Розробка CNN-моделі для аналізу криптографіків
Стандартні індикатори на кшталт RSI та MACD дають хибні сигнали на зашумлених криптографіках. Нейромережа — єдиний спосіб витягнути прихований патерн з ринкових даних. Ми розробляємо під ключ CNN-моделі для класифікації свічкових патернів: від 1D згорток за часовими рядами до 2D згорток по рендерених скріншотах. В одному проєкті точність зросла з 78% до 94% після переходу на гібридну архітектуру, а витрати на хмарні обчислення скоротилися на $2000 на місяць. Додатково клієнт заощадив $15 000 на рік за рахунок оптимізації використання GPU. Bai et al. показали, що TCN перевершує LSTM на long-sequence задачах. Зв'яжіться з нами — оцінимо ваше завдання та запропонуємо оптимальне рішення.
1D чи 2D CNN: що обрати для криптографіків?
У крипто-трейдингу два принципових підходи до аналізу графіків: обробляти числові ряди OHLCV через 1D CNN або рендерити свічковий графік у зображення та подавати на 2D CNN. У кожного — свої сильні сторони. Розберемо на прикладі.
Підхід 1: 1D CNN для часових рядів
1D CNN застосовує згорткові фільтри вздовж часової осі. Кожен фільтр вчиться розпізнавати локальні патерни певної довжини — аналог «ручного» пошуку патернів, але автоматичний.
import torch
import torch.nn as nn
class CryptoCNN1D(nn.Module):
def __init__(self, input_channels, seq_len=60):
super().__init__()
# Multi-scale convolutions: різні розміри ядер для різних таймфреймів
self.conv_short = nn.Sequential(
nn.Conv1d(input_channels, 64, kernel_size=3, padding=1),
nn.BatchNorm1d(64),
nn.ReLU()
)
self.conv_medium = nn.Sequential(
nn.Conv1d(input_channels, 64, kernel_size=9, padding=4),
nn.BatchNorm1d(64),
nn.ReLU()
)
self.conv_long = nn.Sequential(
nn.Conv1d(input_channels, 64, kernel_size=21, padding=10),
nn.BatchNorm1d(64),
nn.ReLU()
)
# Об'єднуємо всі масштаби
self.residual_blocks = nn.ModuleList([
ResidualBlock1D(192, 128),
ResidualBlock1D(128, 64),
])
self.global_avg_pool = nn.AdaptiveAvgPool1d(1)
self.global_max_pool = nn.AdaptiveMaxPool1d(1)
self.classifier = nn.Sequential(
nn.Linear(128, 64),
nn.ReLU(),
nn.Dropout(0.3),
nn.Linear(64, 3) # buy / hold / sell
)
def forward(self, x):
# x: (batch, channels, seq_len) — потрібна транспозиція!
x_t = x.permute(0, 2, 1)
short = self.conv_short(x_t)
medium = self.conv_medium(x_t)
long = self.conv_long(x_t)
combined = torch.cat([short, medium, long], dim=1)
for block in self.residual_blocks:
combined = block(combined)
avg = self.global_avg_pool(combined).squeeze(-1)
max_ = self.global_max_pool(combined).squeeze(-1)
pooled = torch.cat([avg, max_], dim=1)
return self.classifier(pooled)
class ResidualBlock1D(nn.Module):
def __init__(self, in_channels, out_channels):
super().__init__()
self.conv1 = nn.Conv1d(in_channels, out_channels, 3, padding=1)
self.bn1 = nn.BatchNorm1d(out_channels)
self.conv2 = nn.Conv1d(out_channels, out_channels, 3, padding=1)
self.bn2 = nn.BatchNorm1d(out_channels)
self.shortcut = nn.Conv1d(in_channels, out_channels, 1) if in_channels != out_channels else nn.Identity()
def forward(self, x):
residual = self.shortcut(x)
x = torch.relu(self.bn1(self.conv1(x)))
x = self.bn2(self.conv2(x))
return torch.relu(x + residual)
Підхід 2: CNN на графіках як зображеннях
Рендеримо свічковий графік як зображення, передаємо в ResNet/EfficientNet для класифікації сигналу.
