Розробка CNN для криптографіків: 1D TCN, 2D EfficientNet

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

Порівняння продуктивності архітектур на реальному датасеті

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:

1. Аналіз даних та постановка задачі (1-2 тижні): дослідження історичних свічок, визначення цільових патернів, підготовка бенчмарку.
2. Проектування архітектури (1 тиждень): вибір 1D/2D/TCN/гібриду, проектування пайплайну аугментації.
3. Реалізація та попереднє навчання (2-4 тижні): реалізація на PyTorch, pretraining на синтетиці, fine-tuning.
4. Тестування та оптимізація (1-2 тижні): валідація на відкладеній вибірці, крос-валідація, ансамблювання.
5. 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.