Как вайбкодинг заставил меня скрестить крипту с ИИ.

Как вайбкодинг заставил меня скрестить крипту с ИИ

Всем привет! Страшно подумать, но мой аккаунт живет здесь с 2013 года, а последний раз я писал на Смартлаб аж в 2019-м. Много воды утекло, рынки поменялись, но недавно случилась история, которая заставила меня стряхнуть пыль с клавиатуры. Хочу рассказать, как я докатился до создания собственного ИИ-терминала, и заодно послушать фидбек от местных гуру алготрейдинга.

От первых тестов вайбкодинга до архитектуры собственного крипто-комбайна

Началось всё банально. Связался я как-то с нейросетями — пользовался активно, как и все: текст подправить, мелкий кусок кода написать, но в подкапотную магию особо не вникал. А потом в инфополе начало мелькать модное слово «вайбкодинг». Это когда ты не просто скрипты копипастишь, а буквально на пальцах объясняешь нейронке архитектуру, и она собирает тебе рабочий софт.

И тут меня осенило. У меня же годами пылилась куча торговых идей! А тут еще гиганты вроде Google и OpenAI буквально каждую неделю выкатывают всё более умные модели (счет идет уже на сотни). Где еще тестировать всю эту вычислительную мощь, как не в крипте?

Я взял отпуск от реальности на пару недель и с головой ушел в матчасть: парсинг биржевых данных, промпт-инжиниринг, актуальные наработки в алготрейдинге.

Сначала была идея развернуть всё на локальных моделях (никто не сливает твои логи). Но я быстро понял: с текущими темпами гонки вооружений в бигтехе сидеть на локалках пока бессмысленно — они просто не успевают за облачными мозгами.

В итоге я перешел от теории к практике и начал писать свой проект — DarkPool AI.

Как это работает под капотом (Концепция)

Логика работы программы выстроена в жесткий пайплайн:

1. Охота за ликвидностью: Программа по публичным каналам и API лезет на Binance и находит абсолютно все монеты, у которых есть торговля парами как на споте, так и на фьючерсах.
2. Отбор горячего: Из этой огромной кучи отбираются несколько активов — те, что в топе по росту цены или по дикому скачку Открытого Интереса (ОИ).
3. Режим пылесоса: Как только «жертвы» выбраны, по ним включается тотальный сбор данных по всем возможным каналам. Каждая монета жестко привязывается к паре «спот + фьюч».
4. Математика и Сигмы: В дело вступает Python. Поступающая информация прогоняется через формулы с использованием стандартных отклонений (сигм).

В процессе этой обработки алгоритм ловит сигналы по триггерам, причем для спота и фьючерса они считаются и фиксируются изолированно.

Триггеры и аномалии (Ловим крупную рыбу)

Чтобы не утонуть в рыночном шуме, я разбил триггеры на несколько логических групп:

• Стаканные аномалии: отслеживание крупных лимиток, резкое изменение плотности книги заявок и маркеры спуфинга.

• Маржинальные метрики: фиксация каскадов ликвидаций и аномальных всплесков ОИ.

• Сдвиги объемов: перекосы кумулятивной дельты и кластерные всплески на микро-таймфреймах.

• Экстремумы волатильности: резкие пробои тех самых расчетных сигм и импульсные движения.

Скармливаем упорядоченный хаос нейросети: Режим «Макро-анализ»

Вся эта прорва информации переваривается и преобразовывается в дельты за определенный период (динамика «было/стало»). И вот тут начинается самое интересное.

Из полученных дельт формируется сочный, структурированный промпт для ИИ. В нем лежит вся выжимка:

• Стакан и сайзы

• Ликвидации и ОИ

• Показания классических индикаторов в динамике

• Точное время срабатывания наших триггеров

• Фундаментальные метрики с CoinMarketCap по конкретной монете.

Под каждый актив создается отдельный чат с нейросетью. Раз в 5-10 минут в этот чат залетает свежий пакет обработанных данных, в ответ мы получаем анализ по этим данным, а ии запоминает это всё. В итоге через час ИИ получает идеальную, разложенную по полочкам историческую картину того, что происходит с монетой по всем фронтам, и видит развитие ситуации в динамике.

P.S. В терминале есть еще вторая кнопка — «Микро-анализ», там механика еще агрессивнее, но об этом расскажу в следующих публикациях.

Собственно, пишу сюда, чтобы немного выйти из информационного пузыря. Буду рад услышать мнения местных практиков: Кто уже пробовал работать с LLM-моделями для анализа рыночных данных.

Любая конструктивная критика архитектуры категорически приветствуется. Всем профита!