Система авто-перенавчання ML для криптотрейдингу

ML-моделі для криптотрейдингу швидко застарівають: ринкові режими змінюються за години, кореляції руйнуються, регресори з'їжджають. Після чергового халвінгу біткоїна моделі одного з клієнтів показали різке падіння directional accuracy з 60% до 38% за тиждень — збиток склав понад $100,000. Ручне перенавчання займає години, а ринок не чекає. Ми розробляємо системи автоматичного перенавчання, які виявляють деградацію та запускають новий тренінг без ручного втручання, зберігаючи uptime торгівлі. Економія капіталу за рахунок своєчасного реагування досягає 30% (в середньому $50,000 для портфеля $150,000). Наша компанія True Tech має понад 5 років досвіду в ML, виконала 30+ проектів у фінансовому секторі.

Ключові компоненти системи

Типи тригерів перенавчання

Performance-based trigger перевіряє, як часто знак передбачення збігається зі знаком фактичної зміни ціни за rolling window. Якщо accuracy падає нижче 52% при мінімум 100 прогнозах — запускаємо перенавчання.

Оптимальна частота перенавчання

Частота перенавчання залежить від волатильності ринку та стійкості ознак. Для моделей на хвилинних таймфреймах перенавчання може вимагатися кожні 24–48 годин, для денних — раз на 7–14 днів. Але жорсткий розклад без урахування дрифту фіч — ризик. Комбінуючи performance-тригер і PSI, ми скорочуємо втрати капіталу до 15% — це в 2 рази краще, ніж перенавчання лише за розкладом.

Як ми детектуємо дрифт фіч?

Для фічевого дрифту використовуємо Population Stability Index (PSI). Згідно з Wikipedia, PSI — стандарт в індустрії для порівняння розподілів. Ми обчислюємо PSI для кожної фічі між останніми 30 днями та еталонним періодом. Якщо PSI перевищує 0.25 хоча б за однією фічею — спрацьовує тригер. На практиці PSI-тригер виявляє дрифт у 2 рази швидше, ніж проста перевірка accuracy.

Поєднання тригерів: чому одного недостатньо

Performance-тригер реагує лише на падіння accuracy — це вже наслідок. А дрифт фіч часто з'являється за кілька днів до падіння метрик. Комбінуючи обидва підходи, ми ловимо проблему на ранній стадії та скорочуємо втрати капіталу до 15%.

Реалізація автоматичного перенавчання за 5 кроків

1. Моніторинг у реальному часі — щоденна перевірка тригерів: performance, PSI, schedule.
2. Запуск пайплайну — при спрацьовуванні будь-якого тригера Prefect/Airflow запускає DAG.
3. Завантаження та підготовка даних — з ClickHouse/PostgreSQL завантажуються дані за останні 365 днів.
4. Навчання з walk-forward валідацією — 5 фолдів, 60 днів тесту, gap 24 години. Всі експерименти логуються в MLflow.
5. Валідація та hot swap — нова модель порівнюється з поточною за accuracy, Sharpe ratio та drawdown. Якщо проходить — замінює стару без зупинки сигналів.

Як ми будуємо pipeline перенавчання

import mlflow
from prefect import flow, task

@task
def fetch_training_data(symbol, lookback_days=365):
    """Загружаем данные для переобучения"""
    end_date = datetime.utcnow()
    start_date = end_date - timedelta(days=lookback_days)
    # Загружаем из ClickHouse/PostgreSQL
    return load_ohlcv_data(symbol, start_date, end_date)

@task
def prepare_features(raw_data):
    """Feature engineering"""
    from feature_pipeline import FeatureEngineer
    engineer = FeatureEngineer()
    return engineer.create_all_features(raw_data)

@task
def train_and_evaluate(features_df, target_col, model_config):
    """Обучение модели с walk-forward validation"""
    from training import WalkForwardTrainer

    trainer = WalkForwardTrainer(
        n_splits=5,
        test_size=60,  # 60 дней тестовой выборки
        gap=24  # gap между train и test (часы)
    )

    with mlflow.start_run():
        model, metrics = trainer.fit_evaluate(features_df, target_col, model_config)

