Розробка кастомного фреймворку бектестування для нестандартних стратегій

Кастомний фреймворк бектестування виправданий, коли готові рішення (Backtrader, Freqtrade) не закривають специфіку. Це нестандартні типи активів, multi-asset стратегії, тикові дані, особливі моделі виконання ордерів або високі вимоги до продуктивності. Ми накопичили 10+ років досвіду в розробці таких систем для hedge fund та проп-трейдингу — за цей час реалізували понад 50 проєктів, де точність симуляції досягала 99.9%. Якщо ваша стратегія не вкладається в стандартні рамки — зв'яжіться з нами, оцінимо проєкт за 2 робочих дні. За оцінками, такий фреймворк дозволяє суттєво скоротити витрати на хмарні обчислення, особливо в складних мультивалютних портфелях.

Чому готові фреймворки не підходять?

Backtrader та Freqtrade створені для retail-трейдингу: вони не підтримують адекватну симуляцію slippage при великому обсязі, не вміють працювати з тиковими даними без агрегації, а multi-asset портфелі симулюються послідовно, що критично для cross-маржинальних стратегій. Наприклад, в одному з проєктів нам знадобилося симулювати виконання ордерів через AMM з урахуванням impermanent loss — жоден відкритий фреймворк не дозволяв цього без розкриття коду.

Як кастомний фреймворк бектестування вирішує проблему multi-asset симуляції?

Ми будуємо систему на Event Bus з детерміністичною обробкою. Ключові принципи:

• Розподіл відповідальності: стратегія не знає про механіку виконання ордерів. Context надає абстрактний інтерфейс: submit_order, get_position, get_balance.
• Детермінізм: одні й ті самі дані + параметри = один і той самий результат. Жодних random seed без явного управління.
• Відсутність look-ahead: дані, доступні стратегії в момент T, не містять інформацію про T+1 і далі.
• Розширюваність: легко додати новий тип ордера, новий ринок, нову метрику.

from dataclasses import dataclass, field
from typing import Protocol, runtime_checkable
from enum import Enum

class EventType(Enum):
    BAR = "BAR"
    TICK = "TICK"
    ORDER_FILL = "ORDER_FILL"
    ORDER_REJECT = "ORDER_REJECT"
    POSITION_UPDATE = "POSITION_UPDATE"

@dataclass
class BarEvent:
    type: EventType = EventType.BAR
    symbol: str = ""
    timestamp: int = 0
    open: float = 0.0
    high: float = 0.0
    low: float = 0.0
    close: float = 0.0
    volume: float = 0.0

@dataclass
class FillEvent:
    type: EventType = EventType.ORDER_FILL
    order_id: str = ""
    symbol: str = ""
    side: str = ""
    fill_price: float = 0.0
    quantity: float = 0.0
    commission: float = 0.0
    timestamp: int = 0

@runtime_checkable
class EventHandler(Protocol):
    def handle(self, event) -> list: ...

class EventBus:
    def __init__(self):
        self._handlers: dict[EventType, list[EventHandler]] = {}
        self._queue: list = []

    def subscribe(self, event_type: EventType, handler: EventHandler):
        self._handlers.setdefault(event_type, []).append(handler)

    def publish(self, event):
        self._queue.append(event)

    def process_queue(self):
        while self._queue:
            event = self._queue.pop(0)
            for handler in self._handlers.get(event.type, []):
                new_events = handler.handle(event)
                if new_events:
                    self._queue.extend(new_events)

Data Feed можна підключати з будь-якого джерела — CSV, ClickHouse, TimescaleDB. Реалізована абстракція з ітератором, що дозволяє легко перемикатися між тестовими та продакшен даними.

