Интеграция AI-трейдинг-бота с QUIK QLUA

Мы сталкиваемся с ситуацией: трейдеры пишут простые стратегии на QLUA, но для ML-моделей (LSTM, градиентный бустинг) нужны Python-библиотеки и GPU. QUIK — доминирующий терминал на российских рынках (ММВБ, СПБ Биржа), а QLUA — встроенный Lua-скриптовый движок. Проблема: QLUA не тянет тяжелые вычисления, а Python не умеет напрямую выставлять ордера. Решение — асинхронный TCP-мост между QLUA и Python AI-сервером. Ошибка в QLUA-скрипте может стоить миллионы, а latency в 50 мс — превратить прибыльную стратегию в убыточную. Наша команда устраняет эти риски, имея за плечами более 50 интеграций и 5+ лет опыта. Средний объём данных на один тик — 100 байт, что при 10 тиках в секунду даёт нагрузку 1 Кб/с — некритично.

Как работает интеграция AI-бота с QUIK?

Основной подход — QLUA-скрипт выступает посредником: получает данные от терминала, отправляет их в Python по TCP, получает сигнал и отправляет ордер. Это даёт минимальную задержку (p99 <10 мс) и полный контроль над ML-логикой. Рассмотрим типовую реализацию.

QLUA + Python TCP Bridge

-- QLUA скрипт: получает данные, отправляет Python, получает сигнал
local socket = require("socket")
local json = require("json")

local client = socket.tcp()
client:connect("127.0.0.1", 5555)

function OnBar(class_code, sec_code, interval, candle)
    if class_code == "TQBR" and sec_code == "SBER" then
        local features = {
            open = candle.open,
            high = candle.high,
            low = candle.low,
            close = candle.close,
            volume = candle.volume,
            symbol = sec_code
        }
        client:send(json.encode(features) .. "\n")
        local signal_str = client:receive("*l")
        local signal = json.decode(signal_str)
        if signal.action == "buy" then
            SendOrder(sec_code, signal.price, signal.quantity, true)
        elseif signal.action == "sell" then
            SendOrder(sec_code, signal.price, signal.quantity, false)
        end
    end
end

function SendOrder(sec_code, price, qty, is_buy)
    local trans = {
        CLASSCODE = "TQBR",
        SECCODE = sec_code,
        OPERATION = is_buy and "B" or "S",
        PRICE = tostring(price),
        QUANTITY = tostring(qty),
        ACCOUNT = "L01-00000F00",
        TYPE = "L",
        TRANS_ID = tostring(os.time())
    }
    sendTransaction(trans)
end

# Python AI-сервер
import socket
import json
import numpy as np
from your_ml_model import predict

server = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
server.bind(('127.0.0.1', 5555))
server.listen(1)

conn, addr = server.accept()

buffer = ""
while True:
    data = conn.recv(4096).decode()
    buffer += data
    if '\n' in buffer:
        line, buffer = buffer.split('\n', 1)
        features = json.loads(line)
        signal = predict(features)
        conn.send((json.dumps(signal) + '\n').encode())

Сравнение подходов к интеграции

Выбор между ними зависит от приоритетов: если нужен полный цикл — QLUA+TCP, если только быстрая отправка — Trans2Quik. Для .NET-проектов удобен QuikSharp, но он требует установки соответствующей среды.

Как избежать потери соединения?

При разрыве TCP-соединения QLUA-скрипт может зависнуть. Решение — watchdog в Python-сервере, который перезапускает скрипт при потере связи. Также в QLUA используем таймауты и повторные подключения. В таблице ниже — типовые задержки при разных способах получения данных.

Получение биржевых данных

Финам Data Feed — для ML обучения: исторические данные через Финам API или экспорт из QUIK. QLUA Data Tables — для потоковых данных.

-- Получение всех сделок из таблицы
local trades_table = getTable("trades")
local num_rows = #trades_table
-- Подписка на стакан
Subscribe_Level_II_Quotes("TQBR", "SBER")
local order_book = getParamEx2("TQBR", "SBER", "BID")

Специфика российского рынка

Режим T+2 на ММВБ: учёт в AI-стратегиях. Short позиции требуют РЕПО или наличия ценных бумаг. Брокерские комиссии: типичные 0.035–0.1% от оборота. Для дейтрейдинга это значимо. Брокерский сбор + биржевой сбор + НКД для облигаций.

