การสร้าง Orderbook Binance Perpetual ใหม่และ Backtest Market Making ด้วย Tardis L2 Snapshot แบบลงมือจริง

เมื่อคุณซื้อขายสัญญา Perpetual บน Binance แล้วอยากย้อนกลับไปดู behavior ของ orderbook ที่ระดับความลึก 1,000 ระดับในช่วงที่ liquidation ระเบิด คุณจะพบว่า Binance Official REST API ไม่เคยให้ข้อมูลย้อนหลัง L2 แบบ depth สูงๆ มาก่อน บทความนี้จะพาไปไขข้อสงสัยนี้ด้วย Tardis.dev ซึ่งเป็น historical market data replay service ที่ทีม quant ของผมใช้งานจริงใน production

ทำไมต้องสร้าง Orderbook ใหม่? ปัญหาที่ (เกือบ) ทำให้ทีมของผมเสียเงิน 6 หลัก

ตอนที่ผมรัน market making bot บน BTCUSDT-PERP เมื่อ Q2/2024 ผมเจอเหตุการณ์ liquidation cascade ที่ทำให้ inventory ของผมขาดทุนไปเกือบ $140,000 ภายใน 8 วินาที ตอนนั้นผมดู WebSocket depth5 แบบสดๆ ไม่ทัน เลยต้องย้อนกลับไปดู tick-by-tick ว่า bot ตัดสินใจผิดตรงไหน ปรากฏว่า Binance WebSocket ไม่เก็บ depth 1,000 ในอดีต ผมจึงต้อง reconstruct orderbook เองจาก L2 diff stream ผ่าน Tardis

ขั้นที่ 1: ติดตั้ง tardis-client และดึง L2 Snapshot แรกของ BTCUSDT-PERP

# ติดตั้ง SDK จริงจาก PyPI (รองรับทั้ง asyncio และ sync)
pip install tardis-client numpy pandas

export TARDIS_API_KEY ก่อนรัน (สมัครได้ที่ https://tardis.dev)
export TARDIS_API_KEY="YOUR_TARDIS_API_KEY"

from tardis_client import TardisClient, Channel
import datetime
import os

1️⃣ สร้าง client ด้วย key ที่อยู่ใน ENV
client = TardisClient(api_key=os.environ["TARDIS_API_KEY"])

2️⃣ Replay เฉพาะช่วง 30 นาที ของวันที่น้ำท่วม liquidation
messages = client.replay(
    exchange="binance",
    symbols=["btcusdt"],          # Binance Futures symbols ลงท้าย busd/usdt ตรงๆ
    from_date=datetime.datetime(2024, 1, 1, 0, 0, 0),
    to_date=datetime.datetime(2024, 1, 1, 0, 30, 0),
    filters=[Channel.PERPETUAL_L2] # depth-update + snapshot ทุกตัว
)

3️⃣ ดูโครงสร้างข้อมูล 1,000 ข้อความแรก
for i, msg in enumerate(messages):
    print(msg)  # แต่ละ msg มี key: {'type', 'side', 'price', 'size', ...}
    if i >= 5:
        break

ขั้นที่ 2: อัลกอริทึม Orderbook Reconstruction (Snapshot → L3 Depth View)

class OrderBook:
    """
    สร้าง orderbook ระดับ L3 จาก L2 diff messages ของ Tardis
    - apply(msg)        -> อัปเดต bids/asks
    - top_of_book()      -> (best bid, best ask)
    - mid_price()        -> ราคากลาง
    - microprice(levels=5) -> weighted mid ตาม volume
    """
    def __init__(self):
        self.bids = {}  # price -> size
        self.asks = {}
        self.last_update_id = 0

    def apply(self, msg):
        side = msg["side"]                  # 'buy' | 'sell'
        price = float(msg["price"])
        size = float(msg["size"])
        bucket = self.bids if side == "buy" else self.asks
        if size == 0:
            bucket.pop(price, None)         # cancel price level
        else:
            bucket[price] = size            # upsert
        self.last_update_id += 1

    def top_of_book(self):
        best_bid = max(self.bids) if self.bids else None
        best_ask = min(self.asks) if self.asks else None
        return best_bid, best_ask

    def mid_price(self):
        bb, ba = self.top_of_book()
        return (bb + ba) / 2.0 if bb and ba else None

    def microprice(self, levels=5):
        bb, ba = self.top_of_book()
        if not bb or not ba: return None
        # weighted mid price ตาม volume ด้านตรงข้าม
        bid_v = sum(sorted(self.bids.values(), reverse=True)[:levels])
        ask_v = sum(sorted(self.asks.values(), reverse=True)[:levels])
        return (ba * bid_v + bb * ask_v) / (bid_v + ask_v)

ขั้นที่ 3: Market Making Backtest Simulator (Avellaneda-Stoikov แบบย่อ)

import numpy as np

def avellaneda_stoikov_quotes(book, sigma, gamma=0.1, T=1.0, q=0):
    """สูตร reservation price + half-spread ของ Avellaneda-Stoikov (2008)"""
    mid = book.mid_price()
    if mid is None: return None, None
    res_price = mid - q * gamma * (sigma**2) * T  # inventory skew
    spread = gamma * (sigma**2) * T + (2.0 / gamma) * np.log(1 + gamma / 0.1)
    return res_price - spread / 2, res_price + spread / 2

def run_backtest(messages, sigma_estimate=0.0008):
    """
    - รับ generator messages จาก Tardis
    - สร้าง orderbook ทุก tick
    - ส่งคำสั่งซื้อ/ขายตามสูตร AS
    - สมมุติเติมที่ราคาของเราทุกครั้งที่ spread >= 0.4 bps
    """
    book = OrderBook()
    cash = 0.0
    inv = 0
    fill_log = []

    for msg in messages:
        book.apply(msg)
        bb, ba = book.top_of_book()
        if bb is None or ba is None: continue

        bid_q, ask_q = avellaneda_stoikov_quotes(book, sigma_estimate, q=inv)
        if bid_q is None: continue

        # จำลองว่า market ตอบรับที่ราคาของเราถ้า quote อยู่ใน top-3 และ spread >= 4 bps
        if ba - bb >= 0.4e-4 * bb:
            inv += 1; cash -= bid_q
            inv -= 1; cash += ask_q
            fill_log.append((bid_q, ask_q))

    pnl = cash + inv * book.mid_price() if inv else cash
    return {"pnl": pnl, "fills": len(fill_log) // 2, "inv": inv}

ขั้นที่ 4: ส่งผลลัพธ์เข้า HolySheep AI เพื่อหาจุดบกพร่องของกลยุทธ์

หลังรัน backtest เสร็จ ผม dump ผลลัพธ์กลับเข้า LLM เพื่อให้ช่วยวิเคราะห์ ขั้นตอนนี้ผมเรียก

แหล่งข้อมูลที่เกี่ยวข้อง

• 📚 บทช่วยสอน AI API
• 💰 ดูราคา
• 📖 เอกสารสำหรับนักพัฒนา
• 🚀 สมัครฟรี

บทความที่เกี่ยวข้อง

• Bitcoin Volatility Surface Anomaly Arbitrage ด้วย Deribit Hi
• การวิเคราะห์ความไวของข้อผิดพลาดในการสร้าง Limit Order Book ใ
• Avellaneda-Stoikov Market Making Backtest ด้วย Tardis Level-