Робот, который живёт в стене: мой опыт автоматизации торговли на Python

В предыдущих статьях я рассказывал, как пришёл к идее создания собственного торгового робота. Мотивация проста:

• Автоматизация — алгоритм не спит, не нервничает и не занят своими делами.

• Дисциплина — робот исключает эмоции, следуя правилам.

• Тестирование — любую идею можно проверить на исторических данных, прежде чем рисковать деньгами.

Я всегда разделял два этапа: разработку торговых идей (логика стратегии) и реализацию механизма исполнения (отправка заявок, автотрейдинг). Сначала — бэктестинг и базовая оптимизация, и только потом — реальная торговля.

Поскольку я нахожусь в активном поиске подходящего решения для автотрейдинга и уже опробовал несколько рабочих вариантов, то эта статья представляет мои размышления об этом механизме исполнения заявок. Ваша критика или поддержка идей приветствуется.

Почему я не хочу использовать QUIК и Windows?

По моему мнению QUIK архаичен, нестабилен для автоматизации и требует оконной среды. Он не предназначен для headless-серверов (это компьютер без монитора, клавиатуры, мыши). QUIK + LUA или внешнее ПО — это сложная, криво документированная и уязвимая связка.

Выбор железа и ОС: Raspberry Pi + Ubuntu Server

Возможное место установки сервера у меня в коридоре в слаботочном шкафу

Raspberry Pi — это компактный одноплатный компьютер, размером с кредитную карту. Его главные козыри — низкая цена, минимальное энергопотребление (можно держать включенным 24/7) и достаточное для моих задач быстродействие. Мои торговые стратегии оперируют на часовых и дневных интервалах, где не требуются гигантские вычислительные мощности. Даже старая модель Raspberry Pi 3 справится с обработкой данных и отправкой ордеров через API брокера. Это идеальный домашний сервер для робота: компактный, бесшумный и условно недорогой если брать не самые новые модели.

Слаботочный шкаф. Raspberry Pi 4 в коробке со стилизованным изображением малины (raspberry). На этой малинке на фото крутится Home Assistant для управления всеми умными устройствами

В качестве операционной системы я выбрал Ubuntu Server. Этот дистрибутив Linux славится стабильностью, обширным сообществом и легкостью установки нужного ПО. Python, библиотеки для работы с API — всё ставится без проблем. Отсутствие графического интерфейса (GUI) экономит драгоценные ресурсы «малинки», а управление системой удобно осуществляется удаленно по SSH с любого другого компьютера в домашней сети.

Конечно, можно было бы рассмотреть аренду виртуального сервера (VPS) в облаке, но это влечет ежемесячные платежи. Старый ноутбук тоже мог бы подойти, но Raspberry Pi компактнее, тише и может быть установлена незаметно. Поэтому для моих целей связка Raspberry Pi и Ubuntu Server выглядит оптимальным решением для создания независимого и надежного торгового бота.

Микрокомпьютеров существует довольно таки много: например этот старый Orange Pi у меня служит для превращения обычного квартирного домофона в IP камеру видеонаблюдения https://habr.com/p/836718/

Поиск подходящего языка и фреймворка

Вообще начал я с того, что было ближе и привычнее — Node.js. У меня за плечами немалый опыт в этом языке. Работа с WebSocket и REST API, запуск задач по таймеру, хранение данных в JSON — всё это в Node делается быстро и удобно. Именно на этой технологии я собрал свой первый рабочий прототип, и даже выложил его в открытый доступ: SilverFir-TradingBot.

Но по мере развития проекта я начал сталкиваться с ограничениями. Самая большая проблема — отсутствие зрелых библиотек для финансового анализа и бэктестинга. Всё приходилось писать вручную: от парсинга котировок до расчёта индикаторов. Подключение к API брокеров тоже часто требовало обёрток и промежуточных слоёв.

Под капотом Pine Script: как устроен и для чего используется язык TradingView

В процессе изучения темы я также узнал о Pine Script — языке программирования, встроенном в TradingView. Он специально создан для написания торговых индикаторов и стратегий. Прост в освоении, отлично подходит для визуального анализа на графике, позволяет запускать простейшие бэктесты буквально в пару строк. Но у него есть ограничения: нет доступа к внешним API и он годится скорее для прототипирования идей, чем для полноценного автотрейдинга.

