AI-прогнозирование цен криптовалют в мобильном приложении

Честное предупреждение: предсказание цен криптовалют — задача с высоким шумом. Академические работы показывают accuracy 54–60% на направление движения для LSTM моделей на BTC — это немного лучше случайного угадывания. Ценность системы не в точности предсказания, а в том, что она обрабатывает больше сигналов быстрее, чем человек вручную. Например, наша модель анализирует 168 часовых OHLCV свечей с Binance, 20+ on-chain метрик от Glassnode и 15 технических индикаторов — всего более 50 фич. Это позволяет выявлять паттерны, которые человек просто не заметит. Однако даже при таком объёме данных абсолютная точность недостижима. Поэтому мы делаем упор на вероятностный прогноз с доверительным интервалом.

Как AI-прогнозирование цен криптовалют работает в мобильном приложении?

Мы разрабатываем AI-модели для прогнозирования криптовалютных рынков, интегрируя их в мобильные приложения. Команда имеет опыт в машинном обучении и мобильной разработке, включая проекты для криптовалютных бирж и аналитических платформ. Результат — система, которая помогает принимать решения на основе анализа сотен фич. Оценим ваш проект — свяжитесь с нами.

Данные и фичи

OHLCV через CCXT

ccxt — Python библиотека с единым API для 100+ бирж. Стандарт для получения исторических данных:

import ccxt
import pandas as pd

exchange = ccxt.binance()
ohlcv = exchange.fetch_ohlcv(
    symbol="BTC/USDT",
    timeframe="1h",
    since=exchange.parse8601("2023-01-01T00:00:00Z"),
    limit=1000
)
df = pd.DataFrame(ohlcv, columns=["timestamp", "open", "high", "low", "close", "volume"])
df["timestamp"] = pd.to_datetime(df["timestamp"], unit="ms")

Binance отдаёт до 1000 свечей за запрос. Для полной истории — пагинация через параметр since.

On-chain данные

Для BTC и ETH on-chain метрики добавляют сигналы, которых нет в OHLCV:

• Glassnode API: SOPR (Spent Output Profit Ratio), NVT, NUPL, Exchange Net Flow. Платный, но есть бесплатный тир с дневными данными.
• Etherscan API: объём транзакций, gas fees, активные адреса.
• CoinGecko / CoinMarketCap: market cap, dominance, total market volume.

import requests

class GlassnodeCollector:
    BASE_URL = "https://api.glassnode.com/v1/metrics"

    def get_sopr(self, api_key: str, since: int, until: int) -> pd.DataFrame:
        response = requests.get(
            f"{self.BASE_URL}/indicators/sopr",
            params={
                "a": "BTC",
                "i": "24h",
                "s": since,
                "u": until,
                "api_key": api_key
            }
        )
        data = response.json()
        return pd.DataFrame(data).rename(columns={"t": "timestamp", "v": "sopr"})

SOPR > 1 на рынке в рост = держатели продают в прибыль. SOPR < 1 на падении = капитуляция. Это дополнительный контекст для ML-модели.

Технические индикаторы

Сырые OHLCV → технические индикаторы через pandas-ta или ta-lib:

import pandas_ta as ta
df.ta.rsi(length=14, append=True) # RSI_14
df.ta.macd(append=True) # MACD_12_26_9, MACDh, MACDs
df.ta.bbands(length=20, append=True) # BBL, BBM, BBU, BBB, BBP
df.ta.atr(length=14, append=True) # ATRr_14
df.ta.obv(append=True) # OBV
df.ta.vwap(append=True) # VWAP_D

Все индикаторы нормализуем. RSI уже в [0, 100]. MACD — нормализуем Z-score или min-max по скользящему окну. Сырые цены в модель не подаём — даём returns (процентное изменение) и нормализованные фичи.

Как Temporal Fusion Transformer улучшает прогноз?

