17:I[53093,["/_next/static/chunks/1nzv7rplodpoo.js","/_next/static/chunks/42c7lcqmq154x.js","/_next/static/chunks/2h0rxqysxrisp.js","/_next/static/chunks/3v5c4k1q0kgs2.js","/_next/static/chunks/2c4xivv01l1op.js","/_next/static/chunks/3w5y03qazmkkz.js","/_next/static/chunks/2vp1d5lp91mg4.js","/_next/static/chunks/0p47ff7k-howc.js","/_next/static/chunks/3h4iylgj-2w1i.js","/_next/static/chunks/37adc0hxvku-x.js"],"default"] 18:T31c8,

معرفی پروژه

Xigma AlgoBot Platform نتیجه‌ی دو مسیر مرتبط است: حدود ۳ سال و ۸ ماه تحقیق و آزمایش روی الگوریتم‌تریدینگ، به‌ویژه در بازار کریپتو، و سپس حدود ۵ ماه توسعه متمرکز خود پلتفرم. وضعیت فعلی نرم‌افزار ۴۵٪ است.

پروژه به‌عنوان «ربات تضمین‌کننده سود» معرفی نمی‌شود. هدف، ساخت یک Research Operating System برای Strategy Engineering است؛ محیطی که در آن فرضیه معاملاتی به Rule قابل ثبت تبدیل شود، داده تاریخی مدیریت شود، Backtest قابل تکرار اجرا شود و نتیجه برای بازبینی و اصلاح فرضیه باقی بماند.

مسئله تحقیقاتی

چالش اصلی الگوریتم‌تریدینگ فقط نوشتن شرط RSI یا EMA نیست. برای یک فرآیند مهندسی باید مشخص باشد داده از کجا آمده، Strategy روی کدام Exchange/Symbol/Timeframe اجرا شده، پارامتر Indicator چه بوده، Position Size و Leverage چگونه محاسبه شده و هر نتیجه تاریخی چگونه بازتولید می‌شود.

Xigma AlgoBot این دغدغه‌ها را به domainهای مستقل نرم‌افزاری تبدیل می‌کند.

معماری دامنه

Backend فعلی هفت domain اصلی دارد:

Account — حساب کاربری، احراز هویت و پروفایل
Financial — Wallet، Subscription، Transaction و Discount Code
Exchanges — پروفایل اتصال صرافی، Credential رمز‌شده و Testnet
Indicators — Technical Tool و schema پارامترها
Strategy — Strategy، Long/Short، Market Type، سرمایه و Entry/Exit Rule
Backtesting — داده تاریخی، Download Job، BacktestRun و Trade
Report — وضعیت Position و داده پایش runtime

API با Django REST Framework ارائه شده و Swagger/ReDoc دارد.

اتصال چندصرافی

لایه Exchange برای Binance، Bybit، BingX، CoinEx و Wallex مدل شده است. هر کاربر می‌تواند چند حساب نام‌گذاری‌شده داشته باشد، API Key و Secret پیش از ذخیره رمز می‌شوند و Testnet نیز بخشی از مدل است. CCXT لایه اتصال مشترک را فراهم می‌کند تا Research/Strategy Layer به implementation هر صرافی قفل نشود.

Strategy Engine

هر Trading Strategy شامل Exchange Account، Symbol، Timeframe، Spot یا Perpetual/Futures، Long یا Short، Leverage، درصد سرمایه در هر معامله، Stop Loss، Take Profit، Dynamic Exit Config، Active State و metadata آخرین اجرا است.

Domain همچنین اجازه نمی‌دهد برای یک user/exchange/symbol/side بیش از یک Strategy فعال هم‌زمان وجود داشته باشد؛ تصمیمی که احتمال تداخل ناخواسته دو منطق هم‌جهت را کاهش می‌دهد.

