Реалистичный бэктест криптостратегий невозможен без учёта всех издержек: комиссий, проскальзывания, funding rate. Игнорирование этих факторов приводит к завышенным ожиданиям — стратегия, показывающая 30% годовых на истории, в реальности легко уходит в минус. Например, для стратегии, совершающей 100 сделок в месяц, комиссия taker в 0.1% съедает 10% капитала в год. Добавьте маркет-импакт и фандинг — и вы увидите истинную доходность.
Мы разрабатываем системы, которые честно учитывают все торговые издержки, включая комиссии биржи, проскальзывание и funding rate. Такой подход позволяет увидеть истинную доходность и избежать иллюзий. Однажды клиент поделился стратегией, показывавшей 40% годовых на истории без учёта издержек. После добавления реальных комиссий и проскальзывания доходность упала до 12%, а с funding rate — до 5%. Это типичный сценарий, когда иллюзии сменяются разочарованием. Мы знаем, как избежать этого. Закажите разработку модели издержек — и получите правдивый анализ.
Почему без комиссий бэктест бесполезен?
Даже tiny-издержки накапливаются: 0.1% taker fee на каждую сделку при 100 сделках в месяц съедают 10% капитала в год. Добавьте проскальзывание — и стратегия, которая казалась прибыльной, уходит в минус. Реалистичный бэктест обязан учитывать:
- Комиссии биржи: maker/taker, VIP-скидки, rebate
- Проскальзывание: market impact, bid-ask spread, gap slippage
- Funding rate для фьючерсов: платежи каждые 8 часов
- Косвенные издержки: latency, сетевые сборы
Однажды клиент привёл стратегию с 25% годовых на исторических данных без учёта комиссий. После включения реальной тарифной сетки и проскальзывания результат упал до 9%, а с учётом funding rate — до 4%. Только тогда он понял, что торговля на фьючерсах с низким объёмом съедает всю прибыль. Наш гибридный подход к моделированию slippage помогает избежать таких сюрпризов: он минимум в 2 раза точнее фиксированного значения на реальных данных.
Как правильно учитывать проскальзывание?
Единой модели нет. Для стратегий с малым объёмом достаточно фиксированного процента. Для крупных ордеров нужна модель market impact — slippage растёт с размером позиции относительно объёма свечи. Мы используем гибридный подход: комбинацию фиксированного спреда и volume impact. Вот пример реализации модели фиксированного проскальзывания:
class FixedSlippage(SlippageModel): def __init__(self, slippage_pct: float = 0.0005): self.slippage_pct = slippage_pct def get_fill_price(self, order_price: float, bar, side: str) -> float: if side == 'BUY': return order_price * (1 + self.slippage_pct) else: return order_price * (1 - self.slippage_pct) А для объёмозависимого проскальзывания:
class VolumeImpactSlippage(SlippageModel): def __init__(self, impact_factor: float = 0.1): self.impact_factor = impact_factor def get_fill_price(self, order_price: float, bar, side: str, order_size_usd: float = 0) -> float: bar_volume_usd = bar.volume * bar.close market_impact = self.impact_factor * order_size_usd / bar_volume_usd if bar_volume_usd > 0 else 0 if side == 'BUY': return order_price * (1 + market_impact) else: return order_price * (1 - market_impact) Структура комиссий: реалистичные тарифы
Многие стратегии пишутся под конкретную биржу, поэтому важно закладывать её тарифную сетку. Вот пример для Binance Spot с VIP-уровнями:
@dataclass class FeeSchedule: maker_fee: float taker_fee: float vip_tiers: list[tuple[float, float, float]] = None def get_fee(self, order_type: OrderType, volume_30d: float = 0) -> float: if self.vip_tiers and volume_30d > 0: for min_vol, maker, taker in sorted(self.vip_tiers, reverse=True): if volume_30d >= min_vol: return maker if order_type != OrderType.MARKET else taker if order_type == OrderType.MARKET: return self.taker_fee else: return self.maker_fee BINANCE_SPOT = FeeSchedule(maker_fee=0.001, taker_fee=0.001, vip_tiers=[(1_000_000, 0.0009, 0.001), (5_000_000, 0.0008, 0.0009), (20_000_000, 0.0007, 0.0008)]) Funding rate для фьючерсов