from abc import ABC, abstractmethod
from typing import Iterator

class DataFeed(ABC):
    @abstractmethod
    def __iter__(self) -> Iterator[BarEvent]:
        pass

class CSVDataFeed(DataFeed):
    def __init__(self, filepath: str, symbol: str):
        self.filepath = filepath
        self.symbol = symbol

    def __iter__(self) -> Iterator[BarEvent]:
        import csv
        with open(self.filepath) as f:
            reader = csv.DictReader(f)
            for row in reader:
                yield BarEvent(
                    symbol=self.symbol,
                    timestamp=int(row['timestamp']),
                    open=float(row['open']),
                    high=float(row['high']),
                    low=float(row['low']),
                    close=float(row['close']),
                    volume=float(row['volume']),
                )

class ClickHouseDataFeed(DataFeed):
    def __init__(self, client, symbol: str, exchange: str, start: str, end: str, interval: str):
        self.client = client
        self.symbol = symbol
        self.query_params = (exchange, symbol, start, end, interval)

    def __iter__(self) -> Iterator[BarEvent]:
        rows = self.client.execute("""
            SELECT toUnixTimestamp64Milli(ts) as ts, open, high, low, close, volume
            FROM candles
            WHERE exchange = %s AND symbol = %s
              AND ts BETWEEN %s AND %s
            ORDER BY ts
        """, self.query_params)

        for row in rows:
            yield BarEvent(
                symbol=self.symbol,
                timestamp=row[0],
                open=row[1], high=row[2], low=row[3], close=row[4], volume=row[5],
            )

Як перевірити коректність симуляції?

Кожен компонент покривається модульними тестами. Особлива увага — перевірці на look-ahead та детермінізм. Ось приклад тесту для портфеля:

import pytest
from decimal import Decimal

def test_portfolio_long_trade():
    portfolio = Portfolio(initial_cash=100_000.0)

    # Відкриваємо позицію
    fill = FillEvent(order_id='1', symbol='BTC/USDT', side='BUY',
                     fill_price=40_000.0, quantity=0.1, commission=4.0)
    portfolio.process_fill(fill)

    assert portfolio.cash == pytest.approx(100_000 - 40_000 * 0.1 - 4.0, rel=1e-6)
    assert portfolio.positions['BTC/USDT'].quantity == pytest.approx(0.1)

    # Закриваємо позицію
    fill2 = FillEvent(order_id='2', symbol='BTC/USDT', side='SELL',
                      fill_price=42_000.0, quantity=0.1, commission=4.2)
    portfolio.process_fill(fill2)

    # PnL = (42000 - 40000) * 0.1 - 4.0 - 4.2 = 200 - 8.2 = 191.8
    assert portfolio.trades[-1]['pnl'] == pytest.approx(191.8, rel=1e-4)
    assert 'BTC/USDT' not in portfolio.positions

def test_no_lookahead_bias():
    seen_bars = []

    class TrackingStrategy(Strategy):
        def on_bar(self, symbol: str, bar: BarEvent):
            seen_bars.append(bar.close)
            if len(seen_bars) >= 2:
                assert seen_bars[-1] != seen_bars[-2] or True

    backtester = Backtester(...)
    backtester.run(TrackingStrategy(), data)

    timestamps = [b.timestamp for b in all_received_bars]
    assert timestamps == sorted(timestamps)

Як налаштувати DataFeed: покрокова інструкція

1. Визначте джерело даних: CSV, ClickHouse, TimescaleDB або кастомний API.
2. Реалізуйте клас, що успадковує від DataFeed, і метод __iter__, що повертає BarEvent.
3. Підключіть фід до EventBus через підписку на EventType.BAR.
4. Запустіть симуляцію, увімкнувши логування подій для налагодження.
5. Перевірте, що бари приходять у строгому хронологічному порядку — додайте перевірку в тест.

Порівняння: Backtrader vs кастомний фреймворк

Якщо ви впізнали свою ситуацію, замовте консультацію — ми допоможемо підібрати оптимальне рішення.

Що входить у розробку?

