ผมเคยเผามือมาแล้วกับการยิงออเดอร์ BTCUSDT ขนาด 80 BTC เข้าตลาดในครั้งเดียว ผลคือ slippage ทะลุ 47 basis points ในช่วง low liquidity เช้ามืด หลังจากนั้นผมหันมาศึกษา VWAP execution algorithm โดยใช้ข้อมูล tick ย้อนหลังจาก Tardis ผสานกับ LLM ผ่าน HolySheep เพื่อปรับ aggression แบบ real-time ผลลัพธ์คือ slippage ลดลงเหลือ 9-13 bps ภายใน 6 สัปดาห์ บทความนี้คือเทคนิคเต็มๆ ที่ผมใช้อยู่จริงใน production

1. ทำไมต้อง Tardis + VWAP ในตลาดคริปโต

VWAP (Volume-Weighted Average Price) เป็น benchmark ที่ quant fund ใช้วัดคุณภาพการ execution สำหรับคำสั่งขนาดใหญ่ หลักการคือ "ตามน้ำ" — แบ่งออเดอร์แม่ออกเป็น child orders เล็กๆ แล้วยิงตาม volume profile ของตลาดจริง ไม่ใช่ตามเวลาล้วนๆ เพราะถ้าตลาดเงียบแต่คุณยิงเยอะ คุณก็จะถูก front-run ทันที

แต่ปัญหาคือ ตลาดคริปโตมี intraday volume distribution ที่ผันผวนมาก Binance เปิดให้ดึง trade history ผ่าน REST API ได้ แค่ 1,000 แถวต่อ request และ rate limit 1,200 request ต่อนาที ข้อมูลที่ได้คือ aggregate trades ไม่ใช่ raw tick ที่ใช้ทำ microstructure analysis ได้จริง Tardis แก้ปัญหานี้ด้วยการเก็บ raw L2 book updates, trades, funding rates ของ 20+ exchange ย้อนหลังหลายปี ผมเทสเปรียบเทียบกับ Binance API ตรงๆ พบว่า Tardis มี data completeness 99.7% vs 71.2% ของ Binance REST สำหรับช่วง 2024-2025

2. สถาปัตยกรรมระบบที่ใช้งานจริง

ส่วนที่ผมตื่นเต้นที่สุดคือ Layer 3 เพราะ LLM ไม่ได้แค่ทำตามกฎตายตัว แต่อ่าน spread, depth imbalance, volatility แล้วตัดสินใจ "ตอนนี้ควรเร่งหรือเบา" ซึ่ง logic แบบนี้ถ้าเขียน if-else คงมี 200+ บรรทัด แต่ LLM จัดการใน prompt เดียว

3. ขั้นตอนที่ 1: ดึงข้อมูล Tardis มาสร้าง Volume Profile

import os
import pandas as pd
from tardis_client import TardisClient
from datetime import datetime

tardis = TardisClient(api_key=os.environ["TARDIS_API_KEY"])

def fetch_volume_profile(symbol: str, days: int = 30, bucket_minutes: int = 5):
    """
    ดึง trades ย้อนหลัง N วัน แล้ว aggregate เป็น volume profile ราย 5 นาที
    Tardis จะ stream ผ่าน WebSocket ให้ ไม่ต้อง poll
    """
    end = datetime.utcnow()
    start = end - pd.Timedelta(days=days)

    trades = []
    for msg in tardis.replays(
        exchange="binance",
        from_date=start.strftime("%Y-%m-%d"),
        to_date=end.strftime("%Y-%m-%d"),
        filters=[{"channel": "trades", "symbols": [symbol]}],
    ):
        trades.append({
            "ts": pd.to_datetime(msg["timestamp"], unit="us"),
            "qty": float(msg["raw"]["q"]),
            "side": "buy" if msg["raw"]["m"] is False else "sell",
        })

    df = pd.DataFrame(trades).set_index("ts")
    # bucket ราย 5 นาที แล้วหาค่าเฉลี่ยตามชั่วโมงของวัน
    df["bucket"] = df.index.floor(f"{bucket_minutes}min")
    profile = (
        df.groupby("bucket")["qty"]
        .sum()
        .groupby(lambda x: x.strftime("%H:%M"))
        .mean()
    )
    return profile

profile = fetch_volume_profile("BTCUSDT", days=30)
print(profile.head())

00:00    12.452


00:05    11.873


00:10    14.221


...

4. ขั้นตอนที่ 2: VWAP Slicer Algorithm

import numpy as np

def vwap_schedule(
    total_qty: float,
    volume_profile: pd.Series,
    duration_minutes: int = 60,
    n_slices: int = 24,
):
    """
    หั่น parent order เป็น n_slices child orders
    ตามน้ำหนักของ volume profile ในช่วงเวลาที่จะ execute

    total_qty:          จำนวนเหรียญรวม เช่น 80 BTC
    volume_profile:     Series ที่ key เป็น "HH:MM" value เป็น volume เฉลี่ย
    duration_minutes:   ระยะเวลาที่จะ execute ทั้งหมด
    n_slices:           จำนวน child orders
    """
    minutes_of_day = [(f"{h:02d}:{m:02d}") for h in range(24) for m in range(60)]
    weights = volume_profile.reindex(minutes_of_day, fill_value=volume_profile.median())
    weights = weights.iloc[:duration_minutes]
    weights = weights / weights.sum()

    raw = weights.values * total_qty
    slices = np.round(raw, 6)

    # ปรับให้ผลรวมพอดีกับ total_qty (หลีกเลี่ยง rounding drift)
    drift = total_qty - slices.sum()
    slices[slices.argmax()] += drift

    # เพิ่ม random jitter ±3% เพื่อไม่ให้ pattern ตายตัว (ลดการถูก front-run)
    jitter = np.random.uniform(-0.03, 0.03, size=n_slices)
    slices = np

แหล่งข้อมูลที่เกี่ยวข้อง
บทความที่เกี่ยวข้อง