Система класифікації крипто-транзакцій для податкового обліку

Розробка системи класифікації крипто-транзакцій

При 5000+ транзакцій за рік податкова вимагає детальну звітність. Кожна неправильно класифікована транзакція — ризик донарахувань. Для трейдерів, стейкерів і учасників DeFi розібратися в цьому вручну майже неможливо. Ми розробляємо систему, яка автоматично відносить кожну операцію до потрібного податкового типу: trade, income, airdrop або staking reward. Результат — зниження ручної праці на 80–90% і повна впевненість у звітності. Все будується на rule engine для типових випадків, ML fallback для складних і manual review queue. Отримайте консультацію — оцінимо ваш проект безкоштовно.

Як система класифікації крипто-транзакцій знижує податкові ризики?

Податкові органи все частіше запитують деталізацію крипто-операцій. У США IRS вимагає окремо звітувати airdrop і staking reward, у Німеччині — розрізняти короткострокові та довгострокові холди. Помилка в класифікації може коштувати тисяч доларів. Система використовує комбінацію правил, що перевіряються аудиторами, і ML-моделі, навченої на реальних даних. Це забезпечує точність понад 95% для типових випадків і знижує ручну роботу на 80–90%.

Як ми будуємо систему: rule engine і ML fallback

Ієрархія типів транзакцій

enum TaxCategory { // Capital events BUY = "buy", SELL = "sell", SWAP = "swap", NFT_MINT = "nft_mint", NFT_SALE = "nft_sale", NFT_ROYALTY = "nft_royalty", // Income events STAKING_REWARD = "staking_reward", MINING_REWARD = "mining_reward", LENDING_INTEREST = "lending_interest", LIQUIDITY_FEES = "liquidity_fees", AIRDROP = "airdrop", HARD_FORK = "hard_fork", REFERRAL = "referral", PLAY_TO_EARN = "play_to_earn", // Non-taxable TRANSFER = "transfer", COLLATERAL_DEPOSIT = "collateral", COLLATERAL_RETURN = "collateral_return", WRAPPED_TOKEN_MINT = "wrap", WRAPPED_TOKEN_BURN = "unwrap", LP_DEPOSIT = "lp_deposit", LP_WITHDRAWAL = "lp_withdrawal", // Gas GAS_FEE = "gas_fee", UNCLASSIFIED = "unclassified", } 

Це базова таксономія, що покриває 99% операцій. При необхідності додаються кастомні категорії під конкретний проект.

Двигун класифікації

class TransactionClassifier { async classify(tx: UnifiedTransaction, userContext: UserContext): Promise<ClassificationResult> { const rules = this.getRulesForContext(userContext); for (const rule of rules) { const result = await rule.apply(tx, userContext); if (result.matched) { return { category: result.category, confidence: result.confidence, ruleId: rule.id, metadata: result.metadata, }; } } return { category: TaxCategory.UNCLASSIFIED, confidence: 0, requiresManualReview: true, }; } } 

Правила застосовуються за пріоритетами. Приклади правил:

const CLASSIFICATION_RULES: ClassificationRule[] = [ { id: "SELF_TRANSFER", priority: 100, apply: async (tx, ctx) => { if (tx.fromAddress && tx.toAddress) { const [from, to] = await Promise.all([ ctx.isUserAddress(tx.fromAddress), ctx.isUserAddress(tx.toAddress), ]); if (from && to) return { matched: true, category: TaxCategory.TRANSFER, confidence: 0.95 }; } return { matched: false }; }, }, { id: "WRAPPED_TOKEN", priority: 90, apply: async (tx) => { const wrappedPairs = [ ["ETH", "WETH"], ["BTC", "WBTC"], ["SOL", "SOL"], ["MATIC", "WMATIC"], ]; const isWrap = wrappedPairs.some( ([native, wrapped]) => (tx.assetIn === native && tx.assetOut === wrapped) || (tx.assetIn === wrapped && tx.assetOut === native) ); if (isWrap) return { matched: true, category: tx.assetIn.startsWith("W") ? TaxCategory.WRAPPED_TOKEN_BURN : TaxCategory.WRAPPED_TOKEN_MINT, confidence: 0.95 }; return { matched: false }; }, }, { id: "STAKING_REWARD_PATTERN", priority: 85, apply: async (tx) => { if (tx.type === "receive" && !tx.assetOut && tx.source === "staking") { return { matched: true, category: TaxCategory.STAKING_REWARD, confidence: 0.90 }; } const isStakingContract = await isKnownStakingContract(tx.fromAddress); if (tx.type === "receive" && isStakingContract) { return { matched: true, category: TaxCategory.STAKING_REWARD, confidence: 0.80 }; } return { matched: false }; }, }, { id: "AIRDROP_PATTERN", priority: 80, apply: async (tx) => { if (tx.type === "receive" && !tx.assetOut) { const isMassDistribution = await checkMassDistribution(tx.txHash, tx.assetIn); if (isMassDistribution) { return { matched: true, category: TaxCategory.AIRDROP, confidence: 0.75 }; } } return { matched: false }; }, }, { id: "CRYPTO_SWAP", priority: 50, apply: async (tx) => { if (tx.assetIn && tx.assetOut && !isFiat(tx.assetIn) && !isFiat(tx.assetOut) && tx.assetIn !== tx.assetOut) { return { matched: true, category: TaxCategory.SWAP, confidence: 0.85 }; } return { matched: false }; }, }, ]; 

