Нейросети и фигуры Меррилла: как предсказать рынок за 8 шагов

Многие трейдеры и разработчики годами ищут «святой грааль» в индикаторах или сложных нейросетевых архитектурах, пытаясь предсказать хаотичное движение графиков. Но что, если секрет не в сложности, а в правильном переводе рыночного шума на язык, понятный искусственному интеллекту? Вместо того чтобы скармливать модели «сырые» цифры, мы обучаем её понимать геометрию рынка, превращая графики в последовательность токенов, подобно буквам в тексте. В этой статье мы подробно разберем уникальный пайплайн предсказания рынка, где трансформер (архитектура GPT) обучается на фигурах Меррилла, а не на простых свечах. Это не просто теория, а работающая система, прошедшая суровую валидацию. Ключевые тезисы

• Геометрическая токенизация: Использование фигур Меррилла позволяет сжать рыночный шум в 32 уникальных токена, сохраняя суть тренда.
• Архитектура GPT-2: Для анализа используется декодер-трансформер, способный улавливать зависимости в истории разворотов за 2 месяца.
• Валидация Walk-forward: Модель тестировалась на данных, которые она никогда не видела, включая монеты, полностью исключенные из обучающей выборки.
• Мультиголовая система: Нейросеть одновременно предсказывает направление (рост/падение) и силу будущего движения.

Как работает пайплайн предсказания: 8 критических этапов

Многие системы анализа терпят неудачу, потому что пытаются объять необъятное. В данном подходе реализовано сознательное ограничение: использовать только структуру цены. Вот как выглядит процесс превращения хаоса в четкий прогноз. Ссылка на полный контекст разработки доступна в официальном источнике: телеграм-канал "Олег Тестов | Соло-фаундер в найме".

1. Сбор данных без лишних сущностей

Процесс начинается с работы воркера, который каждый час забирает данные о часовых свечах (OHLCV) с биржи Binance. Важно отметить: на вход не подаются объемы, новости или индикаторы. Это чистый эксперимент по проверке гипотезы — насколько далеко может зайти трансформер, анализируя исключительно структуру цены. Если модель покажет стабильность на таком «спартанском» рационе, добавление новых признаков в будущем станет лишь приятным бонусом к точности.

2. Выделение экстремумов и фильтрация шума

Рыночные графики полны ложных движений. Чтобы очистить поток данных, используется алгоритм скользящего окна (5 баров слева и справа) для поиска локальных пиков и впадин. Чтобы избежать «залипания», применяется фильтр, который принудительно чередует точки: min-max-min-max. Таким образом, зашумленные свечи сжимаются в чистый поток ключевых разворотных точек, которые и становятся фундаментом для дальнейшего анализа.

3. Классификация через фигуры Меррилла

Здесь происходит магия превращения геометрии в данные. Мы берем 5 последовательных экстремумов. По своей форме они неизбежно напоминают буквы "M" или "W". Каждая точка ранжируется по цене относительно других в диапазоне от 0 до 4. В результате любая рыночная ситуация превращается в комбинацию типа (2, 4, 1, 3, 0). Всего существует 32 таких варианта — это классические фигуры Меррилла, которые описывают практически любой разворотный паттерн.

4. Токенизация для трансформера

32 фигуры становятся 32 токенами — это весь словарь нашей модели. В среднем один токен (значимая фигура) появляется 2–3 раза в сутки. Поскольку контекстное окно модели составляет 128 токенов, нейросеть «видит» и анализирует историю рыночных разворотов за последние 1.5–2 месяца торгов. Это позволяет системе понимать не только текущий момент, но и глобальный контекст происходящего.

5. Обучение специализированной GPT-модели

Вместо того чтобы использовать тяжелые предобученные модели, был создан миниатюрный декодер-only трансформер (архитектура GPT-2). Характеристики модели: 6 слоев, 6 голов внимания, 96-мерный эмбеддинг и около 690 тысяч весов. Модель обучена с нуля исключительно на токенах Меррилла. Здесь нет «заимствованных знаний» или дообучения — только чистая логика рыночных циклов, извлеченная из истории торгов.

6. Гибридный инференс: Направление и Сила

Когда данные проходят через трансформер, на выходе работают две специализированные «головы»:

Здесь вы можете узнать больше о настройках головы силы и о том, как она помогает в реальной торговле. Обе головы работают параллельно для разных временных горизонтов.

7. Выбор оптимального горизонта торговли

Модель рассчитывает прогнозы на дистанцию от 2 до 5 экстремумов (от 8 часов до 2 суток). Однако практика показала, что оптимальным является горизонт K=3 (примерно 1 день). Горизонт K=2 слишком чувствителен к шуму, а K=5 часто выдает ложные пробои. Интересно, что обучение на всех горизонтах сразу помогает модели лучше понимать структуру рынка, делая основной прогноз на K=3 значительно точнее.

8. Жесткая валидация и проверка на прочность

Чтобы исключить случайность, использовался метод Walk-forward на отрезке 2.7 года. Модель тренировалась на последовательных кварталах и тестировалась на данных следующего периода. Более того, пять монет (DOGE, AVAX, DOT, ATOM, AAVE) были полностью изъяты из обучающей выборки. Результат? Качество прогнозов на этих активах не упало, что доказывает: нейросеть выучила не особенности конкретной монеты, а универсальный язык рыночной геометрии.

Часто задаваемые вопросы

Почему используются только 32 токена, не слишком ли это мало?

Ограничение словаря 32 фигурами Меррилла — это способ борьбы с переобучением. Этого количества достаточно, чтобы описать все базовые паттерны разворотов, при этом модель не отвлекается на мелкие ценовые флуктуации, которые не несут полезной информации.

В чем преимущество трансформера перед обычными индикаторами?

Индикаторы смотрят назад и часто запаздывают. Трансформер с механизмом внимания (Attention) оценивает взаимосвязи между всеми токенами в окне 128 шагов, понимая, какой именно паттерн месяц назад влияет на текущую вероятность разворота.

Как выбирались монеты для лайв-дашборда?

Отбор пар (таких как DOT, ADA, BTC) проводился не по средней доходности, а по нижней границе 95% бутстрэп-интервала. Это консервативный математический подход, который гарантирует стабильность результата даже при неблагоприятном сценарии.

Будущее нейросетевого трейдинга

Использование LLM-технологий в финансовом анализе только зарождается. Переход от анализа «чисел» к анализу «смыслов» и «структур» открывает огромные возможности. Текущие результаты на пяти независимых активах подтверждают, что выбранный путь токенизации через фигуры Меррилла является жизнеспособным и масштабируемым. Вот что важно помнить:

1. Рынок имеет структуру, которую можно формализовать.
2. Меньше данных (но качественнее) часто дают лучший результат, чем переизбыток шума.
3. Валидация на «незнакомых» активах — единственный способ проверить реальную силу алгоритма.

Следите за развитием нейросети в реальном времени

Узнайте подробности методологии и смотрите лайв-дашборд в канале автора → Олег Тестов | Соло-фаундер в найме