Розробка AI-системи моніторингу Twitter для торгових сигналів

Чому трейдери запізнюються на ринок

Ви торгуєте за фундаментальними новинами, але щоразу запізнюєтеся на кілька хвилин. Котирування вже полетіло, а ви тільки прочитали твіт. Ми побудували систему, яка скорочує шлях від публікації до торгового рішення до 5–15 секунд. Система окупається протягом 2–3 місяців за рахунок прискорення реакції на ринкові події.

Twitter/X залишається ключовою платформою для фінансового дискурсу: корпоративні новини витікають за хвилини до офіційних прес-релізів, інсайдери публікують натяки, а інфлюенсери рухають ринки. Завдання моніторингу в реальному часі — не просто зібрати твіти, а відфільтрувати шум, визначити значущість і згенерувати торговий сигнал із мінімальною затримкою. Реалізація такого пайплайну вимагає комбінації NLP, детекції аномалій та інтеграції з брокерськими API.

Фільтрація шуму та генерація сигналів

Ми використовуємо багатошарову архітектуру. Перший шар — Twitter API v2 з Filtered Stream, де на стороні сервера задаються правила для відбору твітів за тікерами, мовою та джерелами. Другий шар — локальний NLP-пайплайн на основі RuBERT, fine-tuned на розміченому корпусі фінансових твітів (1.2M записів). Модель оцінює тональність, виділяє сутності (компанії, персони, події) і присвоює confidence score. Третій шар — детектор аномалій: раптові сплески частоти згадувань тікера (Z-score >3) інтерпретуються як потенційна подія. Потім сигнал крос-валідується через новинні RSS та Google News API.

import tweepy

class FinancialTwitterStream(tweepy.StreamingClient):
    def __init__(self, bearer_token: str, processor):
        super().__init__(bearer_token)
        self.processor = processor

    def on_tweet(self, tweet):
        # Фільтрація та обробка
        if self.is_relevant(tweet):
            signal = self.processor.analyze(tweet)
            if signal.magnitude > 0.5:
                self.emit_signal(signal)

# Правила фільтрації
stream = FinancialTwitterStream(BEARER_TOKEN, processor)
stream.add_rules([
    tweepy.StreamRule("($GAZP OR $SBER OR $LKOH) lang:ru -is:retweet"),
    tweepy.StreamRule("(Газпром OR Сбербанк) финансы lang:ru -is:retweet"),
])
stream.filter(tweet_fields=["author_id", "created_at", "public_metrics"])

Типи торгових сигналів із Twitter

• Breaking news detection: раптовий сплеск твітів про компанію → можлива подія. Перевіряється через новинні API.
• Influencer monitoring: відстеження конкретних фінансових аналітиків, керуючих фондами, CEO компаній. Їхні твіти з високою вагою.
• Earnings sentiment: за 24–48 годин до публікації звітності — sentiment як предиктор результату.
• Event monitoring: M&A чутки, регуляторні новини, геополітика — перші згадування часто в Twitter.

Чому latency критична і як ми її мінімізуємо?

У трейдингу кожна секунда вирішує. Twitter API v2 (Pro tier) дає затримку 5–15 секунд, що в 4–6 разів швидше за новинні RSS. Telegram (pyrogram) швидше, але складніше фільтрувати. Ми впроваджуємо event-driven конвеєр на RabbitMQ, де кожен твіт паралельно проходить етапи NLP та детекції. Контейнеризація (Docker + Kubernetes) дозволяє масштабувати обробку до сотень тікерів без зростання p99 latency.

Порівняння джерел торгових сигналів

Порівняння методів аналізу тональності

RuBERT перевершує TextBlob на 32% за точністю і в 10 разів швидший за GPT-4 при подібній якості.

Що дає комбінація різних джерел?

Ми часто підключаємо Telegram як первинне джерело (затримка 2–3 с), а Twitter — для підтвердження та фільтрації false positives. Така зв'язка підвищує точність сигналів на 30% і знижує кількість помилкових спрацьовувань на 40%.

Як ми забезпечуємо real-time обробку?

Весь конвеєр: твіт потрапляє в чергу (RabbitMQ), паралельно проходять етапи NLP-аналізу (модель RuBERT на PyTorch, INT8 квантизація для зниження latency), детекції аномалій (Z-score) та генерації сигналу. Фінальний сигнал з метаданими надсилається у ваш термінал через REST API або WebSocket.

