Разработка системы paper trading для тестирования AI-стратегий

Разработка системы paper trading для тестирования AI-стратегий

Paper trading — симуляция реальной торговли без использования реального капитала. В отличие от бэктестинга (тестирование на исторических данных), paper trading происходит в реальном времени: стратегия получает live-данные с биржи, генерирует сигналы и отправляет виртуальные ордера в симулятор брокера. Это позволяет выявить проблемы, невидимые при бэктестинге: задержки данных, проблемы с исполнением ордеров, технические сбои.

Архитектура системы

[Market Data Feed] → [Data Normalizer] → [Feature Pipeline]
                                              ↓
                                      [AI Model Inference]
                                              ↓
                                      [Signal Generator]
                                              ↓
                                    [Risk Management Layer]
                                              ↓
                                    [Paper Broker Simulator]
                                              ↓
                              [Portfolio State] → [P&L Calculator]
                                              ↓
                                    [Monitoring Dashboard]

Компоненты системы

Market Data Integration:

import asyncio
import websockets
import json
from dataclasses import dataclass

@dataclass
class MarketTick:
    symbol: str
    timestamp: float
    bid: float
    ask: float
    last: float
    volume: float

class AlpacaMarketDataFeed:
    def __init__(self, api_key: str, secret_key: str):
        self.ws_url = "wss://stream.data.alpaca.markets/v2/sip"
        self.headers = {
            "APCA-API-KEY-ID": api_key,
            "APCA-API-SECRET-KEY": secret_key
        }

    async def stream_quotes(self, symbols: list, callback):
        async with websockets.connect(self.ws_url, extra_headers=self.headers) as ws:
            # Подписка на котировки
            await ws.send(json.dumps({
                "action": "subscribe",
                "quotes": symbols
            }))

            async for message in ws:
                data = json.loads(message)
                for item in data:
                    if item['T'] == 'q':  # quote
                        tick = MarketTick(
                            symbol=item['S'],
                            timestamp=item['t'],
                            bid=item['bp'],
                            ask=item['ap'],
                            last=(item['bp'] + item['ap']) / 2,
                            volume=item.get('bs', 0)
                        )
                        await callback(tick)

Paper Broker Simulator:

class PaperBroker:
    def __init__(self, initial_capital: float = 100_000):
        self.cash = initial_capital
        self.positions = {}  # symbol -> quantity
        self.orders = []
        self.fill_probability = 0.95  # 95% ордеров исполняется

    def submit_order(self, symbol: str, qty: int, side: str,
                     order_type: str = 'market', limit_price: float = None):
        order_id = str(uuid.uuid4())
        order = {
            'id': order_id, 'symbol': symbol, 'qty': qty,
            'side': side, 'type': order_type,
            'limit_price': limit_price, 'status': 'pending',
            'submitted_at': datetime.utcnow()
        }
        self.orders.append(order)
        return order_id

    def process_tick(self, tick: MarketTick):
        for order in self.orders:
            if order['status'] != 'pending':
                continue
            if order['symbol'] != tick.symbol:
                continue

            # Симуляция исполнения
            if order['type'] == 'market':
                fill_price = tick.ask if order['side'] == 'buy' else tick.bid
                self._fill_order(order, fill_price, tick.timestamp)
            elif order['type'] == 'limit':
                if (order['side'] == 'buy' and tick.ask <= order['limit_price']):
                    self._fill_order(order, order['limit_price'], tick.timestamp)
                elif (order['side'] == 'sell' and tick.bid >= order['limit_price']):
                    self._fill_order(order, order['limit_price'], tick.timestamp)

    def _fill_order(self, order: dict, price: float, timestamp):
        commission = price * order['qty'] * 0.0001
        if order['side'] == 'buy':
            cost = price * order['qty'] + commission
            if self.cash >= cost:
                self.cash -= cost
                self.positions[order['symbol']] = \
                    self.positions.get(order['symbol'], 0) + order['qty']
                order['status'] = 'filled'
                order['fill_price'] = price
        elif order['side'] == 'sell':
            if self.positions.get(order['symbol'], 0) >= order['qty']:
                self.cash += price * order['qty'] - commission
                self.positions[order['symbol']] -= order['qty']
                order['status'] = 'filled'

Мониторинг в реальном времени

Dashboard показывает: P&L (realized и unrealized) в реальном времени, открытые позиции, журнал сделок, equity curve, drawdown, сравнение с бенчмарком.

Ключевые метрики paper trading vs backtest

Если результаты paper trading значительно хуже бэктестинга — это признаки: overfitting к историческим данным, look-ahead bias в бэктесте, недооценённые транзакционные издержки. Цель: расхождение между paper trading и бэктестом < 15% по Sharpe Ratio.

Минимальный срок paper trading перед переходом к реальному капиталу: 3 месяца (1 квартал охватывает разные рыночные режимы).