Как выжать максимум из истории сделок: пишем систему оптимизации SL/TP для криптотрейдинга | Python+Excel

Значимый прорыв формирует отрасль ИИ: Особенно остро этот вопрос стоит перед теми, кто торгует «статику» — фиксированные проценты риска и прибыли на сделку. Обычно эти параметры выбираются «на глаз» (например, классические 1% SL и 2% TP фиксировано, либо даже 1:1) или на основе общих тестов стратегии в симуляторе. Но рынок меняется, волатильность растёт/падает, и то, что работало в прошлом месяце, сегодня начинает медленно выедать депозит комиссиями, винрейт стратегии сильно падает.

В этой статье мы разберем, как написать инструмент на Python, который берет вашу реальную историю сделок с биржи, выкачивает под каждую сделку 500 свечей после её открытия и проводит глубокий пост-фактум анализ (Grid Search) тысяч комбинаций SL/TP с учетом плеча и комиссий. А на выходе строит наглядный интерактивный Excel-дашборд. Все файлы прикрепил для вас на github.

Технические детали

Скрипт работает с bingX, но логику всегда можно переделать под любую биржу. Проблема «статического» трейдинга и классического бэктеста Большинство классических бэктестеров (вроде Backtrader или встроенного симулятора TradingView) тестируют стратегию в вакууме. Они генерируют сигналы на исторических графиках и симулируют их исполнение.

Но реальный трейдинг полон нюансов:Проскальзывания, пинг, комиссии: Ваши реальные входы почти никогда не совпадают с идеальными точками на графике TradingView. Именно здесь имеет смысл применить пост-фактум реалтайм тест (Post-Trade Optimization). Мы не тестируем логику входов — мы тестируем качество наших реальных входов и оптимизируем правила выхода.

Событие, по словам экспертов, усилит конкуренцию в сфере ИИ.