Обоснование модели жизненного цикла - shoumq/bybit_scalp GitHub Wiki

Требования к выбору модели жизненного цикла разработки скальпинг-бота с ML-моделью:

  1. Простота – модель должна быть понятной для команды без большого опыта в разработке торговых ботов и машинном обучении.

  2. Быстрый результат – за 3 месяца должен быть готов работающий прототип, а не просто набор несвязанного кода.

  3. Гибкость – возможность корректировать требования, менять алгоритмы, дорабатывать ML-модель по мере тестирования.

  4. Приоритизация – сначала реализовать ключевые функции (торговый движок, подключение к бирже, базовый алгоритм скальпинга), а затем улучшать их (добавлять ML-модель, оптимизацию, дополнительные индикаторы).

  5. Постепенное развитие – разбивка на небольшие этапы, чтобы видеть прогресс, быстро находить и исправлять ошибки.

Почему не Waterfall (каскадная модель)?

  1. Высокий риск – без опыта сложно заранее точно прописать все требования к боту и ML-модели. Ошибки на этапе проектирования приведут к переделке в конце.

  2. Нет гибкости – если в процессе тестирования окажется, что алгоритм скальпинга неэффективен или ML-модель требует доработки, внести изменения будет сложно.

Почему не Scrum?

  1. Требует опыта – Scrum предполагает слаженную работу команды, четкое планирование спринтов и регулярные ретроспективы. Без практики это может замедлить разработку.

  2. Избыточность для старта – на начальном этапе важнее быстро получить работающий прототип, а не строго следовать Agile-процессам.

Выбранный подход: Итеративная разработка

Преимущества для проекта:

  1. Постепенное развитие – сначала создается простой торговый бот с базовой логикой скальпинга, затем добавляется ML-модель для улучшения решений.

  2. Гибкость – если в процессе тестирования окажется, что алгоритм нестабилен или ML-модель дает плохие предсказания, их можно доработать без переписывания всего кода.

  3. Раннее тестирование – после каждой итерации бот проверяется на исторических данных или демо-счете, что снижает риск критических ошибок в финальной версии.

  4. Обучение в процессе – команда может сначала разобраться с API биржи, затем с алгоритмами скальпинга, потом с интеграцией ML, снижая когнитивную нагрузку.

  5. Обратная связь – после каждого этапа можно показывать результаты трейдерам или экспертам, корректируя стратегию и параметры модели.