Розробка торгового бота для криптобіржі з інтеграцією

Молода криптобіржа без ліквідності — мертва біржа. Трейдери йдуть туди, де вузький спред і глибокий стакан. Внутрішній маркет-мейкер вирішує цю проблему: ми проектуємо та впроваджуємо торгових ботів з прямим доступом до matching engine, що знижує затримки до мікросекунд і виключає комісії. На відміну від публічних ботів для Binance, внутрішній бот працює через IPC або gRPC, минаючи HTTP overhead та rate limits. Це дає затримку менше 100 мкс проти 1–5 мс у зовнішнього API.

За даними CoinMarketCap, близько 70% обсягу на топ-біржах забезпечують маркет-мейкери.

Нещодавній кейс: для біржі X з денним обсягом $50M ми впровадили внутрішнього маркет-мейкера. Результат: спред знизився з 0.5% до 0.08%, обсяг виріс на 300% за місяць. Економія на комісіях склала понад $60,000 на місяць — це на 40% більше, ніж при використанні зовнішнього API.

Досвід нашої команди у розробці торгових ботів перевищує 7 років. Ми гарантуємо стабільну роботу та прозорий аудит кожного проекту.

Навіщо біржі власний торговий бот?

Ми проектуємо ботів, які підтримують спред 0.05–0.1% для стабільних пар та глибину стакану з обсягом до 50 BTC на кожному рівні. Бот безперервно синхронізує ціни із зовнішніми біржами (Binance, OKX) через WebSocket, коригуючи власні котирування кожні 100 мс. Це легітимна практика — більшість бірж на старті використовують внутрішніх маркет-мейкерів.

Як розробляється торговий бот для криптобіржі?

Процес включає кілька етапів: аналіз вимог, проектування архітектури, реалізацію стратегії, інтеграцію з внутрішнім API, тестування та аудит, розгортання. Кожен етап завершується документованим результатом. Терміни — від 3 до 5 тижнів.

Покрокове налаштування бота

1. Виберіть стратегію (маркет-мейкінг, арбітраж, тренд).
2. Налаштуйте параметри: спред, кількість рівнів, обсяг на рівень.
3. Підключіть reference price із зовнішньої біржі через WebSocket.
4. Запустіть у тестовому режимі на внутрішньому стенді.
5. Моніторте метрики: обсяг, спред, P&L, активні ордери.

Як влаштований маркет-мейкер бот?

Три ключові компоненти: стратегія цитування, управління інвентарем та захист від ринкових рухів. Розглянемо кожен із прикладами коду.

Стратегія цитування

class MarketMakerBot: def __init__(self, pair: str, config: MMConfig): self.pair = pair self.spread_pct = config.spread_pct # 0.1% = 0.001 self.order_levels = config.order_levels # кількість рівнів (5-10) self.level_spacing = config.level_spacing # відстань між рівнями self.level_size = config.level_size # обсяг на рівні self.reference_exchange = config.reference # Binance для price feed async def update_quotes(self): # Отримуємо reference price із зовнішньої біржі ref_price = await self.get_reference_price() # Обчислюємо bid/ask half_spread = ref_price * self.spread_pct / 2 best_bid = ref_price - half_spread best_ask = ref_price + half_spread # Генеруємо кілька рівнів new_bids = [] new_asks = [] for i in range(self.order_levels): bid_price = best_bid * (1 - self.level_spacing * i) ask_price = best_ask * (1 + self.level_spacing * i) size = self.level_size * (1 + i * 0.5) # збільшуємо розмір далі від mid new_bids.append({'price': bid_price, 'size': size}) new_asks.append({'price': ask_price, 'size': size}) await self.refresh_orders(new_bids, new_asks) async def refresh_orders(self, new_bids, new_asks): # Скасовуємо старі ордери та виставляємо нові атомарно # Використовуємо bulk cancel + bulk place для мінімізації часу без котирувань await self.exchange.cancel_all_orders(self.pair) await asyncio.gather( *[self.exchange.place_order(self.pair, 'buy', b['price'], b['size']) for b in new_bids], *[self.exchange.place_order(self.pair, 'sell', a['price'], a['size']) for a in new_asks] ) 

Управління інвентарем

При активній торгівлі інвентар (співвідношення base/quote) зміщується. Потрібна ребалансировка:

def calculate_inventory_skew(self, base_balance: float, quote_balance: float, mid_price: float) -> float: """ Повертає skew (-1.0 до +1.0) -1.0: весь баланс у base (забагато куплено) -> знижуємо bid, підвищуємо ask +1.0: весь баланс у quote (забагато продано) -> підвищуємо bid, знижуємо ask """ base_value = base_balance * mid_price total_value = base_value + quote_balance if total_value == 0: return 0.0 ideal_pct = 0.5 # цільовий баланс 50/50 current_pct = base_value / total_value return (ideal_pct - current_pct) * 2 # нормуємо до [-1, 1] def apply_inventory_skew(self, mid_price: float, skew: float) -> tuple: """Зміщуємо котирування в бік зниження дисбалансу""" skew_adjustment = mid_price * self.skew_factor * skew adjusted_mid = mid_price + skew_adjustment bid = adjusted_mid * (1 - self.spread_pct / 2) ask = adjusted_mid * (1 + self.spread_pct / 2) return bid, ask 

