Market Making in Crypto

6.5/10

Аннотация

Мы разрабатываем автоматизированные алгоритмы маркетмейкинга для бессрочных контрактов (perpetual contracts) на криптовалюты: они обеспечивают ликвидность, управляют риском и максимизируют доходность. По историческим свечным данным строится альфа-сигнал Bar Portion (BP), устойчивый между криптоактивами. Далее на платформе Hummingbot — открытом каркасе для разработки алгоритмов — тонко настраиваются параметры риск-менеджмента перед live-торговлей. Live-торговля парами SOL-USDT, DOGE-USDT и GALA-USDT в течение 24 часов показывает, что BP превосходит базовый сигнал MACD.

Ключевые слова: маркетмейкинг; криптовалюты; бессрочные контракты; Hummingbot; Bar Portion; MACD; тройной барьер; live-торговля; альфа-генерация.

1. Введение

Экспоненциальный рост криптовалютных рынков усиливает потребность в эффективном предоставлении ликвидности и управлении риском. Маркетмейкеры — ключевые участники: они непрерывно котируют цены покупки и продажи, поддерживая ликвидность. Работа посвящена автоматизированным алгоритмам маркетмейкинга для крипто-перпетуалов с целью улучшения ликвидности и снижения торговых рисков. Конечная цель — стратегии, оптимизирующие прибыльность при контроле рыночного риска.

В центре проекта — платформа Hummingbot: открытое решение для построения, оптимизации, бэктеста и развёртывания алготрейдинг-стратегий. Hummingbot хорошо подходит для криптоэкосистемы, где сочетание круглосуточной торговли и высокой волатильности требует постоянного присутствия на рынке и адаптации в реальном времени. Автоматизируя маркетмейкинг, Hummingbot позволяет поддерживать ликвидность и использовать краткосрочные торговые возможности. Авторы благодарят Federico Cardoso и Michael Feng (Hummingbot) за знакомство с платформой и сопровождение на этапе live-торговли.

Алгоритмы маркетмейкинга зависят от ряда ключевых параметров — спреда, размера заявки и частоты выставления ордеров, — которые необходимо тщательно калибровать. Другой важный компонент — высокочастотная генерация альфы: извлечение краткосрочных ценовых неэффективностей быстрыми сделками с минимальной задержкой.

Помимо альфы работа акцентирует управление риском. Отдельная команда реализовала стратегию тройного барьера (triple barrier) — подход к управлению рыночным риском с тремя порогами: take-profit, stop-loss и временной барьер; позиции закрываются по заранее заданным критериям риска. Сочетание альфа-генерации и тройного барьера нацелено на алгоритмы, способные работать в быстром и высокорисковом мире криптоторговли.

Таким образом структура работы следующая: сначала эмпирическое исследование вселенной и свечных данных (раздел 2), затем базовые стратегии Pure Market Making — Simple и Dynamic — на Hummingbot (раздел 3), далее пул альф с акцентом на Bar Portion, квинтильный анализ, бэктест одиночной альфы, калибровка тройного барьера и live-эксперимент (раздел 4), сравнение бэктеста с live и Dynamic с BP (раздел 5) и заключение (раздел 6).

2. Исследование данных

В этом разделе описывается датасет для разработки и тестирования маркетмейкинг-алгоритмов: выбор вселенной криптовалют, характеристики данных и первые эмпирические наблюдения.

2.1. Выбор вселенной

Отобраны 30 криптовалют по рыночной капитализации; в анализ включались только монеты с бессрочными контрактами. Обоснование двойное. Во-первых, топ-30 по капитализации обычно более ликвидны и лучше подходят для маркетмейкинга: высокая ликвидность критична для минимизации задержек и проскальзывания; в низколиквидной среде исполнение замедляется, а убытки растут. Во-вторых, фокус на капитализированных активах повышает исследовательскую ценность: они стабильнее и шире торгуются, поэтому выводы ближе к реальной практике.

Монеты без перпетуалов исключены. Корреляции и кластеризация 30 активов визуализируются, чтобы понять совместное движение — это важно и для риск-менеджмента, и для калибровки стратегии.