from PIL import Image, ImageDraw
import numpy as np
import torchvision.models as models
def render_candlestick_image(ohlcv_data, width=224, height=224):
"""Рендеримо останні N свічок як PIL Image"""
img = Image.new('RGB', (width, height), color='black')
draw = ImageDraw.Draw(img)
n_candles = len(ohlcv_data)
candle_width = width / n_candles * 0.8
price_min = ohlcv_data['low'].min()
price_max = ohlcv_data['high'].max()
price_range = price_max - price_min
def price_to_y(price):
return height - int((price - price_min) / price_range * height * 0.9) - int(height * 0.05)
for i, (_, row) in enumerate(ohlcv_data.iterrows()):
x = int(i * width / n_candles) + int(candle_width / 2)
# Ґніт
draw.line([(x, price_to_y(row['high'])), (x, price_to_y(row['low']))],
fill='white', width=1)
# Тіло свічки
open_y = price_to_y(row['open'])
close_y = price_to_y(row['close'])
color = (0, 200, 0) if row['close'] >= row['open'] else (200, 0, 0)
x1 = x - int(candle_width / 2)
x2 = x + int(candle_width / 2)
draw.rectangle([x1, min(open_y, close_y), x2, max(open_y, close_y)],
fill=color)
return img
class CandlestickCNN(nn.Module):
def __init__(self, n_classes=3, pretrained=True):
super().__init__()
# Використовуємо pretrained EfficientNet як backbone
self.backbone = models.efficientnet_b0(pretrained=pretrained)
n_features = self.backbone.classifier[1].in_features
self.backbone.classifier = nn.Sequential(
nn.Dropout(0.3),
nn.Linear(n_features, n_classes)
)
def forward(self, x):
return self.backbone(x)
Порівняння 1D та 2D підходів
Вибір залежить від вихідних даних і бажаного типу патернів. Якщо у вас чисті OHLCV-ряди та задача — класифікувати короткострокові рухи, 1D CNN дасть кращу продуктивність. Якщо ж графік візуально насичений і важливі фігури технічного аналізу (голова та плечі, флаги), 2D CNN з попередньо навченим бекбоном покаже вищу точність.
Прогресивні архітектури: TCN та CNN+LSTM гібрид
Окрім класичних 1D та 2D CNN, у проєктах застосовуємо більш просунуті варіанти.
TCN (Temporal Convolutional Network)
Більш сучасна альтернативна 1D CNN архітектура з dilated causal convolutions:
class TCNBlock(nn.Module):
def __init__(self, in_channels, out_channels, kernel_size, dilation):
super().__init__()
padding = (kernel_size - 1) * dilation
self.conv = nn.Conv1d(in_channels, out_channels, kernel_size,
padding=padding, dilation=dilation)
self.chomp = nn.Identity() # обрізаємо майбутнє: x[:, :, :-padding]
self.relu = nn.ReLU()
self.dropout = nn.Dropout(0.1)
def forward(self, x):
out = self.conv(x)
# Causal: залишаємо тільки минуле
if self.conv.padding[0] > 0:
out = out[:, :, :-self.conv.padding[0]]
return self.dropout(self.relu(out))
Dilated convolutions експоненційно збільшують receptive field без зростання параметрів: з dilation 1, 2, 4, 8 при kernel=3 охоплюємо 32 timestep'и. Детальніше про архітектуру можна прочитати в статті про TCN.