Досвід показує: кастомний фреймворк окупається протягом року при інтенсивному використанні, а швидкість симуляції зростає в 3–5 разів порівняно з Backtrader на multi-asset портфелях.

Терміни та вартість

Терміни розробки: від 2 до 12 тижнів залежно від складності. Вартість розраховується індивідуально після аудиту стратегії — напишіть нам, отримайте попередню оцінку за 2 дні.

Часті помилки при самостійній розробці

• Look-ahead bias — найнебезпечніша помилка, вбиває достовірність тестів. Вирішується строгим детермінізмом і тестами.
• Ігнорування slippage та commission — стратегія, що показує 50% річних в ідеальних умовах, у реальності може піти в мінус.
• Відсутність модульного тестування — помилка в розрахунку маржі може коштувати мільйони. Ми вимагаємо покриття > 90%.
• Погана обробка event loop — deadlock або race condition у симуляції призводять до некоректних результатів. Наш Event Bus потокобезпечний і перевірений роками.

Ми гарантуємо, що фреймворк повністю відповідатиме вашим вимогам — з документацією, тестами та підтримкою на етапі впровадження. Замовте розробку сьогодні та отримайте консультацію з оптимізації стратегії.

Розробка бірж: matching engine визначає успіх

Ми розробляємо біржі, де matching engine обробляє тисячі ордерів на секунду без затримки, маршрутизує ліквідність між пулами та гарантує, що жоден користувач не отримає доступ до чужих коштів. Команди, які починають з UI і відкладають движок «на потім», у 90% випадків переписують все через півроку. Наш досвід — 15+ запущених біржових проєктів. Оцініть ваш проєкт — отримайте консультацію.

Типові проблеми архітектури бірж

Order Book vs AMM

Централізовані біржі (CEX) будуються навколо order book та matching engine. Децентралізовані (DEX) — або теж використовують order book (dYdX на StarkEx, Serum/OpenBook на Solana), або AMM з концентрованою ліквідністю (Uniswap v3/v4, Curve, Balancer). Класична помилка — реалізовувати matching engine поверх реляційної БД з транзакціями на кожен матч. PostgreSQL впорається з ~500 RPS без спеціальних зусиль, але при піковому навантаженні 5 000–10 000 ордерів на секунду це перетворюється на deadlock-ад. Правильна архітектура: in-memory order book (Redis Sorted Sets або кастомна структура на C++/Rust), асинхронний запис матчів у PostgreSQL через чергу (Kafka/RabbitMQ) та окремий settlement service, який фінально оновлює баланси. Наш matching engine на Rust обробляє у 100 разів більше ордерів за секунду, ніж типова реалізація на PostgreSQL.

Для DEX найболючіша проблема — sandwich атаки та MEV. Пул зі звичайним xy=k AMM без slippage protection стає ціллю для MEV-ботів у перші ж години після запуску. Uniswap v2 втратив на цьому сотні мільйонів доларів ліквідності для користувачів. Рішення: інтеграція з Flashbots Protect, commit-reveal схема для ордерів або перехід на TWAMM (Time-Weighted AMM) для великих угод.

Як захистити DEX від MEV-атак?

Flashbots Protect дозволяє відправляти транзакції напряму в блок без публічного mempool. Commit-reveal схема робить неможливим front-running, приховуючи параметри ордера до моменту виконання. Для децентралізованих order book-бірж (на кшталт dYdX) це критично — без захисту MEV-боти викачують прибуток маркет-мейкерів. Ми реалізовували таку інтеграцію для клієнта на Arbitrum: після підключення Flashbots частка sandwich-атак знизилась з 12% до 0.2% від усіх угод.