2.1.1. Кластеризация криптовалют

Дендрограмма кластеризации и сопутствующая таблица классификации относят 30 выбранных криптовалют к четырём (плюс выбросы) группам по рыночным характеристикам. Классификация помогает понять связи между монетами и влияет на дизайн маркетмейкинг-стратегии.

1. Layer-1 протоколы (красный). Примеры: Ethereum (ETH), Bitcoin (BTC), Internet Computer (ICP), Solana (SOL). Layer-1 — базовые блокчейны, фундамент для dApps и других протоколов. Эти монеты часто образуют «позвоночник» экосистемы благодаря широкому принятию; критичны для транзакций и смарт-контрактов, высоколиквидны и релевантны для долгосрочных маркетмейкинг-стратегий.

2. Мем-коины (оранжевый). Примеры: Dogecoin (DOGE), Pepe (PEPE), Shiba Inu (SHIB). Мем-коины часто начинаются как интернет-шутки или культурные феномены, но со временем набирают ликвидность и капитализацию. Волатильность обычно выше, чем у «классических» активов — и возможности, и риски для маркетмейкера.

3. DeFi (фиолетовый). Примеры: Optimism (OP), dYdX (DYDX), Gala (GALA). Токены DeFi связаны с децентрализованными финансовыми приложениями — кредитование, заимствование, торговля — без традиционных посредников. Сектор быстро растёт и инновационен, но волатилен из‑за технологического темпа и регуляторной неопределённости.

4. Utility-токены (зелёный). Примеры: Kaspa (KAS), Toncoin (TON), Ordi (ORDI). Utility-токены дают доступ к функциям платформы или приложения: комиссии, управление и т.п. Часто нишевые рынки; волатильность может быть ниже, чем у мем- и DeFi-токенов, за счёт прикладного use case.

5. Выбросы (серый). Примеры: XRP, XLM. Не укладываются аккуратно в указанные категории: уникальные протоколы или кросс-граничные платёжные решения. Поведение часто расходится с более типичными классами, что усложняет моделирование в стандартном маркетмейкинг-каркасе.

2.2. Свечные данные

Анализ опирается на свечные (candlestick) данные, а не на книгу заявок. Полные LOB-датасеты часто требуют дорогих подписок — вне рамок работы. Кроме того, Hummingbot удобно работает со свечами, что делает их практичным выбором для разработки и бэктеста. Свечи дают open, high, low, close на заданных интервалах и объёмы — необходимое для трендов и настройки параметров. Рис. 4 — пример данных (первые 5 строк BTC-USDT).

2.3. Описание датасета

Данные собраны с Binance. Основные столбцы:

• open time — метка начала минутного интервала;
• open, high, low, close — цены начала, максимума, минимума и конца интервала;
• volume — суммарный торговый объём;
• close time — метка конца интервала;
• quote volume — объём в котируемом активе;
• count — число сделок;
• taker buy volume / taker buy quote volume — объём сделок, где тейкер — покупатель (в базовом и котируемом активе);
• ignore — служебный столбец, не используемый в анализе.

Собраны минутные свечи по 30 криптовалютам за 45 дней — с 1 сентября 2024 по 14 октября 2024; примерно по 60 000 точек на монету — база для первичного анализа и альфа-генерации. Для надёжности фокус на перпетуалах с достаточной историей. Для 3‑минутных, 15‑минутных и часовых свечей целевой объём был сходным, но для более новых монет иногда ограничивались ~30 000 точками.

3. Pure Market Making

Pure Market Making (PMM) — стратегия непрерывного выставления хеджирующих пар: buy (long) лимитки и sell (short) лимитки. Продажи стоят выше покупок — принцип «покупай дёшево, продавай дорого». В ядре — два параметра: reference price (опорная цена) и spread (спред). Reference price — середина или среднее между long- и short-ценами, якорь размещения ордеров. Спред — расстояние между ценами покупки и продажи — определяет чувствительность к цене и потенциальную прибыльность стратегии.