Temporal Fusion Transformer (TFT) от Google — state-of-the-art для финансовых временных рядов. Поддерживает несколько временных горизонтов, static и dynamic covariates, интерпретируемость через attention. Реализован в pytorch-forecasting. Тяжелее LSTM, но точнее при правильно подготовленных данных. Согласно исследованию Google, TFT даёт прирост accuracy на 2–5% по сравнению с LSTM на одинаковых данных.

Почему ансамбль моделей даёт лучший результат?

LSTM для временных рядов

Стандартный выбор. Принимает последовательность из N свечей, предсказывает следующую:

import tensorflow as tf

def build_lstm_model(sequence_length: int, n_features: int) -> tf.keras.Model:
    inputs = tf.keras.Input(shape=(sequence_length, n_features))
    x = tf.keras.layers.LSTM(128, return_sequences=True, dropout=0.2)(inputs)
    x = tf.keras.layers.LSTM(64, dropout=0.2)(x)
    x = tf.keras.layers.Dense(32, activation="relu")(x)
    outputs = tf.keras.layers.Dense(3, activation="softmax")(x)  # up/down/sideways
    return tf.keras.Model(inputs, outputs)

Классификация направления (up/down/sideways) надёжнее регрессии точной цены. Метрика — accuracy и F1 на out-of-sample данных.

XGBoost как baseline

Не недооценивайте gradient boosting на правильных фичах. XGBoost без temporal context часто конкурирует с LSTM. Быстро обучается, легко конвертируется в TFLite. Отличный baseline для сравнения.

Сравнение моделей

Деплой в мобильном приложении

Инференс — на сервере. Модель принимает 168 часовых свечей (7 дней), возвращает вероятности направления на 4/8/24 часа. REST endpoint с кешированием: прогноз пересчитывается раз в час.

На мобиле — только отображение результата:

struct PricePrediction: Codable {
    let symbol: String
    let horizon4h: PredictionOutcome
    let horizon8h: PredictionOutcome
    let horizon24h: PredictionOutcome
    let updatedAt: Date
}

struct PredictionOutcome: Codable {
    let direction: String // "up", "down", "sideways"
    let probability: Double // 0.0 - 1.0
    let confidenceInterval: ClosedRange<Double> // ценовой диапазон
}

Доверительный интервал (quantile regression) показывает диапазон вместо точечного предсказания: «BTC через 24ч: 55 000–61 000 USDT с вероятностью 70%» — честнее, чем «57 432 USDT».

Мониторинг деградации модели

Криптовалютный рынок меняется: bull/bear режимы, новые активы, регуляторные события. Модель, обученная на бычьем рынке, плохо работает в медвежий.

Метрики мониторинга:

• rolling accuracy за последние 30 дней
• distribution shift входных фич (KL-дивергенция train vs recent data)
• Sharpe ratio если используется в торговле

При degrade (accuracy упала на 5%+ от baseline) — автоматическое переобучение на свежих данных.

Что входит в работу

1. Сбор и очистка данных (OHLCV + on-chain)
2. Feature engineering и normalization
3. Обучение и валидация нескольких моделей (LSTM, TFT, XGBoost)
4. Выбор лучшей, конвертация и деплой REST API
5. Мобильный UI: график с прогнозом, доверительный интервал
6. Настройка мониторинга и автопереобучения
7. Документация и обучение команды

Ориентиры по срокам

LSTM-модель с базовым набором фич и мобильным дашбордом — от 2 до 4 недель. Ансамбль с on-chain данными, multi-horizon прогнозом и мониторингом — от 5 до 10 недель.

Стоимость рассчитывается индивидуально после анализа требований. Получите консультацию по выбору архитектуры — свяжитесь с нами для оценки вашего проекта. Мы помогаем от идеи до деплоя в App Store и Google Play.

Дисклеймер: В приложении обязательно: «Прогнозы носят информационный характер. Прошлая точность не гарантирует будущей. Не является инвестиционной рекомендацией.»