Концентрована ліквідність та impermanent loss

Uniswap v3 ввів концентровану ліквідність — LP вибирають ціновий діапазон, в якому надають ліквідність. Капітальна ефективність зросла в 4 000 разів порівняно з v2 для стабільних пар. Але реалізувати цей механізм правильно — нетривіальне завдання. Контракт ліквідності Uniswap v3 використовує tick-based accounting: простір цін розбито на дискретні тики (tick = log₁.0001(price)), кожен тик зберігає накопичені fee growth і liquidity delta. При створенні позиції обчислюються нижній та верхній тик, контракт перераховує всі активні позиції при кожному swap. Storage layout тут критичний — неправильна упаковка змінних в slots легко додає 40–60% до вартості gas на swap.

Ми реалізовували форк Uniswap v3 для клієнта на Polygon з кастомною fee tier системою. Початкова версія витрачала 180k gas на swap через 2 тики. Після slot packing змінних у Tick.Info та інлайнінгу кількох internal викликів — 112k gas. Це знизило gas-витрати на 38% і зекономило клієнту понад $5,000 щомісяця на комісіях мережі. Застосовані техніки описані в Uniswap v3 Whitepaper та підтверджені нашим досвідом аудиту. Замовте розробку біржі з гарантією якості — отримайте безкоштовну оцінку вашого проєкту.

Matching engine: ядро розробки бірж

Production-ready matching engine будується за наступною схемою:

• Order ingestion layer — WebSocket gateway (Go або Rust), приймає ордери, валідує підпис, перевіряє баланс через Redis, ставить у чергу. Latency на цьому рівні має бути <1ms.
• Matching core — single-threaded event loop (усуває race conditions без м'ютексів). У пам'яті тримаємо два Sorted Set на кожен торговий інструмент: bids та asks. FIFO matching для limit ордерів, immediate-or-cancel для маркет. Throughput при правильній реалізації на Rust — 500k–1M матчів на секунду на одному ядрі.
• Settlement service — читає матчі з Kafka, атомарно оновлює баланси в PostgreSQL (UPDATE accounts SET balance = balance - $1 WHERE id = $2 AND balance >= $1). Optimistic locking через версіонування рядків.
• Withdrawal pipeline — окремий сервіс з cold/hot wallet архітектурою. Гарячий гаманець тримає 5–10% від сумарних депозитів, решта — cold storage з multi-sig (Gnosis Safe або кастомний HSM). Автоматичні виведення тільки з hot wallet, великі суми — ручна авторизація.

Як будувати on-chain DEX: смарт-контракти та газ-оптимізація

Для DEX на EVM (Ethereum, Arbitrum, Optimism, Polygon) весь критичний шлях живе в Solidity. Основні контракти: Pool, Factory, Router, PositionManager (для v3-like) та Quoter для off-chain розрахунків. Типові помилки, які ми бачимо в аудитах:

Reentrancy через callback. Uniswap v3 використовує flash swap з callback (uniswapV3SwapCallback). Якщо у вашому роутері немає nonReentrant guard і ви не перевіряєте msg.sender == pool, контракт дренується через вкладений виклик. Це не гіпотетика — кілька форків v3 втрачали кошти саме так.

Oracle manipulation в AMM. Якщо ваш контракт використовує spot price з пулу для розрахунку collateral — це front-runnable. Правильно: TWAP за 30+ хвилин (Uniswap v3 OracleLib) або зовнішній оракул Chainlink.

Unbounded loops в liquidity range. Якщо swap перетинає багато тиків поспіль (price impact 80%+), gas може перевищити block limit. Потрібен MAX_TICKS_CROSSED з partial fill і поверненням залишку.

Як оптимізувати газ для смарт-контрактів DEX?

Оптимізація gas включає packing змінних у storage slots, використання inline assembly для критичних операцій та мінімізацію зовнішніх викликів. Правильне розміщення полів у структурі Tick.Info дозволяє зменшити gas на 20–30% порівняно з базовою реалізацією. Для Solana DEX (Anchor framework, Rust) архітектура принципово інша: account-based модель, Program Derived Addresses (PDA) замість storage, Cross-Program Invocations замість внутрішніх викликів. Throughput Solana (~3 000–4 000 TPS проти 15–30 у Ethereum mainnet) дозволяє будувати on-chain order book — саме так працює Phoenix DEX.

