Руководство по интеграции
### Введение
Для точности прогнозирования заполнения лимитных ордеров недостаточно иметь статическую модель симуляции очереди. Рыночные условия меняются, и модель должна уметь самообучаться на основе выполненных транзакций. **Entry Queue Calibration Model** реализует замкнутый контур обратной связи (Feedback Loop), сопоставляя ожидания симулятора с реальными фактами исполнения на бирже.
### Сравнение ожиданий и исходов
Модель калибровки принимает на вход два набора данных:
1. **EntryQueueExpectation (Ожидания)**: Ожидаемая доля исполнения ($Fill\_Ratio_{exp}$), прогнозируемое время очистки очереди ($Clear\_Time_{exp}$), отношение объема стакана к объему ордера и текущий темп направленного потока сделок.
2. **EntryQueueOutcome (Фактический исход)**: Фактическая доля исполнения ($Fill\_Ratio_{act}$), фактическое время задержки до полного или частичного заполнения ордера ($Latency_{act}$), статус таймаута, отправленный и исполненный объем.
### Алгоритм расчета погрешностей
1. **Дефицит заполнения (Fill Ratio Shortfall)**: Разница между тем, сколько симулятор планировал получить, и сколько реально залилось:
\[ Shortfall = \max(0, Fill\_Ratio_{exp} - Fill\_Ratio_{act}) \]
2. **Превышение задержки (Latency Overshoot)**: Избыточное время, которое ордер простоял в очереди сверх прогноза:
\[ Overshoot = \max(0, Latency_{act} - Clear\_Time_{exp}) \]
3. **Обратная связь (Recalibration Trigger)**: Если превышение задержки ордера в очереди превышает критический порог `latency_overshoot_alert_threshold = 2.0` секунды, модель генерирует событие рекалибровки. Симулятор корректирует коэффициенты скорости потока рыночных ордеров ($FlowRate$) в меньшую сторону, делая оценки времени стояния в очереди более консервативными.
Для точности прогнозирования заполнения лимитных ордеров недостаточно иметь статическую модель симуляции очереди. Рыночные условия меняются, и модель должна уметь самообучаться на основе выполненных транзакций. **Entry Queue Calibration Model** реализует замкнутый контур обратной связи (Feedback Loop), сопоставляя ожидания симулятора с реальными фактами исполнения на бирже.
### Сравнение ожиданий и исходов
Модель калибровки принимает на вход два набора данных:
1. **EntryQueueExpectation (Ожидания)**: Ожидаемая доля исполнения ($Fill\_Ratio_{exp}$), прогнозируемое время очистки очереди ($Clear\_Time_{exp}$), отношение объема стакана к объему ордера и текущий темп направленного потока сделок.
2. **EntryQueueOutcome (Фактический исход)**: Фактическая доля исполнения ($Fill\_Ratio_{act}$), фактическое время задержки до полного или частичного заполнения ордера ($Latency_{act}$), статус таймаута, отправленный и исполненный объем.
### Алгоритм расчета погрешностей
1. **Дефицит заполнения (Fill Ratio Shortfall)**: Разница между тем, сколько симулятор планировал получить, и сколько реально залилось:
\[ Shortfall = \max(0, Fill\_Ratio_{exp} - Fill\_Ratio_{act}) \]
2. **Превышение задержки (Latency Overshoot)**: Избыточное время, которое ордер простоял в очереди сверх прогноза:
\[ Overshoot = \max(0, Latency_{act} - Clear\_Time_{exp}) \]
3. **Обратная связь (Recalibration Trigger)**: Если превышение задержки ордера в очереди превышает критический порог `latency_overshoot_alert_threshold = 2.0` секунды, модель генерирует событие рекалибровки. Симулятор корректирует коэффициенты скорости потока рыночных ордеров ($FlowRate$) в меньшую сторону, делая оценки времени стояния в очереди более консервативными.