Фьючерсы и опционы через FORTS: отдельный класс SPBFUT. Кодировка тикеров (SiM5, RIM5). Часовое гарантийное обеспечение.

Что делать, если модель даёт ложные сигналы?

Ложные сигналы — частая проблема ML-стратегий. Мы внедряем фильтрацию: дополнительная статистическая проверка (z-score, Z-test) перед отправкой ордера. Также используем стоп-лоссы и ограничение на количество сделок в минуту.

Процесс работы

1. Аналитика: обсуждаем стратегию, выбираем стек (QLUA+Python или другой).
2. Проектирование: архитектура TCP-моста, типы ордеров, частоты данных.
3. Разработка: пишем QLUA-скрипт, Python AI-сервер, интегрируем модель.
4. Тестирование: paper trading в QUIK, симуляция рыночных условий с разными режимами T+2 и FORTS.
5. Деплой: настройка мониторинга, автостарт скриптов, документация.

Сроки и стоимость

Интеграция под ключ занимает от 2 до 4 недель в зависимости от сложности ML-модели и количества инструментов. Стоимость рассчитывается индивидуально. Для ориентира: базовая интеграция QLUA+Python — от 2 недель, с обучением модели — до 2 месяцев.

Чек-лист для запуска AI-бота

• Настроить watchdog для TCP-соединения
• Включить логирование всех транзакций QLUA
• Проверить latency в пиковые нагрузки (более 100 сделок в секунду)
• Протестировать работу с разными классами инструментов (TQBR, SPBFUT)
• Установить лимиты на частоту ордеров

Что входит в работу

• QLUA-скрипт с обработкой ошибок и переподключением
• Python AI-сервер с интеграцией вашей модели
• Мониторинг через логи и метрики (latency, throughput)
• Документация по запуску и обслуживанию
• Обучение команды (2 часа)
• Поддержка 1 месяц после деплоя

Документация QLUA описывает все события и функции. Для старта достаточно socket-модуля Lua и socket-модуля Python.

Оцените ваш проект — напишите нам, мы поможем подобрать оптимальную архитектуру. Закажите консультацию, чтобы мы проанализировали вашу стратегию. Свяжитесь с нами для обсуждения деталей.

Отраслевые AI-решения: медицина, финансы, ритейл, производство

Мы сталкиваемся с одной и той же болью: горизонтальная модель текста не различает медицинскую номенклатуру, а стандартный детектор объектов путает «царапину на шве сварки» с «царапиной на корпусе». Каждый раз это разные дефекты с разными последствиями. Чтобы этого избежать, мы строим отраслевые решения поверх общих методов, но с глубоким знанием домена — от регуляторики до специфики данных. За 5 лет мы провели 80+ проектов в финтехе, медицине, ритейле и производстве, и ни один не обошёлся без адаптации под конкретный business case.

Медицина: регуляторный лабиринт и data governance

Медицинский AI отличается не техническими алгоритмами, а compliance-first подходом. В зависимости от страны применения модель может быть медицинским изделием класса II или III, требующим клинических испытаний (FDA, CE MDR, ГОСТ Р). Мы гарантируем соблюдение этих норм на этапе архитектуры — править постфактум в 10× дороже.

Медицинская визуализация. Детекция на рентгенограммах, КТ, МРТ — зрелая область. Модели на ResNet, EfficientNet, SegFormer достигают AUC 0.94–0.97 на стандартных задачах (пневмония на CXR, полипы на колоноскопии). Ключевая проблема — generalization: модель, обученная на данных одного производителя сканера, деградирует на другом из-за различий в preprocessing и артефактах. Решение — domain adaptation через MONAI (Medical Open Network for AI) от NVIDIA, в котором встроены DICOM-loading, 3D augmentation и confidence calibration. TotalSegmentator — для автоматической сегментации 117 структур на КТ, production-ready, лицензия Apache 2.0.

Clinical NLP. Извлечение структурированной информации из клинических записей: диагнозы (ICD-10/11), назначения, даты, показатели. medspaCy, scispaCy, MedCAT — специализированные NLP-библиотеки с онтологиями (SNOMED-CT, UMLS). Fine-tuning BioBERT или ClinicalBERT на наших данных даёт F1 0.85–0.92 на NER задачах против F1 0.65–0.72 у общего BERT. Это мы проверяли на проекте с региональным онкологическим центром — точность извлечения стадий рака выросла на 23%.

