AI-модель анализа потока ордеров Order Flow

Вы торгуете фьючерсы E-mini S&P 500. Цена держится в узком диапазоне 15 минут, но объём в стакане растёт. Обычные индикаторы молчат, а Order Flow-модель видит: объёмы покупателя агрессивно превышают продавца, CVD растёт, Footprint показывает кластеры на уровне 4500. Через 2 минуты цена пробивает уровень снизу — вы заранее знаете, что это ложный пробой. Наша AI-модель анализа Order Flow даёт такое преимущество. Решения уже внедрены в 10+ проектах, опыт команды — более 5 лет в AI/ML для финансовых рынков.

Как работает классификация агрессора?

Каждая сделка имеет инициатора — агрессивную сторону. По алгоритму Lee-Ready, предложенному более 30 лет назад: сделка по цене выше предыдущей → buyer-initiated, ниже → seller-initiated. Если цена не изменилась — смотрим на предыдущее движение. Мы дообучаем классификатор на размеченных данных, повышая точность до 95% для криптовалют (Binance) и 92% для фьючерсов (CME).

Что такое Delta и CVD?

CVD (Cumulative Volume Delta) — ключевой индикатор Order Flow:

Delta = Buyer_Volume - Seller_Volume
CVD = Σ Delta за период

Положительный CVD при росте цены = подтверждение тренда. Отрицательный CVD при росте = дивергенция, часто предшествует развороту. Мы строим CVD для нескольких временных окон (1s, 30s, 5min) и подаём в модель как признак. Дополнительно — Absorption: когда крупный участник поглощает агрессивные ордера без движения цены. Это уровни поддержки/сопротивления, которые модель учится детектировать.

Feature Engineering: от тиков до признаков

Тиковые данные превращаются в признаки через rolling window aggregation:

def compute_order_flow_features(trades_df, window_seconds=60):
    features = {}
    trades_df['initiator'] = np.where(trades_df['side'] == 'buy', 1, -1)
    features['buy_volume'] = trades_df[trades_df.initiator==1]['volume'].rolling(f'{window_seconds}s').sum()
    features['sell_volume'] = trades_df[trades_df.initiator==-1]['volume'].rolling(f'{window_seconds}s').sum()
    features['cvd'] = features['buy_volume'] - features['sell_volume']
    features['trade_imbalance'] = features['cvd'] / (features['buy_volume'] + features['sell_volume'])
    features['avg_buy_size'] = (features['buy_volume'] / buy_count)
    features['avg_sell_size'] = (features['sell_volume'] / sell_count)
    features['large_buy_ratio'] = (large_buy_volume / total_volume)
    return features

Volume Profile — гистограмма объёма по ценовым уровням. VPOC (Volume Point of Control) — уровень с максимальным объёмом, используется как support/resistance. Time and Sales анализ: кластеры крупных сделок за короткое время = крупный игрок входит в позицию.

Footprint CNN: когда нейросеть читает кластеры

Footprint Chart (Cluster Chart) объединяет Order Book и Order Flow: каждая свеча разбита на ценовые уровни, каждый уровень содержит [buyer_volume × seller_volume]. Мы подаём эти данные как 3D-тензор [time_bins × price_levels × 2] в свёрточную сеть:

class FootprintCNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv3d(1, 32, kernel_size=(3, 3, 2))
        self.conv2 = nn.Conv3d(32, 64, kernel_size=(3, 3, 1))
        self.flatten = nn.Flatten()
        self.fc = nn.Linear(64 * ..., 1)

CNN обучается детектировать дивергенции и absorption, недоступные линейным моделям.

Сравнение подходов: ML vs классические индикаторы

CNN на footprint данных лучше обычных технических индикаторов в 2-3 раза по точности прогноза направления цены на коротких интервалах.

Сравнение точности по инструментам (1-минутный прогноз)

CNN стабильно опережает классические ML-модели на всех инструментах, особенно на волатильных рынках.

Процесс внедрения AI-модели

1. Аудит данных — оценка качества тиковых данных, выбор источника, расчёт необходимого объёма (минимум 3 месяца истории).
2. Feature Engineering — разработка признаков Order Flow, Volume Profile, Stacked Imbalance.
3. Базовая модель — Linear Regression или LightGBM для быстрого baseline (3-4 недели).
4. Продвинутая модель — Footprint CNN с backtesting и оптимизацией (3-4 месяца).
5. MLOps Pipeline — развёртывание модели в production (Kubernetes, vLLM, Kafka для потоковой обработки).
6. Мониторинг и дрейф — автоматическая переоценка качества, alerting при падении метрик.

Что входит в результат

• Исходный код модели и пайплайнов (Python, PyTorch/TensorFlow).
• Документация: описание архитектуры, инструкция по запуску, API‑спецификация.
• Обучение команды (2-3 сессии по 4 часа).
• Техническая поддержка 3 месяца после внедрения.
• Гарантия: если модель не достигает целевых метрик (ROC-AUC ≥ 0.7 на валидации), мы дорабатываем её бесплатно.

Ориентировочные сроки

• Order Flow Feature Engineering + baseline regression: 3-4 недели.
• Footprint CNN с backtesting и production pipeline: 3-4 месяца.
• Стоимость рассчитывается индивидуально после аудита данных и поставленных KPI. Свяжитесь с нами для консультации — мы подберём оптимальное решение под вашу инфраструктуру и бюджет. Закажите пилотный проект: проведём аудит данных и покажем baseline модели за 2 недели.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.