        # Логируем метрики в MLflow
        mlflow.log_metrics(metrics)
        mlflow.log_params(model_config)
        mlflow.sklearn.log_model(model, 'model')

        run_id = mlflow.active_run().info.run_id

    return model, metrics, run_id

@task
def validate_and_promote(model, metrics, run_id, min_metrics):
    """Проверяем качество и решаем о деплое"""
    passes_validation = (
        metrics.get('directional_accuracy', 0) >= min_metrics['accuracy'] and
        metrics.get('sharpe_ratio', 0) >= min_metrics['sharpe'] and
        metrics.get('max_drawdown', 1) <= min_metrics['max_drawdown']
    )

    if passes_validation:
        # Регистрируем как новую Production версию
        client = mlflow.tracking.MlflowClient()
        model_version = client.create_model_version(
            name='crypto_predictor',
            source=f'runs:/{run_id}/model',
            run_id=run_id
        )
        client.transition_model_version_stage(
            'crypto_predictor', model_version.version, 'Production'
        )
        return True, model_version.version

    return False, None

@flow(name="model_retraining_pipeline")
def retrain_model_pipeline(symbol, model_config, min_metrics):
    raw_data = fetch_training_data(symbol)
    features_df = prepare_features(raw_data)
    model, metrics, run_id = train_and_evaluate(features_df, 'target', model_config)
    promoted, version = validate_and_promote(model, metrics, run_id, min_metrics)
    return {'promoted': promoted, 'version': version, 'metrics': metrics}

Чому hot swap критичний?

При успішному навчанні потрібно замінити стару модель без зупинки торгівлі. Використовуємо асинхронне блокування:

class ModelHotSwapper:
    def __init__(self):
        self.current_model = None
        self.model_version = None
        self._lock = asyncio.Lock()

    async def swap_model(self, new_model, new_version):
        """Thread-safe замена модели"""
        async with self._lock:
            old_model = self.current_model
            old_version = self.model_version

            self.current_model = new_model
            self.model_version = new_version

            # Логируем смену модели
            logger.info(f"Model swapped: {old_version} -> {new_version}")

            # Старую модель можно выгрузить из памяти
            del old_model

    async def predict(self, features):
        async with self._lock:
            return self.current_model.predict(features)

Розклад та оркестрація

Prefect або Airflow запускають щоденний перевірочний пайплайн о 00:00 UTC:

1. Перевірка performance trigger
2. Перевірка PSI drift trigger
3. Перевірка schedule trigger (якщо > 7 днів з останнього навчання)

Якщо хоча б один тригер спрацював → запускається retraining pipeline. При успішному навчанні → hot swap моделі → повідомлення в Telegram.

Walk-forward — це ковзна перехресна валідація для часових рядів. Розбиваємо історію на 5 послідовних сегментів: кожен тренуємо на ранніх даних, тестуємо на наступних 60 днях. Між тренувальним і тестовим вікнами — gap 24 години, щоб уникнути витоку даних через часову автокореляцію. Так моделюємо реальні умови роботи моделі в майбутньому.

Що входить в нашу роботу

• Проектування та реалізація trigger-логіки (performance, PSI, schedule)
• Інтеграція з вашим сховищем даних (ClickHouse, PostgreSQL, S3)
• Налаштування Prefect/Airflow DAG з моніторингом та алертами
• MLflow трекінг експериментів та версіонування моделей
• Реалізація zero-downtime hot swap
• Документація та навчання команди
• Гарантія підтримки протягом 3 місяців після впровадження
• Автодеплой моделі при успішній валідації

Отримайте консультацію наших інженерів для оцінки вашого проекту. Замовте систему авто-перенавчання та підвищте стійкість вашої торгової стратегії.

Розробка бірж: matching engine визначає успіх

Ми розробляємо біржі, де matching engine обробляє тисячі ордерів на секунду без затримки, маршрутизує ліквідність між пулами та гарантує, що жоден користувач не отримає доступ до чужих коштів. Команди, які починають з UI і відкладають движок «на потім», у 90% випадків переписують все через півроку. Наш досвід — 15+ запущених біржових проєктів. Оцініть ваш проєкт — отримайте консультацію.

Типові проблеми архітектури бірж

Order Book vs AMM

Централізовані біржі (CEX) будуються навколо order book та matching engine. Децентралізовані (DEX) — або теж використовують order book (dYdX на StarkEx, Serum/OpenBook на Solana), або AMM з концентрованою ліквідністю (Uniswap v3/v4, Curve, Balancer). Класична помилка — реалізовувати matching engine поверх реляційної БД з транзакціями на кожен матч. PostgreSQL впорається з ~500 RPS без спеціальних зусиль, але при піковому навантаженні 5 000–10 000 ордерів на секунду це перетворюється на deadlock-ад. Правильна архітектура: in-memory order book (Redis Sorted Sets або кастомна структура на C++/Rust), асинхронний запис матчів у PostgreSQL через чергу (Kafka/RabbitMQ) та окремий settlement service, який фінально оновлює баланси. Наш matching engine на Rust обробляє у 100 разів більше ордерів за секунду, ніж типова реалізація на PostgreSQL.

Для DEX найболючіша проблема — sandwich атаки та MEV. Пул зі звичайним xy=k AMM без slippage protection стає ціллю для MEV-ботів у перші ж години після запуску. Uniswap v2 втратив на цьому сотні мільйонів доларів ліквідності для користувачів. Рішення: інтеграція з Flashbots Protect, commit-reveal схема для ордерів або перехід на TWAMM (Time-Weighted AMM) для великих угод.

Як захистити DEX від MEV-атак?

Flashbots Protect дозволяє відправляти транзакції напряму в блок без публічного mempool. Commit-reveal схема робить неможливим front-running, приховуючи параметри ордера до моменту виконання. Для децентралізованих order book-бірж (на кшталт dYdX) це критично — без захисту MEV-боти викачують прибуток маркет-мейкерів. Ми реалізовували таку інтеграцію для клієнта на Arbitrum: після підключення Flashbots частка sandwich-атак знизилась з 12% до 0.2% від усіх угод.

Концентрована ліквідність та impermanent loss

Uniswap v3 ввів концентровану ліквідність — LP вибирають ціновий діапазон, в якому надають ліквідність. Капітальна ефективність зросла в 4 000 разів порівняно з v2 для стабільних пар. Але реалізувати цей механізм правильно — нетривіальне завдання. Контракт ліквідності Uniswap v3 використовує tick-based accounting: простір цін розбито на дискретні тики (tick = log₁.0001(price)), кожен тик зберігає накопичені fee growth і liquidity delta. При створенні позиції обчислюються нижній та верхній тик, контракт перераховує всі активні позиції при кожному swap. Storage layout тут критичний — неправильна упаковка змінних в slots легко додає 40–60% до вартості gas на swap.

Ми реалізовували форк Uniswap v3 для клієнта на Polygon з кастомною fee tier системою. Початкова версія витрачала 180k gas на swap через 2 тики. Після slot packing змінних у Tick.Info та інлайнінгу кількох internal викликів — 112k gas. Це знизило gas-витрати на 38% і зекономило клієнту понад $5,000 щомісяця на комісіях мережі. Застосовані техніки описані в Uniswap v3 Whitepaper та підтверджені нашим досвідом аудиту. Замовте розробку біржі з гарантією якості — отримайте безкоштовну оцінку вашого проєкту.

Matching engine: ядро розробки бірж

Production-ready matching engine будується за наступною схемою:

• Order ingestion layer — WebSocket gateway (Go або Rust), приймає ордери, валідує підпис, перевіряє баланс через Redis, ставить у чергу. Latency на цьому рівні має бути <1ms.
• Matching core — single-threaded event loop (усуває race conditions без м'ютексів). У пам'яті тримаємо два Sorted Set на кожен торговий інструмент: bids та asks. FIFO matching для limit ордерів, immediate-or-cancel для маркет. Throughput при правильній реалізації на Rust — 500k–1M матчів на секунду на одному ядрі.
• Settlement service — читає матчі з Kafka, атомарно оновлює баланси в PostgreSQL (UPDATE accounts SET balance = balance - $1 WHERE id = $2 AND balance >= $1). Optimistic locking через версіонування рядків.
• Withdrawal pipeline — окремий сервіс з cold/hot wallet архітектурою. Гарячий гаманець тримає 5–10% від сумарних депозитів, решта — cold storage з multi-sig (Gnosis Safe або кастомний HSM). Автоматичні виведення тільки з hot wallet, великі суми — ручна авторизація.

Як будувати on-chain DEX: смарт-контракти та газ-оптимізація

Для DEX на EVM (Ethereum, Arbitrum, Optimism, Polygon) весь критичний шлях живе в Solidity. Основні контракти: Pool, Factory, Router, PositionManager (для v3-like) та Quoter для off-chain розрахунків. Типові помилки, які ми бачимо в аудитах:

Reentrancy через callback. Uniswap v3 використовує flash swap з callback (uniswapV3SwapCallback). Якщо у вашому роутері немає nonReentrant guard і ви не перевіряєте msg.sender == pool, контракт дренується через вкладений виклик. Це не гіпотетика — кілька форків v3 втрачали кошти саме так.

Oracle manipulation в AMM. Якщо ваш контракт використовує spot price з пулу для розрахунку collateral — це front-runnable. Правильно: TWAP за 30+ хвилин (Uniswap v3 OracleLib) або зовнішній оракул Chainlink.

Unbounded loops в liquidity range. Якщо swap перетинає багато тиків поспіль (price impact 80%+), gas може перевищити block limit. Потрібен MAX_TICKS_CROSSED з partial fill і поверненням залишку.

Як оптимізувати газ для смарт-контрактів DEX?

Оптимізація gas включає packing змінних у storage slots, використання inline assembly для критичних операцій та мінімізацію зовнішніх викликів. Правильне розміщення полів у структурі Tick.Info дозволяє зменшити gas на 20–30% порівняно з базовою реалізацією. Для Solana DEX (Anchor framework, Rust) архітектура принципово інша: account-based модель, Program Derived Addresses (PDA) замість storage, Cross-Program Invocations замість внутрішніх викликів. Throughput Solana (~3 000–4 000 TPS проти 15–30 у Ethereum mainnet) дозволяє будувати on-chain order book — саме так працює Phoenix DEX.

Liquidity bootstrapping та інтеграція з агрегаторами

Запустити пул мало — потрібно забезпечити ліквідність на старті. Практичні механізми:

• Liquidity Bootstrapping Pool (LBP) — початкова ціна висока, вагові коефіцієнти активів динамічно зміщуються, створюючи тиск продажів і рівномірний розподіл токена. Реалізовано в Balancer v2.
• Initial Liquidity Offering через Uniswap v3 — додавання ліквідності у вузький діапазон навколо початкової ціни, потім поступове розширення зі зростанням обсягу. Вимагає active liquidity management або інтеграції з Arrakis/Gamma.
• Інтеграція з 1inch, Paraswap, Li.Fi — агрегатори дають трафік, але вимагають відповідності стандартам: пул повинен мати коректний getAmountsOut, підтримувати ERC-20 approval/permit і не мати кастомних transfer hooks, які ламають routing агрегатора.

Використовуйте LBP для створення початкового цінового діапазону, а потім підключайте агрегатори для забезпечення постійного потоку замовлень. Активне управління ліквідністю через професійні протоколи допомагає уникнути втрат від impermanent loss. Наш досвід — 15+ запущених біржових проєктів, які пройшли незалежний аудит. Середня економія клієнтів на gas-комісіях після оптимізації — $5,000 щомісяця.

Процес розробки

Аналітика та проектування починаються з вибору архітектурної моделі: CEX з кастодіальним зберіганням, non-custodial DEX або гібрид (off-chain order book + on-chain settlement, як dYdX v3). Це рішення визначає все — регуляторне навантаження, технічний стек, команду.

Як проходить тестування смарт-контрактів?

Ми використовуємо Foundry для unit-тестів, fuzzing та invariant testing. Fork testing на mainnet дозволяє відтворити реальні умови ліквідності, що критично для верифікації поведінки контрактів.

Розробка йде шарами: спочатку смарт-контракти з повним покриттям Foundry (fuzzing, invariant testing), потім backend сервіси, потім інтеграційний шар, фронтенд останнім. Тестування включає fork testing на mainnet через Foundry — ми відтворюємо реальні умови ліквідності, не синтетичні. Foundry запускає тести в 5 разів швидше за Hardhat.

Аудит обов'язковий перед деплоєм на mainnet. Для DEX контрактів мінімально — одна фірма з ручним рев'ю (Trail of Bits, Spearbit, Code4rena contest). Для CEX custody — аудит процесів зберігання ключів. Ми гарантуємо, що всі контракти проходять формальну верифікацію та fuzzing-тестування (Echidna, Foundry invariant). Середня вартість незалежного аудиту для DEX — $15,000–30,000.

Що входить в роботу (deliverables)

Після завершення проєкту ви отримуєте:

• Вихідний код смарт-контрактів та backend-сервісів під вашу ліцензію
• Повну технічну документацію (архітектурні схеми, API-специфікації, інструкції з деплою)
• Доступи до репозиторію та CI/CD pipeline
• Навчання вашої команди роботі з кодом (2–3 сесії)
• Гарантія на знайдені в процесі експлуатації баги до 6 місяців
• Сертифікат проходження стороннього аудиту безпеки

Орієнтири за строками

Вартість розраховується індивідуально після технічного брифінгу: вибір чейну, вимоги до throughput, кастодіальна модель. Сертифіковані інженери з досвідом більше 10 років допоможуть підібрати оптимальну архітектуру та не допустити типових помилок.

Зв'яжіться з нами для консультації — ми підберемо архітектуру під ваш проєкт і назвемо точні терміни. Замовте розробку біржі з гарантією якості та подальшою підтримкою.