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
| Метод | Точність (1-min forecast) | Час навчання | Інтерпретованість |
|---|---|---|---|
| Лінійна регресія на CVD | 55-60% | 1 година | Висока |
| Gradient Boosting | 60-65% | 2-4 години | Середня |
| Footprint CNN | 65-70% | 1-2 дні (GPU) | Низька |
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)
| Інструмент | Лінійна регресія | Gradient Boosting | Footprint CNN |
|---|---|---|---|
| E-mini S&P 500 | 57% | 63% | 68% |
| BTC/USD | 55% | 61% | 66% |
| EUR/USD | 59% | 64% | 70% |
CNN стабільно випереджає класичні ML-моделі на всіх інструментах, особливо на волатильних ринках.
Процес впровадження AI-моделі
- Аудит даних — оцінка якості тикових даних, вибір джерела, розрахунок необхідного об'єму (мінімум 3 місяці історії).
- Feature Engineering — розробка ознак Order Flow, Volume Profile, Stacked Imbalance.
- Базова модель — Linear Regression або LightGBM для швидкого baseline (3-4 тижні).
- Продвинута модель — Footprint CNN з backtesting та оптимізацією (3-4 місяці).
- MLOps Pipeline — розгортання моделі в production (Kubernetes, vLLM, Kafka для потокової обробки).
- 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.