Эффективность PMM сильно зависит от точной настройки этих параметров, балансирующих рыночный риск и прибыльность. Слишком узкий спред повышает вероятность исполнения и частоту оборота, но снижает маржу на сделку и увеличивает риск неблагоприятного отбора; слишком широкий спред защищает от мгновенных убытков, но снижает fill rate и вклад в ликвидность. Базовые реализации Hummingbot — PMM Simple и PMM Dynamic — дают практические каркасы с разными подходами к подстройке параметров и служат отправной точкой для последующей замены MACD на сигнал Bar Portion.

3.1. PMM Simple

PMM Simple в Hummingbot имеет фиксированный спред и статическую reference price; позволяет настроить простой маркетмейкинг-бот с buy/sell ордерами по обе стороны стакана.

3.1.1. Входные параметры

• Connector — биржа (KuCoin, OKX, Binance и др.);
• Trading Pair — торговая пара, например PEPE-USDT;
• Leverage — плечо; усиливает и прибыль, и риск;
• Total Amount of Quote — суммарный капитал в котируемой валюте (USDT);
• Position Mode — HEDGE или ONE-WAY; в hedge допустимы одновременные long и short;
• Stop Loss Cooldown Time — пауза (мин) перед повторным запуском stop-loss после срабатывания;
• Executor Refresh Time — интервал (мин) обновления параметров исполнителя;
• Number of Buy Order Levels — число уровней buy-ордеров;
• Type of Spread Distribution — ручное или автоматическое распределение спреда по уровням;
• Spread for Levels / Amount for Levels — спред и объём на каждом уровне;
• Stop Loss, Take Profit, Time Limit, Trailing Stop — выход по убытку, прибыли, времени или трейлингу (закрытие при откате на Delta).

3.1.2. Результаты бэктеста

В бэктесте PMM Simple оптимизировались два критических параметра: Stop Loss Cooldown Time и Executor Refresh Time на паре PEPE-USDT с целью максимизации P&L.

1. Stop Loss Cooldown Time — время ожидания перед повторным включением stop-loss.
2. Executor Refresh Time — частота обновления конфигурации и поиска новых возможностей.

По координатному графику (Рис. 5) и контурному графику (Рис. 6) лучшие диапазоны:

• Stop Loss Cooldown: 8–9 минут. Короче 8 мин — преждевременное повторное включение stop-loss; длиннее — хуже реакция на волатильные движения.
• Executor Refresh: 3–5 минут. Чаще 3 мин — лишние перестройки без существенных движений цены; реже 5 мин — пропуск возможностей повторного входа.

3.2. PMM Dynamic

PMM Dynamic динамически подстраивает mid-цену и спред под рыночные условия. Mid корректируется индикатором MACD (Moving Average Convergence Divergence) и волатильностью по NATR (Normalized Average True Range). Спред также динамически зависит от NATR.

3.2.1. Дополнительные параметры

Большинство параметров совпадает с PMM Simple; дополнительно:

• NATR Length — окно NATR; большее значение ловит долгосрочную волатильность, меньшее — чувствительнее к недавним движениям;
• MACD Fast — короткая EMA MACD; скорость реакции на краткосрочные изменения;
• MACD Slow — длинная EMA; более стабильный сигнал для mid;
• MACD Signal — сигнальная линия (скользящее среднее линии MACD); пересечения дают buy/sell-сигналы.

Таким образом mid и спред адаптируются по моментуму (MACD) и волатильности (NATR).

Формально линия MACD и сигнальная линия:

3.2.2. Симуляционный бэктест

Как и для PMM Simple, перебирались комбинации параметров на PEPE-USDT; достигнут Sharpe ratio около 0.86. Рис. 7 — результаты бэктеста; Рис. 8 — важность гиперпараметров.

4. Моделирование

4.1. Генерация альф

4.1.1. Пул альф

Чтобы перевести свечные данные в actionable-факторы, построены три категории индикаторов: характеристики свечи, тренды окрестности и объёмные факторы. Каждая даёт свой взгляд на поведение рынка и входит в каркас альфа-генерации.

