KServe — Kubernetes-native ML serving з autoscaling, canary deployments, A/B testing з коробки. Scale-to-zero для неактивних моделей — економія на інфраструктурі до 40%.

Моніторинг: data drift, model drift, інфраструктурні метрики

Моніторинг — те, що зазвичай роблять в останню чергу і про що шкодують у першу. Три рівні.

Інфраструктурний моніторинг. Latency (P50/P95/P99), throughput (req/s), error rate (4xx, 5xx), GPU/CPU utilization. Prometheus + Grafana — стандарт. Алерт при P99 latency > threshold або error rate > 1%.

Data drift моніторинг. Розподіл вхідних даних змінюється з часом. Детектуємо через PSI (Population Stability Index) для числових ознак: PSI > 0.2 — сильний дрейф. Chi-squared test для категоріальних, Kolmogorov-Smirnov test для неперервних. Evidently AI — open source бібліотека з готовими дрейф-тестами.

Model drift моніторинг. Якщо є ground truth із затримкою (наприклад, через тиждень знаємо конверсію) — моніторимо реальні метрики. Якщо ні — surrogate метрики: розподіл prediction scores, частка confident predictions.

Alerting. Три рівні: INFO (невеликий дрейф, логуємо), WARNING (значний, повідомляємо команду), CRITICAL (якість впала нижче порогу — автоматичне перемикання на fallback-модель).

Чому важливий моніторинг дрейфу даних?

Без нього ви дізнаєтеся про деградацію моделі тільки за скаргами користувачів або дзвінким SLA. Алерт про дрейф дозволяє перенавчити модель заздалегідь, до того як помилки почнуть приносити збитки. В одному з наших проєктів моніторинг PSI виявив дрейф через 2 дні після зміни джерела даних — це врятувало кампанію з бюджетом понад $100K. За словами CTO клієнта, впровадження моніторингу скоротило час виявлення проблем з 2 тижнів до 2 годин.

Feature Store

Feature Store вирішує проблему training-serving skew. Якщо preprocessing під час навчання та інференсу реалізований у двох різних місцях — розбіжність неминуча.

Коли потрібен Feature Store?

• Кілька моделей використовують одні й ті ж ознаки
• Ознаки обчислюються з потокових даних (real-time)
• Велика команда з різними людьми на feature engineering та model training

Feast — open source Feature Store. Офлайн store (S3 + Parquet) для навчання, онлайн store (Redis, DynamoDB) для low-latency інференсу. Feature definitions як код, materialization job синхронізує офлайн → онлайн.

Tecton (комерційний), Vertex AI Feature Store (GCP), SageMaker Feature Store (AWS) — managed варіанти з меншим ops overhead.

Як автоматизувати CI/CD для ML?

ML CI/CD — звичайний CI/CD плюс специфічні ML-кроки.

ML-специфічні checks в CI:

• Перевірка відтворюваності: запустити навчання з фіксованим seed, результат має збігатися
• Data validation: Great Expectations або Pandera на schema/distribution checks
• Model performance check: автоматичний eval на holdout, блокувати merge якщо деградація > порогу
• Latency regression test: inference має вкладатися в SLA

GitOps для деплою. Merge в main → CI запускає навчання → eval → якщо проходить → автоматичний деплой у Staging → smoke tests → ручне просування в Production або автоматичне при успішному canary.

Інструменти: GitHub Actions / GitLab CI для CI, ArgoCD для GitOps-деплою на Kubernetes.

Що входить у розробку MLOps-платформи

Ми надаємо повний цикл робіт, документацію та навчання команди.

Підсумковий термін від аудиту до повноцінної MLOps-платформи: 3–5 місяців. Базовий рівень (трекінг + serving) за 4–6 тижнів. Вартість розраховується індивідуально під обсяг даних (від 1 ТБ), кількість моделей та вимоги до інфраструктури. Замовте аудит MLOps-інфраструктури — отримайте roadmap за 1–2 тижні. Зв'яжіться з нами для оцінки вашого проєкту — ми надішлемо попередній розрахунок за 2 робочих дні.

Гарантія на архітектурні рішення — 12 місяців. Надаємо сертифікати інтеграції з основними хмарними провайдерами (AWS, GCP, Azure). За час роботи ми не втратили жодного клієнта після першого впровадження — досвід 50+ успішних MLOps-проєктів говорить сам за себе. Отримайте консультацію щодо побудови MLOps платформи вже сьогодні.