ක්රිප්ටෝ සංඥා ජනනය සඳහා යන්ත්‍ර ඉගැන්වීම

යන්ත්‍ර ඉගැන්වීම මූලිකවම ක්රිප්ටෝකාරුණික වෙළඳාම වෙනස් කර ඇත. කලින් තාක්ෂණික විශ්ලේෂණය සහ අතින් අර්ථ නිරූපණය මත පමණක් රඳා පැවතුන දැන් මිලියන ගණනක මිල ටික්, ඇණවුම් පොත් ස්නැප්ෂොට් සහ චේන් තුළ සිදුවීම් වලින් රටා උකහා ගත හැකි නියුරල් ජාල වලින් ප්‍රතිලාභ ගනී. මෙම මගපෙන්වීම ගවේෂණය කරන්නේ ක්රිප්ටෝකාරුණික සංඥා සඳහා ML-චාලක තහවුරු කිරීමේ පද්ධති ගොඩනඟන්නේ කෙසේද යන්නයි — Smart Money API හි අප භාවිතා කරන එකම තාක්ෂණයන් අපගේ විශ්වාස ලකුණු බලය සපයයි.

ප්‍රධාන අවබෝධය: ML සංඥා හොඳම වැඩ කරන්නේ සාම්ප්‍රදායික මිණුම් සමඟ ඒකාබද්ධ වූ විටය. දිශාව 52% නිරවද්‍යතාවයකින් අනාවැකි කියන නියුරල් ජාලයක් අගයක් නැත. නමුත් අරමුදල් අනුපාත ධනාත්මක වන විට සහ තල්ලා සම්මතිය ගවේෂණාත්මක වන විට ගම්‍යතාවය තහවුරු කරන එක? එය 60%+ ජයග්‍රහණ අනුපාත පද්ධතියකි.

ගණිතමය මූලධර්ම

කේතයට ගිලීමට පෙර, ගණිතය තේරුම් ගන්න. සෑම නියුරල් ජාලයක්ම අත්‍යවශ්‍යයෙන් ශ්‍රිතයක් ආසන්න කරන්නෙකි. ආදාන ගති ලක්ෂණ (මිල, පරිමාව, අරමුදල් අනුපාතය, තල්ලා සම්මතිය) ලබා දී, එය ඓතිහාසික දත්ත හරහා අනාවැකි දෝෂය අවම කරන බර ඉගෙන ගනී.

පාලිත ඉගැන්වීමේ රාමුව

ලේබල් කළ දත්ත සමඟ ආරම්භ කරන්න: ඓතිහාසික මිල/සංඥා යුගල.

Python — දත්ත සකස් කිරීම
# Prepare supervised data
import numpy as np
import pandas as pd
# Load OHLCV data for BTC
df = pd.read_csv('btc_5m.csv')
# Features: [open, high, low, close, volume, funding_rate, whale_long_pct]
features = df[['open', 'high', 'low', 'close', 'volume', 'fr', 'whale_long']].values
# Target: price moved up (1) or down (0) in next 5 candles
targets = (df['close'].shift(-5) > df['close']).astype(int).values
# Normalize features to [0,1]
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X = scaler.fit_transform(features)

ක්රිප්ටෝ සඳහා ගති ලක්ෂණ ඉංජිනේරු

මොලොක් OHLCV දත්ත ප්‍රමාණවත් නොවේ. ඔබට අවශ්‍ය:

යතුර වන්නේ අල්ලා ගැනීමයි තොරතුරු අසමමිතිය — බොහෝ වෙළඳුන් නොදකින සංඥා. අපගේ Smart Money API සියලු තට්ටු තුන (ව්‍යුත්පන්න, චේන් තුළ, තල්ලා) සංයුක්ත ගති ලක්ෂණයකට ඒකාබද්ධ කරයි, එය ඕනෑම තනි මිණුමකට වඩා වැඩි කාර්ය සාධනයක් ලබා දෙයි.

නියුරල් ජාල ගෘහ නිර්මාණ ශිල්පය

වර්ගීකරණය සඳහා බහු ස්ථර පරිග්‍රාහක (MLP)

ද්විමය වර්ගීකරණය සඳහා (මිලදී ගැනීම/විකිණීම) සරල ඉදිරිපස ජාලයක් පුදුමාකාර ලෙස හොඳින් ක්‍රියා කරයි:

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

මෙම ගෘහ නිර්මාණ ශිල්පයේ 7 ආදාන ගති ලක්ෂණ පටිපාටිකව අඩුවන ස්ථර හරහා (128 → 64 → 32 → 1) ගලා යයි, ReLU සක්‍රිය කිරීම් සහ නිතිගත කිරීම සඳහා dropout සමඟ. සිග්මොයිඩ් ප්‍රතිදානය අවසාන ස්ථරය [0,1] දක්වා තල්ලු කරයි, මිලදී ගැනීමේ සම්භාවිතාව නිරූපණය කරයි.

අනුක්‍රමික පුරෝකථනය සඳහා LSTM

පුනරාවර්තන ජාල ඇයි?

