ক্রিপ্টো সিগন্যাল জেনারেশনের জন্য মেশিন লার্নিং

মেশিন লার্নিং ক্রিপ্টোকারেন্সি ট্রেডিংকে মৌলিকভাবে পরিবর্তন করেছে। একসময় যা কেবল টেকনিক্যাল অ্যানালাইসিস এবং ম্যানুয়াল ইন্টারপ্রিটেশনের উপর নির্ভর করত, এখন তা নিউরাল নেটওয়ার্ক থেকে উপকার পায় যা মিলিয়ন প্রাইস টিক, অর্ডার বুক স্ন্যাপশট এবং অন-চেইন ইভেন্ট থেকে প্যাটার্ন বের করতে পারে। এই গাইডটি ক্রিপ্টোকারেন্সি সিগন্যালের জন্য ML-চালিত কনফার্মেশন সিস্টেম তৈরি করার উপায় অন্বেষণ করে — একই কৌশল যা আমরা Smart Money API-তে আমাদের কনফিডেন্স স্কোর চালিত করতে ব্যবহার করি।

প্রধান অন্তর্দৃষ্টি: ML সিগন্যালগুলি সর্বোত্তম কাজ করে যখন ঐতিহ্যগত মেট্রিক্সের সাথে সংযুক্ত করা হয়। একটি নিউরাল নেটওয়ার্ক যা 52% নির্ভুলতার সাথে দামের দিকনির্দেশনা ভবিষ্যদ্বাণী করে তা মূল্যহীন। কিন্তু যে নেটওয়ার্কটি মোমেন্টাম নিশ্চিত করে যখন ফান্ডিং রেট পজিটিভ এবং তিমি কনসেনসাস বুলিশ? এটি একটি 60%+ জয়ের হার সিস্টেম।

গাণিতিক ভিত্তি

কোডে ডুব দেওয়ার আগে, গণিত বুঝুন। প্রতিটি নিউরাল নেটওয়ার্ক মূলত একটি ফাংশন অ্যাপ্রোক্সিমেটর। ইনপুট বৈশিষ্ট্য (দাম, ভলিউম, ফান্ডিং রেট, তিমি কনসেনসাস) দেওয়া হলে, এটি ঐতিহাসিক ডেটা জুড়ে ভবিষ্যদ্বাণীর ত্রুটি কমাতে ওজন শেখে।

সুপারভাইজড লার্নিং ফ্রেমওয়ার্ক

লেবেলযুক্ত ডেটা দিয়ে শুরু করুন: ঐতিহাসিক দাম/সিগন্যাল জোড়া।

পাইথন — ডেটা প্রস্তুতি
# সুপারভাইজড ডেটা প্রস্তুত করুন
import numpy as np
import pandas as pd
# BTC-এর জন্য OHLCV ডেটা লোড করুন
df = pd.read_csv('btc_5m.csv')
# বৈশিষ্ট্য: [open, high, low, close, volume, funding_rate, whale_long_pct]
features = df[['open', 'high', 'low', 'close', 'volume', 'fr', 'whale_long']].values
# টার্গেট: পরবর্তী 5 ক্যান্ডেলে দাম বেড়েছে (1) বা কমেছে (0)
targets = (df['close'].shift(-5) > df['close']).astype(int).values
# বৈশিষ্ট্যগুলিকে [0,1]-এ নরমালাইজ করুন
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X = scaler.fit_transform(features)

ক্রিপ্টোর জন্য ফিচার ইঞ্জিনিয়ারিং

কাঁচা OHLCV ডেটা যথেষ্ট নয়। আপনার প্রয়োজন:

মূল বিষয় হলো ক্যাপচার করা ইনফরমেশন অ্যাসিমেট্রি — এমন সিগন্যাল যা অধিকাংশ ট্রেডার দেখতে পায় না। আমাদের Smart Money API তিনটি স্তর (ডেরিভেটিভস, অন-চেইন, হোয়েল) কে একটি কম্পোজিট ফিচারে একত্রিত করে যা যেকোনো একক মেট্রিকের চেয়ে ভালো পারফর্ম করে।

নিউরাল নেটওয়ার্ক আর্কিটেকচার

ক্লাসিফিকেশনের জন্য মাল্টিলেয়ার পারসেপট্রন (MLP)

বাইনারি ক্লাসিফিকেশনের (বাই/সেল) জন্য একটি সাধারণ ফিডফরওয়ার্ড নেটওয়ার্ক আশ্চর্যজনকভাবে ভালো কাজ করে:

