AI-модель аналізу потоку ордерів Order Flow

Ви торгуєте ф'ючерси E-mini S&P 500. Ціна тримається у вузькому діапазоні 15 хвилин, але об'єм у стакані зростає. Звичайні індикатори мовчать, а Order Flow-модель бачить: об'єми покупця агресивно перевищують продавця, CVD зростає, Footprint показує кластери на рівні 4500. Через 2 хвилини ціна пробиває рівень знизу — ви заздалегідь знаєте, що це хибний прорив. Наша AI-модель аналізу Order Flow дає таку перевагу. Рішення вже впроваджені в 10+ проєктах, досвід команди — понад 5 років в AI/ML для фінансових ринків.

Як працює класифікація агресора?

Кожна угода має ініціатора — агресивну сторону. За алгоритмом Lee-Ready, запропонованим понад 30 років тому: угода за ціною вище попередньої → buyer-initiated, нижче → seller-initiated. Якщо ціна не змінилася — дивимося на попередній рух. Ми донавчаємо класифікатор на розмічених даних, підвищуючи точність до 95% для криптовалют (Binance) і 92% для ф'ючерсів (CME).

Що таке Delta і CVD?

CVD (Cumulative Volume Delta) — ключовий індикатор Order Flow:

Delta = Buyer_Volume - Seller_Volume
CVD = Σ Delta за період

Позитивний CVD при зростанні ціни = підтвердження тренду. Негативний CVD при зростанні = дивергенція, часто передує розвороту. Ми будуємо CVD для кількох часових вікон (1s, 30s, 5min) і подаємо в модель як ознаку. Додатково — Absorption: коли великий учасник поглинає агресивні ордери без руху ціни. Це рівні підтримки/опору, які модель вчиться детектувати.

Feature Engineering: від тиків до ознак

Тикові дані перетворюються на ознаки 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 — гістограма об'єму за ціновими рівнями. VPOC (Volume Point of Control) — рівень з максимальним об'ємом, використовується як support/resistance. Time and Sales аналіз: кластери великих угод за короткий час = великий гравець входить у позицію.

Footprint CNN: коли нейромережа читає кластери

Footprint Chart (Cluster Chart) об'єднує Order Book і Order Flow: кожна свічка розбита на цінові рівні, кожен рівень містить [buyer_volume × seller_volume]. Ми подаємо ці дані як 3D-тензор [time_bins × price_levels × 2] у згорткову мережу:

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 навчається детектувати дивергенції та absorption, недоступні лінійним моделям.

Порівняння підходів: ML vs класичні індикатори

CNN на footprint даних краще звичайних технічних індикаторів у 2-3 рази за точністю прогнозу напрямку ціни на коротких інтервалах.

Порівняння точності за інструментами (1-хвилинний прогноз)

CNN стабільно випереджає класичні ML-моделі на всіх інструментах, особливо на волатильних ринках.

Процес впровадження AI-моделі

1. Аудит даних — оцінка якості тикових даних, вибір джерела, розрахунок необхідного об'єму (мінімум 3 місяці історії).
2. Feature Engineering — розробка ознак Order Flow, Volume Profile, Stacked Imbalance.
3. Базова модель — Linear Regression або LightGBM для швидкого baseline (3-4 тижні).
4. Продвинута модель — Footprint CNN з backtesting та оптимізацією (3-4 місяці).
5. MLOps Pipeline — розгортання моделі в production (Kubernetes, vLLM, Kafka для потокової обробки).
6. Моніторинг и дрейф — автоматична переоцінка якості, alerting при падінні метрик.

Що входить в результат

• Вихідний код моделі та пайплайнів (Python, PyTorch/TensorFlow).
• Документація: опис архітектури, інструкція з запуску, API‑специфікація.
• Навчання команди (2-3 сесії по 4 години).
• Технічна підтримка 3 місяці після впровадження.
• Гарантія: якщо модель не досягає цільових метрик (ROC-AUC ≥ 0.7 на валідації), ми доопрацьовуємо її безкоштовно.

Орієнтовні терміни

• Order Flow Feature Engineering + baseline regression: 3-4 тижні.
• Footprint CNN з backtesting та production pipeline: 3-4 місяці.
• Вартість розраховується індивідуально після аудиту даних та поставлених KPI. Зв'яжіться з нами для консультації — ми підберемо оптимальне рішення під вашу інфраструктуру та бюджет. Замовте пілотний проєкт: проведемо аудит даних і покажемо baseline моделі за 2 тижні.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.