AI-прогнозування цін криптовалют у мобільному додатку

Чесне попередження: передбачення цін криптовалют — задача з високим шумом. Академічні роботи показують accuracy 54–60% на напрямок руху для LSTM моделей на BTC — це трохи краще випадкового вгадування на 4–10%. Цінність системи не в точності передбачення, а в тому, що вона обробляє більше сигналів швидше, ніж людина вручну. Наприклад, наша модель аналізує 168 годинних OHLCV свічок з Binance, 20+ on-chain метрик від Glassnode і 15 технічних індикаторів — всього понад 50 фіч. Це дозволяє виявляти патерни, які людина просто не помітить. Однак навіть при такому обсязі даних абсолютна точність недосяжна. Тому ми робимо акцент на ймовірнісний прогноз з довірчим інтервалом.

Наша команда має 8+ років досвіду в машинному навчанні та реалізувала 30+ проектів з інтеграції AI в мобільні додатки. Ми допомагаємо від ідеї до деплою в App Store та Google Play.

Чому AI прогнозування криптовалют у мобільному додатку?

Ми розробляємо AI-моделі для прогнозування криптовалютних ринків, інтегруючи їх у мобільні додатки. Команда має досвід у машинному навчанні та мобільній розробці, включаючи проекти для криптовалютних бірж та аналітичних платформ. Результат — система, яка допомагає приймати рішення на основі аналізу сотень фіч. Оцінимо ваш проект — зв'яжіться з нами.

Як інтегрувати AI модель у мобільний додаток?

Інтеграція відбувається через REST API з кешуванням: модель приймає 168 годинних свічок, повертає ймовірності напрямку. Мобільний додаток лише відображає результат. Деталі дивіться у FAQ.

Дані та фічі: OHLCV через CCXT, on-chain метрики та технічні індикатори

OHLCV через CCXT

CCXT — Python бібліотека з єдиним API для 100+ бірж. Стандарт для 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 віддає до 1000 свічок за запит. Для повної історії — пагінація через параметр since.

On-chain дані

Для BTC і ETH on-chain метрики додають сигнали, яких немає в OHLCV:

• Glassnode API: SOPR (Spent Output Profit Ratio), NVT, NUPL, Exchange Net Flow. Платний, але є безкоштовний тир з денними даними.
• Etherscan API: обсяг транзакцій, gas fees, активні адреси.
• CoinGecko / CoinMarketCap: market cap, dominance, total market volume.

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 на ринку в зростанні = держателі продають в прибуток. SOPR < 1 на падінні = капітуляція. Це додатковий контекст для ML-моделі.

Технічні індикатори

Сирі OHLCV → технічні індикатори через 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

Всі індикатори нормалізуємо. RSI вже в [0, 100]. MACD — нормалізуємо Z-score або min-max по ковзному вікну. Сині ціни в модель не подаємо — даємо returns (відсоткова зміна) і нормалізовані фічі.

Temporal Fusion Transformer для покращення прогнозу: на 2–5% краще за LSTM

Temporal Fusion Transformer (TFT) від Google — state-of-the-art для фінансових часових рядів. Підтримує кілька часових горизонтів, static і dynamic covariates, інтерпретовність через attention. Реалізований в pytorch-forecasting. Важчий за LSTM (в 1.5–2 рази повільніше навчання), але точніший при правильно підготовлених даних. Згідно з дослідженням Google, TFT кращий за LSTM на 2–5% по точності на однакових даних. У наших тестах TFT перевершує LSTM на 3% в середньому.

Переваги ансамблю моделей: комбінація LSTM, TFT, XGBoost

LSTM для часових рядів

Стандартний вибір. Приймає послідовність з N свічок, 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)
    outputs = tf.keras.layers.Dense(3, activation="softmax")(x)  # up/down/sideways
    return tf.keras.Model(inputs, outputs)

Класифікація напрямку (up/down/sideways) надійніша за регресію точної ціни. Метрика — accuracy і F1 на out-of-sample даних.

XGBoost як baseline

Не недооцінюйте gradient boosting на правильних фічах. XGBoost без temporal context часто конкурує з LSTM. Швидко навчається — в 10 разів швидше за LSTM, легко конвертується в TFLite. Відмінний baseline для порівняння.

Порівняння моделей з використанням крос-валідації та backtesting

Деплой в мобільному додатку: REST API з кешуванням

Інференс — на сервері. Модель приймає 168 годинних свічок (7 днів), повертає ймовірності напрямку на 4/8/24 години. REST endpoint з кешуванням: прогноз перераховується раз на годину.

На мобільному — лише відображення результату:

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
}

Довірчий інтервал (quantile regression) показує діапазон замість точкового передбачення: «BTC через 24 год: 55 000–61 000 USDT з ймовірністю 70%» — чесніше, ніж «57 432 USDT».

Моніторинг деградації моделі: rolling accuracy, KL-дивергенція, Sharpe ratio

Криптовалютний ринок змінюється: bull/bear режими, нові активи, регуляторні події. Модель, навчена на бичачому ринку, погано працює в ведмежий.

Метрики моніторингу:

• rolling accuracy за останні 30 днів
• distribution shift вхідних фіч (KL-дивергенція train vs recent data)
• Sharpe ratio якщо використовується в торгівлі

При degrade (accuracy впала на 5%+ від baseline) — автоматичне перенавчання на свіжих даних.

Що входить в роботу: 7 етапів

1. Збір та очищення даних (OHLCV + on-chain)
2. Feature engineering та normalization
3. Навчання та валідація кількох моделей (LSTM, TFT, XGBoost)
4. Вибір найкращої, конвертація та деплой REST API
5. Мобільний UI: графік з прогнозом, довірчий інтервал
6. Налаштування моніторингу та автоперенавчання
7. Документація та навчання команди

Орієнтири за термінами

LSTM-модель з базовим набором фіч та мобільним дашбордом — від 2 до 4 тижнів. Ансамбль з on-chain даними, multi-horizon прогнозом та моніторингом — від 5 до 10 тижнів.

Вартість розраховується індивідуально після аналізу вимог. Отримайте консультацію з вибору архітектури — зв'яжіться з нами для оцінки вашого проекту. Ми допомагаємо від ідеї до деплою в App Store та Google Play.

Дисклеймер: У додатку обов'язково: «Прогнози носять інформаційний характер. Минула точність не гарантує майбутньої. Не є інвестиційною рекомендацією.»