Технический отчет по проекту: Разработка скальпингового трейдингового бота с применением ML

Автор: Лясковский Андрей

Обзор проекта

Разработан высокочастотный трейдинговый бот для криптовалютного рынка (BTC/USDT), использующий методы машинного обучения для прогнозирования краткосрочных ценовых движений. Ключевые компоненты: • Модуль сбора и обработки данных (Bybit API, агрегация в свечи, очистка от выбросов). • ML-модели (LSTM с оптимизацией через BatchNormalization, Dropout; RandomForest для сравнения). • Торговая логика (фильтрация сигналов по ATR, EMA, объёму; trailing-stop). • Инфраструктура (Telegram-уведомления, симулятор сделок, логирование, дашборд на matplotlib).

Хронология разработки

Неделя 1: Исследование и проектирование

• 20.04: Анализ методов ML для временных рядов (регрессия vs классификация). Выбор LSTM как основного подхода.

• 22.04: Интеграция с Bybit API. Реализация пайплайна обработки данных: нормализация, устранение шумов, формирование оконных признаков (30-минутные фреймы).

• 24.04: Проектирование архитектуры:

Использование Trello (Kanban) для управления задачами.

Неделя 2: Построение и валидация моделей

• 26.04: Тестирование RandomForest (технические индикаторы: RSI, SMA) → низкая стабильность. Переход на LSTM.

• 28.04: Изучение рисков переобучения (статья García & Li). Внедрение валидации на разрывах данных.

• 02.05: Обучение LSTM с регуляризацией. Визуализация обучения показала необходимость в Dropout.

• 04.05: Первая симуляция стратегии. Введены метрики: Sharpe ratio (1.18), precision (70%).

Неделя 3: Оптимизация и тестирование

• 12.05: Учет временных факторов (час, день недели) и задержек исполнения.

• 14.05: Реализация симулятора с правилами TP/SL. Рост прибыльности после фильтрации по объёму.

• 16.05: Система логирования сделок. Тесты на исторических данных (март 2024) подтвердили precision ~70%.

• 18.05: Отказ от Reinforcement Learning (ресурсоёмкость) в пользу оптимизации LSTM (+3% точности).

Неделя 4: Деплой и итоговые метрики

• 19.05: Дашборд для визуализации сделок. Внедрение trailing-stop (+10% доходности).

• 20.05: Финальная интеграция модулей. Результаты:

o Precision: 0.742

o Sharpe ratio: 1.18

o Успешность на трендах: 75%

Выводы и рекомендации

1. Архитектурные решения:

o LSTM + технические индикаторы показали эффективность для HFT.

o Важна фильтрация шума (ATR/EMA) и учет временных задержек.

2. Инфраструктура:

o Логирование и мониторинг критичны для анализа сделок.

o Дашборд на matplotlib упростил валидацию стратегии.

3. Дальнейшее развитие:

o Тестирование на других парах (SUI/USDT).

o Оптимизация latency для исполнения ордеров.