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
| Метод | Точность (1-min forecast) | Время обучения | Интерпретируемость |
|---|---|---|---|
| Линейная регрессия на CVD | 55-60% | 1 час | Высокая |
| Gradient Boosting | 60-65% | 2-4 часа | Средняя |
| Footprint CNN | 65-70% | 1-2 дня (GPU) | Низкая |
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)
| Инструмент | Линейная регрессия | Gradient Boosting | Footprint CNN |
|---|---|---|---|
| E-mini S&P 500 | 57% | 63% | 68% |
| BTC/USD | 55% | 61% | 66% |
| EUR/USD | 59% | 64% | 70% |
CNN стабильно опережает классические ML-модели на всех инструментах, особенно на волатильных рынках.
Процесс внедрения AI-модели
- Аудит данных — оценка качества тиковых данных, выбор источника, расчёт необходимого объёма (минимум 3 месяца истории).
- Feature Engineering — разработка признаков Order Flow, Volume Profile, Stacked Imbalance.
- Базовая модель — Linear Regression или LightGBM для быстрого baseline (3-4 недели).
- Продвинутая модель — Footprint CNN с backtesting и оптимизацией (3-4 месяца).
- MLOps Pipeline — развёртывание модели в production (Kubernetes, vLLM, Kafka для потоковой обработки).
- 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.