1. Характеристики свечи. Три индикатора:

(a) Bar Portion with Direction. Диапазон от $-1$ до $1$: доля «тела» относительно диапазона свечи и направление. Растущая свеча — положительное значение, падающая — отрицательное; модуль отражает силу движения:

(b) Bar Position. Положение тела внутри свечи — важно для паттернов. Например, перевёрнутый молот (маленькое тело у верха диапазона с длинной нижней тенью) отличается от молота; без позиции тела оба паттерна выглядели бы одинаково в данных:

(c) Stick Length. Диапазон high–low, нормированный на ATR (Average True Range) с look-back 10; снижает вес мелких движений и выделяет значимые:

2. Тренды окрестности.

(a) Slope — средняя скорость изменения цены:

(b) Curvature — изменение наклона (ускорение/замедление тренда):

Вместе slope даёт направление, curvature — интенсивность и точки разворота. На этом этапе факторы тестировались по отдельности; комбинирование — следующий шаг.

3. Объёмные факторы.

(a) Изменение VWAP. VWAP — объёмно-взвешенная средняя, бенчмарк цены с учётом активности:

где $V$ — объём.

(b) Отклонение VWAP от Close:

(c) Buy Volume Portion — относительная сила покупателей:

Каждый индикатор тестировался отдельно; будущая работа — интеграция и взаимодействие факторов для более сильной предиктивной мощности.

4.1.2. Квинтильный анализ

После генерации сигналов их сравнивали с MACD из исходного PMM Dynamic, чтобы оценить эффективность. Основной метод — квинтильный анализ: техника проверки наличия альфы через связь сигнала с доходностью актива. Сигнал делится на пять равных групп (квинтили от нижних 20% до верхних 20% значений); для каждой группы считается средняя доходность. Визуализация средних помогает выявить паттерны и связи — в частности монотонные тренды, указывающие на предиктивную силу (альфу):

• монотонно возрастающий паттерн — большие значения сигнала соответствуют большей доходности;
• монотонно убывающий — меньшие значения сигнала соответствуют большей доходности.

Метод даёт прозрачный способ оценить, предлагает ли сигнал устойчивые и предсказуемые insights о поведении актива.

Анализ MACD. Сначала выполнен квинтильный анализ сигнала MACD, встроенного в PMM Dynamic, по всем монетам торговой вселенной. Как видно на Рис. 9, явной линейной связи между MACD и доходностью нет. Отсутствие согласованности указывает на слабый альфа-потенциал MACD. Поэтому дальнейшая модификация этого сигнала не преследовалась; фокус сместился на анализ сгенерированных авторами сигналов.

Сгенерированные сигналы. Квинтильный анализ 10 кастомных сигналов; у пяти — чёткие монотонные (возрастающие или убывающие) связи, в целом согласованные по вселенной. Например:

• Bar Portion — монотонно убывающий паттерн;
• diff_vwap_close (разница VWAP и Close) — монотонно возрастающий тренд.

Квантификация монотонности. Чтобы не опираться только на глаз, для каждого сигнала считалась доля согласованного монотонного поведения по всем монетам. Топ:

• Bar Portion: монотонность 73%;
• Curvature EMA: монотонность 73%

(таблица/Рис. 11; также Рис. 12–13 — доли монотонно растущих/убывающих сигналов). Далее в разделе основной фокус — Bar Portion: сильная монотонность и ясная интерпретация.

Интуиция Bar Portion. Значение в $[-1,1]$:

• $-1$: падение внутри тика ($\mathrm{Open}=\mathrm{High}$, $\mathrm{Close}=\mathrm{Low}$);
• $+1$: рост внутри тика ($\mathrm{Open}=\mathrm{Low}$, $\mathrm{Close}=\mathrm{High}$);
• около $0$: минимальное движение внутри тика.

Ключевые выводы по квинтилям BP (по графику квинтильного анализа Bar Portion):

1. Убывающая доходность при росте BP: средние доходности падают по мере роста значений Bar Portion. Это говорит о том, что существенные ценовые роста внутри тика часто сопровождаются крупными снижениями на следующем тике, и наоборот.
2. Mean-reversion поведение: крупные движения внутри тика часто приводят к разворотам на следующем тике — типичная краткосрочная mean reversion.
3. Стабильность средних квинтилей (40–60%): при средних значениях BP минимальные изменения цены внутри тика часто соответствуют стабильным ценам на последующем тике.

