Какие задачи DS связаны с криптовалютой и как анализировать крипторынок?

Data Science в криптовалютах и анализ крипторынков

Типичные задачи DS в крипто

1. Прогнозирование цены (Price Prediction)

Это одна из наиболее популярных задач. Используют различные подходы:

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
import pandas as pd

df = pd.read_csv('bitcoin_prices.csv')
data = df['Close'].values

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
data = scaler.fit_transform(data.reshape(-1, 1))

def create_sequences(data, seq_length=60):
    X, y = [], []
    for i in range(len(data) - seq_length):
        X.append(data[i:i+seq_length])
        y.append(data[i+seq_length])
    return np.array(X), np.array(y)

X, y = create_sequences(data, 60)

model = Sequential([
    LSTM(50, activation='relu', input_shape=(60, 1)),
    Dropout(0.2),
    Dense(25, activation='relu'),
    Dense(1)
])
model.compile(optimizer='adam', loss='mse')
model.fit(X, y, epochs=50, batch_size=32, verbose=0)

future_price = model.predict(X[-1:])
print(f'Прогноз цены: {scaler.inverse_transform(future_price)}')

Сложности: Криптовалюта очень волатильна, много экзогенных факторов: новости, регуляция, сентимент соцсетей.

2. Анализ сентимента (Sentiment Analysis)

Сентимент в социальных сетях влияет на цену криптовалюты:

from transformers import pipeline

sentiment_pipeline = pipeline('sentiment-analysis', model='ProsusAI/finbert')

tweets = ['Bitcoin is the future', 'Crypto market crashed', 'Ethereum will moon']

for tweet in tweets:
    result = sentiment_pipeline(tweet)
    label = result[0]['label']
    score = result[0]['score']
    print(f'Tweet: {tweet} -> {label} ({score:.2f})')

3. Обнаружение мошенничества (Fraud Detection)

Крипто привлекает мошенников. Нужно выявлять rug pulls, pump & dump, fake volume:

import pandas as pd
from sklearn.ensemble import IsolationForest

df = pd.read_csv('trading_data.csv')

features = ['volume', 'price_change', 'volatility']
X = df[features]

iso_forest = IsolationForest(contamination=0.1, random_state=42)
df['anomaly'] = iso_forest.fit_predict(X)

suspicious_trades = df[df['anomaly'] == -1]
print(suspicious_trades)

4. Анализ блокчейна (Blockchain Analysis)

Анализ транзакций: отслеживание крупных движений (whale tracking), анализ адресов, обнаружение манипуляций.

5. Анализ технических индикаторов

import talib

df['RSI'] = talib.RSI(df['Close'], timeperiod=14)
df['MACD'], df['MACD_signal'], df['MACD_hist'] = talib.MACD(df['Close'])

df['signal'] = 0
df.loc[df['RSI'] < 30, 'signal'] = 1
df.loc[df['RSI'] > 70, 'signal'] = -1

df['returns'] = df['Close'].pct_change()
df['strategy_returns'] = df['signal'].shift(1) * df['returns']
cumulative_returns = (1 + df['strategy_returns']).cumprod()

print(f'Total return: {(cumulative_returns.iloc[-1] - 1) * 100:.2f}%')

6. Риск-менеджмент и оптимизация портфеля

Оптимизация Sharpe ratio, учёт корреляций между криптовалютами, определение оптимальных весов.

7. Social Listening

Отслеживание трендов социальных сетей для раннего обнаружения pump & dump схем.

Практические вызовы

• Нестационарность данных: модель на 2023 может не работать на 2024
• Survivorship Bias: анализируешь успешные монеты, забываешь о мёртвых
• 24/7 рынок: торговля без перерывов
• Манипуляции: fake volume, spoofing

Инструменты

• CoinGecko, CoinMarketCap API
• Etherscan, Blockchain.info
• Kaiko, Glassnode
• Santiment

Итог

Крипто — высокорисковый актив. Не ожидай 100% accuracy. Сфокусируйся на выявлении паттернов с 5-10% edge, правильном риск-менеджменте, использовании ансамблей и постоянном переобучении моделей из-за дрифта данных.