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 бесплатно — 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.
Пример сбора on-chain данных
Выше показан пример получения SOPR. Аналогично собираются NVT, NUPL и другие метрики.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
| Модель | Преимущества | Недостатки |
|---|---|---|
| LSTM | Учитывает временной контекст | Медленное обучение, много данных |
| TFT | Интерпретируемость, точность | Сложная конфигурация |
| XGBoost | Скорость, простота | Нет temporal memory |
| Ensemble | Компенсация слабостей | Сложнее деплой |
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
- Сбор и очистка данных (OHLCV + on-chain)
- Feature engineering и normalization
- Обучение и валидация нескольких моделей (LSTM, TFT, XGBoost)
- Выбор лучшей, конвертация и деплой REST API
- Мобильный UI: график с прогнозом, доверительный интервал
- Настройка мониторинга и автопереобучения
- 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.»