Розробка бота з ML/AI стратегією торгівлі
Ви побудували складну ML-модель для криптотрейдингу. Backtest виглядає фантастично: 200% річних з Sharpe 3. Запускаєте на реальному депозиті — через тиждень зливаєте 30% капіталу. Знайома ситуація? Причина — lookahead bias, overfitting та невраховані комісії. За 5+ років ми розробили 15+ ML-стратегій і набили достатньо шишок, щоб оминати ці граблі. Середня дохідність наших стратегій у портфоліо — 45% річних після вирахування комісій. Ми гарантуємо технічну реалізацію та надаємо звіти по бектестам.
На відміну від статичних стратегій, ML-боти виявляють нелінійні патерни: від order book imbalance до on-chain метрик. Але без правильної методології ML у трейдингу перетворюється на збитковий експеримент. Розберемо, як побудувати стратегію, яка працює в реалах.
Чому ML у трейдингу складніше, ніж здається?
Non-stationarity — ринки постійно змінюються. Патерн, який працював рік тому, може перестати працювати сьогодні. Модель навчається на минулому, застосовується на майбутньому, яке за розподілом відрізняється від минулого.
Low signal-to-noise ratio — у фінансових даних співвідношення сигнал/шум надзвичайно низьке. Більшість патернів, знайдених моделлю — шум, який був "значущим" у тренувальній вибірці випадково.
Lookahead bias — якщо при формуванні фіч випадково використовувалися дані з майбутнього, модель вивчає інформацію, якої в реальності немає. Backtest буде фантастичним, live trading — збитковим.
Overfitting — модель зі 100 параметрами та 500 угодами в історії майже напевно переучена. Рішення — прості моделі та walk-forward validation.
Як уникнути lookahead bias та overfitting?
Ключовий метод — walk-forward validation. На відміну від train/test split, ми використовуємо ковзне вікно: модель навчається на фіксованому періоді, тестується на наступному, потім вікно зсувається. Це чесно оцінює стабільність стратегії в часі та виключає lookahead на рівні даних.
Інший важливий прийом — feature engineering зі строгим зсувом назад. Всі індикатори повинні розраховуватися тільки по минулому, без заглядання в майбутнє. Приклад пайплайну нижче.
Feature engineering
Правильні ознаки — основа ML-стратегії. Ми комбінуємо технічні індикатори, похідні ціни та об'єму, а також мікроструктурні метрики ринку.
Код генерації ознак
import pandas as pd
import numpy as np
from ta import trend, momentum, volatility
class FeatureEngineer:
def generate_features(self, df: pd.DataFrame) -> pd.DataFrame:
"""df містить: open, high, low, close, volume"""
features = pd.DataFrame(index=df.index)
# === Технічні індикатори ===
# Trend
features['ema_9'] = trend.EMAIndicator(df.close, 9).ema_indicator()
features['ema_21'] = trend.EMAIndicator(df.close, 21).ema_indicator()
features['macd'] = trend.MACD(df.close).macd()
features['macd_signal'] = trend.MACD(df.close).macd_signal()
features['adx'] = trend.ADXIndicator(df.high, df.low, df.close).adx()
# Momentum
features['rsi_14'] = momentum.RSIIndicator(df.close, 14).rsi()
features['stoch_k'] = momentum.StochasticOscillator(df.high, df.low, df.close).stoch()
features['cci'] = momentum.CCIIndicator(df.high, df.low, df.close).cci()
# Volatility
features['atr'] = volatility.AverageTrueRange(df.high, df.low, df.close).average_true_range()
features['bb_width'] = (
volatility.BollingerBands(df.close).bollinger_hband() -
volatility.BollingerBands(df.close).bollinger_lband()
) / df.close
# === Price-derived features ===
# Returns на різних горизонтах
for period in [1, 3, 6, 12, 24]:
features[f'return_{period}h'] = df.close.pct_change(period)
# Відстань від ковзних середніх (нормалізована)
for period in [20, 50, 200]:
ma = df.close.rolling(period).mean()
features[f'dist_ma_{period}'] = (df.close - ma) / ma
# === Volume features ===
features['volume_ratio'] = df.volume / df.volume.rolling(20).mean()
features['obv'] = (np.sign(df.close.diff()) * df.volume).cumsum()
features['obv_ratio'] = features['obv'] / features['obv'].rolling(20).mean()
# === Market microstructure ===
features['high_low_range'] = (df.high - df.low) / df.close
features['close_position'] = (df.close - df.low) / (df.high - df.low + 1e-10)
return features.dropna()
Важливий нюанс: всі індикатори, які "дивляться вперед" у часі, повинні бути зсунуті на 1 крок назад. Сигнал поточної свічки використовує дані попередньої — це виключає lookahead.