Эти поведенческие паттерны подчёркивают потенциал сигнала Bar Portion улавливать рыночные тенденции, особенно mean-reverting возможности. Согласованность выводов по множеству монет подчёркивает робастность сигнала как предиктивного инструмента для маркетмейкинг-стратегий.

4.1.3. Бэктест одиночной альфы

Цель этапа — усилить PMM Dynamic, улучшив механизм reference price: найти лучший индикатор из пула альф вместо MACD. Оценка — baseline-бэктест простых направленных стратегий.

Методология. На базе квинтилей (монотонность и линейная связь) — скользящая одномерная линейная регрессия влияния альфы на последующие изменения цены:

1. Окно: обучение на 36 днях (51 840 минутных записей); итеративно прогнозы на следующие 9 дней (12 959 записей).
2. Направленная стратегия: 100% long или short; положительный прогноз — long, отрицательный — short.
3. Портфель: равное распределение по 30 монетам (30 параллельных портфелей). Агрегированный баланс:

где $P_{i,t}$ — баланс по монете $i$ в момент $t$. Диверсификация снижает влияние идиосинкратических факторов.

Сравнение с MACD. Лучший сигнал — Bar Portion (согласуется с квинтилями). Рис. 14–15 — кумулятивные доходности MACD и BP за 9 дней. Метрики (Рис./табл. 16):

• Return: BP +45.84%, MACD −0.59%;
• Max drawdown: BP 3.94% vs MACD 8.71%;
• Sharpe: BP 0.78 vs MACD −0.01.

BP даёт более стабильную доходность и кандидат на замену reference price в PMM.

Ограничения обсуждения. (a) Бэктест не учитывал транзакционные издержки; минутный high-frequency rebalancing может сильно расходиться с реальностью из‑за комиссий. (b) Фокус только на направленной торговле, тогда как цель — маркетмейкинг/хеджирование; направленность смещает акцент к прибыли от крупных движений, а не от ненаправленных колебаний. Тем не менее бэктест подтвердил предиктивную силу BP как reference-индикатора.

4.2. Управление риском

Риск-менеджмент критичен для любого маркетмейкинг-алгоритма, особенно на волатильном крипторынке. Фокус — стратегия тройного барьера: закрытие позиций по stop-loss, take-profit и временному барьеру — контроль риска и сохранение капитала при неблагоприятных движениях.

4.2.1. Стратегия тройного барьера

Ключевые параметры:

• Stop Loss — максимальный допустимый убыток; автозакрытие позиции;
• Take Profit — выход при достижении целевой прибыли;
• Spread — шире спред → меньше сделок, ниже шанс мгновенных убытков; уже → выше частота и экспозиция к флуктуациям;
• Refresh Time — частота пересчёта ордеров; чаще — лучше захват краткосрочных движений, но выше издержки и latency;
• Trailing Stop — подвижный стоп «вслед» за благоприятным движением; адаптивный контроль риска.

4.2.2. Калибровка по монетам

Один набор параметров на всю вселенную не работает: у каждой монеты своя волатильность, ликвидность и паттерны.

• Волатильность: высоковолатильным — шире stop/take, чтобы не выбивать на нормальном шуме; низковолатильным — уже параметры.
• Ликвидность: высоколиквидным — уже спреды и короче refresh (меньше slippage); низколиквидным — шире спред против резких скачков и плохого исполнения.
• История: бэктест разных настроек на исторических данных по волатильности и паттернам актива.
• Толерантность к риску: рискованным активам — жёстче контроль; стабильным — можно агрессивнее.

4.2.3. Результаты оптимизации параметров

Оптимизировались ключевые параметры pure MM для управления риском. С помощью Optuna изучалась связь месячной волатильности криптоактива с четырьмя параметрами: start spread, step spread, stop loss, take profit.