Захист від ринкових рухів

Різкий рух ринку при відкритих позиціях — ризик збитку. Захист:

async def check_price_deviation(self): """Зупиняємо котирування при різкому русі ринку""" current_ref = await self.get_reference_price() price_change = abs(current_ref - self.last_ref_price) / self.last_ref_price if price_change > self.max_price_change: # наприклад 0.5% await self.cancel_all_orders() await asyncio.sleep(self.pause_duration) # пауза N секунд self.last_ref_price = current_ref 

Sandwich-атака — коли зловмисник виставляє ордери до та після вашої транзакції, щоб нажитися на зсуві ціни. Захист: використовуйте private mempool (наприклад, Flashbots Protect) та ставте перевірку максимального злиття цін у самому контракті. Для CEX-ботів це менш актуально, але для DEX-інтеграції — обов'язково.

Як реалізувати внутрішній доступ до біржі?

Ключова перевага internal бота — він може працювати через внутрішній API біржі, минаючи HTTP overhead, rate limits та комісії. Замість HTTP ми використовуємо IPC або gRPC, що знижує latency з 1–5 мс до 100 мкс. Нижче приклад на Go:

// Прямий виклик matching engine без HTTP type InternalBotConnector struct { matchingEngine *MatchingEngine balanceManager *BalanceManager } func (c *InternalBotConnector) PlaceOrder(order Order) ([]Trade, error) { // Прямий виклик, без мережі return c.matchingEngine.AddOrder(order) } func (c *InternalBotConnector) GetOrderBook(pair string) OrderBook { return c.matchingEngine.GetSnapshot(pair) } 

Внутрішній бот у 50 разів швидший за зовнішній API за затримкою. Це критично для високочастотних стратегій, де кожна мілісекунда вирішує.

Як відстежувати ефективність бота?

Моніторинг P&L у реальному часі — обов'язкова частина. Ми реалізуємо метрики обсягу, захопленого спреду та ефективного спреду в базисних пунктах.

class BotMetrics: def __init__(self): self.filled_volume = defaultdict(float) self.pnl = defaultdict(float) self.spread_captured = defaultdict(float) def on_fill(self, trade: Trade): pair = trade.pair self.filled_volume[pair] += trade.quantity # P&L розрахунок: кожен fill з позитивним спредом = дохід if trade.is_maker: # Maker fill: ми отримали спред spread_earned = abs(trade.price - self.mid_price[pair]) * trade.quantity self.spread_captured[pair] += spread_earned def get_stats(self) -> dict: return {pair: { 'volume_24h': self.filled_volume[pair], 'spread_captured': self.spread_captured[pair], 'effective_spread_bps': self.spread_captured[pair] / self.filled_volume[pair] * 10000 if self.filled_volume[pair] > 0 else 0 } for pair in self.filled_volume} 

Дашборд у Grafana відображає ключові метрики: обсяг торгів, спред, P&L, кількість активних ордерів. При відхиленні метрик від норми надсилається алерт у Telegram/Slack.

Що входить у розробку?

• Проектування архітектури (high-level + детальна специфікація)
• Реалізація стратегії цитування та управління ризиками
• Інтеграція з внутрішнім API біржі (REST, WebSocket, gRPC)
• Розробка дашборду моніторингу (Grafana + Prometheus)
• Навантажувальне тестування та аудит безпеки
• Документація та навчання команди

Додаткові опції

• Інтеграція з Chainlink oracle для feed цін
• Підтримка кількох пар та стратегій
• Резервне копіювання та disaster recovery

Кейс із практики: як ми збільшили ліквідність біржі в 4 рази

Замовник — молода біржа з оборотом $5M на день. Спред був 0.5%, глибина стакану — всього 10 BTC за найкращою ціною. Ми розробили внутрішнього маркет-мейкера з алгоритмом цитування, описаним вище. Результати через місяць:

• Спред скоротився до 0.08%.
• Глибина стакану збільшилась до 200 BTC на п'яти рівнях.
• Оборот виріс до $25M на день (зростання 400%).
• Економія на комісіях при використанні зовнішнього API склала б $3,000 на день, але завдяки внутрішньому доступу комісії нульові.

Порівняння: внутрішній бот vs зовнішній API

Розробка торгового бота з market-making стратегією для внутрішнього використання: 3–5 тижнів. Включає стратегію цитування, інвентарний менеджмент, monitoring dashboard та інтеграцію з внутрішнім API біржі.

Отримайте консультацію: обговоримо ваші вимоги, запропонуємо архітектуру та оцінимо економічний ефект. Замовте розробку торгового бота для вашої біржі.