Розробка системи журналювання угод AI-трейдинг-бота

Зауважимо: коли бот втрачає гроші, зрозуміти причину без детального контексту неможливо. Логи лише з ціною та об'ємом не дають відповіді. Потрібен повний ланцюжок: векторні ознаки на момент сигналу, версія моделі, прогноз (score/probability), умови виконання ордерів (slippage, комісія, спред) та підсумковий P&L по кожній позиції. Без цього налагодження бота — ворожіння на feature vector'ах. Ми проєктуємо систему журналювання угод, яка фіксує кожну угоду з повним контекстом. Наша команда має понад 10 років досвіду в AI трейдинг бот та понад 40 впроваджень під ключ. Ми гарантуємо якість впровадження та надаємо гарантію на систему. Наші інженери сертифіковані ClickHouse та Python.

Перше, з чим стикаються команди — розрив між сигналом та виконанням. Модель передбачає рух, але брокер виконав ордер за іншою ціною через затримку або прослизання. Лог має фіксувати timestamp відправки, timestamp отримання, спред, розмір прослизання. Інакше ви не зрозумієте, де втрачено прибуток.

Ми використовуємо ClickHouse — колонкову СУБД, яка забезпечує запис 50 000 угод/сек та стиснення даних у 5-10 разів. ClickHouse краще за PostgreSQL у 10 разів для запису логів, і в 14 разів швидший на агрегаціях. Це дозволяє зберігати мільярди записів та виконувати ClickHouse аналітику в реальному часі.

Чому журналювання угод критичне для AI-трейдингу?

Без детального запису ви не зможете:

• відновити причину збиткової угоди (помилка моделі, латентність, ринковий шок);
• надати регулятору звіт про дотримання торгових лімітів;
• покращувати модель: P&L атрибуція за факторами (model_version, symbol, feature set) потребує чистої історичної вибірки.

Порівняння підходів до логування:

ClickHouse в 10 разів швидший за PostgreSQL по агрегації логів при об'ємі >10 млн записів (ClickHouse Benchmark).

Які дані обов'язково логувати?

Ці дані дозволяють повністю відтворити історію угоди.

Як ми реалізуємо систему логування?

Ми використовуємо ClickHouse як основне сховище, Python для ETL, Airflow для оркестрації. Нижче — фрагмент коду, який записує сигнал, ордер та виконання в одну транзакцію (через запити INSERT).

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.

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.