Rule Engine

StrategyRule از Strategy جداست و می‌تواند Entry یا Exit باشد. هر Rule به یک Technical Tool متصل می‌شود و پارامترهای Indicator را در همان Strategy override می‌کند. ساختار داده threshold عددی و طراحی indicator-to-indicator comparison را پشتیبانی می‌کند و پایه‌ی یک Strategy Composer پیشرفته‌تر است.

Indicator Registry داده‌محور

Technical Tool دارای Name، Code، Category، Default Params و param_schema است. Categoryها شامل Trend Indicator، Oscillator و Price Action هستند. param_schema برای این طراحی شده که Frontend بتواند کنترل‌های Indicator را پویا بسازد و اضافه‌شدن ابزار جدید الزاماً نیازمند فرم hardcoded جدید نباشد.

داده تاریخی OHLCV

Historical Candle با کلید منطقی زیر نگهداری می‌شود:

Exchange + Symbol + Timeframe + Timestamp

Open/High/Low/Close/Volume ذخیره می‌شوند و DataDownloader دریافت داده در بازه زمانی را به‌صورت Job با وضعیت مستقل مدل می‌کند. در نتیجه dataset بخشی از artifact تحقیق است، نه ورودی موقتی یک script.

Backtesting Engine فعلی

Vertical slice فعلی این جریان را دارد:

Historical OHLCV
      ↓
Technical Analyzer
      ↓
Entry Rules
      ↓
Position Sizing + Leverage
      ↓
TP / SL Exit
      ↓
BacktestTrade
      ↓
Summary Metrics

هر Run حالت Pending/Running/Completed/Failed، بازه زمانی و Initial Balance دارد. هر Trade نیز Entry/Exit time و price، Amount، PnL، PnL Percentage و Win/Loss را ثبت می‌کند. Summary شامل Total Trades، Win Rate، Total PnL و Final Balance است.

محدودیت نسخه فعلی

Engine فعلی هنوز simulator نهایی نیست. operatorهای ساده‌ی LESS_THAN، GREATER_THAN و EQUALS اجرا می‌شوند و خروج عمدتاً بر TP/SL تکیه دارد. Cross semantics، مقایسه کامل indicator-to-indicator، Exit Rule پیشرفته، dynamic exit واقعی و microstructure simulation هنوز در roadmap هستند.

مدیریت سرمایه و ریسک

Signal Generation از Risk Configuration جدا نگه داشته شده است. مدل فعلی Percentage-based sizing، Leverage، Stop Loss، Take Profit، Dynamic Exit و Long/Short را مستقل نگه می‌دارد. این تفکیک مهم است چون «زمان ورود» و «میزان ریسک» یک مسئله نیستند.

Report و Observability

LivePositionLog برای Strategy، Symbol، Side، Entry Price، Current Price، PnL Percentage، TP/SL، open state و last update داده نگه می‌دارد. این domain پایه‌ای برای execution journal، alerting و reconciliation کامل‌تر در آینده است.

Async Architecture

Celery Worker + Celery Beat + Redis از ابتدا در معماری وجود دارند تا download data، اجرای دوره‌ای Strategy و jobهای پردازشی از HTTP lifecycle جدا باشند. PostgreSQL state اصلی را نگه می‌دارد و Docker Compose فعلی Backend، Frontend، PostgreSQL، Redis، Celery Worker، Celery Beat، Nginx و Mailpit را کنار هم اجرا می‌کند.

Frontend

Frontend با Next.js 16، React 19 و TypeScript ساخته شده و Emotion، Framer Motion، Lightweight Charts و next-intl را نیز دارد. foundation صفحات public/auth/profile/pricing وجود دارد؛ workspaceهای کامل Strategy/Backtest/Monitoring هنوز بخشی از ۵۵٪ باقی‌مانده‌اند.

لایه مالی و SaaS

پایه‌ی تجاری پلتفرم نیز شروع شده است: Wallet بر حسب USDT، Subscription Plan، Duration/Price، محدودیت Max Active Strategies، User Subscription/Auto Renew، Transactionهای Deposit/Withdrawal/Subscription و Discount Code.