• Start spread — начальное расстояние ордера от mid;
• Step spread — шаг между уровнями ордеров;
• Stop loss / Take profit — пороги ограничения убытка и фиксации прибыли.

На данных октября 2024 — двухуровневая структура спреда; точки — оптимизированные значения параметров по Sharpe для каждой из 30 монет.

Рис. 17–18: связь месячной волатильности со start/step spread. Линейная регрессия показывает сильную положительную корреляцию: оптимальные start/step spread примерно в 4–5 раз больше наблюдаемой месячной волатильности. Интуиция: более волатильные рынки требуют более широких спредов. Высокие $R^2$ подтверждают статистическую значимость — практический бенчмарк для live-калибровки.

Рис. 19–20: stop loss и take profit — заметной корреляции с месячной волатильностью нет; $R^2$ близки к нулю. Эти пороги лучше оптимизировать независимо от метрик волатильности (через Optuna под конкретные условия). Вывод: start/step spread — волатильностно-зависимые бенчмарки; stop/take — независимая data-driven оптимизация. Ценность гибридного подхода.

4.3. Live-торговля

4.3.1. Цель

Оценить PMM Dynamic и PMM BP на трёх кластерах: Layer-1, мем-коины, DeFi. Выбраны по одной монете: GALA, DOGE, SOL — торговля ~24 часа.

4.3.2. Setup

1. Три аккаунта OKX.
2. Каждый аккаунт — одна пара и одна из двух стратегий (PMM Dynamic или PMM BP).
3. Пары: GALA-USDT, DOGE-USDT, SOL-USDT — разный диапазон волатильности и категорий.
4. Все три пары торговались примерно одновременно ~24 часа при сопоставимых рыночных условиях.
5. Техническое ограничение: одна пара на одно устройство; два члена команды вели одну и ту же пару на разных устройствах.
6. Сессии не идеально синхронизированы, но достаточно перекрывались для осмысленных сравнений.

4.3.3. Метрика

Net P&L — суммарная прибыль/убыток за период в абсолюте и в процентах.

4.3.4. Вызовы и ограничения

• Ограничения устройств: нельзя было крутить несколько пар на одном устройстве → небольшие сдвиги по времени.
• Синхронизация: разные устройства и операторы → неизбежные мелкие расхождения длительности сессий.

5. Результаты и обсуждение

5.1. Бэктест vs live-торговля

Сравнивалась производительность бэктеста и live-торговли для стратегии PMM BP, применённой, например, к паре SOL-USDT на горизонте 24 часа.

5.1.1. Setup

И бэктест, и live проводились с total amount quote 500 USDT; одинаковые настройки риск-менеджмента применялись для согласованности сред тестирования.

5.1.2. Результаты

• Бэктест: стратегия дала чистый убыток −$0.69 USDT, что соответствует −0.14% PnL, при суммарном объёме торгов около $34 000.
• Live-торговля: положительный net PnL +$1.31, или 0.26%, несмотря на меньший суммарный объём ≈ $24 000.

Рис. 21 — сравнительная таблица производительности бэктеста и live; Рис. 22 — бэктест SOL-USDT; Рис. 23 — live SOL-USDT.

5.1.3. Анализ расхождения

Различия между бэктестом и live можно отнести к нескольким факторам:

1. Выравнивание горизонта: моменты старта и финиша не совпадали идеально с полуночью, что вносило небольшие вариации в результаты.
2. Торговые издержки: в бэктесте заложена комиссия 0.06%, тогда как в live фактическая стоимость составила $2\times 0.02\% = 0.04\%$ без учёта проскальзывания. Консервативное допущение по издержкам в бэктесте было намеренным и согласуется с best practices оценки стратегий.

Эти результаты подчёркивают: бэктест даёт контролируемую и согласованную среду, а live-торговля отражает реальную рыночную динамику, включая волатильность и slippage, которые существенно влияют на производительность. Несмотря на меньший торговый объём, live-результаты превзошли бэктест — важность реальной проверки для точной оценки стратегии.

