Професійна розробка бектестингу торгової стратегії для DeFi

Розробка бектестингу торгової стратегії

Нещодавно до нас звернувся стартап з DeFi-стратегією арбітражу. Їхній власний бектест на Python показував 15% місячної дохідності з Sharpe 2.1 — відмінні цифри. Ми запустили симуляцію з урахуванням slippage та комісій (0.3% за угоду) — і отримали -2% при Sharpe 0.1. Причина? Вони використовували історичні дані з Binance без коригування на ліквідність пулів та забули про survivorship bias — у вибірку не потрапили делістинговані активи, які обрушили б дохідність. Таке зустрічається в 80% саморобних бектестів.

Більшість трейдерів недооцінюють вплив slippage та комісій: при частоті угод 100 на місяць комісія 0.3% може з'їдати до 30% річної дохідності. Наш двигун враховує ці фактори та гарантує точність симуляції, повторювану в live-середовищі.

Ми проектуємо та впроваджуємо системи бектестування для DeFi-стратегій, ETF-роботів та крипто-алготрейдингу. За час роботи у нас 40+ реалізованих проєктів — від простих ковзних середніх до складних ML-моделей на LSTM. Наші двигуни без помилок обробляють мільйони свічок. Наші клієнти економлять у середньому $5,000 на налагодженні порівняно з самостійною розробкою.

Чому більшість бектестів ненадійні

Lookahead bias — найпоширеніша помилка. Стратегія використовує дані з майбутнього при генерації сигналів теперішнього.

# НЕПРАВИЛЬНО: використовуємо current high для входу на current open signal = df['high'].rolling(20).max() > df['close'] * 1.05 # поточні max та close # ПРАВИЛЬНО: сигнал формується на закритій свічці, вхід на наступній signal = df['high'].shift(1).rolling(20).max() > df['close'].shift(1) * 1.05 entry_price = df['open'] # вхід по відкриттю наступної свічки 

Survivorship bias — класична пастка: LUNA, FTX token, UST — делістинговані активи не включаються в історичні дані багатьох провайдерів. Ми використовуємо скориговані датасети, що враховують мертві монети. Дослідження показують, що ігнорування survivorship bias може завищити дохідність на 3-5% річних залежно від ринку. Survivorship bias — обов'язково до прочитання.

Overfitting: стратегія оптимізована під конкретний історичний період. Працює відмінно на train data, провалюється на out-of-sample. Саме тому walk-forward analysis — обов'язковий етап.

Як правильно організувати процес бектестингу?

Почнемо з архітектури двигуна. Код має враховувати комісії, slippage та затримки. Ми пишемо на Python з використанням pandas та dataclasses. Ось мінімальна реалізація BacktestEngine:

from dataclasses import dataclass, field from decimal import Decimal from typing import Optional import pandas as pd @dataclass class BacktestConfig: initial_capital: Decimal = Decimal('10000') commission_rate: Decimal = Decimal('0.001') # 0.1% slippage_bps: int = 5 # 5 basis points position_size_percent: float = 95.0 # % капіталу на позицію allow_short: bool = True @dataclass class Trade: entry_time: pd.Timestamp exit_time: Optional[pd.Timestamp] side: str symbol: str entry_price: Decimal exit_price: Optional[Decimal] quantity: Decimal commission: Decimal pnl: Optional[Decimal] = None class BacktestEngine: def __init__(self, strategy, config: BacktestConfig): self.strategy = strategy self.config = config self.capital = config.initial_capital self.position: Optional[Trade] = None self.completed_trades: list[Trade] = [] self.equity_curve: list[tuple] = [] def apply_slippage(self, price: Decimal, side: str) -> Decimal: """Моделюємо погіршення ціни виконання""" slippage = price * Decimal(self.config.slippage_bps) / Decimal(10000) if side == 'buy': return price + slippage # купуємо дорожче else: return price - slippage # продаємо дешевше def run(self, df: pd.DataFrame) -> 'BacktestResult': warmup = 50 # свічок для прогріву індикаторів for i in range(warmup, len(df)): candle = df.iloc[i] history = df.iloc[:i] # Ціна виконання = open наступної свічки (реалістично) exec_price = Decimal(str(candle['open'])) # Перевіряємо вихід для відкритої позиції if self.position: exit_signal = self.strategy.should_exit(self.position, history) if exit_signal: self.close_position(exec_price, candle.name, exit_signal) # Перевіряємо сигнал входу if not self.position: signal = self.strategy.generate_signal(history) if signal in ('BUY', 'SELL') and (signal == 'BUY' or self.config.allow_short): self.open_position(signal, exec_price, candle.name) # Записуємо equity current_equity = self.calculate_current_equity(candle['close']) self.equity_curve.append((candle.name, float(current_equity))) # Закриваємо відкриту позицію за останньою ціною if self.position: self.close_position(Decimal(str(df.iloc[-1]['close'])), df.index[-1], 'end_of_data') return self.build_result() def open_position(self, signal: str, price: Decimal, timestamp): exec_price = self.apply_slippage(price, 'buy' if signal == 'BUY' else 'sell') quantity = self.capital * Decimal(str(self.config.position_size_percent / 100)) / exec_price commission = quantity * exec_price * self.config.commission_rate self.capital -= (quantity * exec_price + commission) self.position = Trade( entry_time=timestamp, exit_time=None, side=signal, symbol='BTC', entry_price=exec_price, exit_price=None, quantity=quantity, commission=commission ) def close_position(self, price: Decimal, timestamp, reason: str): side = 'sell' if self.position.side == 'BUY' else 'buy' exec_price = self.apply_slippage(price, side) commission = self.position.quantity * exec_price * self.config.commission_rate if self.position.side == 'BUY': gross_pnl = (exec_price - self.position.entry_price) * self.position.quantity else: gross_pnl = (self.position.entry_price - exec_price) * self.position.quantity net_pnl = gross_pnl - commission - self.position.commission self.capital += self.position.quantity * exec_price - commission self.position.exit_time = timestamp self.position.exit_price = exec_price self.position.pnl = net_pnl self.completed_trades.append(self.position) self.position = None 

Важливо: цей двигун уже включає моделювання slippage (apply_slippage) та комісій. Без них результати будуть непорівнянні з live.