این بخش هنوز production-ready billing محسوب نمی‌شود؛ مدل داده و API پایه وجود دارد اما payment productionization، reconciliation و کنترل‌های مالی بیشتر باقی مانده‌اند.

۳ سال و ۸ ماه R&D در برابر ۵ ماه توسعه پلتفرم

مدت R&D از سن repository محاسبه نشده است. تحقیق مفهومی قبل از این codebase وجود داشته و موضوعاتی مانند Indicator behavior، انتخاب timeframe، Spot/Perpetual، Long/Short asymmetry، leverage و sizing، stop/target design، reproducibility، overfitting و فاصله historical simulation تا execution واقعی را پوشش داده است.

خود پلتفرم نرم‌افزاری حدود ۵ ماه است که متمرکز توسعه داده می‌شود و اکنون ۴۵٪ پیشرفت دارد.

نقاط قوت مهندسی

Research-first به جای Signal-first
ذخیره Strategy و Rule به‌عنوان داده‌ی قابل audit و تکرار
Indicatorهای پارامتریک با schema قابل مصرف توسط UI
lineage بین Strategy، BacktestRun و BacktestTrade
جدا بودن Exchange Credential/Profile از Strategy
معماری async از ابتدای پروژه
جداسازی Financial/SaaS Domain از Trading Core
ساختار دو‌زبانه و نمودارهای Lightweight Charts در Frontend

۵۵٪ باقی‌مانده

واقع‌گرایی Backtest

Fee، Slippage، Funding Rate، Order Type assumptions، partial fill، latency، liquidation/margin simulation و intrabar ambiguity.

اعتبارسنجی تحقیق

Out-of-sample، Walk-forward، controlled parameter sweep، جلوگیری از data leakage، robustness/Monte Carlo، benchmark و experiment versioning.

Strategy Language

Cross semantics، indicator comparison کامل، AND/OR group، nested rules، Exit Rule واقعی، trailing/dynamic exit و templateهای reusable.

Paper Trading

یک مرحله مستقل بین Backtest و Live Execution که Strategy را روی market data زنده با execution شبیه‌سازی‌شده آزمایش کند.

Live Execution Hardening

Order state machine، idempotency، retry، exchange reconciliation، cancel/replace، rate-limit handling، recovery، stale-data protection، kill switch و exposure limit.

Security & Operations

Secrets management، key rotation، audit trail، structured logging، metrics/alerting، backup/restore، CI/CD production profiles و security scanning.

Research UI

Strategy Builder، Backtest Workspace، مقایسه Runها، Equity/Drawdown chart، Market Data Explorer، Paper/Live Monitor، Exchange Health و Experiment History.

ارزش پلتفرم

ارزش فعلی Xigma AlgoBot «اتوماسیون تصمیم مالی» نیست؛ ارزش آن ساخت foundation یک محیط منظم برای Research Engineering است:

Data → Tools → Hypothesis → Rules → Backtest → Metrics → Review → Iterate

هدف بلندمدت این است که دانش تحقیق از notebook و scriptهای پراکنده به artifactهای قابل ثبت، مقایسه و بازتولید تبدیل شود.

فناوری‌ها

Backend: Python، Django 5، Django REST Framework، SimpleJWT، CCXT، NumPy، pandas، pandas-ta، cryptography

Data & Async: PostgreSQL 16، Redis 7، Celery، Celery Beat

Frontend: Next.js 16، React 19، TypeScript، Emotion، Framer Motion، Lightweight Charts، next-intl

Infrastructure: Docker Compose، Nginx، Gunicorn، Swagger/ReDoc

وضعیت فعلی

Algorithmic-trading R&D: ~3 years 8 months
Platform development: ~5 months
Platform progress: 45%
Status: Active R&D / In Progress
Repository: Private
Primary focus: Crypto algorithmic-trading research

نتایج Backtest و شبیه‌سازی تاریخی در این پروژه ابزار ارزیابی مهندسی Strategy هستند؛ تضمین‌کننده عملکرد آینده یا توصیه سرمایه‌گذاری نیستند.