5.2. Live-торговля: PMM Dynamic vs PMM BP

В этом подразделе — детальное сравнение live-производительности стратегий PMM BP и PMM Dynamic с фокусом на ключевые метрики: прибыльность, предоставление ликвидности и эффективность. Стратегии применены к парам SOL-USDT, DOGE-USDT и GALA-USDT на 24-часовом горизонте; цель — выявить сильные и слабые стороны в реальных рыночных условиях. Анализ опирается на торговые объёмы, реализованную прибыль и индикаторы риск-менеджмента.

5.2.1. Setup

Как обсуждалось выше, live-оценка фокусируется на трёх парах: SOL-USDT, DOGE-USDT и GALA-USDT. Для справедливого сравнения PMM BP и PMM Dynamic все ключевые торговые параметры — total quote amount, leverage, пороги stop-loss и take-profit и прочие релевантные настройки — удерживались идентичными. Такая стандартизация изолирует различия производительности самими стратегиями.

5.2.2. Результаты

Сравнение PMM Dynamic и PMM BP проводится по разным криптовалютам. Анализ фокусируется на прибыльности, предоставлении ликвидности и операционной эффективности, а также включает «вертикальное» сопоставление при различающихся рыночных условиях — для оценки робастности и адаптивности.

1. SOL-USDT. По Рис. 31–32 (и примерам PnL на Рис. 24–25) сделаны следующие выводы для live-торговли SOL-USDT:

• Прибыльность: стратегия PMM BP показала скромную прибыль $1.214 по сравнению с PMM Dynamic, которая понесла убыток −$1.593. Таким образом, PMM BP превзошёл Dynamic по знаку доходности.
• Ликвидность и риск-менеджмент: PMM Dynamic разместил существенно больше ликвидности ($6 250.58 против $1 861.80 у PMM BP), то есть более капиталоёмкий подход. Обе стратегии минимизировали unrealized PnL, демонстрируя эффективный процесс управления риском.
• Эффективность: в целом PMM BP достиг лучшей прибыльности при более высоком торговом объёме $23 922.5 и меньших требованиях к ликвидности. У PMM Dynamic при значительно большей размещённой ликвидности не удалось конвертировать её в чистую прибыль.
• Вывод: PMM BP эффективнее PMM Dynamic на SOL; также выше эффективность по процентной доходности.

2. DOGE-USDT. По Рис. 33–34 (и Рис. 26–27) наблюдения суммируются так:

• Прибыльность: обе стратегии достигли близких абсолютных прибылей — $3.191 у PMM BP и $3.216 у PMM Dynamic (Dynamic чуть выше). При этом PMM BP дал более высокий процентный return 0.249% относительно торгового объёма, указывая на более эффективное использование капитала.
• Ликвидность и риск: для DOGE PMM Dynamic разместил существенно больше ликвидности (−$1 133.85 против −$81.98 у PMM BP), отражая более капиталоёмкий подход. Обе стратегии эффективно минимизировали unrealized PnL, демонстрируя робастный риск-процесс в live-условиях.
• Эффективность: PMM Dynamic был агрессивнее, достигнув большего объёма $4 733.85 против $1 281.98 у PMM BP — возможная причина чуть большей абсолютной прибыли Dynamic.
• Вывод: в целом результаты показывают сопоставимую производительность PMM BP и PMM Dynamic на DOGE.

3. GALA-USDT. Рис. 28–29 и свечной обзор (Рис. 30) приводят к следующим заключениям:

• Производительность: по графику PnL PMM BP стабильно нёс меньшие суммарные убытки, чем PMM Dynamic, что делает его предпочтительной стратегией в данном контексте.
• Ближе к причинам: обе стратегии понесли существенные убытки при торговле Gala на заданном интервале. Для анализа причин проведено более глубокое исследование. Рис. 30 даёт обзор рыночной динамики Gala в период live-торговли: цена демонстрировала серию резких ростов с последующими постепенными снижениями. В результате short-лимитки открывались и оставались в неблагоприятных позициях при продолжении роста, что вело к субоптимальным исходам. Это объясняет наблюдаемое расхождение, где long-позиции обгоняли short, интуитивно согласуясь с поведением рынка.
• Вывод: необходимы дальнейшие улучшения волатильностной адаптации при меняющихся условиях, однако новая BP-альфа уже продемонстрировала улучшенную прибыльность — положительная модификация относительно Dynamic.

