Какая страховка нужна трейдеру? Бэктест, не просто риск менеджемент

Посмотреть исходник движка бектеста можно по ссылке

Я взял два платных телеграм-канала с сигналами, прочитал месяц их постов (август 2026) через LLM и проиграл каждый сигнал на минутных свечах с комиссиями и слиппеджем. Первый канал дал +10.3% за месяц, второй −18.1%. Обе цифры без плеча. Разница объясняется форматом постов, и её видно ещё до запуска бэктеста.

Зачем это всё

Представим трейдера, который собирается платить за сигналы из телеграма и следовать им. От чего ему нужна страховка?

Стоп-лосс сам по себе не защищает. Можно поставить стоп, который выбивает в 100% случаев, и потерять депозит, формально соблюдая риск-менеджмент. Работают правила автора или нет, показывает только прогон по истории: реальные посты, минутные свечи, комиссии, слиппедж. На выходе получается цифра, которую можно проверить.

Этим я и занялся. Каналы выбрал с противоположными форматами:

• Канал A в каждом посте публикует цельный торговый план.

• Канал B строит подачу на личной дисциплине: «беру по 1% от депозита», «принимаю убытки и двигаюсь дальше».

Результаты

Сегмент, месяц и схема в пайплайне одинаковые, а разница составила 28 процентных пунктов. Дальше разберу, как это посчитано и откуда она взялась.

LLM разбирает посты, решения принимает код

Главное решение в проекте: модель не принимает торговых решений. Ей досталась задача, с которой LLM справляются хорошо, - чтение неструктурированных данных.

Пост вида «Открыть ЛОНГ в диапазоне $78600 - $79400, цели..., стоп $77400» - это текст с опечатками, эмодзи и рекламными вставками. Иногда сигнал вообще не текст, а скриншот терминала со словом «Шорт» на картинке. Превратить это в типизированный JSON должна модель. Решать, входить ли в позицию и где резать убыток, должен исходник.

import { generateObject, InferenceName, type FormatModel } from "json-inference"; const TradingPositionFormat = { type: "object", required: ["id", "symbol", "position", "entryRange", "targets", "stoploss", "reasoning"], properties: { id: { type: "number", description: "ID сообщения-источника сигнала. Если сигнала нет, верни -1", }, position: { type: "string", enum: ["long", "short", "wait"], description: "Тип позиции. Если позиции нет, верни wait", }, entryRange: { type: "object", required: ["from", "to"], properties: { from: { type: "number" }, to: { type: "number" } }, }, targets: { type: "array", description: "Цели позиции, 5 уровней. Если сигнала нет, верни []", items: { type: "number" }, }, stoploss: { type: "number" }, reasoning: { type: "string", description: "Обоснование - для отладки" }, },
} satisfies FormatModel;

Насколько это надёжно

Я сравнил два поколения кеша на одинаковых входах. Вердикты и все числовые поля совпали бит в бит. Отличался только свободный текст в reasoning, вплоть до языка ответа. Структуру держит грамматика, цены схема копирует из поста. Для парсера большего и не нужно.

Пайплайн: пост -> сигнал -> сделка

Стратегия тикает каждую минуту по каждому символу. Если на каждом тике звать LLM и Telegram, получим тысячи лишних запросов и флуд-бан. Поэтому получение сигнала обёрнуто в Cache.file: для канала A канал проверяется раз в 5 минут на символ.

