Торговий бот — чорний ящик, поки у вас немає дашборду. Ви бачите лише кінцевий PnL, але не знаєте, як стратегія поводиться всередині дня. Просадка в 35% може залишитися непоміченою, якщо дивитися тільки на win rate. Дашборд статистики криптобота дає прозорість: equity curve, drawdown, реальний Sharpe ratio. Без цього ви ризикуєте втратити депозит. Наші дашборди будуються на real-time WebSocket і REST API, оновлюються кожні 5 секунд. Результат — миттєва реакція на зміни ринку та своєчасна зупинка збиткових стратегій.
Проблеми, які вирішує дашборд
Перша проблема — приховані просадки. Бот може показувати 70% win rate, але рідкісні великі втрати з'їдають весь прибуток. Equity curve візуалізує реальний стан депозиту. Друга — відсутність контексту. Без метрик ризику (Sharpe, drawdown) неможливо порівняти дві стратегії об'єктивно. Третя — затримки в моніторингу. REST polling раз на хвилину пропускає важливі сигнали: прослизання (slippage) або атаки MEV на DEX. Real-time WebSocket вирішує це.
Чому equity curve — головний графік криптобота?
Win rate 80% може приховувати рідкісні великі втрати. Equity curve показує реальну динаміку капіталу. Хороша крива — плавний ріст з контрольованими просадками. Погана — різкі падіння на 30-40%, після яких бот не відновлюється. Саме equity curve дозволяє побачити true drawdown, який не видно в зведених метриках. Додатково будуємо криву з урахуванням slippage та комісій — це дає чесну картину.
Які метрики обов'язкові в дашборді?
Ми виділяємо п'ять ключових:
- Profit factor — відношення прибуткових угод до збиткових. Значення >2 означає $2 прибутку на кожен $1 ризику.
- Sharpe ratio — дохідність з поправкою на ризик. Чим вищий, тим стабільніша стратегія.
- Max drawdown — максимальна просадка від піку до дна. Дозволяє оцінити ризик депозиту.
- Average trade duration — середній час утримання позиції. Важливо для high-frequency стратегій.
- Consecutive losses — серія збиткових угод. Виявляє періоди нестабільності.
Ці метрики допомагають вчасно помітити, що бот починає деградувати — наприклад, зростає max drawdown або падає profit factor. Замовте консультацію інженера, щоб підібрати оптимальний набір під вашу стратегію.
Реалізація на Python з Decimal
Для точного розрахунку метрик використовуємо Decimal. Нижче — ключові методи з нашого класу PerformanceCalculator:
from decimal import Decimal
from typing import List
import statistics
import math
class PerformanceCalculator:
def __init__(self, trades: list[ClosedTrade], initial_capital: Decimal):
self.trades = sorted(trades, key=lambda t: t.closed_at)
self.initial_capital = initial_capital
def total_pnl(self) -> Decimal:
return sum(t.pnl for t in self.trades)
def total_roi(self) -> float:
return float(self.total_pnl() / self.initial_capital * 100)
def win_rate(self) -> float:
if not self.trades:
return 0
wins = sum(1 for t in self.trades if t.pnl > 0)
return wins / len(self.trades) * 100
def profit_factor(self) -> float:
gross_profit = sum(float(t.pnl) for t in self.trades if t.pnl > 0)
gross_loss = abs(sum(float(t.pnl) for t in self.trades if t.pnl < 0))
return gross_profit / gross_loss if gross_loss > 0 else float('inf')
def max_drawdown(self) -> float:
equity = float(self.initial_capital)
peak = equity
max_dd = 0
for trade in self.trades:
equity += float(trade.pnl)
if equity > peak:
peak = equity
dd = (peak - equity) / peak
max_dd = max(max_dd, dd)
return max_dd * 100
def sharpe_ratio(self, risk_free_rate: float = 0.05) -> float:
if len(self.trades) < 2:
return 0
daily_returns = self.build_daily_returns()
if not daily_returns:
return 0
avg_daily_return = statistics.mean(daily_returns)
std_daily_return = statistics.stdev(daily_returns)
if std_daily_return == 0:
return 0
daily_rf = risk_free_rate / 365
sharpe = (avg_daily_return - daily_rf) / std_daily_return * math.sqrt(365)
return round(sharpe, 2)
def avg_trade_duration_hours(self) -> float:
if not self.trades:
return 0
durations = [(t.closed_at - t.opened_at).total_seconds() / 3600 for t in self.trades]
return statistics.mean(durations)
def consecutive_losses(self) -> int:
max_streak = 0
current_streak = 0
for trade in self.trades:
if trade.pnl < 0:
current_streak += 1
max_streak = max(max_streak, current_streak)
else:
current_streak = 0
return max_streak
def build_equity_curve(self) -> list[dict]:
equity = float(self.initial_capital)
curve = [{'date': self.trades[0].opened_at, 'equity': equity}]
for trade in self.trades:
equity += float(trade.pnl)
curve.append({
'date': trade.closed_at,
'equity': equity,
'pnl': float(trade.pnl),
'cumulative_roi': (equity / float(self.initial_capital) - 1) * 100
})
return curve
Backend API на FastAPI
FastAPI-ендпоінти для отримання статистики та списку угод з пагінацією.