ML-модель для невідомих патернів

Якщо жодне правило не спрацювало, підключається ML-класифікатор. Ми використовуємо RandomForest, навчений на історичних даних. Вектор ознак включає суму, типи відправника/отримувача (EOA vs контракт), відношення value in/out, час між транзакціями та інші метрики.

from sklearn.ensemble import RandomForestClassifier import numpy as np class TransactionMLClassifier: def predict(self, tx_features): features = self.extract_features(tx_features) prediction = self.model.predict([features])[0] confidence = max(self.model.predict_proba([features])[0]) return { "category": prediction, "confidence": confidence } 

ML-модель дає гіпотезу, але ми завжди даємо користувачу можливість перекласифікувати транзакцію вручну.

Batch-класифікація та review queue

async function processUnclassifiedTransactions(userId: string) { const unclassified = await db.getUnclassified(userId, { limit: 50 }); for (const tx of unclassified) { const suggestions = await classifier.getSuggestions(tx, { topN: 3 }); await db.updateTransactionSuggestions(tx.id, suggestions); } if (unclassified.length > 0) { await notifyUserReviewNeeded(userId, unclassified.length); } } 

Транзакції з confidence < 0.9 відправляються в чергу на перевірку. Користувач бачить запропоновані категорії та підтверджує/коригує. За досвідом, у чергу потрапляє не більше 20% операцій.

Порівняння rule-based та ML-підходу

Rule-based швидший і точніший для типових випадків, ML рятує для незнайомих. Разом вони покривають 99% транзакцій.

Приклади податкової трактовки за типами транзакцій

Етапи розробки

1. Аналітика — вивчаємо ваші дані, визначаємо повний перелік типів транзакцій.
2. Проєктування — проєктуємо ієрархію категорій, готуємо онтологію.
3. Реалізація — пишемо rule engine і ML-модуль, інтегруємо з гаманцями/біржами.
4. Тестування — прогоняємо на історичних даних, коригуємо правила.
5. Деплой — розгортаємо систему, налаштовуємо review queue та сповіщення.

Що входить у результат

• Rule engine з попередньо встановленими правилами під вашу юрисдикцію.
• ML-модель, донавчена на ваших даних.
• Web-дашборд для перегляду та ручної класифікації.
• REST API для інтеграції з бухгалтерськими системами.
• Документація та навчання команди.
• Підтримка протягом 6 місяців.

Як ми гарантуємо точність?

У нас 10+ років досвіду в блокчейн-розробці. За плечима понад 50 проектів з аналізу даних та автоматизації. Кожна система перед здачею проходить аудит на тестових даних. Ми надаємо гарантію на коректність класифікації для транзакцій з confidence > 0.95. У разі помилок — безкоштовне доналаштування.

Терміни та вартість

Терміни розробки: від 2 до 4 тижнів залежно від складності інтеграції. Вартість розраховується індивідуально після аналізу вашого обсягу транзакцій та вимог до класифікації. Замовте попередню оцінку — це безкоштовно.

Зв'яжіться з нами для безкоштовної консультації. Отримайте демонстрацію системи — оцінимо ваш проект.