Розробка AI-системи генерації торгових сигналів для криптовалют
Ми розробляємо системи генерації торгових сигналів на основі AI. Це інженерне завдання з вилучення статистично значущих патернів із зашумлених рядів цін і перетворення їх на actionable сигнали з контрольованим risk/reward. Різниця принципова: перше — маркетинг, друге — реальна робота, що вимагає глибокого розуміння як машинного навчання, так і мікроструктури крипторинку. Одна з ключових проблем — перетренування на історичних даних, яке призводить до збитків на живому ринку. Наші рішення це виключають.
Наш досвід — понад 10 років у ML- та Web3-розробці. Ми реалізували 15+ проєктів для криптобірж і проп-трейдингових фірм. У цій статті розберемо, як влаштована сучасна AI-система торгових сигналів: від інженерних рішень до метрик якості.
Архітектура системи: від ознак до сигналу
Система складається з кількох шарів. Feature Engineering — найважливіший етап: якість сигналів визначається не складністю моделі, а інформативністю ознак. Сирі OHLCV-дані слабкі; цінність створюється через:
- Технічні індикатори (RSI, MACD, Bollinger Bands, ATR) у кількох таймфреймах.
- Мікроструктурні ознаки: bid-ask spread, order book imbalance, trade flow imbalance.
- On-chain метрики: exchange netflow, whale activity, funding rates.
- Сентимент: Fear & Greed Index, соціальні метрики (LunarCrush API), новинний фон.
- Крос-активні ознаки: кореляція BTC/ETH, домінанс стейблкоїнів.
Model Layer — ансамбль моделей. Кожна спеціалізована під свій горизонт:
- LSTM / Transformer — для послідовностей із довгостроковими залежностями.
- LightGBM / XGBoost — для табличних ознак, швидкі та інтерпретовані.
- Reinforcement Learning (PPO, SAC) — для адаптивних стратегій, що навчаються в динамічному середовищі.
Signal Aggregation — мета-модель або правила комбінування виходів у фінальний сигнал з оцінкою confidence.
Як ми будуємо Feature Engineering?
Розглянемо order book imbalance — одну з найцінніших ознак для короткострокових сигналів. Вона обчислюється просто:
def order_book_imbalance(bids, asks, depth=10): bid_volume = sum(qty for _, qty in bids[:depth]) ask_volume = sum(qty for _, qty in asks[:depth]) return (bid_volume - ask_volume) / (bid_volume + ask_volume) Значення +1 вказує на домінування покупців, -1 — продавців. У комбінації з trade flow imbalance (напрямок останніх угод) це дає сильний предиктор руху ціни на 5–30 хвилин.
Для часових рядів критично важлива правильна нормалізація. Ціни не можна нормалізувати по всьому датасету — це data leakage. Використовуємо rolling z-score з вікном 24–48 годин:
def rolling_zscore(series, window=24): mean = series.rolling(window).mean() std = series.rolling(window).std() return (series - mean) / (std + 1e-8) Моделі та їх застосовність
| Модель | Горизонт | Сильні сторони | Слабкі сторони |
|---|---|---|---|
| LSTM | 1h–24h | Послідовності, довгі залежності | Повільне навчання, перетренування |
| Transformer | 4h–7d | Self-attention, паралельне навчання | Потребує багато даних |
| LightGBM | 15m–4h | Швидкість, інтерпретованість | Погано з last-mile часовими залежностями |
| PPO (RL) | Адаптивно | Навчається на живому ринку | Нестабільність навчання |
На практиці найкращий результат дає ансамбль: LightGBM — швидкий фільтр, LSTM — оцінка напрямку, RL-агент — управління розміром позиції.
Чому walk-forward validation — єдиний спосіб оцінки?
Стандартний train/test split не працює на часових рядах. Дані перекриваються за часом, і модель просто запам'ятовує минуле. Walk-forward validation вирішує це: розбиваємо історію на вікна, навчаємо на перших N періодах, тестуємо на N+1, зсуваємо вікно. Метрики усереднюються.
Додатково застосовуємо purging та embargoing за методологією Marcos Lopez de Prado, "Advances in Financial Machine Learning". Між train і test вставляється проміжок, рівний горизонту передбачення, щоб виключити витік інформації через overlapping labels.
| Метод валідації | Опис | Ризик перетренування |
|---|---|---|
| Train/test split | Випадкове розділення | Високий (data leakage) |
| Walk-forward | Послідовні вікна навчання | Низький |
| Purging + embargo | Walk-forward з відступом | Мінімальний |
Continuous Learning та боротьба з дрейфом
Ринок змінюється — модель деградує. Система повинна включати:
- Моніторинг дрейфу ознак: Population Stability Index (PSI) для кожного входу.
- Моніторинг дрейфу передбачень: KL-дивергенція між поточним та історичним розподілом сигналів.
- Automated retraining: при виявленні дрейфу — перенавчання на свіжих даних.
- A/B тестування нових моделей на paper trading перед production.
Типовий pipeline перенавчання:
- Збір свіжих даних.
- Розрахунок ознак.
- Детекція дрейфу.
- Перенавчання моделей.
- Валідація на відкладеній вибірці.
- Викатка в production.
Інфраструктурно це реалізується через MLflow, Airflow/Prefect, Feature Store (Feast/Hopsworks).
Як управляти ризиками?
AI-сигнал — не торговий наказ. Кожен сигнал містить: direction (long/short/neutral), confidence (0.0–1.0), горизонт утримання, target і stop-loss. Risk manager вирішує: чи торгувати, яким розміром, з якими параметрами. Це розділення критичне — модель оптимізує accuracy, ризик-менеджер — підсумковий P&L. Дотримуючись цього підходу, наші клієнти скорочують торгові витрати на 15–20%.
Інфраструктура інференсу
Для сигналів з горизонтом 1h+ достатньо Python + ONNX. Для короткострокових стратегій (<15m) використовуємо:
- Модель у форматі ONNX.
- Інференс через ONNX Runtime (у 3–10× швидше PyTorch).
- Feature engineering на Rust/Go для гарячого шляху.
- Кешування ознак у Redis.
Latency: 5–20ms для простих моделей, 50–100ms для ансамблів. Цього вистачає для більшості crypto-стратегій.
Метрики якості
Accuracy — не головне. Система з 55% accuracy при хорошому risk/reward часто прибутковіша за 65% при поганому. Ключові метрики:
- Information Coefficient (IC) — кореляція передбачення з реальним рухом.
- Information Ratio (IR) — IC / std(IC).
- Profit Factor — валовий прибуток / валові збитки.
- Calmar Ratio — річна дохідність / максимальна просідання.
Система, яка стабільно генерує IC > 0.05 на out-of-sample даних протягом року, — серйозний результат, що заслуговує на production. Окупність інвестицій досягається за кілька місяців активної торгівлі.
Що входить у розробку?
Ми пропонуємо повний цикл розробки під ключ:
- Архітектура системи та вибір моделей.
- Feature engineering pipeline (OHLCV, стакан, on-chain, сентимент).
- Навчання та валідація ансамблю моделей.
- Інтеграція з біржовими API (Binance, Bybit, OKX та ін.).
- Документація, навчання вашої команди.
- Підтримка 3 місяці після запуску.
Орієнтовні терміни: від 4 тижнів до 6 місяців залежно від складності. Вартість розраховується індивідуально після оцінки проєкту.
Отримайте консультацію експерта — розкажемо, як AI-система може покращити вашу торгову стратегію. Зв'яжіться з нами для обговорення.