Clinical decision support. LLM-ассистенты для поддержки клинических решений — регуляторно серая зона. Мы используем RAG-систему поверх клинических гайдлайнов (UpToDate, локальные протоколы) с явным указанием источника каждого утверждения. Модель не диагностирует, а помогает найти релевантный протокол. Стек: LlamaIndex + pgvector + pubmedbert-base-embeddings + Llama Guard для safety. Данные в DICOM/HL7 FHIR, on-premise деплой обязателен.

Что входит в работу по медицинскому проекту:

• Аудит данных и регуляторной карты (FDA/CE/ГОСТ)
• Выбор архитектуры под тип медицинского изделия
• Разработка и валидация модели (AUC, sensitivity, specificity)
• Интеграция с PACS/EHR (HL7 FHIR)
• Подготовка документации для CE-маркирования (если требуется)
• Обучение персонала работе с моделью

Финансы: как обеспечить интерпретируемость скоринговой модели под требования Basel IV?

Финансовый сектор — один из самых зрелых по применению ML, но зарегулированность здесь максимальна. Каждая модель, влияющая на кредитные решения, подпадает под Basel IV, EU AI Act, GDPR Article 22. Мы это проходили — в 2023 году внедрили скоринговую модель для банка из топ-10, где каждая запись требовала объяснения по SHAP.

Кредитный скоринг. Gradient boosting (LightGBM, XGBoost) — доминирует. Нейронные сети дают +0.5–2% AUC, но теряют интерпретируемость. Стандарт: LightGBM + SHAP для объяснения каждого решения. Обязательна проверка на fairness: Fairlearn или aif360 для аудита disparate impact по protected attributes (возраст, пол). Класс «дефолт» составляет 1–5% — при имбалансе 1:30 модель с accuracy 97% может иметь recall 0.2. Решение: focal loss, class_weight='balanced', SMOTE + careful validation.

Алгоритмический трейдинг и риск-менеджмент. LSTM и Transformer для прогноза цен — популярны, но в production нестабильны из-за нестационарности финансовых рядов. Более надёжный подход: ML для signal generation (классификация: рост/падение за горизонт N) с традиционным portfolio optimization сверху. Backtesting через Zipline-Reloaded, vectorbt, QuantLib. Критичен правильный backtesting — look-ahead bias убивает результаты. Мы гарантируем чистоту эксперимента: все данные на момент сигнала доступны в реальном времени.

AML (Anti-Money Laundering). Graph Neural Networks для анализа транзакционных сетей — активно развивающаяся область. PyG, DGL для GNN. Задача: обнаружить suspicious patterns в графе транзакций (layering, structuring). Recall критичнее precision — лучше 10 ложных тревог, чем пропустить отмывание. В проекте для крупного платёжного сервиса мы повысили recall на 18% без увеличения false positive rate.

Что входит в работу по финансовому проекту:

• Аудит данных и регуляторных требований (Basel, EU AI Act)
• Выбор модели и обеспечение explainability (SHAP, LIME)
• Проверка fairness и отсутствие bias
• Интеграция с core banking / trading systems
• Документация и compliance-отчётность
• Мониторинг дрейфа модели и ретейн

Ритейл и e-commerce: рекомендательные системы и demand forecasting

Рекомендательные системы. Архитектурный стандарт последних лет: two-tower модель для retrieval + ranking с cross-features. TensorFlow Recommenders или Merlin от NVIDIA для GPU-accelerated feature processing. Для небольших каталогов (<100k item) достаточно LightFM. Частая ошибка — обучать на implicit feedback без учёта position bias. Решение: IPW (Inverse Propensity Weighting) или randomized logging на части трафика. Срок разработки базовой рекомендательной системы — 4–8 недель, включая A/B-тест.

Demand forecasting и inventory optimization. Иерархическое прогнозирование: SKU → категория → магазин → регион. HierarchicalForecast от Nixtla автоматически согласует прогнозы по уровням. TFT или N-HiTS для базового прогноза, gradient boosting для adjustment на экзогенных факторах (промо, погода, события). Один проект в ритейле привёл к снижению сток-аутов на 15% за счёт точного промо-калибровки.

Visual search и размерная совместимость. CLIP-embeddings для поиска по изображению — деплоится за 2–3 недели: clip-ViT-B-32 или clip-ViT-L-14, индекс Faiss или Qdrant, REST API. Для size recommendation — специфические модели на данных возвратов и отзывов с указанием fit.

