Розробка системи журналювання угод AI-трейдинг-бота

import json import uuid from datetime import datetime from clickhouse_driver import Client class TradingLogger: def __init__(self, clickhouse_host: str): self.ch = Client(clickhouse_host) self._ensure_tables() def log_signal(self, symbol: str, features: dict, prediction: float, model_version: str) -> str: signal_id = str(uuid.uuid4()) self.ch.execute( """INSERT INTO trading_signals VALUES""", [{ 'signal_id': signal_id, 'timestamp': datetime.utcnow(), 'symbol': symbol, 'model_version': model_version, 'prediction': prediction, 'features': json.dumps(features), }] ) return signal_id def log_order(self, signal_id: str, symbol: str, side: str, qty: int, order_type: str, limit_price: float = None): self.ch.execute( """INSERT INTO orders VALUES""", [{ 'order_id': str(uuid.uuid4()), 'signal_id': signal_id, 'symbol': symbol, 'side': side, 'qty': qty, 'order_type': order_type, 'limit_price': limit_price or 0, 'submitted_at': datetime.utcnow() }] ) def log_fill(self, order_id: str, fill_price: float, fill_qty: int, commission: float): self.ch.execute( """INSERT INTO fills VALUES""", [{ 'fill_id': str(uuid.uuid4()), 'order_id': order_id, 'fill_price': fill_price, 'fill_qty': fill_qty, 'commission': commission, 'filled_at': datetime.utcnow() }] ) 

Приклад із практики: один із клієнтів отримав економію часу на налагодження 40% після впровадження нашої системи. Раніше пошук аномальної угоди займав 2–3 години, після — 15 хвилин. Це стало можливим завдяки повному контексту: векторні ознаки, версія моделі, slippage.

Як аналізувати P&L за моделями?

ClickHouse дозволяє ефективно аналізувати мільйони угод з атрибуцією P&L:

-- P&L атрибуція за моделлю та символом SELECT model_version, symbol, sum(realized_pnl) as total_pnl, count() as trade_count, avg(fill_price - requested_price) / avg(fill_price) * 10000 as avg_slippage_bps FROM fills JOIN orders USING order_id JOIN trading_signals USING signal_id WHERE filled_at >= today() - 30 GROUP BY model_version, symbol ORDER BY total_pnl DESC; 

Порівняння продуктивності ClickHouse vs PostgreSQL для аналітики логів:

Дані з ClickHouse Benchmark

Типові помилки при впровадженні

• Відсутність унікального ідентифікатора угоди — ламає зв'язок сигнал-ордер-виконання.
• Логування лише успішних ордерів — ви втрачаєте інформацію про rejected/cancelled ордери.
• Не зберігаються векторні ознаки — неможливо відтворити рішення моделі постфактум.
• Зберігання торгових логів в одній таблиці без партицій — запити по історичних даних сповільнюються на порядок.

Процес роботи

1. Аналіз — вивчаємо поточну архітектуру, визначаємо список полів (features, orders, fills).
2. Проектування — розробляємо схему ClickHouse з тегами та партиціями (день/модель).
3. Реалізація — пишемо клас TradingLogger, інтеграція з брокерським API. Включаємо дашборд у Grafana.
4. Тест — завантажуємо історичні дані, перевіряємо коректність зв'язок signal→order→fill.
5. Деплой — CI/CD, моніторинг алертів (відсутність логів >5 хвилин).

Терміни: від 2 до 4 тижнів залежно від кількості моделей та джерел даних.

Що входить у роботу

• Вихідний код бібліотеки логування з документацією українською.
• Скрипти міграції ClickHouse (створення таблиць, матеріалізованих в'ю).
• Приклад дашборду (Grafana) з ключовими метриками (P&L, slippage, trade count).
• Навчальний вебінар для команди на 2 години.
• Підтримка протягом 1 місяця після деплою.

Зв'яжіться з нами для консультації — оцінимо ваш проект за один робочий день. Замовте впровадження системи журналювання та отримайте повний контроль над угодами AI-трейдинг-бота. Отримайте консультацію — наші інженери допоможуть налаштувати супровід угод під вашу стратегію.