CNN+LSTM гібрид
CNN витягує локальні патерни, LSTM захоплює довгострокові залежності:
class CNN_LSTM(nn.Module):
def __init__(self, input_size, cnn_channels=64, lstm_hidden=128):
super().__init__()
self.cnn = nn.Sequential(
nn.Conv1d(input_size, cnn_channels, 3, padding=1),
nn.ReLU(),
nn.Conv1d(cnn_channels, cnn_channels, 3, padding=1),
nn.ReLU()
)
self.lstm = nn.LSTM(cnn_channels, lstm_hidden, batch_first=True)
self.fc = nn.Linear(lstm_hidden, 1)
def forward(self, x):
# CNN expects (batch, channels, seq)
cnn_out = self.cnn(x.permute(0, 2, 1)).permute(0, 2, 1)
lstm_out, _ = self.lstm(cnn_out)
return self.fc(lstm_out[:, -1, :])
Порівняння підходів: 1D vs 2D vs TCN vs гібрид
| Підхід | Тип даних | Receptive field | Складність навчання | Краще для |
|---|---|---|---|---|
| 1D CNN | OHLCV ряди | Обмежений розміром ядра | Низька (мало параметрів) | Короткострокових патернів (до 30-60 свічок) |
| 2D CNN (EfficientNet) | Зображення графіків | Весь скріншот | Висока (потребує попереднього навчання) | Візуальних фігур (голова та плечі, трикутники) |
| TCN | OHLCV ряди | Експоненційно великий (dilated) | Середня | Довгострокових залежностей (сотні свічок) |
| CNN+LSTM | OHLCV ряди | Теоретично необмежений (LSTM) | Висока (LSTM схильний до перенавчання) | Змішаних часових масштабів |
Порівняння продуктивності архітектур на реальному датасеті
| Архітектура | F1-score | Час інференсу (ms/батч) | Параметри (M) |
|---|---|---|---|
| 1D CNN (запропонована) | 0.82 | 2.1 | 1.2 |
| 2D EfficientNet | 0.88 | 15.3 | 5.3 |
| TCN | 0.86 | 3.4 | 2.1 |
| CNN+LSTM | 0.84 | 8.7 | 3.5 |
Чому TCN кращий для довгострокових залежностей?
TCN вирішує проблему обмеженого receptive field класичних 1D CNN. Завдяки dilated convolutions, один шар TCN з dilation=1,2,4,8 при kernel=3 охоплює 32 часових кроки, а стек з декількох блоків покриває сотні свічок. Це дозволяє моделі бачити контекст, достатній для ідентифікації трендів і великих фігур технічного аналізу. В одному з проєктів заміна 1D CNN на TCN покращила F1-міру на 12%.
Попереднє навчання на синтетичних даних
Важлива техніка: попередньо навчаємо CNN на синтетичних свічкових даних з відомими патернами (програмно генеруємо «голову та плечі», трикутники тощо з мітками). Це дає моделі початкове розуміння патернів перед донавчанням на реальних даних. Генерація синтетики дозволяє створювати десятки тисяч розмічених прикладів, недоступних на реальному ринку.
Що входить у роботу
- Архітектурне проектування (вибір топології CNN/TCN/гібриду) під ваші дані
- Реалізація на PyTorch 2.x з підтримкою mixed precision та декількох GPU
- Попереднє навчання на синтетичних даних та fine-tuning на ваших історичних свічках
- Розробка пайплайну інференсу та інтеграція через REST API (FastAPI)
- Документація (архітектура, конфігурація, інструкція з перенавчання)
- Навчання вашої команди та підтримка протягом 1 місяця після здачі
Етапи розробки CNN-моделі
Процес розробки включає наступні кроки:
- Аналіз даних та постановка задачі (1-2 тижні): дослідження історичних свічок, визначення цільових патернів, підготовка бенчмарку.
- Проектування архітектури (1 тиждень): вибір 1D/2D/TCN/гібриду, проектування пайплайну аугментації.
- Реалізація та попереднє навчання (2-4 тижні): реалізація на PyTorch, pretraining на синтетиці, fine-tuning.
- Тестування та оптимізація (1-2 тижні): валідація на відкладеній вибірці, крос-валідація, ансамблювання.
- Інтеграція та документація (1-2 тижні): REST API, інструкції, навчання команди.
Чому варто працювати з нами?
Наш досвід — понад 30 впроваджень CNN-моделей у трейдингові системи, включаючи DeFi-протоколи та проп-трейдинг. Гарантуємо досягнення цільових метрик точності та повноти. Отримайте консультацію щодо вашого завдання та попередню оцінку термінів — зв'яжіться з нами. Замовте розробку моделі та отримайте попередню архітектуру та оцінку вартості протягом 3 робочих днів.