Привіт, ком'юніті! 👋
Ринок криптовалют — це хаос, волатильність і 24/7 стрес. Чи можна приборкати його за допомогою математики та коду?
Останнім часом я працюю над pet-project — торговим агентом на базі Ensemble Machine Learning. Це не просто "бот на RSI", а складна архітектура, яка поєднує три різні нейромережі для прийняття рішень.
Хочу поділитися технічними деталями та архітектурою. Це суто технічний огляд експерименту, а не заклики до дій.
🧠 "Мозок" системи: Що таке Ensemble Learning?
Одна модель часто помиляється. Тому я використав підхід Ensemble (Ансамбль) — це як рада директорів, де рішення приймається голосуванням трьох різних експертів.
Мій агент аналізує пари (BTC, ETH, BNB, SOL, XRP) на різних таймфреймах, використовуючи три моделі:
1. CatBoost (Аналітик):
• Алгоритм градієнтного бустингу.
• Що робить: Шукає нелінійні зв'язки між 31 індикатором (RSI, об'єми, волатильність).
• Сила: Найвища точність (AUC ~0.75) на табличних даних.
2. Transformer (Стратег):
• Та сама архітектура, що лежить в основі ChatGPT, але для цифр.
• Що робить: Аналізує 512 свічок історії через механізм Self-Attention.
• Сила: Бачить глобальні патерни та довгострокові контексти.
3. TCN (Тактик):
• Temporal Convolutional Network (часова згорткова мережа).
• Що робить: Фокусується на локальних трендах.
• Сила: Дуже швидка і ефективна для короткострокових прогнозів.
📊 Як приймається рішення?
Кожна модель "голосує". Агент бере зважене середнє їхніх прогнозів. Це дозволяє фільтрувати хибні сигнали: якщо одна модель панікує, а дві інші спокійні — угода не відкривається.
🛡 Ризик-менеджмент > Профіт
Головна проблема ботів — вони можуть "злити" депозит за ніч. Тому я побудував систему захисту ще до того, як навчив його торгувати:
• Динамічні стопи: Stop-Loss і Take-Profit не фіксовані, а адаптуються під волатильність ринку (через ATR). Якщо ринок скаче — стопи ширші, якщо флет — вужчі.
• Двошвидкісна архітектура:
• Slow Cycle (5 хв): Думає, обирає кращі монети для Watchlist.
• Fast Cycle (1 сек): Виконує угоди, стежить за спредами та ліквідністю.
• Захист від "Тільту": Обмеження просадки на день (макс 3%), ліміт відкритих позицій та cooldown-періоди між угодами.
📈 Результати тестів (Чесні цифри)
На історичних даних (Backtesting) система показує метрику AUC на рівні 0.71-0.73.
Для довідки: AUC 0.5 — це підкидання монетки. AUC 0.7+ — це вже статистично значуща здатність передбачати напрямок.
Це не означає кнопку "бабло", але це дає позитивне математичне очікування при дотриманні ризик-менеджменту (співвідношення Risk/Reward 1:2).
🚀 Roadmap: Що далі?
Проєкт на стадії активної розробки. Ось що планую додати:
1. Orderbook Analysis: Навчити нейромережу дивитися не тільки на ціну, а й на стакан ордерів (дисбаланс покупців/продавців).
2. Regime Adaptation: Агент має сам розуміти, що зараз на ринку: тренд чи боковик, і автоматично змінювати ваги моделей.
3. Reinforcement Learning (RL): Додати агента, який буде вчитися керувати розміром позиції, "караючи" себе за збитки та "нагороджуючи" за правильні входи.
💻 Технічний стек: Python, Asyncio, PyTorch, CatBoost. Залізо: NVIDIA RTX 4070.
Цікаво почути думку інших розробників та трейдерів: як ви ставитесь до AI у торгівлі? Чи вірите, що алгоритми можуть переграти ринок на дистанції?
Пишіть у коментарях! 👇
