Реалізація AI-прогнозування цін криптовалют у мобільному застосунку

Прогнозування цін криптовалют на базі AI у мобільних додатках

Чесне попередження: прогнозування цін криптовалют — це завдання з високим рівнем шуму. Академічні дослідження показують точність 54–60% у прогнозуванні напрямку для LSTM-моделей на BTC — це лише трохи краще за випадкове вгадування. Цінність такої системи не в точності прогнозів, а в тому, що вона обробляє більше сигналів швидше, ніж це може зробити людина.

Основа даних

OHLCV через CCXT

ccxt — це Python-бібліотека, яка надає єдиний API до 100+ криптовалютних бірж. Стандартний підхід до отримання історичних даних:

import ccxt
import pandas as pd

exchange = ccxt.binance()
ohlcv = exchange.fetch_ohlcv(
    symbol="BTC/USDT",
    timeframe="1h",
    since=exchange.parse8601("2023-01-01T00:00:00Z"),
    limit=1000
)

df = pd.DataFrame(ohlcv, columns=["timestamp", "open", "high", "low", "close", "volume"])
df["timestamp"] = pd.to_datetime(df["timestamp"], unit="ms")

Binance повертає до 1000 свічок за один запит. Для отримання повної історії даних реалізуйте пагінацію за допомогою параметра since.

On-chain дані

Для BTC і ETH метрики on-chain додають сигнали, які вихідять за межи даних OHLCV:

• Glassnode API: SOPR (Spent Output Profit Ratio), NVT, NUPL, Exchange Net Flow. Платний сервіс із безплатним тарифом, що пропонує щоденні дані
• Etherscan API: обсяг транзакцій, комісії за gas, активні адреси
• CoinGecko / CoinMarketCap: ринкова капіталізація, домінування, загальний обсяг ринку

import requests

class GlassnodeCollector:
    BASE_URL = "https://api.glassnode.com/v1/metrics"

    def get_sopr(self, api_key: str, since: int, until: int) -> pd.DataFrame:
        response = requests.get(
            f"{self.BASE_URL}/indicators/sopr",
            params={
                "a": "BTC",
                "i": "24h",
                "s": since,
                "u": until,
                "api_key": api_key
            }
        )
        data = response.json()
        return pd.DataFrame(data).rename(columns={"t": "timestamp", "v": "sopr"})

SOPR > 1 у тренді вгору = власники продають з прибутком. SOPR < 1 під час падіння = капітуляція. Це забезпечує додатковий контекст для ML-моделей.

Технічні індикатори як ознаки

Трансформуйте сирі дані OHLCV у технічні індикатори за допомогою pandas-ta або ta-lib:

import pandas_ta as ta

df.ta.rsi(length=14, append=True)       # RSI_14
df.ta.macd(append=True)                  # MACD_12_26_9, MACDh, MACDs
df.ta.bbands(length=20, append=True)     # BBL, BBM, BBU, BBB, BBP
df.ta.atr(length=14, append=True)        # ATRr_14
df.ta.obv(append=True)                   # OBV
df.ta.vwap(append=True)                  # VWAP_D

Критично: нормалізуйте всі індикатори. RSI вже знаходиться в діапазоні [0, 100]. MACD слід нормалізувати за допомогою Z-score або масштабування min-max на рухомому вікні. Передавайте до моделі повернення (відсоткові зміни) та нормалізовані ознаки, а не сирі ціни.

Підходи до моделювання

LSTM для часових рядів

Стандартний вибір. Приймає послідовність N свічок і передбачає наступну:

import tensorflow as tf

def build_lstm_model(sequence_length: int, n_features: int) -> tf.keras.Model:
    inputs = tf.keras.Input(shape=(sequence_length, n_features))
    x = tf.keras.layers.LSTM(128, return_sequences=True, dropout=0.2)(inputs)
    x = tf.keras.layers.LSTM(64, dropout=0.2)(x)
    x = tf.keras.layers.Dense(32, activation="relu")(x)
    # Прогнозуємо напрямок (класифікація) або повернення (регресія)
    outputs = tf.keras.layers.Dense(3, activation="softmax")(x)  # up/down/sideways
    return tf.keras.Model(inputs, outputs)

Класифікація напрямку (вгору/вниз/в бік) є більш надійною, ніж регресія точної ціни. Оцінюйте, використовуючи точність та F1 на даних поза вибіркою.

Temporal Fusion Transformer (TFT)

TFT від Google — передова технологія для фінансових часових рядів. Підтримує кілька часових горизонтів, статичні та динамічні коваріати та інтерпретованість через механізм уваги. Реалізується в pytorch-forecasting. Більш обчислювально інтенсивний за LSTM, але досягає кращої точності з належно підготованими даними.

XGBoost як базовий рівень

Не недооцінюйте gradient boosting з добре розробленими ознаками. XGBoost без часового контексту часто конкурує з LSTM. Швидко навчається, легко конвертується в TFLite. Відмінний базовий рівень для порівняння.

Розгортання в мобільному додатку

Висновок виконується на сервері. Модель споживає 168 годинних свічок (7 днів) і повертає ймовірності напрямку для горизонтів 4h/8h/24h. REST endpoint із кешуванням оновлює прогнози кожну годину.

На мобільному пристрої тільки відображайте результати:

struct PricePrediction: Codable {
    let symbol: String
    let horizon4h: PredictionOutcome
    let horizon8h: PredictionOutcome
    let horizon24h: PredictionOutcome
    let updatedAt: Date
}

struct PredictionOutcome: Codable {
    let direction: String     // "up", "down", "sideways"
    let probability: Double   // 0.0 - 1.0
    let confidenceInterval: ClosedRange<Double>  // ціновий діапазон
}

Довірчі інтервали (quantile регресія) показують діапазон замість точкових прогнозів. «BTC через 24 години: $55 000–$61 000 із 70% впевненістю» — більш чесно, ніж «$57 432».

Моніторинг деградації моделі

Криптовалютні ринки еволюціонують: змінюються режими бичачого/ведмежого ринку, появляються нові активи, відбуваються нормативні події. Модель, навчена під час бичачого ринку 2021 року, погано працює у 2022 році.

Метрики моніторингу:

• Рухома точність за останні 30 днів
• Зміни розподілу у ознаках (KL-дивергенція між навчальними та свіжими даними)
• Коефіцієнт Шарпа, якщо використовується для торгівлі

Коли відбувається деградація (точність впадає на 5%+ від базового рівня), автоматично перенавчайте модель на свіжих даних.

Дисклеймер

Включіть у додаток: «Прогнози мають інформаційний характер. Минула точність не гарантує майбутніх результатів. Це не інвестиційна рекомендація.»

Огляд процесу

Зберіть та очистіть дані (OHLCV + on-chain). Розробіть ознаки та нормалізуйте. Навчайте та перевіряйте кілька моделей. Виберіть найкращу, конвертуйте та розгорніть API. Мобільний інтерфейс: відображайте прогнози з довірчими інтервалами. Налаштуйте моніторинг та автоматичне перенавчання.

Оцінки часових рамок

Базова LSTM зі стандартними ознаками та мобільною панеллю: 2–4 тижні. Ensemble з on-chain даними, багатогоризонтним прогнозуванням та моніторингом: 5–10 тижнів.