Етапи розробки системи

1. Аудит джерел — аналіз ваших поточних каналів та стратегії, визначення пріоритетних тікерів та анти-патернів.
2. Проектування пайплайну — вибір стеку NLP, налаштування правил фільтрації, проектування черг.
3. Розробка NLP-модуля — навчання або fine-tuning моделі, інтеграція з Hugging Face Transformers.
4. Інтеграція з терміналом — налаштування REST/WebSocket адаптера під MetaTrader, Binance або Interactive Brokers.
5. Тестування та оптимізація — A/B тестування, вимірювання p99 latency, налаштування порогів.
6. Деплой та моніторинг — розгортання на Kubernetes, налаштування Grafana дашбордів.

Що входить в роботу

• Архітектурна документація та схема пайплайну.
• Вихідний код NLP-модуля та інтеграцій.
• Доступ до дашбордів моніторингу (Grafana).
• Навчання вашої команди роботі з системою.
• Технічна підтримка на етапі впровадження.

Більше 5 років досвіду в AI-трейдингу. Реалізовано понад 20 проєктів для фондів і проп-трейдерів. Гарантія якості — сертифіковані інженерії з досвідом у NLP та HFT.

Зв'яжіться з нами для аудиту — оцінимо стек і терміни. Економія на ручному аналізі дозволяє системі окупитися протягом кількох місяців. Орієнтовна вартість MVP — від $15 000.

NLP розробка: чому accuracy не підходить для рідкісних класів?

До нас приходить задача: обробляти 50 тисяч звернень до служби підтримки — зараз все вручну. Датасет — 3000 розмічених прикладів, 12 категорій, дисбаланс: одна категорія займає 40% вибірки, три по 1‑2%. Baseline accuracy — 78%. Звучить непогано, поки не дивишся на recall по рідкісних класах: 0.31, 0.44, 0.28. Саме ці класи — скарги та загрози відтоку — найважливіші для бізнесу.

Це типовий проект NLP розробки. Проблема не в алгоритмі, а в тому, що accuracy — не та метрика. Наш досвід показує: у понад 30 проектах ми починаємо з аналізу бізнес‑метрик і лише потім обираємо модель.

Чому accuracy — не та метрика для рідкісних класів?

Accuracy ігнорує дисбаланс. Якщо клас «відтік» зустрічається у 2% випадків, модель може передбачати «все добре» і отримати 98% accuracy — але бізнес втрачає клієнтів. Рішення: F1 macro (усереднення за всіма класами) або weighted F1. Для NER — strict entity F1 (лише точні збіги). Гарантуємо: після вибору правильної метрики якість моделі стає вимірною та прогнозованою.

Класифікація тексту: від BERT до дистиляції

BERT-подібні моделі — стандарт для класифікації. ruBERT-base або ruBERT-large від DeepPavlov для російської мови. multilingual‑e5‑large — якщо потрібно працювати з кількома мовами в одному пайплайні. XLM‑RoBERTa‑large — сильний multilingual backbone.

Fine‑tuning для класифікації: додаємо classification head поверх [CLS]‑токена, навчаємо 3‑5 епох з lr=2e‑5, weight decay=0.01. При дисбалансі — weighted CrossEntropyLoss або focal loss з gamma=2.0. Пишіть — покажемо code snippet.

Кейс з дисбалансом. Датасет — 3000 прикладів, дисбаланс 1:20. Рішення: class_weight через sklearn + CrossEntropyLoss. Додатково — augmentation редкісних класів через backtranslation (ru→en→ru через MarianMT). Recall по рідкісних класах виріс з 0.31 до 0.67 при незначному падінні accuracy (76%→74%). Повна NLP розробка під ключ зайняла 3 тижні.

Дистиляція для production. BERT‑large дає F1 0.89, але inference на CPU — 180ms. Дистиляція в DistilBERT або ruBERT‑tiny2 знижує latency до 25ms при F1 0.84. DistilBERT працює в 7 разів швидше за BERT‑large при падінні F1 лише на 5%. Експорт в ONNX Runtime з int8 quantization дає додатковий 1.5‑2x. Оцінимо проект — розрахуємо економію на інфраструктурі.

Як вибрати модель класифікації під ваш датасет?

Для малих датасетів (до 5000 прикладів) достатньо fine‑tuned DistilBERT. Якщо потрібна багатомовність — XLM‑RoBERTa. При жорстких обмеженнях latency — дистильована модель з ONNX Runtime. Ми допомагаємо обрати оптимальний трейдофф якість/швидкість/вартість інфраструктури.

NER: розпізнавання іменованих сутностей

NER — вилучення персон, організацій, локацій, дат, сум, номерів документів. Для загальних категорій (PER, ORG, LOC) переднавчені моделі працюють добре. Для спеціалізованих (медичні терміни, юридичні поняття) — потрібен fine‑tuning.

Розмітка даних. Основна вартість NER‑проекту. Для якісної моделі — 500‑2000 розмічених речень на кожен тип сутності. Інструменти: Label Studio (open source) або Prodigy (від творців spaCy). Формат IOB2 — стандарт.