Поэтому я переключился на Python — язык, на котором написано большинство современных библиотек для финансов, анализа данных и машинного обучения. С переходом на Python открылся целый мир: Backtrader, pandas, matplotlib, TA-Lib. Всё готово: бери и тестируй любую идею. Вместо бесконечных «велосипедов» я сосредоточился на том, что важно — стратегии.

От Backtrader к Pine Script и обратно

Сначала я выбрал Backtrader — мощный инструмент, позволяющий детально протестировать стратегию, использовать несколько таймфреймов, фильтры, индикаторы, комиссионные и проскальзывание. Но очень быстро стало ясно, что у него есть обратная сторона: слишком много времени уходит на подготовку данных, настройку окружения, отладку визуализации и описание каждой мелочи в коде. Всё гибко, но громоздко.

 Мой первый и неудачный опыт поиска торговой стратегии для Московской биржи
Решил попробовать backtesting.py — тем более эта библиотека недавно обновилась. Она действительно проще, особенно если тестировать одну стратегию на одной бумаге. Но всё равно: слишком много ручной настройки, особенно если часто меняешь параметры. 

Тестировании торговой системы Александра Резвякова для фьючерсов Московской биржи с использованием Python

В какой-то момент я открыл для себя Pine Script и TradingView. Это было откровением. Пишешь код — сразу видишь результат. Делиться стратегией можно по ссылке, и любой читатель статьи (я ведь пишу публичные статьи) мгновенно видит то же, что и я. Идеально для демонстрации логики и быстрого прототипирования. Но автоматизировать торговлю через Pine Script — плохая идея: нет доступа к API, нет гарантий исполнения.

 Pine Script в деле: тестируем стратегию с линейной регрессией и R² (по мотивам S&C из 2007 года) на Московской Бирже
Я начал искать альтернативы и наткнулся на QuantConnect (Lean Engine). Вроде бы всё есть — история, брокеры, мультиассеты. Но реализация на C#, закрытая инфраструктура и сложность кастомизации меня остановили.

В итоге я хочу вернутся к Python и Backtrader. Хоть он мне и не особенно нравится, но в связке с готовой библиотекой-оберткой он позволяет работать с реальным API. Это единственный реально доступный путь автоматизации с брокером в России, не завязанный на QUIK и Windows.

Место установки сервера в стене, где стоит коммутатор и один из роутеров

Обзор публичных API российских брокеров

В России есть выбор. Сегодня три брокера:

• Т-Инвестиции: https://developer.tbank.ru/invest/intro/intro

• Алор: https://alor.dev/docs/

• Финам: https://trade-api.finam.ru/swagger/index.html

предоставляют официально задокументированные API.

Для всех них энтузиаст из Екатеринбурга Чечет Игорь Александрович разработал удобные Python-обёртки: TinkoffPy, AlorPy и FinamPy. Это даёт возможность не только отправлять заявки, но и проводить бэктестинг прямо из Backtrader. Например, связка BackTraderTinkoff позволяет торговать и тестировать стратегии, не выходя из Python-экосистемы.

На фоне этого особенно интересно сравнить с международной практикой. У брокера Interactive Brokers есть официальное руководство по работе с Backtrader — такой уровень зрелости интеграции говорит о серьёзном подходе.

Аналогично и в криптоиндустрии: тот же Bybit предоставляет API и готовые коннекторы на GitHub, что подчёркивает тренд на API-фикацию торговли. Я сам не работаю с криптой, но это внушает оптимизм.

Переделанное место установки Raspberry Pi в стене

Заключение

Итак, мой текущий стек вырисовывается так: Pine Script для быстрой проверки гипотез и визуализации, затем перенос логики в Python и Backtrader для глубокого бэктестинга, и наконец, TinkoffPy для реальной торговли через API брокера на домашнем Raspberry Pi.

Цель — полностью автономный робот на открытых технологиях, без QUIK и сопутствующей головной боли.

Что думаете?

Автор: Михаил Шардин
🔗 Моя онлайн-визитка
📢 Telegram «Умный Дом Инвестора»

20 мая 2025 г.