Кеш хранится в Mongo. Побочный эффект ценный: коллекция measure-items становится датасетом всех ответов модели за месяц.

import { Cache } from "backtest-kit";
import { scrapeLookback } from "telegram-reader"; const getSignal = Cache.file( async (symbol: string, when: Date) => { const coin = `#${symbol.replace("USDT", "")}`; // окно 15 минут назад от «сейчас» бэктеста. // Пост, опубликованный позже when, стратегия не увидит let messages = await scrapeLookback({ channel: "crypto_yoda_channel", limit: 15, dimension: "minute", when, }); messages = messages.filter(({ content }) => content.includes(coin)); if (!messages.length) return { entry: null }; // LLM не вызываем const entry = await generateObject( InferenceName.OllamaInference, { format: TradingPositionFormat, messages: [ { role: "user", content: PARSER_PROMPT }, // строка промпта с правилами разбора поста ...messages.map(({ id, date, content }) => ({ role: "user" as const, content: `ID ${id}\n\n${content}\n\n[${date.toISOString()}]`, })), ], }, "gemma4:31b-cloud", ); return { entry, message }; }, { interval: "5m", name: "crypto_yoda_entry_v3" },
);

Канал A: дисциплина в структуре поста

Каждый сигнальный пост - законченный торговый план:

СИГНАЛ #BTC/USDT
🔑 Открыть ЛОНГ в диапазоне $78600 - $79400 - 6% депозита, плечо X15
🍒 Цели: $80300 / $80900 / $82000 / $83200 / $84500
❗️ СТОП ЛОСС: $77400

Диапазон, пять целей и стоп есть в каждом посте весь месяц. Такой сигнал можно исполнить кодом, ничего не додумывая. Это и есть дисциплина в машиночитаемом виде.

Как стратегия его исполняет

1. Вход - по рынку на любом посте не старше 15 минут. Преимущество сигнала живёт рядом с моментом публикации.

2. Тейк-профит - на самую дальнюю цель.

3. Стоп-лосс - из поста.

4. Сопровождение - «достижение уровней». Каждая взятая цель становится полом. Если цена откатилась за новейший взятый уровень больше чем на 30% шага между целями, позиция закрывается.

Шаг считается по сетке целей конкретного поста, поэтому допуск подстраивается сам: у PENGU шаги приблизительно 0.3–0.9%, у BTC - сотни долларов.

listenActivePing(async ({ data, currentPrice }) => { const levels = data.payload.levels as number[]; // цели из поста const currentLevel = getCurrentLevel(data.position, levels, currentPrice); const { lastLevel } = await LEVEL_STATE.getState(); // состояние конкретной позиции if (currentLevel > lastLevel) { await LEVEL_STATE.setState({ lastLevel: currentLevel }); // свежий пол return; } if (!lastLevel) return; // ни одной цели не взяли - ждём стопа или тейка const drift = getLevelDrift(data.position, levels, lastLevel, currentPrice); const step = getLevelStep(levels, lastLevel); // шаг между соседними целями if (drift > step * LEVEL_DRIFT_RATIO) { await commitClosePending(data.symbol); // откатились за взятый уровень - выходим }
});

Итог

21 сделка, +10.3% без плеча за вычетом комиссий, 16 из 21 в плюсе.

• 3 раза сработал стоп автора: от −3.8% до −4.6%, разумный размер.

• 1 раз цена дошла до дальнего тейка.

• Остальные сделки закрыл рэтчет.

Откуда взялся плюс

Собственный манименеджмент автора я не копировал. Его план - разгружаться по пяти целям с плечом X15–25 - на этих же данных убыточен. Дальние цели почти не достигаются, а один стоп при таком плече сжигает 60–100% маржи.

Плюс получился на стыке: структурированный сигнал автора и наш риск-менеджмент. Направление автора приносит деньги, его плечо сжигает депозит.

Канал B: дисциплина на словах

У Вершинина формат противоположный. Диапазонов, целей и стопов нет. Есть посты:

Вход в позицию

Работаю с BTC - в шорт, взял с учетом возможного добора

Появление из позиции

И так, берем BTC, ETH, SOL в шорт по 1% от депозита,
биток и эфир 100 плечо, Солана 50 плечо.

