Розробка AI-моделі прогнозування напрямку тренду під ключ

Часто трейдери бачать запізнілий сигнал від індикаторів. Ми розробляємо AI-класифікатори напрямку тренду, які передбачають рух ціни на кілька днів вперед. За 5 років ми реалізували 15+ проєктів: від хвилинних даних для інтрадей до денних для довгострокових стратегій. Навіть точність 52-55% дає позитивне матсподівання при правильному управлінні ризиками. Вартість розробки окупається за кілька місяців роботи. Економія від зниження кількості хибних сигналів може сягати десятків тисяч гривень на місяць.

Передбачення напрямку руху ціни (бінарна класифікація: вгору/вниз) простіше, ніж точна оцінка величини зміни. Тому ми фокусуємося на класифікаторах, а не регресії. Наш досвід показує: стабільний edge досягається за рахунок ансамблю моделей та строгого backtesting. Помилки в передбаченні напрямку ведуть до прямих збитків. Якісне калібрування ймовірностей знижує збитки від хибних сигналів.

Постановка як класифікаційна задача

Таргет (бінарний):

df['target'] = (df['close'].shift(-N) > df['close']).astype(int)
# 1 = ціна зросте за N днів, 0 = впаде або залишиться

Проблема незбалансованих класів: ринки часто мають незначний bias (наприклад, акції в довгостроковому тренді зростання). Ми використовуємо калібрування або балансування weight.

Альтернативна постановка: 3-класова (зростання / бічний рух / падіння) з зоною невизначеності ±0.2% — дозволяє утримуватися від торгівлі при невпевненому сигналі.

Чому бінарна класифікація ефективніша за регресію?

Регресія передбачає величину зміни, що складніше та зашумленіше. Бінарний підхід знижує дисперсію помилки та дозволяє використовувати прості порогові правила. Ми тестували обидва підходи: класифікація стабільніша на out-of-sample.

Feature Engineering

Momentum features (найбільш передбачувальні):

• Relative Strength: дохідність за 1/3/6/12 місяців
• Rate of change (ROC): log return за різні горизонти
• Acceleration: зміна momentum (momentum of momentum)

Mean reversion features:

• Deviation from SMA: (Close - SMA_20) / SMA_20
• Bollinger %B: (Close - Lower) / (Upper - Lower)
• RSI: рівні перекупленості/перепроданості

Volatility-adjusted features:

• Sharp/Smooth: ratio volatility на короткому vs. довгому вікні
• Price position в N-денному діапазоні (Williams %R)

Regime features:

• VIX рівень (risk-on / risk-off)
• Market breadth: % акцій вище SMA200
• Treasury yield curve slope (10y-2y)

Ensemble моделі

Базові класифікатори:

from sklearn.ensemble import VotingClassifier
from lightgbm import LGBMClassifier
from xgboost import XGBClassifier
from sklearn.linear_model import LogisticRegression

ensemble = VotingClassifier(
    estimators=[
        ('lgbm', LGBMClassifier(n_estimators=300, class_weight='balanced')),
        ('xgb', XGBClassifier(n_estimators=300, scale_pos_weight=ratio)),
        ('lr', LogisticRegression(C=0.1, class_weight='balanced'))
    ],
    voting='soft'  # імовірнісне голосування
)

Ensemble стабілізує pred, знижує overfit. Ми гарантуємо, що ансамбль підбирається під конкретний інструмент.

Як уникнути перетренування при торгівлі за сигналами?

Ключові техніки: Combinatorial Purged Cross-Validation (CPCV), регуляризація, моніторинг стабільності. Ми не використовуємо стандартну кросс-валідацію — вона дає зміщені оцінки через часову залежність. Метод CPCV виключає look-ahead bias (див. Cross-validation (statistics)).

Калібрування ймовірностей

Raw передбачення моделей часто погано відкалібровані. Для торгових стратегій це важливо: передбачена ймовірність 0.6 має означати реальну частоту 60%.

Щільність сигналу: нас цікавить правило торгівлі: торгуємо тільки при впевненості моделі > threshold. Precision-Recall крива допомагає вибрати поріг.

from sklearn.calibration import CalibratedClassifierCV
calibrated = CalibratedClassifierCV(ensemble, method='isotonic', cv=3)
calibrated.fit(X_train, y_train)

Управління ризиками при торгівлі за сигналом

Умови торгівлі:

• P(up) > 0.55: лонг
• P(up) < 0.45: шорт
• 0.45-0.55: немає позиції

Position sizing за впевненістю:

Position = (2 × P - 1) × Max_Position_Size × Volatility_Adjustment

Kelly-подібна формула: чим вище P, тим більше позиція.

Stop-loss: при лонгу, stop при -2 × ATR(14). Це механічний exit, що не залежить від перетренованої моделі.

Метрики та оцінка

Backtesting з реальними параметрами:

• Slippage: 0.05-0.1% на виконання
• Комісія: 0.02-0.05% per side
• Фінансування для шорту: annual rate / 365 per day

Після врахування TC модель повинна показувати Sharpe > 0.8 на out-of-sample для розгляду.

Поширені пастки:

• Overfitting до історичних патернів: CPCV допомагає
• Нестабільність: перетренована модель деградує за 1-3 місяці
• Regime change: модель, навчена на бічному русі, руйнується при трендовому ринку

Що входить у роботу

• Документація моделі (features, архітектура, метрики)
• API для отримання передбачень (REST/WebSocket)
• Monitoring dashboard (ковзна точність, drift detection)
• Навчання команди використанню моделі
• Підтримка 3 місяці після деплою

Оцініть ваш проєкт: зв'яжіться з нами для консультації. Замовте розробку під ключ — від збору даних до продакшн-експлуатації, отримайте консультацію з оптимізації стратегії.

Ми працюємо на ринку AI-рішень понад 5 років, реалізували 15+ проєктів у трейдингу та фінансовому моделюванні. Досвід команди підтверджується сертифікатами провідних ML-платформ.

Терміни: baseline модель з momentum features — 3-4 тижні. Повноцінна система з ensemble, calibration, backtesting та моніторингом — 8-12 тижнів.

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.