from fastapi import FastAPI, Query
from datetime import datetime, timedelta
app = FastAPI()
@app.get("/api/bot/{bot_id}/stats")
async def get_bot_stats(bot_id: str, period: str = Query("30d", regex="^(7d|30d|90d|all)$")):
days = {'7d': 7, '30d': 30, '90d': 90, 'all': None}[period]
since = datetime.utcnow() - timedelta(days=days) if days else None
trades = await db.get_closed_trades(bot_id, since=since)
initial_capital = await db.get_initial_capital(bot_id)
open_positions = await db.get_open_positions(bot_id)
calc = PerformanceCalculator(trades, initial_capital)
return {
"period": period,
"summary": {
"total_pnl_usdt": str(calc.total_pnl()),
"total_roi_percent": round(calc.total_roi(), 2),
"win_rate_percent": round(calc.win_rate(), 1),
"profit_factor": round(calc.profit_factor(), 2),
"sharpe_ratio": calc.sharpe_ratio(),
"max_drawdown_percent": round(calc.max_drawdown(), 2),
"total_trades": len(trades),
"avg_trade_duration_hours": round(calc.avg_trade_duration_hours(), 1),
"max_consecutive_losses": calc.consecutive_losses(),
},
"equity_curve": calc.build_equity_curve(),
"open_positions": [p.to_dict() for p in open_positions],
"current_status": await get_bot_status(bot_id)
}
@app.get("/api/bot/{bot_id}/trades")
async def get_trades(bot_id: str, page: int = 1, limit: int = 50, symbol: str = None):
trades = await db.get_trades_paginated(bot_id, page, limit, symbol)
return {
"trades": [t.to_dict() for t in trades.items],
"total": trades.total,
"page": page,
"pages": math.ceil(trades.total / limit)
}
Frontend на React
Компоненти для візуалізації: графік equity curve та KPI-картки.
import { LineChart, Line, XAxis, YAxis, Tooltip, ReferenceLine } from 'recharts';
const EquityCurveChart: React.FC<{data: EquityPoint[]}> = ({ data }) => {
const initialEquity = data[0]?.equity || 0;
return (
<LineChart width={800} height={300} data={data}>
<XAxis dataKey="date" tickFormatter={d => format(new Date(d), 'MM/dd')} />
<YAxis tickFormatter={v => `$${(v/1000).toFixed(1)}k`} />
<Tooltip formatter={(value: number) => [`$${value.toFixed(2)}`, 'Equity']} labelFormatter={d => format(new Date(d), 'PPpp')} />
<ReferenceLine y={initialEquity} stroke="#888" strokeDasharray="3 3" label="Start" />
<Line type="monotone" dataKey="equity" stroke={data[data.length-1]?.equity >= initialEquity ? '#22c55e' : '#ef4444'} dot={false} strokeWidth={2} />
</LineChart>
);
};
const StatCard: React.FC<{label: string; value: string; positive?: boolean}> = ({ label, value, positive }) => (
<div className="bg-white rounded-xl p-4 shadow-sm border">
<div className="text-sm text-gray-500">{label}</div>
<div className={`text-2xl font-bold mt-1 ${positive === true ? 'text-green-600' : positive === false ? 'text-red-600' : 'text-gray-900'}`}>{value}</div>
</div>
);
Real-time моніторинг через WebSocket
Оновлення поточного стану бота кожні 5 секунд.
class BotStatusWebSocket:
async def stream_status(self, websocket, bot_id: str):
while True:
status = {
"bot_running": await is_bot_running(bot_id),
"open_positions": await get_open_positions_summary(bot_id),
"today_pnl": str(await get_today_pnl(bot_id)),
"last_trade_at": await get_last_trade_time(bot_id),
"api_latency_ms": await get_avg_latency(bot_id),
"errors_last_hour": await get_error_count(bot_id, hours=1),
}
await websocket.send_json(status)
await asyncio.sleep(5)
Порівняння методів отримання даних
| Характеристика | WebSocket | REST polling (щохвилини) |
|---|---|---|
| Затримка даних | 5 секунд | 60 секунд |
| Навантаження на сервер | Низька (постійне з'єднання) | Висока (часті запити) |
| Складність реалізації | Середня | Низька |
Наш дашборд на WebSocket оновлюється в 10 разів швидше, ніж REST polling раз на хвилину. Це критично для high-frequency стратегій, де кожна секунда впливає на PnL.
Етапи розробки дашборду
| Етап | Тривалість | Результат |
|---|---|---|
| Консультація та збір вимог | 1-2 дні | Технічне завдання |
| Прототипування інтерфейсу | 3-5 днів | Макет дашборду |
| Backend (API, агрегація, WebSocket) | 5-10 днів | Робочі ендпоінти |
| Frontend (графіки, картки, фільтри) | 5-10 днів | Інтерфейс дашборду |
| Інтеграція та тестування | 3-5 днів | Приймання, навчання |
Середній клієнт після впровадження дашборду збільшує прибуток на 15% за рахунок своєчасної зупинки збиткових стратегій. Ми більше 5 років в блокчейні, розробили дашборди для 50+ торгових ботів. Гарантуємо коректність метрик та 99.9% uptime.
Приклад розрахунку на реальних даних
Розглянемо бота на Binance з депозитом $10 000. За місяць здійснено 200 угод: 120 прибуткових (середній прибуток $50) і 80 збиткових (середній збиток $30). Profit factor = (12050)/(8030) = 6000/2400 = 2.5. Max drawdown = -8% (пік $11 200, дно $10 304). Sharpe ratio = 1.8. Такі метрики свідчать про стабільну стратегію.
Що входить в роботу
- Аналіз ваших поточних даних та метрик.
- Проектування API (REST + WebSocket).
- Розробка backend на Python (FastAPI, PostgreSQL, Redis).
- Frontend на React (Recharts, Tailwind).
- Інтеграція real-time моніторингу.
- Документація, навчання команди, підтримка 30 днів.
Замовте розробку дашборду для вашого криптобота — отримайте консультацію інженера безкоштовно. Зв'яжіться з нами для аудиту метрик вашого бота. Економія на комісіях та своєчасне виявлення проблем окупають впровадження протягом першого місяця.