AI-криптобот: розробка ML-стратегій і мобільного дашборду

Ми будуємо торгових ботів, які витримують flash crashes, перепідключаються при обриві WebSocket і шифрують API-ключі на рівні Keychain. За п'ять років ми розробили п'ятнадцять проєктів — від простих MA-стратегій до RL-агентів. Кожен проєкт вимагав індивідуального підходу до архітектури: вирішували проблеми background tasks під iOS, rate limits бірж, дрейф ML-моделей. Наш досвід показує, що гібридний підхід (ML + правила) перевершує чистий Reinforcement Learning в 1.5 раза за Sharpe ratio. Точність класифікації LSTM на out-of-sample даних — 57%, що дає перевагу в 15% над випадковим вгадуванням. Більше 5 років досвіду та 15+ проєктів підтверджують надійність рішень. Бюджет розробки простого торгового бота для мобільного додатка починається від 1 500 000 ₽, а комплексне рішення з RL і paper trading — від 5 000 000 ₽.

Як влаштована архітектура: сервер vs мобіла?

Торгова логіка на мобілі — погана ідея. Телефон іде в фон, iOS призупиняє процес, ордер не виставляється. Правильна архітектура:

• Торговий сервер (Python/Node.js) — виконання стратегій, WebSocket до біржі, ордери
• Мобільний клієнт — керування ботом, моніторинг позицій, налаштування стратегій, алерти

Мобільний додаток керує ботом через REST API сервера, real-time дані отримує через WebSocket. Такий підхід гарантує цілодобову роботу без втрати сигналів.

Як підключитися до біржі через WebSocket?

Binance, Bybit, OKX — всі надають аналогічну структуру API. Торгові операції — REST, ринкові дані та оновлення акаунта — WebSocket.

// iOS: підписка на User Data Stream Binance
class BinanceOrderStream: NSObject, URLSessionWebSocketDelegate {
    private var webSocketTask: URLSessionWebSocketTask?

    func startStream(listenKey: String) {
        let url = URL(string: "wss://stream.binance.com:9443/ws/\(listenKey)")!
        let session = URLSession(configuration: .default, delegate: self, delegateQueue: nil)
        webSocketTask = session.webSocketTask(with: url)
        webSocketTask?.resume()
        receiveMessage()
    }

    private func receiveMessage() {
        webSocketTask?.receive { [weak self] result in
            switch result {
            case .success(.string(let text)):
                self?.processEvent(text)
                self?.receiveMessage()
            case .failure:
                self?.scheduleReconnect()
            default: break
            }
        }
    }

    private func scheduleReconnect() {
        DispatchQueue.main.asyncAfter(deadline: .now() + 2) {
            self.startStream(listenKey: self.currentListenKey)
        }
    }
}

Reconnect при обриві — обов'язковий. Binance розриває WebSocket кожні 24 години (listenKey закінчується). Потрібно продовжувати через PUT /api/v3/userDataStream кожні 30 хвилин. Ми гарантуємо, що ваш бот не пропустить жодного сповіщення — це підтверджено офіційною документацією Binance WebSocket API.

Що реально працює в AI-стратегіях?

Термін «AI-бот» часто приховує за собою звичайний технічний аналіз. Справжні ML-підходи:

Передбачення напрямку ціни (класифікація)

LSTM / Transformer на OHLCV даних + технічних індикаторах (RSI, MACD, Bollinger Bands). Передбачає: вгору / вниз / боком на наступну N-свічку.

Чесна правда: точність > 55% на out-of-sample даних — це вже добре. Ринки — адаптивні системи, моделі деградують. Періодичне перенавчання обов'язкове.

Reinforcement Learning (RL)

PPO / SAC агент вчиться торгувати в симуляторі на історичних даних. Винагорода: PnL з урахуванням комісій. Штрафи за drawdown.

RL працює на backtest, але страждає від overfitting до історичних даних. Необхідна валідація на out-of-sample періодах і paper trading перед реальними грошима.

Ансамбль: ML + правила

Комбінуємо ML-сигнал з rule-based фільтрами: якщо ML каже «купуй», але RSI > 75 і об'єм низький — пропускаємо сигнал. Гібридний підхід знижує кількість хибних сигналів на 30% за нашими тестами. Для криптотрейдингу це означає, що ML-стратегії працюють надійніше, ніж чистий RL, особливо при високій волатильності.

Типові помилки при створенні AI-бота:

• Перенавчання моделі на історичних даних: використовуйте out-of-sample тести та walk-forward.
• Ігнорування комісій та slippage: закладайте 0.1% на угоду в бектест.
• Відсутність моніторингу моделі: розгортайте дрейф моделі щотижня.

Чому ризик-менеджмент важливіший за стратегію?

class RiskManager:
    def __init__(self, max_position_pct=0.1, max_daily_loss_pct=0.05):
        self.max_position_pct = max_position_pct  # 10% балансу на позицію
        self.max_daily_loss_pct = max_daily_loss_pct  # 5% добовий стоп

    def can_open_position(self, signal, balance, daily_pnl):
        if daily_pnl / balance < -self.max_daily_loss_pct:
            return False, "Daily loss limit reached"

        position_size = balance * self.max_position_pct * signal.confidence
        return True, position_size

    def calculate_stop_loss(self, entry_price, direction, atr):
        multiplier = 1.5
        if direction == "long":
            return entry_price - atr * multiplier
        return entry_price + atr * multiplier

ATR (Average True Range) — динамічний stop loss, що адаптується до волатильності. Фіксований % стоп (завжди -2%) працює гірше: на спокійному ринку занадто близько, на волатильному — занадто далеко. Налаштовуємо ризик-менеджмент під будь-які біржі: від Binance до Bybit.

Як забезпечити безпеку API-ключів?

API-ключ з правами на торгівлю — критичні дані. На iOS — тільки Keychain з kSecAttrAccessibleWhenUnlockedThisDeviceOnly. На Android — EncryptedSharedPreferences або Android Keystore.

Ніколи не передавати ключі на сервер у відкритому вигляді. Правильний флоу: користувач вводить ключ у додатку -> шифрується -> передається на сервер по HTTPS -> зберігається зашифрованим у Vault (HashiCorp) або AWS Secrets Manager.

Окремі ключі для кожної стратегії з обмеженими правами: тільки READ + SPOT_TRADING без WITHDRAWAL. Компрометація ключа не дозволить вивести кошти.

Що входить у розробку AI-бота під ключ?

Процес роботи та терміни

1. Аналітика: з'ясовуємо стратегію, біржі, вимоги до UI.
2. Проєктування: архітектура сервер/клієнт, вибір ML-підходу.
3. Інтеграція з біржею: REST + WebSocket, user data stream.
4. Розробка ML-моделі та ризик-менеджменту.
5. Мобільний додаток: дашборд, керування, алерти.
6. Бектестування та оптимізація.
7. Деплой та моніторинг.

Вартість розраховується індивідуально після аналізу ваших вимог. Якщо ви задумалися про власного торгового бота, зв'яжіться з нами для оцінки проєкту. Замовте розробку — ми підготуємо відповідне рішення під ключ. Отримайте консультацію, і ми оцінимо вашу ідею, запропонувавши оптимальну архітектуру.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.