Навчання ML-моделі прогнозування ціни криптовалют

Навчання ML-моделі прогнозування ціни криптовалют

Уявіть: ваша торгова команда витрачає тижні на ручний пошук патернів, але ринок адаптується за години. Будь-який знайдений шаблон швидко арбітрується. Рішення — машинне навчання, яке виявляє статистичні закономірності з тисяч ознак. За роки роботи ми реалізували понад 20 моделей для криптотрейдингу, і деякі забезпечили ROI до 300% річних при контрольованому ризику. Економія від використання такої моделі може досягати 20–30% від операційних втрат, що при обсягах $100 000 — це $20 000–$30 000 на рік. Вартість проєкту починається від $5000 і окупається за 3–6 місяців. Нижче розберемо технічні деталі побудови таких систем, включаючи feature engineering, walk-forward validation, SHAP-інтерпретацію та production deployment.

Проблеми, які вирішуємо

Зашумленість даних. Крипторинок — один із найзашумленіших. Типові OHLCV містять безліч викидів та аномалій (раптові просадки, спуфінг-ордери). Ми застосовуємо фільтрацію: winsorizing, видалення сесій з аномальним спредом, агрегацію за Volume-Weighted Price.

Нестаціонарність. Розподіли дохідностей змінюються з часом. Модель, навчена на даних минулого року, не працює в поточному. Рішення — адаптивне навчання з перенавчанням на останніх даних та використання walk-forward валідації замість випадкового спліту.

Перенавчання на шум. Через низьке SNR (signal-to-noise ratio) моделі легко запам'ятовують випадкові патерни. Боремося за допомогою регуляризації (L1/L2), обмеження числа листків у LightGBM та dropout у нейромережах.

Як ми це робимо: стек та підхід

В основі — комбінація бустингу (LightGBM, XGBoost) та рекурентних мереж (LSTM, Transformer). Для першого типу використовуємо документацію LightGBM за параметрами: налаштовуємо num_leaves від 15 до 63, learning_rate 0.01–0.1, feature_fraction 0.7–0.9. LightGBM навчається в 3–5 разів швидше, ніж LSTM, що робить його кращим для швидких експериментів. Другий тип — на PyTorch з 2–3 шарами LSTM (hidden size 64–128), dropout 0.2–0.4.

Приклад конфігурації для LightGBM:

params = {
    'objective': 'binary',
    'metric': 'auc',
    'num_leaves': 31,
    'learning_rate': 0.05,
    'feature_fraction': 0.8,
    'bagging_fraction': 0.8,
    'bagging_freq': 5,
    'min_child_samples': 20,
    'reg_alpha': 0.1,
    'reg_lambda': 0.1
}

Кейс із практики: для одного з клієнтів ми побудували торгову систему на парі ETH/USDT. Використали 120 ознак: 50 технічних індикаторів, 40 ончейн-метрик (NUPL, SOPR, Exchange inflow/outflow) та 30 мікроструктурних (Funding Rate, Open Interest). Ансамбль LightGBM + LSTM дав AUC 0.78 на тестовому періоді, що забезпечило Sharpe ratio > 1.5 на позавибіркових даних. Якщо вам потрібен аналогічний результат, зв'яжіться з нами для попередньої оцінки.

Чому walk-forward validation критична?

Walk-forward — єдиний чесний метод оцінки для часових рядів. Випадковий спліт завищує метрики через витік майбутньої інформації в минуле. Ми використовуємо розширюване вікно з 5 фолдами — це дає реалістичну оцінку. Порівняно зі звичайним k-fold, walk-forward знижує bias на 20–30% для крипто-моделей, що значно підвищує точність прогнозів.

Як обрати оптимальний таргет для крипто-моделі?

Таргет визначає успіх. Для внутрішньоденної торгівлі добре працює бінарний: price_return > 0.3% за 4h. Для довгострокових стратегій — терцильний buy/hold/sell за 33% перцентилями. Ми тестуємо 3–4 варіанти та обираємо той, що максимізує відношення сигнал/шум.

Критичні аспекти навчання

Look-ahead bias — головна пастка. Фічі повинні розраховуватися лише з даних, доступних у момент t. Наприклад, нормалізація через expanding window:

# НЕПРАВИЛЬНО - look-ahead
df['normalized_price'] = (df['close'] - df['close'].mean()) / df['close'].std()
# ПРАВИЛЬНО - expanding window
df['normalized_price'] = (
    df['close'] - df['close'].expanding().mean()
) / df['close'].expanding().std()

Purging та embargoing — при перекривних мітках часових рядів очищаємо train від зразків, що перетинаються з валідаційним періодом.

Порівняння підходів: LightGBM vs LSTM

LightGBM у 3–5 разів швидше навчається, ніж LSTM, і дає більш інтерпретовані результати, але LSTM краще вловлює довгострокові залежності.

Типи ознак для моделей

Процес роботи

1. Аналіз задачі та збір даних — визначаємо горизонт прогнозу, таргет, джерела (біржі, Glassnode, CoinGecko).
2. Feature engineering — генеруємо до 200 ознак: дохідності, волатильність, індикатори, ончейн, ринкова мікроструктура.
3. Навчання з walk-forward — використовуємо 5–10 фолдів із розширюваним вікном, оптимізуємо гіперпараметри за AUC/Sortino.
4. Відбір та інтерпретація — SHAP values, видалення корельованих ознак (VIF < 10).
5. Розгортання — модель обгортається у FastAPI, додається моніторинг дрифту (PSI), логування в MLflow.
6. Документація та передача — код, дашборди, звіт.

Терміни орієнтовно

Від 2 до 6 тижнів залежно від складності моделі та обсягу даних. Вартість розраховується індивідуально. Час окупності — 3–6 місяців при середньочастотній торгівлі. Отримайте консультацію щодо побудови price prediction моделі під вашу стратегію.

Що входить у роботу та гарантії

• Аналіз джерел даних (біржі, ончейн, macrobond)
• Розробка ознак з урахуванням специфіки крипторинку
• Навчання 3+ архітектур (LightGBM, LSTM, стекінг)
• SHAP-інтерпретація та фінальний відбір фіч
• Розгортання у вигляді API з моніторингом дрифту
• Документація, код, дашборди метрик
• Модель перенавчається при зміні ринкових умов протягом 3 місяців після запуску.

Наша команда має 10+ років досвіду в ML та FinTech, реалізувала понад 20 успішних проєктів для криптотрейдингу. Ми працюємо на ринку вже 5 років. Замовте розробку моделі прямо зараз, отримайте консультацію провідного інженера.