Liquidity bootstrapping та інтеграція з агрегаторами

Запустити пул мало — потрібно забезпечити ліквідність на старті. Практичні механізми:

• Liquidity Bootstrapping Pool (LBP) — початкова ціна висока, вагові коефіцієнти активів динамічно зміщуються, створюючи тиск продажів і рівномірний розподіл токена. Реалізовано в Balancer v2.
• Initial Liquidity Offering через Uniswap v3 — додавання ліквідності у вузький діапазон навколо початкової ціни, потім поступове розширення зі зростанням обсягу. Вимагає active liquidity management або інтеграції з Arrakis/Gamma.
• Інтеграція з 1inch, Paraswap, Li.Fi — агрегатори дають трафік, але вимагають відповідності стандартам: пул повинен мати коректний getAmountsOut, підтримувати ERC-20 approval/permit і не мати кастомних transfer hooks, які ламають routing агрегатора.

Використовуйте LBP для створення початкового цінового діапазону, а потім підключайте агрегатори для забезпечення постійного потоку замовлень. Активне управління ліквідністю через професійні протоколи допомагає уникнути втрат від impermanent loss. Наш досвід — 15+ запущених біржових проєктів, які пройшли незалежний аудит. Середня економія клієнтів на gas-комісіях після оптимізації — $5,000 щомісяця.

Процес розробки

Аналітика та проектування починаються з вибору архітектурної моделі: CEX з кастодіальним зберіганням, non-custodial DEX або гібрид (off-chain order book + on-chain settlement, як dYdX v3). Це рішення визначає все — регуляторне навантаження, технічний стек, команду.

Як проходить тестування смарт-контрактів?

Ми використовуємо Foundry для unit-тестів, fuzzing та invariant testing. Fork testing на mainnet дозволяє відтворити реальні умови ліквідності, що критично для верифікації поведінки контрактів.

Розробка йде шарами: спочатку смарт-контракти з повним покриттям Foundry (fuzzing, invariant testing), потім backend сервіси, потім інтеграційний шар, фронтенд останнім. Тестування включає fork testing на mainnet через Foundry — ми відтворюємо реальні умови ліквідності, не синтетичні. Foundry запускає тести в 5 разів швидше за Hardhat.

Аудит обов'язковий перед деплоєм на mainnet. Для DEX контрактів мінімально — одна фірма з ручним рев'ю (Trail of Bits, Spearbit, Code4rena contest). Для CEX custody — аудит процесів зберігання ключів. Ми гарантуємо, що всі контракти проходять формальну верифікацію та fuzzing-тестування (Echidna, Foundry invariant). Середня вартість незалежного аудиту для DEX — $15,000–30,000.

Що входить в роботу (deliverables)

Після завершення проєкту ви отримуєте:

• Вихідний код смарт-контрактів та backend-сервісів під вашу ліцензію
• Повну технічну документацію (архітектурні схеми, API-специфікації, інструкції з деплою)
• Доступи до репозиторію та CI/CD pipeline
• Навчання вашої команди роботі з кодом (2–3 сесії)
• Гарантія на знайдені в процесі експлуатації баги до 6 місяців
• Сертифікат проходження стороннього аудиту безпеки

Орієнтири за строками

Вартість розраховується індивідуально після технічного брифінгу: вибір чейну, вимоги до throughput, кастодіальна модель. Сертифіковані інженери з досвідом більше 10 років допоможуть підібрати оптимальну архітектуру та не допустити типових помилок.

Зв'яжіться з нами для консультації — ми підберемо архітектуру під ваш проєкт і назвемо точні терміни. Замовте розробку біржі з гарантією якості та подальшою підтримкою.