Оптимізація параметрів стратегії (генетичний алгоритм)

Зауважимо: коли ми беремося за оптимізацію торгової стратегії, перший біль — ручний перебір десятків комбінацій або Grid Search, який при 7 параметрах потребує ~100 тис. бектестів. На одному з проєктів клієнт витратив два тижні на перебір — і отримав локальний оптимум. Ми впровадили генетичний алгоритм (GA) і скоротили час пошуку до 1 дня. GA вирішує проблему комбінаторного вибуху: замість повного перебору він вирощує популяцію рішень через відбір, схрещування та мутацію. Ефективність особливо помітна для просторів із 5+ параметрами, де Grid Search стає непрактичним. Наша реалізація на Python із бібліотекою DEAP дає приріст швидкості до 50× без втрати якості.

Як генетичний алгоритм вирішує проблему комбінаторного вибуху?

В основі GA лежить еволюційна модель. Кожна особина — набір параметрів (періоди ковзних середніх, коефіцієнти стоп-лосу, пороги RSI). Популяція еволюціонує через відбір найкращих (за Sharpe ratio), схрещування (blend crossover) і мутацію (гаусів шум). Ми використовуємо DEAP — зрілий фреймворк із підтримкою паралельних обчислень. Це дозволяє обробляти до 60 особин за покоління за секунди. Для 10 параметрів із 10 градаціями повний перебір дав би 10 млрд комбінацій, а GA знаходить хороше рішення за 2000–5000 ітерацій.

Які проблеми вирішуємо?

• Комбінаторний вибух: 10 параметрів із 10 градаціями = 10 млрд комбінацій. GA знаходить хороше рішення за 2000–5000 ітерацій.
• Перетренування: еволюція легко запам'ятовує шум. Ми вбудовуємо штрафи за малу кількість угод (<20) і перевіряємо на out-of-sample даних.
• Несумісність із блекбоксами: наші оптимізатори працюють із будь-яким бектест-движком через callback-функцію.

Як уникнути перетренування при еволюційній оптимізації?

Перетренування — одна з головних пасток. Ми застосовуємо крос-валідацію за часовими періодами (walk-forward), штрафуємо за складність моделі та обов'язково перевіряємо найкращі рішення на незалежному out-of-sample наборі даних. Наприклад, якщо стратегія показує Sharpe 2.5 на тренувальних даних, але 0.3 на валідації — такий набір відкидається. Фінальний результат завжди підтверджується на свіжих ринкових даних.

Порівняння методів оптимізації

Як ми це робимо?

На одному проєкті для крипто-арбітражної стратегії ми оптимізували 7 параметрів (періоди ковзних середніх, RSI, стоп-лос, тейк-профіт). Використовували DEAP із population_size=60, поколінь=40. Фітнес-функція — Sharpe ratio, зі штрафом за <20 угод. Результат: Sharpe 2.1 проти 0.8 у ручного підбору. Згідно з документацією DEAP, паралельна оцінка на 4 ядрах прискорює роботу у 2–3 рази.

from deap import base, creator, tools, algorithms
import random
import numpy as np
from functools import partial

# Визначаємо задачу максимізації Sharpe ratio
creator.create("FitnessMax", base.Fitness, weights=(1.0,))
creator.create("Individual", list, fitness=creator.FitnessMax)

class GeneticOptimizer:
    def __init__(
        self,
        param_bounds: dict[str, tuple],  # {'param': (min, max)}
        backtest_fn: callable,
        population_size: int = 50,
        n_generations: int = 30,
        crossover_prob: float = 0.7,
        mutation_prob: float = 0.2,
        n_jobs: int = 4,
    ):
        self.param_names = list(param_bounds.keys())
        self.param_bounds = list(param_bounds.values())
        self.backtest_fn = backtest_fn
        self.pop_size = population_size
        self.n_gen = n_generations
        self.cx_prob = crossover_prob
        self.mut_prob = mutation_prob
        self.n_jobs = n_jobs

    def decode_individual(self, individual: list) -> dict:
        """Конвертуємо список значень [0,1] у реальні параметри"""
        params = {}
        for i, name in enumerate(self.param_names):
            low, high = self.param_bounds[i]
            if isinstance(low, int) and isinstance(high, int):
                # Цілочисельний параметр
                params[name] = int(round(low + individual[i] * (high - low)))
            else:
                # Дійсний параметр
                params[name] = low + individual[i] * (high - low)
        return params