6. Заключение

Успешно разработаны и оценены автоматизированные алгоритмы маркетмейкинга для бессрочных криптовалютных контрактов на платформе Hummingbot. Опираясь на data-driven техники и робастные стратегии управления риском, модель PMM Dynamic проектировалась и уточнялась под уникальные вызовы крипторынка — круглосуточную торговлю, высокую волатильность и разнородность активов по кластерам.

Обширное исследование данных, включая работу со свечами и корреляционный анализ в разнообразной криптовалютной вселенной, обеспечило эмпирическую опору стратегий. Техники альфа-генерации и систематический бэктест заложили прочную основу для оптимизации ключевых параметров — спреда и риск-порогов. Индикаторы вроде Bar Portion идентифицированы как эффективные инструменты улавливания рыночных тенденций и усиления предиктивных возможностей относительно базового MACD.

Интеграция стратегии тройного барьера подчеркнула важность риск-менеджмента на волатильных рынках: баланс между фиксацией прибыли и ограничением убытков. Оптимизация параметров инструментами вроде Optuna акцентировала необходимость адаптации стратегий к конкретным рыночным условиям — в частности, волатильностно-зависимую калибровку start/step spread при независимой оптимизации stop-loss и take-profit.

Результаты live-торговли подтвердили практическую жизнеспособность предложенных моделей, продемонстрировав заметные улучшения относительно бэктеста по прибыльности и контролю риска (в том числе на SOL-USDT). Сравнение стратегий PMM Dynamic и PMM BP дало представление о нюансах производительности в реальных условиях: на SOL преимущество BP было явным; на DOGE — сопоставимым; на GALA обе стратегии понесли убытки при неблагоприятной динамике short-стороны, но BP показал меньшие суммарные потери.

Работа вносит вклад в растущую область алгоритмической торговли на криптовалютных рынках, предлагая адаптивные data-driven каркасы маркетмейкинга. Будущие исследования могут развивать эти стратегии за счёт выбора подходящих пространств монет, анализа кросс-частотных свечей и исследования мультистратегийной интеграции для дальнейшей оптимизации производительности.

7. Приложение

7.1. Дашборд-рисунки live-торговли

• Рис. 31: PMM BP для SOL (live);
• Рис. 32: PMM Dynamic для SOL (live);
• Рис. 33: PMM BP для DOGE (live);
• Рис. 34: PMM Dynamic для DOGE (live).

Литература

• [AS08] Avellaneda, M., Stoikov, S. High frequency trading in a limit order book. Quantitative Finance, 8:217–224, 2008.
• [CBW21] Crone, N., Brophy, E., Ward, T. Exploration of algorithmic trading strategies for the bitcoin market. arXiv:2110.14936, 2021.
• [Dai18] Dai, Y. The rise and latest research progress of algorithmic trading. Shenzhen Stock Exchange Research, 2018.
• [HZY23] He, J., Zheng, C., Yang, C. Integrating tick-level data and periodical signal for high-frequency market making. arXiv:2306.17179, 2023.
• [KB18] Katsiampa, P., Bekiros, S. Take profit and stop loss trading strategies comparison in algorithmic trading. Journal of Risk and Financial Management, 11(3):56, 2018.
• [KL23] Kim, J., Lee, S. P-triple barrier labeling: Unifying pair trading strategies and triple barrier method. Journal of Financial Engineering, 10(2):123–145, 2023.
• [Lat21] Latif, A. Developing a fully automated trading algorithm for the cryptocurrency trading market. Master’s thesis, LUT University, 2021.
• [Mon24] Monga, M. Decentralised finance and automated market making. SSRN, 2024.
• [SHJB22] da Silva, I. R. R., Hadad Junior, E., Balbi, P. P. A review of cryptocurrency trading algorithms. Journal of Forecasting, 41(5):1024–1045, 2022.