Розробка індикатора Open Interest

Розроблення індикатора Open Interest

Open Interest (OI) — це суммарна кількість відкритих позицій по фьючерсних контрактах. На відміну від обсягу (який рахує кожну сделку), OI показує скільки позицій залишаються відкритими. Ріст OI = нові гроші входять на ринок. Падіння OI = позиції закриваються. Це один з небагатьох дійсно ведучих індикаторів.

Інтерпретація Open Interest

Високий OI + різкий рух = риск великої liquidation cascade. Саме так відбуваються найжорстокіші дампи: накопичені шорти або лонги ліквідуються ланцюговою реакцією.

Отримання даних OI

Binance Futures API

import httpx
from decimal import Decimal
import asyncio

class OpenInterestCollector:
    BINANCE_FUTURES = "https://fapi.binance.com"
    BYBIT_API = "https://api.bybit.com"

    async def get_binance_oi(self, symbol: str) -> dict:
        """Поточний OI та історичні дані"""
        async with httpx.AsyncClient() as client:
            # Поточний OI
            current = await client.get(
                f"{self.BINANCE_FUTURES}/fapi/v1/openInterest",
                params={"symbol": symbol}
            )
            current_data = current.json()

            # Історичний OI (до 500 точок по 5-хвилинних інтервалах)
            history = await client.get(
                f"{self.BINANCE_FUTURES}/futures/data/openInterestHist",
                params={
                    "symbol": symbol,
                    "period": "5m",
                    "limit": 500
                }
            )
            history_data = history.json()

        return {
            "current_oi": float(current_data["openInterest"]),
            "current_oi_usd": float(current_data["openInterest"]) * self.get_price(symbol),
            "history": [
                {
                    "time": h["timestamp"],
                    "oi": float(h["sumOpenInterest"]),
                    "oi_usd": float(h["sumOpenInterestValue"])
                }
                for h in history_data
            ]
        }

    async def get_aggregated_oi(self, symbol: str) -> dict:
        """Агрегуємо OI зі всіх бірж для єдиного погляду"""
        tasks = [
            self.get_binance_oi(symbol),
            self.get_bybit_oi(symbol),
            self.get_okx_oi(symbol),
        ]
        results = await asyncio.gather(*tasks, return_exceptions=True)

        total_oi_usd = sum(
            r.get("current_oi_usd", 0)
            for r in results
            if not isinstance(r, Exception)
        )

        return {
            "total_oi_usd": total_oi_usd,
            "by_exchange": {
                "binance": results[0].get("current_oi_usd", 0) if not isinstance(results[0], Exception) else 0,
                "bybit": results[1].get("current_oi_usd", 0) if not isinstance(results[1], Exception) else 0,
                "okx": results[2].get("current_oi_usd", 0) if not isinstance(results[2], Exception) else 0,
            }
        }

OI Change Rate індикатор

Швидкість зміни OI часто важливіша за абсолютне значення:

def calculate_oi_change_rate(oi_history: list[dict], window: int = 12) -> list[dict]:
    """
    OI Change Rate: % зміна OI за останні N періодів.
    Аномальний ріст → потенціальна liquidation подія.
    """
    result = []
    for i in range(window, len(oi_history)):
        current_oi = oi_history[i]['oi_usd']
        past_oi = oi_history[i - window]['oi_usd']
        change_rate = (current_oi - past_oi) / past_oi * 100

        # Позначка аномалії: зміна > 2 стандартних відхилення
        all_changes = [
            (oi_history[j]['oi_usd'] - oi_history[j-window]['oi_usd']) / oi_history[j-window]['oi_usd'] * 100
            for j in range(window, i+1)
        ]
        mean_change = sum(all_changes) / len(all_changes)
        std_change = (sum((x - mean_change)**2 for x in all_changes) / len(all_changes)) ** 0.5
        z_score = (change_rate - mean_change) / std_change if std_change > 0 else 0

        result.append({
            'time': oi_history[i]['time'],
            'oi': current_oi,
            'change_rate': change_rate,
            'z_score': z_score,
            'is_anomaly': abs(z_score) > 2.0
        })

    return result

Liquidation Heatmap

Комбінування OI з цінними рівнями дозволяє будувати liquidation heatmap — карту рівнів, де сконцентровані liquidation ордери:

def estimate_liquidation_levels(
    open_positions: list[dict],  # дані про позиції (середній leverage, сторона)
    current_price: float
) -> dict:
    """
    Оцінюємо цінові рівні ліквідацій.
    Джерело даних: біржи іноді публікують агреговані дані про рівні позицій.
    """
    long_liquidations = {}
    short_liquidations = {}

    for position in open_positions:
        if position['side'] == 'long':
            liq_price = position['avg_entry'] * (1 - 1/position['leverage'] + 0.005)
            bucket = round(liq_price / 100) * 100  # групуємо по $100
            long_liquidations[bucket] = long_liquidations.get(bucket, 0) + position['size_usd']
        else:
            liq_price = position['avg_entry'] * (1 + 1/position['leverage'] - 0.005)
            bucket = round(liq_price / 100) * 100
            short_liquidations[bucket] = short_liquidations.get(bucket, 0) + position['size_usd']

    return {
        "long_liquidation_levels": long_liquidations,   # нижче поточної ціни
        "short_liquidation_levels": short_liquidations,  # вище поточної ціни
        "largest_long_liq": max(long_liquidations.items(), key=lambda x: x[1]) if long_liquidations else None,
        "largest_short_liq": max(short_liquidations.items(), key=lambda x: x[1]) if short_liquidations else None
    }

Коресиляція OI з ціною: практичні паттерни

Long squeeze: OI високий, переважно лонги → різке падіння ціни → лонги ліквідуються → ще більше падіння. Сигнал: перед рухом OI аномально високий, Funding Rate позитивний.

Short squeeze: протилежне. Багато шортів, ціна різко росте, шорти ліквідуються — ракета вгору.

OI накопичення у боковику: OI росте при флэтовій ціні → ринок накопичує позиції → буде рух (direction невідомий заранее, але буде вибухове).

Моніторинг OI разом з Funding Rate та ціною дає значно повнішу картину рыночного стану, ніж тільки технічний аналіз. Професійні трейдери використовують ці дані як ключові inputs при прийнятті рішень.