Почему сырые тики бесполезны: считаем волатильность, просадку и Sharpe с finkit

Сырые тики похожи на сырую муку: есть можно, но не хочется. Цена Биткоина в $68 500 сама по себе ничего не говорит алгоритму. Чтобы извлечь пользу, нужно посчитать, как эта цена соотносится с исторической волатильностью, риском и просадками.

Новички часто пытаются делать это в цикле for прямо внутри потока приёма данных. Получается медленно, с задержками, и бот пропускает нужный момент для сделки. Продвинутые торговые системы спускают тяжёлую математику в векторизованные библиотеки.

Одна из таких библиотек — finkit. Она с открытым исходным кодом, создана специально для быстрых расчётов над потоковыми рыночными данными.

Скользящее окно вместо бесконечного DataFrame

Первая проблема — перевести поток тиков в матрицу. Если тик приходит каждые 50 миллисекунд, добавлять строки в обычный pandas DataFrame — это постоянные перераспределения памяти.

В finkit используется Pre-Allocated Sliding DataFrame Wrapper. Это фиксированное по размеру окно, которое затирает старые индексы через операции в памяти без копирования. Создаётся просто: fk.DataFrame(max_rows=1000, columns=['timestamp', 'close', 'volume']). Дальше каждый тик добавляется через append_row().

Когда окно наполнилось, можно запускать расчёты.

Три метрики, которые спасают бота

Реализованная волатильность

Не та, что из дневной статистики, а интрадейная. Она показывает, как разброс цен меняется внутри дня, и позволяет подстраивать стоп-лоссы под текущий характер рынка.

Максимальная просадка

Самое большое падение от пика до минимума перед новым максимумом. Это защита от структурных обвалов, а не от шума.

Sharpe Ratio

Отношение избыточной доходности к волатильности. Если бот зарабатывает только потому, что агрессивно лезет в рискованные активы, Sharpe это покажет.

Формула Sharpe простая: (Rp - Rf) / sigma_p. Rp — доходность стратегии, Rf — безрисковая ставка, sigma_p — стандартное отклонение доходности.

Как это выглядит в коде

В finkit не нужно собирать формулу руками. Вызываете df.indicators.realized_volatility(window=60), df.risk.max_drawdown() и df.risk.sharpe_ratio(risk_free_rate=0.04). Последний метод принимает безрисковую ставку — в примере это 4% годовых.

Код получается компактным. Сначала проверяете, что окно наполнилось, затем запускаете execute_risk_metrics(data_frame). Внутри — один вызов на метрику и печать результата. Если просадка превысила порог, срабатывает аварийная остановка.

Индикаторный демон-сканер

Единичный скрипт — это хорошо, но для реальной работы нужен фоновый процесс. Идея в том, чтобы выделить отдельный демон, который слушает поток по нескольким активам, держит в памяти словарь DataFrame для каждого тикера и периодически запускает расчёты. Результаты уходят основному торговому боту через быстрые IPC-каналы.

Например, можно создать класс с реестром ticker → fk.DataFrame(max_rows=500). В цикле демон обходит все тикеры, обновляет окна и считает метрики. Когда просадка по какому-то активу превышает 15%, отправляется команда на ликвидацию.

Типичные ошибки

• Добавлять строки в неограниченный DataFrame. Память фрагментируется, производительность падает.
• Считать метрики на лету в потоке WebSocket. Лучше предварительно выделить окно и обновлять по готовности.
• Игнорировать безрисковую ставку в Sharpe. Сравнивать доходность с нулём бессмысленно, когда есть альтернатива с гарантией.
• Не задавать порог просадки. Бот без MDD-лимита пережидает обвал вместо выхода.

Рынок не прощает медленных расчётов. Переход от циклов к векторизованным библиотекам — это не оптимизация ради красоты, а вопрос того, успеет ли бот выйти из сделки до того, как цена улетит. finkit решает конкретную задачу: превращает сырые тики в метрики, с которыми уже можно принимать решения.