🛠 Как я запретила нейросети считать цифры или как поменялась эволюция архитектуры торговых крипто ботов от сырых данных к Feature Engineering

Привет 🫠

Многие думают, что создать торгового крипто AI-бота - это просто прикрутить API биржи или dex терминала к ChatGPT, скормить ему историю сделок, объема, ликвидности и ждать профита. Я тоже начинала с похожей концепции. Но жесткий аудит моего проекта Trading AI показал неприятную правду: я уперлась в архитектурный потолок.

Пришлось снести старый фундамент и кардинально переосмыслить то, как мой алгоритм вообще «читает» рынок. Рассказываю, почему я отказалась от прямой подачи сырых метрик в нейросеть и научила ИИ мыслить готовыми паттернами.

Почему LLM - это ужасные калькуляторы 📉 Старая архитектура была банальной. Я собирала данные через cex библиотеки (исторические и актуальные), dex терминалы и RPC узлы, собирала сырые массивы и вываливала их в промпт.
Моя нейросеть получала полотна вида: RSI = 64, OI = +5%, Funding = -0.02, топ-холдер держит 12%, история из 100 транзакций.

Проблема в том, что LLM - это не калькулятор. Когда скармливаешь языковой модели сотни сырых цифр, она просто тонет в цифровом шуме. ИИ не умеет нормально считать математические отклонения, он начинает галлюцинировать и принимает обычную рыночную волатильность за инсайдерскую торговлю. Мусор на входе - галлюцинации на выходе.

Новый пайплайн: Feature-Based Intelligence Layer 🧠 Я полностью переписала ядро. Теперь между сбором даты и нейросетью появился критически важный слой - Feature Extraction (извлечение признаков).

Я сместила парадигму: RPC/API -> Извлечение Фич -> Knowledge Graph -> LLM.

Теперь мои скрипты на Node.js берут на себя всю тяжелую математику. Вместо того чтобы кидать в ИИ массивы кошельков, код на лету высчитывает сложные поведенческие паттерны. Каждая фича (признак) имеет строгую структуру: name (название), value (значение), confidence (вес уверенности алгоритма) и reason (обоснование).

Что конкретно парсит алгоритм под капотом? 🕵‍♀ Я зашила в код жесткую детекцию ончейн-аномалий и биржевых перекосов:

Охота на снайперов и бот-сети: Скрипт анализирует переводы и отдает фичи sniper_probability или bundle_probability. Он сам вычисляет funding_cluster_score - например, если сотня свежих кошельков получила газ с одного транзитного адреса, алгоритм мгновенно помечает это как скоординированную атаку.
Скелеты в шкафу разработчиков: ИИ получает не просто возраст контракта, а маркеры вроде developer_previous_rugs (история прошлых скамов создателя) и метрики централизации холдеров (holder_centralization).
Умные CEX-метрики: Вместо сухой цифры Открытого Интереса, я отдаю ИИ готовый смысл. Например, фичу oi_acceleration (когда OI растет быстрее цены - маркер жесткого давления) или orderbook_imbalance (перекос в стакане).
скрещивание CEX и DEX данных. Так как в промпт попадают признаки dex данных и cex метрик (при листинге токена на cex соответственно), модель нейросети может видеть полную картину происходящего: какие люди зашли в токен (и люди ли это вообще) и насколько плохо все в лимитках (не обрушит ли меня после пробития уровней сопр/поддержки.)

Что это дает на практике? 💎 Я радикально сократила размер промпта. Нейросети больше не нужно считать массивы. Она получает структурированную выжимку. Вместо полотна цифр, ИИ видит готовый маркер: «Опасная концентрация холдеров (confidence 0.91) - Топ-5 кошельков держат 74% ликвидности».

Теперь LLM выступает в роли АНАЛИТИКА, а не калькулятора. Модель анализирует логические связи между этими паттернами и выдает мне кристально чистый Risk Score.

Напоминаю базу: я принципиально не верю в автотрейдинг. Ключи от депозита скриптам я не доверяю. Мой бот делает самую сложную и душную работу по поиску паттернов в дате, выдавая мне готовую картину рынка. А все финальные решения нажать на кнопку я принимаю только сама, ручками 🚀

Больше разборов архитектуры, кусков кода и инсайдов из разработки я публикую в своем канале: