Трейдери витрачають години на перегляд графіків, але пропускають розворотні патерни. Наша система автоматичного розпізнавання свічкових патернів для алгоритмічного трейдингу вирішує цю проблему. Автоматичне розпізнавання в 100 разів швидше за ручне. Серверний двигун на Python сканує сотні інструментів на кількох таймфреймах і видає сигнали з контекстною фільтрацією. Ми використовуємо методику японських свічок, доповнену TA-Lib та власними алгоритмами, щоб виключити людський фактор. Результат — точність входу на 10–15% вища, ніж у сирих детекторів.
Система підходить як для автоматичної торгівлі, так і для ручного трейдингу зі сповіщеннями. Гарантія якості — повернення коштів протягом 14 днів, якщо система не працює. Вартість розробки: базовий модуль від $500, повна версія від $2000. Клієнти відзначають суттєву економію за рахунок автоматизації.
Чому автоматичне розпізнавання патернів працює ефективніше за ручне?
Людське око помічає 3–5 патернів за сесію, а алгоритм обробляє тисячі свічок за секунду. Свічковий аналіз — японська методологія, якій кілька сотень років, але в алгоритмічній торгівлі вона отримала друге життя. Бібліотека TA-Lib містить готові функції для більшості класичних патернів.
Класифікація свічкових патернів
- Однієсвічкові: Doji, Hammer, Inverted Hammer, Shooting Star, Spinning Top, Marubozu.
- Двосвічкові: Bullish/Bearish Engulfing, Harami, Piercing Line, Dark Cloud Cover, Tweezer Top/Bottom.
- Трисвічкові (найнадійніші): Morning Star, Evening Star, Three White Soldiers, Three Black Crows, Three Inside Up/Down, Abandoned Baby.
Як відфільтрувати хибні сигнали?
Сирий детектор патернів дає багато хибних спрацьовувань. Контекстна фільтрація значно підвищує якість:
- Трендовий контекст — Hammer валідний лише при низхідному тренді, Shooting Star — при висхідному. Тренд визначається через EMA(20) або лінійну регресію за останні N свічок.
- Рівні підтримки/опору — патерн поблизу ключового рівня має вагу вищу, ніж у середині діапазону.
- Обсяг — патерн з обсягом вище середнього значно надійніший. Morning Star з високим обсягом на третій свічці — сильний сигнал розвороту.
- ATR-фільтр — у періоди низької волатильності (ATR нижче N%) патерни ігноруються як статистичний шум.
Алгоритм розпізнавання
Кожен патерн описується набором математичних умов щодо параметрів свічок (open, high, low, close, volume).
Приклад коду: Bullish Engulfing
def is_bullish_engulfing(prev, curr): prev_bearish = prev['close'] < prev['open'] curr_bullish = curr['close'] > curr['open'] curr_body_size = curr['close'] - curr['open'] prev_body_size = prev['open'] - prev['close'] engulfs = (curr['open'] <= prev['close'] and curr['close'] >= prev['open']) min_body_ratio = curr_body_size / prev_body_size >= 1.1 return prev_bearish and curr_bullish and engulfs and min_body_ratio Приклад коду: Doji
def is_doji(candle, threshold=0.1): body = abs(candle['close'] - candle['open']) range_ = candle['high'] - candle['low'] return (body / range_) <= threshold if range_ > 0 else False Нормалізація свічок — абсолютні значення тіла та тіней порівнюються через коефіцієнти, а не абсолютні цифри. Тіло > 70% від діапазону = сильна свічка. Тіло < 10% = doji. Тіні > 2× тіла = hammer/shooting star.
Backtesting та win rate
Ми використовуємо TA-Lib як baseline і доповнюємо власними реалізаціями з контекстною фільтрацією. Backtesting на BTC/USDT (1h, на історичних даних):
| Патерн | Кількість сигналів | Win Rate (без контексту) | Win Rate (з фільтром тренду) |
|---|---|---|---|
| Bullish Engulfing | 1840 | 52% | 61% |
| Morning Star | 412 | 56% | 67% |
| Hammer | 2190 | 49% | 58% |
| Three White Soldiers | 186 | 64% | 71% |
Дані отримані з backtesting на історичних даних BTC/USDT, джерело: TA-Lib documentation (https://github.com/TA-Lib/ta-lib-python)
Порівняння патернів за надійністю
| Патерн | Надійність | Частота | Найкращий таймфрейм |
|---|---|---|---|
| Morning Star | Висока | Низька | 1h–4h |
| Engulfing | Середня | Висока | 15m–1h |
| Hammer | Низька | Дуже висока | 1h–4h |
| Three White Soldiers | Висока | Дуже низька | 1d |
Мультитаймфреймовий аналіз
Система сканує всі задані інструменти одночасно на кількох таймфреймах (15m, 1h, 4h, 1d). Мультитаймфреймовий аналіз дозволяє виявляти конвергенцію патернів — пріоритетний сигнал, підтверджений на кількох таймфреймах одночасно. Ієрархія пріоритетів: денний > 4h > 1h > 15m. Сигнал від патерну на 4h за наявності підтвердження на 1d отримує score +30%.
Архітектура та стек
Python: pandas для роботи з OHLCV, TA-Lib для базових патернів, власні функції для розширених патернів з контекстом. CCXT для підключення до біржових API. Цей стек широко використовується в Python трейдингу.
Scheduler: APScheduler або Celery Beat для регулярного сканування по закриттю свічки.
База патернів: PostgreSQL — таблиця з полями: instrument, timeframe, pattern_type, candle_timestamp, score, context (JSON), status (active/expired/triggered).
Сповіщення: Telegram Bot з форматованими повідомленнями: назва патерну, інструмент, таймфрейм, поточна ціна, можливий target.
Візуалізація: виділення патернних свічок кольором/іконками на ціновому графіку. TradingView Lightweight Charts або кастомний canvas renderer.
Процес розробки
- Аналіз вимог і вибір торгових інструментів.
- Проектування архітектури та бази даних.
- Розробка алгоритмів розпізнавання та контекстної фільтрації.
- Тестування на історичних даних з метриками win rate.
- Деплой системи в Docker-контейнері та інтеграція з біржею.
Що входить в роботу
Ми постачаємо систему під ключ:
- Вихідний код модуля розпізнавання (Python, ліцензія MIT)
- Конфігураційні файли для налаштування інструментів і таймфреймів
- Документація по API та прикладам інтеграції
- Скрипт розгортання (Docker + docker-compose)
- Навчання команди замовника (2–4 години онлайн)
- Підтримка на етапі тестування (2 тижні)
Отримайте працюючу систему під ключ. Наш досвід — понад 50 проектів у криптотрейдингу. Зв'яжіться з нами для консультації. Замовте консультацію, і ми оцінимо проект за 1–2 дні.