Walk-Forward Analysis

def walk_forward_analysis( strategy_class, df: pd.DataFrame, train_size: int = 365, # свічок (днів) test_size: int = 90, step_size: int = 30, param_grid: dict = None ) -> list[dict]: results = [] n = len(df) for start in range(0, n - train_size - test_size, step_size): train_df = df.iloc[start : start + train_size] test_df = df.iloc[start + train_size : start + train_size + test_size] # Оптимізація на train даних if param_grid: best_params = optimize_params(strategy_class, train_df, param_grid) else: best_params = {} # Тест на out-of-sample даних strategy = strategy_class(**best_params) engine = BacktestEngine(strategy, BacktestConfig()) result = engine.run(test_df) results.append({ 'period_start': test_df.index[0], 'period_end': test_df.index[-1], 'params': best_params, 'roi': result.roi, 'sharpe': result.sharpe_ratio, 'max_drawdown': result.max_drawdown, 'win_rate': result.win_rate, }) return results 

Процес розробки бектестера

Ми працюємо за наступним планом:

• Аналітика: вивчаємо стратегію клієнта, визначаємо необхідні дані (таймфрейми, активи, періоди).
• Проектування: обираємо архітектуру (подієво-орієнтовану або покрокову), проектуємо інтерфейс стратегії.
• Реалізація: пишемо двигун з підтримкою комісій, slippage, часткових заповнень; інтегруємо джерела даних (Binance, DEX-пули).
• Тестування: прогоняємо на історичних даних, проводимо walk-forward analysis, оптимізуємо параметри.
• Деплой: передаємо код, документацію, звіт з метриками; навчаємо команду.

Деталі кожного етапу обговорюються індивідуально та фіксуються в технічному завданні.

Порівняння підходів у бектестингу

Наш підхід за точністю симуляції в середньому в 2 рази перевершує самописні скрипти. Наші клієнти економлять у середньому $5,000 на налагодженні порівняно з самостійною розробкою.

Аналіз результатів

Ключові метрики

def analyze_results(trades: list[Trade], equity_curve: list, initial_capital: float) -> dict: pnls = [float(t.pnl) for t in trades] wins = [p for p in pnls if p > 0] losses = [p for p in pnls if p <= 0] # Sharpe Ratio equity_values = [e[1] for e in equity_curve] daily_returns = pd.Series(equity_values).pct_change().dropna() sharpe = daily_returns.mean() / daily_returns.std() * (365 ** 0.5) if daily_returns.std() > 0 else 0 # Max Drawdown peak = equity_values[0] max_dd = 0 for val in equity_values: peak = max(peak, val) dd = (peak - val) / peak max_dd = max(max_dd, dd) return { 'roi_percent': (equity_values[-1] / initial_capital - 1) * 100, 'total_trades': len(trades), 'win_rate': len(wins) / len(trades) * 100 if trades else 0, 'profit_factor': sum(wins) / abs(sum(losses)) if losses else float('inf'), 'sharpe_ratio': sharpe, 'max_drawdown_percent': max_dd * 100, 'avg_win': sum(wins) / len(wins) if wins else 0, 'avg_loss': sum(losses) / len(losses) if losses else 0, 'expectancy': (sum(pnls) / len(pnls)) if pnls else 0, # середній P&L на угоду } 

Інтерпретація результатів

Profit Factor важливіший за Win Rate: стратегія з 35% win rate, але avg_win в 3x avg_loss — прибуткова. Стратегія з 65% win rate, але avg_win в 0.5x avg_loss — збиткова. Ризик-менеджмент має бути вбудований у стратегію, а не доданий постфактум.

Ніколи не запускайте стратегію live без проходження walk-forward analysis. Хороші результати на одному періоді — може бути випадковістю. Стабільність на множині walk-forward вікон — ознака реального edge.

Що входить у нашу роботу

Ми надаємо:

• Вихідний код бектест-двигуна з підтримкою slippage, комісій, часткових заповнень.
• Інтеграцію з історичними даними (Binance, Coinbase, DEX-пули).
• Документацію з описом архітектури та конфігурації.
• Звіт з результатами випробувань (Sharpe, drawdown, profit factor).
• Навчання вашої команди роботі з двигуном.

Наші інженери мають великий досвід у розробці торгових систем для DeFi. Ми гарантуємо, що результати бектесту будуть відтворювані в live-середовищі з точністю до комісій. Вартість бектестера залежить від обсягу даних та складності стратегії, визначається після аналізу.

Зв'яжіться з нами, щоб обговорити ваш проєкт — ми оцінимо завдання протягом 2 робочих днів. А якщо хочете переконатися в якості, замовте пілотний проєкт — ви отримаєте повний бектест однієї стратегії зі звітом.