Python — PyTorch MLP
import torch
import torch.nn as nn
class CryptoMLP(nn.Module):
def __init__(self, input_size=7):
super().__init__()
self.fc1 = nn.Linear(input_size, 128)
self.fc2 = nn.Linear(128, 64)
self.fc3 = nn.Linear(64, 32)
self.fc4 = nn.Linear(32, 1)
self.dropout = nn.Dropout(0.3)
def forward(self, x):
x = torch.relu(self.fc1(x))
x = self.dropout(x)
x = torch.relu(self.fc2(x))
x = self.dropout(x)
x = torch.relu(self.fc3(x))
x = torch.sigmoid(self.fc4(x))
return x

এই আর্কিটেকচারে ৭টি ইনপুট ফিচার ধীরে ধীরে সংকুচিত লেয়ারের (128 → 64 → 32 → 1) মধ্য দিয়ে প্রবাহিত হয়, সাথে ReLU অ্যাক্টিভেশন এবং ড্রপআউট রেগুলারাইজেশনের জন্য। সিগময়েড আউটপুট ফাইনাল লেয়ারকে [0,1] এ স্কোয়াশ করে, যা বাইয়ের প্রোবাবিলিটি রিপ্রেজেন্ট করে।

LSTM for Sequence Prediction

Why Recurrent Networks?

Price movements aren't independent — they have memory. An LSTM (Long Short-Term Memory) network can learn temporal dependencies: "If momentum is rising and funding rate just flipped positive after 3 hours of negatives, the next 5-minute candle is 58% likely to be bullish."

Python — LSTM for Crypto
class CryptoLSTM(nn.Module):
def __init__(self, input_size=7, hidden_size=64, num_layers=2):
super().__init__()
self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True, dropout=0.3)
self.fc1 = nn.Linear(hidden_size, 32)
self.fc2 = nn.Linear(32, 1)
def forward(self, x):
# x shape: (batch, seq_len, features)
lstm_out, _ = self.lstm(x)
# Take last timestep
last_hidden = lstm_out[:, -1, :]
x = torch.relu(self.fc1(last_hidden))
x = torch.sigmoid(self.fc2(x))
return x

This LSTM takes sequences of 60 timesteps (5 hours of 5-minute candles) and predicts the next direction. The cell state learns which features matter most at different points in the sequence.

Sequence Preparation

Transform your flat data into sliding windows:

Python — Create LSTM sequences
def create_sequences(data, seq_len=60):
X, y = [], []
for i in range(len(data) - seq_len):
X.append(data[i:i+seq_len])
y.append(data[i+seq_len, -1]) # next target
return np.array(X), np.array(y)
X, y = create_sequences(X)
# X.shape: (n_samples, 60, 7)

Training and Evaluation

Train-Test Split Strategy

For time-series data, never shuffle. Future data leakage will overstate accuracy.

Python — Proper time-series split
# Split: 70% train, 20% val, 10% test
n = len(X)
train_idx = int(n * 0.7)
val_idx = int(n * 0.9)
X_train, y_train = X[:train_idx], y[:train_idx]
X_val, y_val = X[train_idx:val_idx], y[train_idx:val_idx]
X_test, y_test = X[val_idx:], y[val_idx:]

Training Loop

Use binary cross-entropy loss and Adam optimizer:

Python — Training
model = CryptoLSTM()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
loss_fn = nn.BCELoss()
for epoch in range(100):
model.train()
optimizer.zero_grad()
preds = model(X_train_tensor)
loss = loss_fn(preds, y_train_tensor)
loss.backward()
optimizer.step()
model.eval()
with torch.no_grad():
val_preds = model(X_val_tensor)
val_loss = loss_fn(val_preds, y_val_tensor)
print(f"Epoch {epoch}: train={loss:.4f}, val={val_loss:.4f}")

Integrating with Smart Money API

Our ML models don't replace traditional metrics — they amplify them. Here's how Smart Money API combines them:

Python — Ensemble scoring
def compute_confirmation_score(symbol, direction):
# 1. Get derivatives score (funding rate, LSR)
deriv_score = get_derivatives_score(symbol, direction)
# 2. Get on-chain score (MVRV, SOPR, exchange flow)
onchain_score = get_onchain_score(symbol)
# 3. Get whale score (consensus direction, pnl)
whale_score = get_whale_score(symbol, direction)
# 4. Run ML model on features
features = [deriv_score, onchain_score, whale_score, volatility, volume_trend]
ml_signal = lstm_model.predict(features)
# 5. Weighted ensemble
composite = (deriv_score * 0.35 + onchain_score * 0.25 + whale_score * 0.25 + ml_signal * 0.15)
return {
"composite": composite,
"confidence": classify_confidence(composite),
"components": {"deriv": deriv_score, "onchain": onchain_score, "whale": whale_score, "ml": ml_signal}
}

