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 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.

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.»

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).