Як вибрати модель: LightGBM або LSTM?
Для структурованих даних найкращий baseline — Gradient Boosting (LightGBM). Він швидко навчається, добре інтерпретується через feature importance, стійкий до викидів. LightGBM documentation рекомендує використовувати його для часових рядів з великою кількістю ознак.
import lightgbm as lgb
from sklearn.model_selection import TimeSeriesSplit
class DirectionPredictor:
def __init__(self, horizon: int = 4):
self.horizon = horizon # передбачаємо напрямок через N свічок
self.model = None
self.feature_cols = None
def prepare_target(self, df: pd.DataFrame) -> pd.Series:
"""Target: 1 якщо ціна зросте на X% за horizon періодів, інакше 0"""
future_return = df.close.shift(-self.horizon) / df.close - 1
threshold = 0.005 # 0.5%
return (future_return > threshold).astype(int)
def train(self, features: pd.DataFrame, prices: pd.DataFrame):
y = self.prepare_target(prices)
# Вирівнюємо індекси
common_idx = features.index.intersection(y.dropna().index)
X = features.loc[common_idx]
y = y.loc[common_idx]
# Walk-forward validation: навчаємо на перших 70%, тестуємо на останніх 30%
split = int(len(X) * 0.7)
X_train, X_test = X.iloc[:split], X.iloc[split:]
y_train, y_test = y.iloc[:split], y.iloc[split:]
params = {
'objective': 'binary',
'metric': 'auc',
'learning_rate': 0.05,
'num_leaves': 31,
'min_data_in_leaf': 50,
'feature_fraction': 0.8,
'bagging_fraction': 0.8,
'bagging_freq': 5,
'verbose': -1
}
train_data = lgb.Dataset(X_train, label=y_train)
val_data = lgb.Dataset(X_test, label=y_test)
self.model = lgb.train(
params,
train_data,
valid_sets=[val_data],
num_boost_round=500,
callbacks=[lgb.early_stopping(50), lgb.log_evaluation(100)]
)
self.feature_cols = X.columns.tolist()
def predict_proba(self, features: pd.DataFrame) -> float:
X = features[self.feature_cols].iloc[-1:]
return float(self.model.predict(X)[0])
LSTM для sequence modeling — якщо гіпотеза в тому, що важлива послідовність подій, LSTM може бути ефективнішим, але на денних та годинних даних LightGBM часто не поступається.
import torch
import torch.nn as nn
class PriceLSTM(nn.Module):
def __init__(self, input_size: int, hidden_size: int = 64, num_layers: int = 2):
super().__init__()
self.lstm = nn.LSTM(
input_size=input_size,
hidden_size=hidden_size,
num_layers=num_layers,
batch_first=True,
dropout=0.2
)
self.classifier = nn.Sequential(
nn.Linear(hidden_size, 32),
nn.ReLU(),
nn.Dropout(0.3),
nn.Linear(32, 1),
nn.Sigmoid()
)
def forward(self, x: torch.Tensor) -> torch.Tensor:
lstm_out, _ = self.lstm(x)
last_output = lstm_out[:, -1, :]
return self.classifier(last_output)
Walk-forward validation
Стандартний train/test split неприпустимий для часових рядів. Ми використовуємо ковзне вікно:
def walk_forward_backtest(
model_class,
features: pd.DataFrame,
prices: pd.DataFrame,
train_window: int = 365,
test_window: int = 30,
step: int = 30
) -> pd.DataFrame:
results = []
n = len(features)
for start in range(0, n - train_window - test_window, step):
train_end = start + train_window
test_end = train_end + test_window
X_train = features.iloc[start:train_end]
X_test = features.iloc[train_end:test_end]
p_train = prices.iloc[start:train_end]
p_test = prices.iloc[train_end:test_end]
model = model_class()
model.train(X_train, p_train)
predictions = [model.predict_proba(X_test.iloc[:i+1]) for i in range(len(X_test))]
period_results = simulate_trading(predictions, p_test)
results.append(period_results)
return pd.concat(results)
Як інтегрувати ML-модель у торгового бота?