19:T31c8,

معرفی پروژه

مسئله تحقیقاتی

Xigma AlgoBot این دغدغه‌ها را به domainهای مستقل نرم‌افزاری تبدیل می‌کند.

معماری دامنه

Backend فعلی هفت domain اصلی دارد:

Account — حساب کاربری، احراز هویت و پروفایل
Financial — Wallet، Subscription، Transaction و Discount Code
Exchanges — پروفایل اتصال صرافی، Credential رمز‌شده و Testnet
Indicators — Technical Tool و schema پارامترها
Strategy — Strategy، Long/Short، Market Type، سرمایه و Entry/Exit Rule
Backtesting — داده تاریخی، Download Job، BacktestRun و Trade
Report — وضعیت Position و داده پایش runtime

API با Django REST Framework ارائه شده و Swagger/ReDoc دارد.

اتصال چندصرافی

Strategy Engine

Rule Engine

Indicator Registry داده‌محور

داده تاریخی OHLCV

Historical Candle با کلید منطقی زیر نگهداری می‌شود:

Exchange + Symbol + Timeframe + Timestamp

Backtesting Engine فعلی

Vertical slice فعلی این جریان را دارد:

Historical OHLCV
      ↓
Technical Analyzer
      ↓
Entry Rules
      ↓
Position Sizing + Leverage
      ↓
TP / SL Exit
      ↓
BacktestTrade
      ↓
Summary Metrics

محدودیت نسخه فعلی

مدیریت سرمایه و ریسک

Report و Observability

Async Architecture

Frontend

لایه مالی و SaaS

۳ سال و ۸ ماه R&D در برابر ۵ ماه توسعه پلتفرم

خود پلتفرم نرم‌افزاری حدود ۵ ماه است که متمرکز توسعه داده می‌شود و اکنون ۴۵٪ پیشرفت دارد.

نقاط قوت مهندسی

Research-first به جای Signal-first
ذخیره Strategy و Rule به‌عنوان داده‌ی قابل audit و تکرار
Indicatorهای پارامتریک با schema قابل مصرف توسط UI
lineage بین Strategy، BacktestRun و BacktestTrade
جدا بودن Exchange Credential/Profile از Strategy
معماری async از ابتدای پروژه
جداسازی Financial/SaaS Domain از Trading Core
ساختار دو‌زبانه و نمودارهای Lightweight Charts در Frontend

۵۵٪ باقی‌مانده

واقع‌گرایی Backtest

Fee، Slippage، Funding Rate، Order Type assumptions، partial fill، latency، liquidation/margin simulation و intrabar ambiguity.

اعتبارسنجی تحقیق

Out-of-sample، Walk-forward، controlled parameter sweep، جلوگیری از data leakage، robustness/Monte Carlo، benchmark و experiment versioning.

Strategy Language

Cross semantics، indicator comparison کامل، AND/OR group، nested rules، Exit Rule واقعی، trailing/dynamic exit و templateهای reusable.

Paper Trading

یک مرحله مستقل بین Backtest و Live Execution که Strategy را روی market data زنده با execution شبیه‌سازی‌شده آزمایش کند.

Live Execution Hardening

Order state machine، idempotency، retry، exchange reconciliation، cancel/replace، rate-limit handling، recovery، stale-data protection، kill switch و exposure limit.

Security & Operations

Secrets management، key rotation، audit trail، structured logging، metrics/alerting، backup/restore، CI/CD production profiles و security scanning.

Research UI

Strategy Builder، Backtest Workspace، مقایسه Runها، Equity/Drawdown chart، Market Data Explorer، Paper/Live Monitor، Exchange Health و Experiment History.

