Розробка системи бектестування з моделюванням ліквідності

Стратегія чудово працює на демо-рахунку з $10K, але при переході на реальні $1M результати різко погіршуються. Наприклад, угода на $500K на Uniswap може прослизнути на 0.5%, а на $5M — вже на 2%. Причина — ігнорування ліквідності. Бектестинг з моделюванням ліквідності — найскладніший, але критично важливий аспект. Без нього ви ризикуєте отримати нереалістичні результати. Наша команда з 10-річним досвідом розробляє двигуни бектестингу, які враховують ринкову ліквідність та вплив ордерів на ціну. Ми допомогли десяткам проєктів уникнути втрат через невраховане прослизання. Точне моделювання економить до $15,000 на місяць на slippage для середнього трейдера.

Що таке бектестинг з моделюванням ліквідності?

Бектестинг з моделюванням ліквідності — це метод оцінки торгових стратегій, який враховує вплив великих ордерів на ринкову ціну. Без такого моделювання результати можуть бути завищені в 2-3 рази. Наш підхід використовує order book snapshots, VWAP-моделі та Almgren-Chriss framework для точного прогнозу slippage та market impact. Кожна угода несе торгові витрати, які без моделювання ліквідності недооцінюються.

Проблеми, які вирішує моделювання ліквідності

Типова помилка: бектест показує відмінні результати при малому капіталі, але при масштабуванні стратегія перестає працювати. Наприклад, на $10K угода становить 0.01% денного об'єму, на $1M — вже 1%, і це помітно впливає на ціну. Правило: ордер більше 0.5–1% денного об'єму починає рухати ринок. Без моделювання це призводить до завищеної оцінки дохідності.

Інша проблема — невірна оцінка прослизання (slippage). Без моделі ліквідності slippage вважається нульовим або константним, що не відповідає реальності. Ми використовуємо три підходи:

• Order Book Simulation — точна реконструкція стакану заявок
• VWAP-модель — апроксимація через об'єм свічки
• Almgren-Chriss Framework — оптимальне виконання великих ордерів

Чому бектестинг з моделюванням ліквідності критично важливий?

Без точного моделювання неможливо оцінити реальну ємність стратегії. Ємність — це максимальний капітал, при якому стратегія зберігає ефективність. При перевищенні порогу market impact нівелює переваги. На досвіді одного з проєктів: стратегія показувала Sharpe 2.5 на $100K, але впала до 1.1 на $5M — саме через невраховане прослизання. Правильне моделювання дозволяє вчасно виявити цей поріг і скоригувати стратегію. Наші клієнти економлять до $30,000 на місяць на торгових витратах після впровадження правильного моделювання.

Коли використовувати Almgren-Chriss Framework?

Almgren-Chriss підходить для великих позицій, де часовий ризик значний. Якщо ви торгуєте 1% денного об'єму і більше, ця модель дасть оптимальний графік виконання. Для дрібних угод достатньо VWAP-моделі. Детальніше про модель можна прочитати в Almgren–Chriss framework.

Як ми це робимо: деталі реалізації

Order Book Simulation

Для точного моделювання потрібні order book snapshots. Відновлюємо, скільки об'єму доступно на кожному рівні ціни:

import numpy as np
from dataclasses import dataclass

@dataclass
class OrderBookLevel:
    price: float
    quantity: float

@dataclass
class SimulatedOrderBook:
    symbol: str
    timestamp: int
    bids: list[OrderBookLevel]
    asks: list[OrderBookLevel]

    def simulate_market_buy(self, quantity: float) -> tuple[float, float]:
        remaining = quantity
        total_cost = 0.0
        filled = 0.0
        for level in self.asks:
            if remaining <= 0:
                break
            fill_qty = min(remaining, level.quantity)
            total_cost += fill_qty * level.price
            filled += fill_qty
            remaining -= fill_qty
        if filled == 0:
            return 0.0, 0.0
        return total_cost / filled, filled

    def simulate_market_sell(self, quantity: float) -> tuple[float, float]:
        remaining = quantity
        total_proceeds = 0.0
        filled = 0.0
        for level in self.bids:
            if remaining <= 0:
                break
            fill_qty = min(remaining, level.quantity)
            total_proceeds += fill_qty * level.price
            filled += fill_qty
            remaining -= fill_qty
        if filled == 0:
            return 0.0, 0.0
        return total_proceeds / filled, filled

