Розробка системи paper trading для тестування AI-стратегій

Paper trading — симуляція реальної торгівлі без використання реального капіталу. На відміну від бектестування (тестування на історичних даних), paper trading відбувається в реальному часі: стратегія отримує live-дані з біржі, генерує сигнали та надсилає віртуальні ордери в симулятор брокера. Це дозволяє виявити проблеми, невидимі при бектестуванні: затримки даних, проблеми з виконанням ордерів, технічні збої. Ми розробляємо такі системи під ключ, щоб ваш AI-алгоритм пройшов усі стадії валідації без ризику для капіталу.

Чому paper trading — обов'язковий етап?

Навіть ідеально налаштований бектест може давати хибну впевненість. Look-ahead bias, переучування (overfitting) на історії, недооцінені комісії — типові пастки. Paper trading в реальному часі знімає ці ризики: ваша AI-модель бачить лише ті дані, які були б доступні в момент прийняття рішення. Розходження в метриках між paper trading і бектестом не повинно перевищувати 15% по Sharpe Ratio — якщо більше, стратегія потребує доопрацювання.

Згідно з визначенням Вікіпедії, paper trading — це симуляція торгівлі, але на практиці він дає набагато більше: помилки, виявлені на етапі паперової торгівлі, можуть коштувати до $15,000 в реальній торгівлі — саме стільки в середньому економлять наші клієнти. Paper trading в 3 рази точніше виявляє проблеми виконання, ніж бектестування, за рахунок роботи з реальною затримкою та прослизанням.

Архітектура системи

[Market Data Feed] → [Data Normalizer] → [Feature Pipeline]
                                              ↓
                                      [AI Model Inference]
                                              ↓
                                      [Signal Generator]
                                              ↓
                                    [Risk Management Layer]
                                              ↓
                                    [Paper Broker Simulator]
                                              ↓
                              [Portfolio State] → [P&L Calculator]
                                              ↓
                                    [Monitoring Dashboard]

Компоненти системи

Market Data Integration:

import asyncio
import websockets
import json
from dataclasses import dataclass

@dataclass
class MarketTick:
    symbol: str
    timestamp: float
    bid: float
    ask: float
    last: float
    volume: float

class AlpacaMarketDataFeed:
    def __init__(self, api_key: str, secret_key: str):
        self.ws_url = "wss://stream.data.alpaca.markets/v2/sip"
        self.headers = {
            "APCA-API-KEY-ID": api_key,
            "APCA-API-SECRET-KEY": secret_key
        }

    async def stream_quotes(self, symbols: list, callback):
        async with websockets.connect(self.ws_url, extra_headers=self.headers) as ws:
            # Підписка на котирування
            await ws.send(json.dumps({
                "action": "subscribe",
                "quotes": symbols
            }))

            async for message in ws:
                data = json.loads(message)
                for item in data:
                    if item['T'] == 'q':  # quote
                        tick = MarketTick(
                            symbol=item['S'],
                            timestamp=item['t'],
                            bid=item['bp'],
                            ask=item['ap'],
                            last=(item['bp'] + item['ap']) / 2,
                            volume=item.get('bs', 0)
                        )
                        await callback(tick)

Paper Broker Simulator:

class PaperBroker:
    def __init__(self, initial_capital: float = 100_000):
        self.cash = initial_capital
        self.positions = {}  # symbol -> quantity
        self.orders = []
        self.fill_probability = 0.95  # 95% ордерів виконується

    def submit_order(self, symbol: str, qty: int, side: str,
                     order_type: str = 'market', limit_price: float = None):
        order_id = str(uuid.uuid4())
        order = {
            'id': order_id, 'symbol': symbol, 'qty': qty,
            'side': side, 'type': order_type,
            'limit_price': limit_price, 'status': 'pending',
            'submitted_at': datetime.utcnow()
        }
        self.orders.append(order)
        return order_id

    def process_tick(self, tick: MarketTick):
        for order in self.orders:
            if order['status'] != 'pending':
                continue
            if order['symbol'] != tick.symbol:
                continue

            # Симуляція виконання
            if order['type'] == 'market':
                fill_price = tick.ask if order['side'] == 'buy' else tick.bid
                self._fill_order(order, fill_price, tick.timestamp)
            elif order['type'] == 'limit':
                if (order['side'] == 'buy' and tick.ask <= order['limit_price']):
                    self._fill_order(order, order['limit_price'], tick.timestamp)
                elif (order['side'] == 'sell' and tick.bid >= order['limit_price']):
                    self._fill_order(order, order['limit_price'], tick.timestamp)

    def _fill_order(self, order: dict, price: float, timestamp):
        commission = price * order['qty'] * 0.0001
        if order['side'] == 'buy':
            cost = price * order['qty'] + commission
            if self.cash >= cost:
                self.cash -= cost
                self.positions[order['symbol']] = \
                    self.positions.get(order['symbol'], 0) + order['qty']
                order['status'] = 'filled'
                order['fill_price'] = price
        elif order['side'] == 'sell':
            if self.positions.get(order['symbol'], 0) >= order['qty']:
                self.cash += price * order['qty'] - commission
                self.positions[order['symbol']] -= order['qty']
                order['status'] = 'filled'

Як працює симулятор брокера?

Симулятор брокера — ключовий компонент. Він імітує виконання ордерів з realistic fill probability (у нашому прикладі 95%) та комісіями 0.01%. Це дозволяє оцінити реальне прослизання та вплив спреду. У реальній торгівлі latency-sensitive стратегії можуть зіткнутися з гіршим виконанням — паперовий режим допомагає скоригувати алгоритм до виходу на ринок.

Моніторинг у реальному часі

Dashboard показує: P&L (realized та unrealized) у реальному часі, відкриті позиції, журнал угод, equity curve, drawdown, порівняння з бенчмарком.

Ключові метрики paper trading vs backtest

Якщо результати paper trading значно гірші за бектестування — це ознаки: overfitting до історичних даних, look-ahead bias у бектесті, недооцінені транзакційні витрати. Мета: розходження між paper trading та бектестом < 15% по Sharpe Ratio.

Основні етапи розробки

Що входить у розробку

• Інтеграція з біржовими API (Alpaca, Interactive Brokers, Binance — на ваш вибір)
• Модуль нормалізації даних та розрахунку ознак (feature pipeline)
• Інтерфейс для AI-моделі (PyTorch/TensorFlow/JAX) з інференсом через vLLM або Triton
• Симулятор брокера з реалістичною fill probability та комісіями
• Ризик-менеджмент: stop-loss, take-profit, ліміти на позицію
• Dashboard з метриками реального часу (React + WebSockets)
• Документація, навчання команди та підтримка 2 місяці після запуску

Як відрізнити якісну систему?

Попросіть demo-запуск на 1-2 тижнях live-даних. Якісна система покаже стабільну latency p99 не вище 50 мс, 99% uptime та коректне виконання ордерів в умовах високої волатильності. Ми гарантуємо ці параметри — за 5 років ми реалізували 30+ проєктів paper trading для фондів та проп-трейдингових фірм.

Терміни та вартість

Розробка системи під ключ займає від 30 до 60 робочих днів залежно від складності стратегії та кількості інструментів. Вартість розраховується індивідуально — напишіть нам, і ми оцінимо ваш проєкт за 2 дні. Отримайте консультацію без зобов'язань. Зв'яжіться з нами, щоб обговорити деталі вашого проєкту.

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.