class MLTradingBot:
def __init__(self, model: DirectionPredictor, threshold: float = 0.65):
self.model = model
self.threshold = threshold
async def on_candle(self, candle: Candle):
features = self.feature_eng.update(candle)
prob_up = self.model.predict_proba(features)
if prob_up > self.threshold and not self.has_position():
await self.open_long()
elif prob_up < (1 - self.threshold) and not self.has_position():
await self.open_short()
elif self.has_position():
current_side = self.position.side
if current_side == 'long' and prob_up < 0.5:
await self.close_position("model_signal_weak")
Threshold 0.65 означає "входжу тільки якщо модель з 65%+ впевненістю". Це знижує кількість угод, але підвищує їх якість. Додатково ми впроваджуємо моніторинг дрейфу моделі та автоматичний ретрейн кожні 30–90 днів.
Етапи розробки ML-бота
| Етап | Тривалість | Результат |
|---|---|---|
| Аналіз даних та гіпотеза | 1-2 тижні | Звіт по data quality, список ознак |
| Feature engineering та baseline | 2-3 тижні | Pipeline генерації фіч, проста модель |
| Навчання та валідація | 2-4 тижні | Walk-forward backtest з метриками |
| Інтеграція в бота | 1-2 тижні | Модуль прогнозу, управління ризиками |
| Тестування на демо | 2-4 тижні | Статистика угод, звіт |
Що входить в розробку
- Формування торгової гіпотези та перевірка на історичних даних
- Розробка пайплайну ознак (технічні індикатори, on-chain метрики, order book imbalance)
- Baseline модель та walk-forward валідація з урахуванням transaction costs (0.1-0.2% на угоду)
- Вибір та навчання фінальної моделі (LightGBM, LSTM, трансформери)
- Інтеграція з біржею через WebSocket/REST API (Binance, Bybit, OKX та ін.)
- Моніторинг дрейфу моделі та автоматичний ретрейн кожні 30-90 днів
- Документація по архітектурі та навчання вашої команди
- Гарантійна підтримка протягом 3 місяців
Типові помилки в ML-трейдингу
| Помилка | Чому небезпечно | Рішення |
|---|---|---|
| Lookahead bias у фічах | Нереалістичний backtest | Завжди зсувати на 1 період |
| Немає transaction costs | Стратегія збиткова live | Включити 0.1-0.2% на угоду |
| Звичайний train/test split | Lookahead на рівні даних | Тільки walk-forward |
| Забагато фіч | Overfitting гарантований | Feature selection, L1 регуляризація |
| Немає ретрейну моделі | Деградація з часом | Ретрейн кожні 30-90 днів |
ML-бот — це не запустити і забути. Ринки дрейфують, моделі деградують. Потрібен моніторинг метрик моделі в live та періодичний ретрейн. Але при правильному підході ML-стратегія дає реальну перевагу.
Хочете отримати консультацію по архітектурі ML-бота для вашої стратегії? Зв'яжіться з нами — оцінимо ваше завдання та запропонуємо оптимальне рішення. Замовте розробку адаптивної стратегії з гарантією технічної реалізації.
Корисні посилання
- walk-forward validation — метод валідації часових рядів
- LightGBM documentation — офіційна документація бібліотеки