Что входит в работу по ритейл-проекту:

• Анализ данных транзакций, товаров, клиентов
• Выбор архитектуры (collaborative / content-based / hybrid)
• Разработка и оценка качества (NDCG, recall@k, MRR)
• A/B-тест и мониторинг business impact
• Поддержка версионирования и переобучения моделей

Производство: инспекция качества и predictive maintenance

Quality control и дефектоскопия. CV-модели для инспекции продукции — одна из наиболее зрелых отраслевых задач. YOLOv10 для детекции дефектов, SegFormer для сегментации. Специфика: дисбаланс классов (дефекты редки), высокие требования к recall (пропуск дефекта хуже ложной тревоги). Типичный набор данных: 500–2000 изображений с дефектами + 500–1000 нормальных. Few-shot learning через DINO или SAM 2 позволяет работать с 50–100 аннотированными примерами. Мы получили опыт на линии по производству электроники — recall 0.95 при FPR 0.03.

Predictive maintenance. Вибрационные датчики, токовые датчики, термопары → feature extraction → аномалия или классификация режима. Модели: LSTM-AE для unsupervised, LightGBM для supervised (если есть история отказов). Интеграция с SCADA/OPC-UA через opcua-asyncio или MQTT. Ключевая метрика: False Negative Rate — пропущенный предотказ стоит дороже ложной тревоги. Порог настраивается под бизнес-стоимость каждого типа ошибки. Сроки: от 3 до 6 месяцев до production.

Digital twin и симуляция. Surrogate models — ML-модели, заменяющие дорогостоящее физическое моделирование. Если CFD-симуляция занимает 6 часов, а surrogate (обученная на 10 000 симуляций) — 0.01 секунды, это 2 000 000× ускорение для оптимизации. SALib для sensitivity analysis, botorch для Bayesian optimization поверх surrogate.

Что входит в работу по производственному проекту:

• Аудит данных сенсоров / изображений
• Выбор модели под задачу (CV / time series / vibro)
• Разработка пайплайна (ETL, feature engineering, training)
• Развёртывание на Edge / on-premise
• Мониторинг и ретейн модели

Общие принципы отраслевого AI

Независимо от отрасли, есть паттерны, работающие везде. Данные важнее архитектуры. В медицине 1000 качественно размеченных снимков лучше 100 000 плохих. В производстве 200 реальных примеров дефектов ценнее 10 000 синтетических. Compliance-first design — регуляторные требования проще встроить в архитектуру с начала, чем добавить позже. Логирование, объяснимость, версионирование — с первого дня. Domain expert в команде — ML-инженер без domain knowledge делает медленно и с ошибками то, что ML-инженер плюс врач/финансист/технолог сделают быстро и правильно.

Мы гарантируем сертификацию под требования заказчика (ISO 13485, SOC 2, GDPR) и предоставляем полную документацию модели (model card, datasheet, compliance report). Наш опыт — 10 000+ часов инженерной практики и 80+ проектов.

Как проходит работа над отраслевым AI-решением?

1. Погружение в домен (2–3 дня) — интервью с экспертами, изучение регуляторных требований, аудит доступных данных.
2. Проектирование MVP (1–2 недели) — выбор стека, архитектуры, оценка feasibility.
3. Разработка и валидация (от 4 недель до 6 месяцев в зависимости от отрасли) — обучение модели, тестирование, compliance.
4. Интеграция и деплой (1–4 недели) — on-premise / cloud / edge, документация, обучение персонала.
5. Поддержка и мониторинг — дрейф модели, ретейн, SLA.

Ориентировочные сроки:

Стоимость рассчитывается индивидуально под каждый проект. Получите консультацию — оценим ваш датасет, регуляторную карту и бизнес-цели.

Почему стоит заказать отраслевое AI-решение у нас?

• 80+ реализованных проектов в финтехе, медицине, ритейле и производстве.
• 5 лет на рынке — устойчивый опыт работы с compliance и деплоем.
• Гарантия качества: мы отвечаем за достижение целевых метрик (AUC, recall, latency p99) и предоставляем полную документацию.
• Лицензированные технологии: PyTorch, MONAI, LightGBM, Qdrant — используем open-source с коммерчески безопасными лицензиями.
• Гибкость: работаем как подрядчик, так и в роли усиления вашей команды.

Свяжитесь с нами — обсудим вашу задачу и подготовим коммерческое предложение с планом работ.