Направление и тикер часто видны только на картинке: скриншоте позиции, графике TradingView или карточке сделки с биржи. Поэтому модель получает не только текст поста, но и изображение:

const signal = await generateObject( InferenceName.OllamaInference, { format: PositionOpenFormat, // { id, symbol, position: long|short|wait, reasoning } messages: [ { role: "user", content: promptOpen }, ...messages.map(({ id, date, content, photo }) => ({ role: "user" as const, content: `ID ${id}\n\n${content}\n\n[${date.toISOString()}]`, ...(photo && { images: [photo] }), // картинка поста в base64 - часть сигнала })), ], }, "gemma4:31b-cloud",
);

Правила для распознавания картинок я писал только после того, как просмотрел реальные скриншоты канала. На одной ловушке модель ошибалась регулярно: зелёная цифра P&L у шорта означает прибыль, а не «лонг». Направление определяется только по слову «Лонг/Шорт» или по положению зон тейка и стопа на графике. Теперь это правило прописано в промпте явно.

Как стратегия его исполняет

Автор не публикует стопов, следовательно стоп свой: 7.5% от цены входа.

Вход и выход у этого канала - отдельные решения, принятые в разное время. Поэтому пайплайнов два:

• пока позиции нет, модель ищет в постах вход;

• пока позиция открыта, модель ищет пост, где автор её закрывает.

addStrategySchema({ strategyName: "main_strategy" }); // схема пустая, без getSignal listenIdlePing(async ({ symbol, when, currentPrice }) => { // тикает, пока позиции нет const { signal } = await getOpenSignal(symbol, when); // Cache.file, 4h if (!signal || signal.position === "wait") return; await commitCreateSignal(symbol, { id: `${signal.id}-${signal.symbol.toLowerCase()}`, symbol: signal.symbol, ...Position.moonbag({ position: signal.position, currentPrice, percentStopLoss: 7.5, // свой стоп - автор своих не публикует }), });
}); listenActivePing(async ({ symbol, when }) => { // тикает, пока позиция открыта const { signal } = await getCloseSignal(symbol, when); if (signal?.action === "close") await commitClosePending(symbol);
});

Итог: 24 сделки, −18.1%, в плюсе 7 из 24.

Выводы

Считайте сами!

Прежде чем платить за сигналы и тем более следовать им, проверьте автора на истории. Это дешевле любой страховки. Весь анализ выше построен на двух файлах backtest.jsonl. В каждой строке - одно событие жизненного цикла позиции. Базовые метрики считаются десятком строк:

import { readFileSync } from "node:fs"; const trades = readFileSync("backtest_yoda.jsonl", "utf8") .split("\n").filter(Boolean).map(JSON.parse) .filter((e) => e.data.action === "closed"); const pnl = trades.reduce((sum, e) => sum + e.data.pnl, 0);
const wins = trades.filter((e) => e.data.pnl > 0).length;
const grossProfit = trades.filter((e) => e.data.pnl > 0).reduce((s, e) => s + e.data.pnl, 0);
const grossLoss = trades.filter((e) => e.data.pnl <= 0).reduce((s, e) => s + e.data.pnl, 0); console.log({ trades: trades.length, totalPnl: pnl.toFixed(2), // +10.26 winRate: (wins / trades.length * 100).toFixed(0) + "%", // 76% profitFactor: (grossProfit / -grossLoss).toFixed(2), // 1.78
});

В каждом событии closed есть:

• цены входа и выхода;

• причина закрытия: take_profit, stop_loss, closed или time_expired;

• максимальная прибыль и максимальная просадка по позиции;

• в поле note - полный ответ модели и пост-источник.

Любую сделку можно отмотать до конкретного телеграм-поста и прочитать reasoning модели. Метод переносится на любой иной канал за вечер.

Инструменты

• backtest-kit - ядро бэктеста и live-торговли с защитой от look-ahead.

• telegram-reader - чтение телеграм-каналов через MTProto.

• json-inference - structured output для ollama.

• backtest-ollama-casual - репозиторий с обеими стратегиями и скриптами анализа.

Спасибо за внимание