Для стратегий на перпетуалах funding — значимая статья расходов. Мы учитываем исторические ставки и рассчитываем суммарный платёж за период:
class FundingRateModel: def __init__(self, funding_interval_hours: int = 8): self.interval = funding_interval_hours self.funding_history: dict[str, pd.Series] = {} def calculate_funding_cost(self, symbol, position_value, from_ts, to_ts, position_side) -> float: if symbol not in self.funding_history: return 0.0 rates = self.funding_history[symbol] mask = (rates.index >= from_ts) & (rates.index < to_ts) period_rates = rates[mask] total_funding = 0.0 for rate in period_rates: if position_side == 'LONG': funding_payment = -position_value * rate else: funding_payment = position_value * rate total_funding += funding_payment return total_funding Что даёт учёт издержек? Сравнение
Мы тестируем стратегии в двух режимах: идеальном (без издержек) и реалистичном. Разница наглядна:
| Показатель | Идеальный | С комиссиями |
|---|---|---|
| Аннуализированная доходность | +32% | +18% |
| Коэффициент Шарпа | 1.4 | 0.9 |
| Доля комиссий от gross P&L | 0% | 1.2% |
| Тип издержек | Влияние на годовую доходность |
|---|---|
| Только taker fee (0.1%) | -12% |
| Taker fee + 0.05% slippage | -18% |
| Taker + slippage + funding (1% годовых) | -25% |
Согласно данным Binance, средняя комиссия taker составляет 0.1%. Подробнее о проскальзывании можно прочитать на Wikipedia.
Кейс: скрытые издержки на реальном примере
Мы проанализировали стратегию клиента, которая показывала 25% годовых на идеальном бэктесте. После включения реальных комиссий и проскальзывания результат упал до 9%, а с funding rate — до 4%. Клиент был удивлён, но именно это помогло ему пересмотреть подход. Один клиент сэкономил более $12 000 в год благодаря нашему анализу.Как мы это делаем: процесс работы
- Аналитика — изучаем стратегию, её торговую частоту, объёмы, целевую биржу.
- Проектирование — выбираем модели комиссий и проскальзывания, настраиваем параметры.
- Реализация — пишем движок бэктестинга с интеграцией данных (исторические свечи, funding).
- Тестирование — прогоняем на синтетических и реальных данных, верифицируем через Tenderly.
- Деплой — передаём документацию, код и дашборд для мониторинга.
Что входит в работу (deliverables)
- Документация по модели издержек
- Исходный код движка (Python, привязанный к вашему стеку)
- Интеграция с историческими данными бирж
- Анализ расхождения идеального и реалистичного бэктеста
- Поддержка 14 дней после сдачи
Распространённые просчёты при учёте издержек
- Использование только фиксированного slippage без привязки к объёму
- Игнорирование funding rate для долгосрочных фьючерсных стратегий
- Неучёт VIP-скидок при объёмах >$1M
- Использование bid-ask спреда как константы без зависимости от волатильности
Сроки и стоимость
Срок разработки: от 5 до 15 рабочих дней в зависимости от сложности стратегии и количества бирж. Стоимость рассчитывается индивидуально — пишите, оценим ваш проект в течение дня. Опыт нашей команды в бэктестинге насчитывает 5+ лет, мы реализовали более 30 проектов с учётом издержек. Типичная экономия для клиентов составляет до $5000 в год за счёт выявления неочевидных издержек.
Гарантируем: реалистичность модели в пределах 5% от реальных торговых результатов. Свяжитесь с нами, чтобы получить консультацию и заказать разработку. Получите систему, которая не скрывает издержки, а показывает реальную картину.