ارزش پلتفرم

ارزش فعلی Xigma AlgoBot «اتوماسیون تصمیم مالی» نیست؛ ارزش آن ساخت foundation یک محیط منظم برای Research Engineering است:

Data → Tools → Hypothesis → Rules → Backtest → Metrics → Review → Iterate

هدف بلندمدت این است که دانش تحقیق از notebook و scriptهای پراکنده به artifactهای قابل ثبت، مقایسه و بازتولید تبدیل شود.

فناوری‌ها

Backend: Python، Django 5، Django REST Framework، SimpleJWT، CCXT، NumPy، pandas، pandas-ta، cryptography

Data & Async: PostgreSQL 16، Redis 7، Celery، Celery Beat

Frontend: Next.js 16، React 19، TypeScript، Emotion، Framer Motion، Lightweight Charts، next-intl

Infrastructure: Docker Compose، Nginx، Gunicorn، Swagger/ReDoc

وضعیت فعلی

Algorithmic-trading R&D: ~3 years 8 months
Platform development: ~5 months
Platform progress: 45%
Status: Active R&D / In Progress
Repository: Private
Primary focus: Crypto algorithmic-trading research

b:[[["$","script","0",{"type":"application/ld+json","dangerouslySetInnerHTML":{"__html":"{\"@context\":\"https://schema.org\",\"@type\":\"CreativeWork\",\"headline\":\"Xigma AlgoBot — پلتفرم تحقیق و توسعه الگوریتم‌تریدینگ\",\"description\":\"پلتفرم تحقیق و توسعه برای طراحی، تست و پایش استراتژی‌های الگوریتمی کریپتو؛ شامل اتصال چندصرافی، Indicatorهای پارامتریک، Rule Engine، داده تاریخی، Backtesting و مدیریت سرمایه. پلتفرم پس از ۵ ماه توسعه ۴۵٪ پیشرفت دارد و بر پایه حدود ۳ سال و ۸ ماه R&D الگوریتم‌تریدینگ شکل گرفته است.\",\"image\":[\"https://alimahmoodi.net/media/projects/covers/2026/09/xigma-algobot/xigma-algobot-platform-fa-cover.svg\"],\"datePublished\":\"2026-09-17T15:34:59.227770+03:30\",\"dateModified\":\"2026-09-17T15:34:59.228769+03:30\",\"inLanguage\":\"fa-IR\",\"author\":{\"@type\":\"Person\",\"name\":\"Ali Mahmoodi\",\"url\":\"https://alimahmoodi.net/fa/about\"},\"publisher\":{\"@type\":\"Person\",\"name\":\"Ali Mahmoodi\",\"url\":\"https://alimahmoodi.net\",\"image\":{\"@type\":\"ImageObject\",\"url\":\"https://alimahmoodi.net/OG_LOGO.jpg\"}},\"mainEntityOfPage\":{\"@type\":\"WebPage\",\"@id\":\"https://alimahmoodi.net/fa/projects/xigma-algobot-platform\"}}"}}],["$","script","1",{"type":"application/ld+json","dangerouslySetInnerHTML":{"__html":"{\"@context\":\"https://schema.org\",\"@type\":\"BreadcrumbList\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"خانه\",\"item\":\"https://alimahmoodi.net/fa\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"پروژه‌ها\",\"item\":\"https://alimahmoodi.net/fa/projects\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Xigma AlgoBot — پلتفرم تحقیق و توسعه الگوریتم‌تریدینگ\",\"item\":\"https://alimahmoodi.net/fa/projects/xigma-algobot-platform\"}]}"}}]],["$","$L17",null,{"project":{"id":8,"title":"Xigma AlgoBot — پلتفرم تحقیق و توسعه الگوریتم‌تریدینگ","slug":"xigma-algobot-platform","description":"$18","description_html":"$19","short_description":"پلتفرم تحقیق و توسعه برای طراحی، تست و پایش استراتژی‌های الگوریتمی کریپتو؛ شامل اتصال چندصرافی، Indicatorهای پارامتریک، Rule Engine، داده تاریخی، Backtesting و مدیریت سرمایه. پلتفرم پس از ۵ ماه توسعه ۴۵٪ پیشرفت دارد و بر پایه حدود ۳ سال و ۸ ماه R&D الگوریتم‌تریدینگ شکل گرفته است.","category":{"id":5,"name":"فین‌تک، کوانت و تحقیق الگوریتمی","slug":"fintech-quant-research","icon":"chart-line","description":"Quantitative research, backtesting and algorithmic-trading software platforms","order":2,"projects_count":2},"client_name":"Independent R&D / Xigma AlgoBot","client_website":"","client_logo":null,"start_date":"1405-01-28","formatted_start_date":"28 Farvardin 1405","end_date":null,"formatted_end_date":null,"estimated_duration":"۵ ماه توسعه پلتفرم + ۳ سال و ۸ ماه R&D / 5 months platform + 3 years 8 months R&D","status":"in_progress","status_display":"In Progress","priority":"high","priority_display":"High","progress_percentage":45,"technologies":["Python","Django 5","Django REST Framework","SimpleJWT","PostgreSQL 16","Redis 7","Celery","Celery Beat","CCXT","cryptography","NumPy","pandas","pandas-ta","Next.js 16","React 19","TypeScript","Emotion","Framer Motion","Lightweight Charts","next-intl","Docker Compose","Nginx","Gunicorn","Swagger / ReDoc"],"cover_image":"https://alimahmoodi.net/media/projects/covers/2026/09/xigma-algobot/xigma-algobot-platform-fa-cover.svg","gallery_images":[{"id":13,"image":"https://alimahmoodi.net/media/project/gallery/2026/09/xigma-algobot/xigma-algobot-platform-fa-1.svg","image_url":"https://alimahmoodi.net/media/project/gallery/2026/09/xigma-algobot/xigma-algobot-platform-fa-1.svg","title":"Xigma AlgoBot Case Study — research pipeline — چرخه تحقیق، استراتژی و بک‌تست","alt_text":"چرخه تحقیق، استراتژی و بک‌تست","caption":"از داده تاریخی و ابزار تکنیکال تا Rule Engine، Backtest، اندازه‌گیری و بازطراحی فرضیه","order":1},{"id":14,"image":"https://alimahmoodi.net/media/project/gallery/2026/09/xigma-algobot/xigma-algobot-platform-fa-2.svg","image_url":"https://alimahmoodi.net/media/project/gallery/2026/09/xigma-algobot/xigma-algobot-platform-fa-2.svg","title":"Xigma AlgoBot Case Study — risk architecture — معماری اجرا، ریسک و مانیتورینگ","alt_text":"معماری اجرا، ریسک و مانیتورینگ","caption":"اتصال صرافی، مدیریت سرمایه و خروج، Celery/Redis، داده معاملات و گزارش وضعیت پوزیشن","order":2}],"video_demo_url":"","video_file":null,"project_url":"","github_url":"","documentation_url":"","views":2,"likes":0,"is_featured":true,"is_open_source":false,"duration_days":null,"related_projects":[],"language":"fa","seo_title":"Xigma AlgoBot | پلتفرم R&D الگوریتم‌تریدینگ و بک‌تست","seo_description":"Case Study پلتفرم Xigma AlgoBot؛ تحقیق الگوریتم‌تریدینگ کریپتو، Strategy Engine، Indicator Registry، داده OHLCV، Backtesting، مدیریت ریسک و اتصال چندصرافی. ۴۵٪ پیشرفت.","publish_date_iso":"2026-09-17T15:34:59.227770+03:30","updated_at":"2026-09-17T15:34:59.228769+03:30"},"locale":"fa","slug":"xigma-algobot-platform"}]]