    def evaluate(self, individual: list) -> tuple:
        """Функція fitness: запускаємо бектест, повертаємо Sharpe ratio"""
        params = self.decode_individual(individual)
        try:
            metrics = self.backtest_fn(params)
            sharpe = metrics.get('sharpe_ratio', 0)
            # Штраф за занадто мало угод
            trades = metrics.get('total_trades', 0)
            if trades < 20:
                sharpe *= trades / 20
            return (sharpe,)
        except Exception:
            return (-999.0,)

    def run(self) -> tuple[dict, pd.DataFrame]:
        toolbox = base.Toolbox()

        # Генератор особин: кожен параметр = float у [0, 1]
        toolbox.register("attr_float", random.random)
        toolbox.register(
            "individual",
            tools.initRepeat,
            creator.Individual,
            toolbox.attr_float,
            n=len(self.param_names),
        )
        toolbox.register("population", tools.initRepeat, list, toolbox.individual)
        toolbox.register("evaluate", self.evaluate)
        toolbox.register("mate", tools.cxBlend, alpha=0.3)  # Blend crossover
        toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=0.1, indpb=0.2)
        toolbox.register("select", tools.selTournament, tournsize=3)

        # Обмежуємо значення в [0, 1] після мутації
        def check_bounds(individual):
            for i in range(len(individual)):
                individual[i] = max(0.0, min(1.0, individual[i]))
            return individual,

        toolbox.decorate("mutate", check_bounds)
        toolbox.decorate("mate", check_bounds)

        # Паралельна оцінка
        if self.n_jobs > 1:
            from multiprocessing.pool import Pool
            pool = Pool(self.n_jobs)
            toolbox.register("map", pool.map)

        # Запуск еволюції
        population = toolbox.population(n=self.pop_size)
        stats = tools.Statistics(lambda ind: ind.fitness.values[0])
        stats.register("max", np.max)
        stats.register("avg", np.mean)
        hof = tools.HallOfFame(10)  # Топ-10 найкращих особин

        population, logbook = algorithms.eaSimple(
            population,
            toolbox,
            cxpb=self.cx_prob,
            mutpb=self.mut_prob,
            ngen=self.n_gen,
            stats=stats,
            halloffame=hof,
            verbose=True,
        )

        if self.n_jobs > 1:
            pool.close()

        # Результати
        best_params = self.decode_individual(hof[0])
        
        all_results = []
        for ind in hof:
            params = self.decode_individual(ind)
            all_results.append({**params, 'sharpe': ind.fitness.values[0]})

        return best_params, pd.DataFrame(all_results)

Що входить у роботу?

• Адаптований код оптимізатора під ваш стек
• Документація з налаштування та запуску
• Підтримка при інтеграції у вашу систему
• Рекомендації щодо покращення стратегії на основі результатів

Орієнтовні терміни

Терміни залежать від складності стратегії та кількості параметрів. Вартість розраховується індивідуально.

Як проходить процес?

1. Аналітика: розбираємо вашу стратегію, визначаємо параметри для оптимізації та межі.
2. Проектування: пишемо фітнес-функцію з урахуванням ваших метрик (Sharpe, Sortino, drawdown).
3. Реалізація: налаштовуємо GA на DEAP або Foundry (для смарт-контрактів).
4. Тест: запускаємо еволюцію, порівнюємо з baseline, перевіряємо на out-of-sample.
5. Деплой: видаємо код оптимізатора та топ-10 рішень із документацією.

Впровадження GA окупається, якщо ви витрачаєте тижні на ручний підбір або Grid Search. Наша команда має багаторічний досвід в оптимізації торгових алгоритмів. Зв'яжіться з нами — ми оцінимо ваш проєкт і запропонуємо рішення. Отримайте консультацію, щоб обговорити деталі.

Чому обирають нас?

• Більше 30 проєктів з оптимізації стратегій
• Використовуємо лише open-source інструменти (DEAP, Pandas) — жодних вендор-локів
• Повна прозорість: ви отримуєте вихідний код і документацію

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.