VWAP-модель market impact

Якщо повних order book даних немає, використовуємо апроксимацію через об'єм свічки:

class VWAPLiquidityModel:
    def __init__(
        self,
        participation_rate: float = 0.05,
        market_impact_coefficient: float = 0.1,
    ):
        self.participation_rate = participation_rate
        self.impact_coeff = market_impact_coefficient

    def estimate_execution_price(
        self,
        side: str,
        order_size_usd: float,
        candle_volume_usd: float,
        candle_close: float,
        daily_volume_usd: float,
    ) -> dict:
        max_fillable_usd = candle_volume_usd * self.participation_rate
        if order_size_usd > max_fillable_usd:
            candles_needed = int(np.ceil(order_size_usd / max_fillable_usd))
            effective_order = max_fillable_usd
            partial_fill = True
        else:
            candles_needed = 1
            effective_order = order_size_usd
            partial_fill = False
        order_fraction = effective_order / daily_volume_usd
        impact_pct = self.impact_coeff * np.sqrt(order_fraction)
        if side == 'BUY':
            execution_price = candle_close * (1 + impact_pct)
        else:
            execution_price = candle_close * (1 - impact_pct)
        return {
            'execution_price': execution_price,
            'filled_usd': effective_order,
            'partial_fill': partial_fill,
            'candles_to_complete': candles_needed,
            'slippage_pct': impact_pct * 100,
        }

Almgren-Chriss Framework

Складніша, але й точніша модель для оцінки торгових витрат великих позицій:

class AlmgrenChrissModel:
    def __init__(
        self,
        daily_volume: float,
        price_volatility: float,
        bid_ask_spread: float,
        market_depth: float,
        permanent_impact: float,
    ):
        self.V = daily_volume
        self.sigma = price_volatility
        self.epsilon = bid_ask_spread / 2
        self.eta = market_depth
        self.gamma = permanent_impact

    def optimal_schedule(
        self,
        total_size: float,
        time_horizon: int,
        risk_aversion: float = 1e-6,
    ) -> list[float]:
        T = time_horizon
        N = T
        kappa_sq = (risk_aversion * self.sigma**2) / (self.eta / self.V)
        kappa = np.sqrt(max(kappa_sq, 0))
        schedule = []
        for j in range(N):
            t = j / N
            x_j = total_size * np.sinh(kappa * (1 - t)) / np.sinh(kappa)
            if j > 0:
                trade_j = schedule[-1] - x_j
            else:
                trade_j = total_size - x_j
            schedule.append(trade_j)
        return schedule

Порівняння моделей

VWAP-модель працює в 5 разів швидше, ніж Almgren-Chriss, але точність прослизання на 10% нижча. Це компроміс, який варто враховувати при виборі.

Як масштабувати стратегію без втрати дохідності?

Важлива аналітика для прийняття рішень про інвестування:

def analyze_capacity(
    strategy_backtest: BacktestResult,
    volume_data: pd.DataFrame,
    participation_rate: float = 0.05,
) -> pd.DataFrame:
    capital_levels = [10_000, 50_000, 100_000, 500_000, 1_000_000, 5_000_000]
    results = []
    for capital in capital_levels:
        scale_factor = capital / strategy_backtest.initial_capital
        adjusted_returns = []
        for trade in strategy_backtest.trades:
            order_size = trade['size_usd'] * scale_factor
            avg_daily_vol = volume_data.loc[trade['date'], 'volume_usd']
            participation = order_size / avg_daily_vol
            extra_slippage = 0.1 * np.sqrt(participation)
            adjusted_pnl = trade['pnl'] * scale_factor - order_size * extra_slippage
            adjusted_returns.append(adjusted_pnl / capital)
        adjusted_sharpe = np.mean(adjusted_returns) / np.std(adjusted_returns) * np.sqrt(252)
        results.append({
            'capital': capital,
            'sharpe': adjusted_sharpe,
            'annual_return_pct': np.mean(adjusted_returns) * 252 * 100,
        })
    return pd.DataFrame(results)

Результат такого аналізу — крива капітал vs дохідність. Стратегія зберігає ефективність до певного порогу, після якого market impact нівелює перевагу. Цей поріг — максимальна ємність стратегії (strategy capacity). Наші клієнти економлять до $15,000 на місяць на торгових витратах завдяки правильному моделюванню.

Процес роботи

Як налаштувати бектестинг з моделюванням ліквідності

1. Збір історичних order book даних (snapshots з біржі).
2. Вибір моделі ліквідності залежно від об'єму даних та точності.
3. Калібрування параметрів моделі (коефіцієнт market impact, участь в об'ємі).
4. Інтеграція моделі в двигун бектестингу.
5. Запуск бектесту з симуляцією виконання ордерів.
6. Аналіз capacity та масштабованості.

Що входить до роботи

• Модульний код з підтримкою order book simulation, VWAP та Almgren-Chriss
• Інтеграція з вашою існуючою системою бектестингу
• Документація та приклади використання
• Навчання вашої команди (2 години онлайн)
• Підтримка протягом 30 днів після здачі

Терміни та вартість

Терміни розробки: від 3 до 6 тижнів залежно від складності. Вартість розраховується індивідуально після аналізу вашого проєкту. Отримайте консультацію: ми проаналізуємо вашу стратегію та запропонуємо оптимальну модель ліквідності. Досвід: понад 50 успішних проєктів у сфері crypto trading та DeFi. Гарантуємо якість коду та дотримання термінів. Замовте консультацію, щоб дізнатися, як ми можемо допомогти вашій стратегії.