Аналитический отчет по проекту: Разработка скальпинг-бота с использованием ML

1. Трудозатраты по этапам

На основе предоставленных данных участников команды представлена сводка трудоемкости ключевых этапов разработки:

Этап	Плановое время (ч)	Фактическое время (ч)	Отклонение (ч)	Комментарий
Разработка торговой логики	20	25	+5	Потребовалась доработка стратегии после симуляций.
Реализация backend-инфраструктуры (Go)	15	18	+3	Затраты на оптимизацию обработки сигналов.
Моделирование и обучение ML-моделей	10	14	+4	Повторные циклы обучения и тестирования.
Проектирование архитектуры	12	16	+4	Продолжительное обсуждение технических решений.
Работа с базой данных (PostgreSQL)	8	10	+2	Настройка хранения тиковых данных и индексации.
Итого	65	83	+18 (28%)	Общее превышение времени.

---

2. Распределение задач между участниками

Участник	Затраченное время (ч)	Запланированное время (ч)	Основные задачи	Проблемы
Льгов Иван (тимлид, инфраструктура + API)	45	40	Координация, разработка Go-сервисов, интеграция с брокером.	Перегрузка задачами, нехватка времени на логирование.
Лясковский Андрей (архитектор)	40	35	Создание и обучение моделей, отбор признаков, оптимизация.	Задержки из-за перебора параметров моделей.
Фаргус Эльес (тестировщик)	35	32	Построение схемы БД, запись и чтение тиков, юнит-тесты.	Большая нагрузка при отладке хранения истории.

---

3. Основные задачи участников

Лясковский Андрей

№	Задача	Описание	Этап
1	Настройка брокерского API	Интеграция через WebSocket/REST для получения тиков	Этап 1
2	Реализация сервисов на Go	Архитектура обработки входящих сигналов	Этап 1
3	Создание REST API	Для получения сигналов и выполнения ордеров	Этап 2
4	Обработка ошибок и логирование	Сбор логов и алертинг	Этап 2
5	Интеграция с ML-моделями	Получение предсказаний из Python через gRPC	Этап 3
6	Обучение моделей (sklearn, PyTorch)	Алгоритмы: RandomForest, LSTM, CatBoost	Этап 2

Льгов Иван

№	Задача	Описание	Этап
1	Сбор и препроцессинг данных	Загрузка исторических данных, нормализация	Этап 1
2	Отбор признаков	Выявление значимых фич для предсказаний	Этап 1
3	Тестирование качества моделей	Метрики precision/recall, AUC	Этап 2
4	Создание API для инференса	Сервис на Python для передачи сигналов	Этап 3

Фаргус Эльес

№	Задача	Описание	Этап
1	Проектирование схемы PostgreSQL	Таблицы: ticks, signals, trades	Этап 1
2	Запись и агрегация тиков	Пакетная обработка и хранение	Этап 2
3	Реализация тестов	Юнит и интеграционные тесты	Этап 3
4	Мониторинг метрик производительности	Нагрузка на базу и API	Этап 3
5	Подготовка к деплою	Финальное ревью и CI/CD пайплайн	Этап 4

---

4. Анализ трудозатрат по участникам

Участник	Кол-во задач	Трудозатраты (ч)	Проблемы
Лясковский Андрей	5	50	Интеграция Go и Python.
Льгов Иван	5	45	Настройка гиперпараметров моделей.
Фаргус Эльес	5	40	Долгая отладка БД под реальную нагрузку.

---

5. Продуктивность команды

Положительные моменты

• Современный стек: Python, Go, PostgreSQL, PyTorch, GitHub, Docker.
• Ясное распределение ролей: каждый участник имел четкую зону ответственности.
• Инкрементальная разработка: короткие итерации позволяли быстро вносить правки.

Проблемные аспекты

• Замедленное принятие решений: архитектурные споры затягивали выполнение.
• Неравномерная загрузка: Алекс обрабатывал слишком много задач параллельно.
• Нарушения графика из-за внешних факторов: болезни и учебные дедлайны.

---

6. Итоги

A. Общие результаты

• Плановая трудоемкость: 65 часов
• Фактическая трудоемкость: 83 часа
• Отклонение: +18 часов (28%)

B. Что удалось

• Успешно реализован ML-модуль с возможностью дообучения.
• Эффективная работа API-инфраструктуры.
• База данных оптимизирована под хранение и агрегацию тиковых данных.

C. Ожидаемые изменения на следующих этапах

• Сокращение времени на интеграцию за счет лучшего понимания стека.
• Оптимизация процессов тестирования и логирования.
• Улучшение коммуникации и ускорение согласования задач.

D. Рекомендации

• Ускорение принятия решений: четкие дедлайны и быстрые голосования.
• Оптимизация распределения: делегирование задач по специализациям.
• Управление рисками: предусмотреть резерв на случай форс-мажоров.
• Фокус на MVP: реализация базовой торговой логики с минимумом фич.
• Регулярные ретроспективы: еженедельные встречи с фиксацией выводов.

---

7. Заключение

Команда справилась с первой фазой разработки скальпинг-бота, несмотря на перегрузку и проблемы с синхронизацией. Основы заложены, технологии освоены, а подход к итеративной разработке доказал свою эффективность. Следующий этап будет проходить быстрее и организованнее при соблюдении рекомендаций.