Архітектура. Token classification поверх BERT: кожному токену мітка (B‑PER, I‑PER, O). spaCy 3.x з transformer pipeline — зручний production‑вибір.

Вкладені сутності. Стандартні IOB‑моделі не обробляють вкладені сутності (організація всередині адреси). Для таких задач — span‑based NER: SpanBERT або SpERT. Складніше, але правильно.

Постобробка обов’язкова. Модель передбачає токени — потрібні нормалізовані сутності. Дата — dateparser. Суми — regex + валідація. Імена — дедуплікація через rapidfuzz. Входить у нашу стандартну поставку.

Sentiment Analysis та opinion mining

Бінарна класифікація positive/negative працює з BERT з коробки. Складність — аспектна тональність (ABSA): «у ресторані хороша кухня, але жахливий сервіс». Для ABSA: aspect extraction (NER) + sentiment за кожним аспектом. Joint моделі BERT‑for‑ABSA — якість на російських даних нижча через дефіцит датасетів. RuSentiment, SentiRuEval — основні ресурси.

Для продакшену з простим позитив/негатив/нейтраль: distil‑моделі достатньо. Три класи, balanced датасет, 2000+ прикладів — F1 macro 0.82‑0.87 за 1‑2 дні.

Сумарізація тексту

Екстрактивна сумарізація (обираємо речення) — TextRank або BM25 без навчання. Швидко, не галюцинує. Добре для довгих документів.

Абстрактивна (генерує новий текст) — seq2seq: mT5, mBART, FRED‑T5, ruT5‑large. Для production через LLM API (GPT‑4, Claude) — часто найкращий трейдофф вартість/якість/швидкість. Звертайте увагу на context window моделі: для документів > 4k токенів використовуйте chunking.

Ембеддинги: векторні представлення тексту

Ембеддинги — основа семантичного пошуку, дедуплікації, кластеризації, RAG. Якість критично впливає на downstream задачі.

Моделі. E5‑large‑v2, BGE‑M3, multilingual‑e5‑large — сильні multilingua embedders. sentence‑transformers/paraphrase‑multilingual‑mpnet‑base‑v2 — швидкий варіант. Для російської: ru‑en‑RoSBERTa (Skoltech) хороший на semantic textual similarity.

Як оцінити якість ембеддингів? MTEB benchmark — стандарт. Але топові результати на MTEB не гарантують успіх на доменному датасеті — будуємо домен‑специфічний eval.

Fine‑tuning ембеддингів. Якщо стандартні моделі не дають потрібного Recall@k — contrastive learning на доменних парах з MultipleNegativesRankingLoss. 500‑2000 пар, 1‑3 епохи — 5‑15% приріст Recall@k.

Розмірність та зберігання. E5‑large: 1024 dim, float32 — 4KB на вектор. При 10M документів — 40GB. INT8 quantization знижує до 10GB. FAISS IVF_PQ — ще компактніше, але з втратами. Входить у наші рекомендації по деплою.

Вилучення інформації

Структуроване вилучення — одна з частих задач. Приклади: ключові умови договору, технічні характеристики, дати та суми з рахунків.

1. Regex + rule-based. Для ІПН, ЄДРПОУ, сум, дат — надійніше нейромережі. Не потребує даних.
2. NER + постобробка. Для варіативних форматів.
3. LLM з structured output. GPT‑4 / Claude з JSON schema — для складних документів. Вартість: залежить від обсягу документів. Для 10k+ документів/день — рахуємо економіку.

Гарантуємо гібрид: regex/NER для типових полів + LLM для edge cases. Сертифікат довіри: 5 років на ринку, >30 проектів.

Етапи роботи

Прототип на існуючих даних — 1‑3 тижні. Production‑система з CI/CD — 1.5‑2.5 місяця. Вартість розраховується індивідуально — зв'яжіться з нами для консультації та оцінки.

Що входить у роботу

• Документація з архітектури моделі та пайплайну
• Доступи до моделі через REST API (FastAPI + ONNX)
• Навчання команди замовника (2 години вебінару + Q&A)
• Гарантія на точність моделі на обумовленій тестовій вибірці
• Підтримка 3 місяці після здачі (багфікс, адаптація під нові дані)

Наш досвід

Понад 5 років у NLP, 30+ проектів від класифікації до RAG‑систем. Команда включає ML‑інженерів з досвідом у Hugging Face, spaCy, LangChain, MLOps. Використовуємо vLLM, Kubeflow, Weights & Biases — продакшен‑стек, а не іграшки. Замовте консультацію — оцінимо проект за 2 дні.