সেরা অনুশীলন

১. ওভারফিটিং এড়িয়ে চলুন

২. ক্লাস ইমব্যালেন্স হ্যান্ডেল করুন

আপনার যদি "আপ" দিনের সংখ্যা "ডাউন" দিনের চেয়ে বেশি থাকে, মডেলটি বেশি বার আপ প্রেডিক্ট করবে। ওয়েটেড লস ব্যবহার করুন:

পাইথন — ওয়েটেড বিসিই
# যদি ৬০% কেস আপ হয়, ডাউন কেসগুলোর ওজন বেশি হওয়া উচিত
pos_weight = (len(y_train) - y_train.sum()) / y_train.sum()
loss_fn = nn.BCEWithLogitsLoss(pos_weight=torch.tensor(pos_weight))

৩. ফিচার নরমালাইজেশন

নিউরাল নেটওয়ার্ক ফিচার স্কেলে সংবেদনশীল। ইনপুট ফিচারগুলোকে [০,১] বা [-১,১] এ নরমালাইজ করুন। শুধুমাত্র ট্রেনিং ডেটায় স্কেলার রিফিট করুন, তারপর ভ্যালিডেশন/টেস্টে প্রয়োগ করুন।

৪. ওয়াক-ফরওয়ার্ড ভ্যালিডেশন

একটি সিঙ্গেল টেস্ট সেটের বদলে স্লাইডিং উইন্ডো ব্যবহার করুন: ১ বছরের ডেটায় ট্রেন করুন, পরের মাসে টেস্ট করুন, তারপর ১৩ মাসে রিট্রেন করুন এবং ১৪তম মাসে টেস্ট করুন, ইত্যাদি। এটি লাইভ ট্রেডিং কন্ডিশন সিমুলেট করে।

৫. রিয়েল-ওয়ার্ল্ড পারফরম্যান্স মনিটর করুন

ব্যাকটেস্টেড একুরেসি কখনই লাইভ একুরেসি নয়। আপনার মডেল ডিপ্লয় করুন, প্রকৃত ট্রেড আউটকাম ট্র্যাক করুন এবং নতুন ডেটা দিয়ে মাসিক রিট্রেন করুন। ব্যবহার করুন শার্প রেশিও এবং উইন রেট আপনার রিয়েল মেট্রিক্স হিসেবে, এফ১ স্কোর নয়।

এডভান্সড টেকনিক

অ্যাটেনশন মেকানিজম

ট্রান্সফরমার-ভিত্তিক মডেল (যেমন Attention Is All You Need) আপনার নেটওয়ার্ককে একটি সিকোয়েন্সের সবচেয়ে গুরুত্বপূর্ণ টাইমপয়েন্টে "ফোকাস" করতে দেয়। ক্রিপ্টোর জন্য, এটি পুরোনো ডেটার চেয়ে সাম্প্রতিক ভোলাটিলিটি স্পাইকগুলোর ওজন বেশি করতে সাহায্য করে।

এনসেম্বল মেথড

একাধিক আর্কিটেকচার (এমএলপি, এলএসটিএম, এক্সজিবুস্ট) ট্রেন করুন এবং প্রেডিকশন গড় করুন। এনসেম্বল মডেল সাধারণত সিঙ্গেল মডেলের চেয়ে ২-৫% বেশি একুরেসি প্রদর্শন করে।

রিইনফোর্সমেন্ট লার্নিং

প্রাইস ডাইরেকশন প্রেডিক্ট করার বদলে, একটি এজেন্টকে কিউমুলেটিভ পিএনএল ম্যাক্সিমাইজ করতে ট্রেন করুন। এজেন্ট আত্মবিশ্বাস এবং মার্কেট কন্ডিশনের ভিত্তিতে পজিশন সাইজ করতে শেখে। এটি ক্রিপ্টো ট্রেডিং এআইয়ের ফ্রন্টিয়ার।

স্মার্ট মানি এপিআই দিয়ে এমএল কাজে লাগান

আমাদের কম্পোজিট স্কোরিং সিস্টেম ডেরিভেটিভস ইন্টেলিজেন্স, অন-চেইন অ্যানালাইসিস এবং হোয়েল ট্র্যাকিংকে একত্রিত করে — সবই আপনার এমএল মডেলে অতিরিক্ত ফিচার হিসেবে ইন্টিগ্রেট করার জন্য প্রস্তুত। এগুলোকে আপনার এলএসটিএম ইনপুট ফিচারে যোগ করুন এবং একুরেসি ৩-৫% বাড়তে দেখুন।

ফ্রি এপিআই কী পান →