මිල චලනයන් ස්වාධීන නොවේ — ඒවාට මතකයක් ඇත. LSTM (දීර්ඝ කෙටි කාලීන මතක) ජාලයක් කාලීන යැපීම් ඉගෙන ගත හැකිය: "ඝූර්ණය ඉහළ යන අතර අරමුදල් අනුපාතය පැය 3 ක් ඍණාත්මක වීමෙන් පසු ධනාත්මක වී ඇත්නම්, ඊළඟ මිනිත්තු 5 ක මන්දිරය ධනාත්මක වීමේ සම්භාවිතාව 58% කි."

Python — ගුප්තවිද්‍යා සඳහා LSTM
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)
# අවසන් කාල පියවරය ගන්න
last_hidden = lstm_out[:, -1, :]
x = torch.relu(self.fc1(last_hidden))
x = torch.sigmoid(self.fc2(x))
return x

මෙම LSTM යොදා ගනී මිනිත්තු 60 ක අනුක්‍රම (මිනිත්තු 5 ක මන්දිර පැය 5 ක්) සහ ඊළඟ දිශාව පුරෝකථනය කරයි. සෛල තත්ත්වය ඉගෙන ගනී අනුක්‍රමයේ විවිධ ලක්ෂ්‍යවලදී වැදගත්ම ලක්ෂණ මොනවාදැයි.

අනුක්‍රම සූදානම් කිරීම

ඔබේ සමතල දත්ත ස්ලයිඩින් කවුළු වලට පරිවර්තනය කරන්න:

Python — LSTM අනුක්‍රම නිර්මාණය කරන්න
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]) # ඊළඟ ඉලක්කය
return np.array(X), np.array(y)
X, y = create_sequences(X)
# X.shape: (n_samples, 60, 7)

පුහුණුව සහ ඇගයීම

පුහුණු-පරීක්ෂණ බෙදීම් උපායමාර්ගය

කාල අනුක්‍රම දත්ත සඳහා, කිසිවිටෙක මිශ්‍ර නොකරන්න. අනාගත දත්ත ගලනය නිරවද්‍යතාවය අතිශයෝක්තියට පත් කරයි.

Python — නිසි කාල අනුක්‍රම බෙදීම
# බෙදන්න: 70% පුහුණු, 20% වලංගු කිරීම, 10% පරීක්ෂණය
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:]

පුහුණු ලූපය

ද්විමය ක්‍රොස්-එන්ට්‍රොපි අලාභය සහ Adam ප්‍රශස්තකාරක භාවිතා කරන්න:

Python — පුහුණුව
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}")

Smart Money API සමඟ ඒකාබද්ධ කිරීම

අපගේ ML ආකෘති සාම්ප්‍රදායික මෙට්‍රික් ආදේශ නොකරයි — ඒවා වැඩි දියුණු කරයි. Smart Money API ඒවා ඒකාබද්ධ කරන ආකාරය මෙන්න:

Python — සමූහ ලකුණු කිරීම
def compute_confirmation_score(symbol, direction):
# 1. ව්‍යුත්පන්න ලකුණු ලබා ගන්න (අරමුදල් අනුපාතය, LSR)
deriv_score = get_derivatives_score(symbol, direction)
# 2. චේන් ලකුණු ලබා ගන්න (MVRV, SOPR, විනිමය ගලනය)
onchain_score = get_onchain_score(symbol)
# 3. තල්මසුන් ලකුණු ලබා ගන්න (සම්මත දිශාව, pnl)
whale_score = get_whale_score(symbol, direction)
# 4. ML ආකෘතිය ලක්ෂණ මත ධාවනය කරන්න
features = [deriv_score, onchain_score, whale_score, volatility, volume_trend]
ml_signal = lstm_model.predict(features)
# 5. බර සමූහය
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}
}

හොඳම භාවිතයන්

1. අධික ගැලපීම වළකන්න

2. පන්ති අසමතුලිතතාව හසුරුවන්න

"ඉහළ" දින "පහළ" දිනවලට වඩා තිබේ නම්, ආකෘතිය බොහෝ විට ඉහළ අනාවැකි දක්වයි. බර අලාභය භාවිතා කරන්න:

Python — Weighted BCE
# අවස්ථා 60% ඉහළ නම්, පහළ අවස්ථා බරින් යුක්ත විය යුතුය
pos_weight = (len(y_train) - y_train.sum()) / y_train.sum()
loss_fn = nn.BCEWithLogitsLoss(pos_weight=torch.tensor(pos_weight))

3. විශේෂාංග සාමාන්යකරණය

නියුරල් ජාල විශේෂාංග පරිමාණයට සංවේදී වේ. සෑම විටම ආදාන විශේෂාංග [0,1] හෝ [-1,1] ලෙස සාමාන්යකරණය කරන්න. පුහුණු දත්ත මත පමණක් scaler නැවත සකස් කර, පසුව වලංගු/පරීක්ෂණයට යොදන්න.

4. Walk-Forward Validation

තනි පරීක්ෂණ කට්ටලයක් වෙනුවට, ස්ලයිඩින් වින්ඩෝස් භාවිතා කරන්න: වසර 1 ක දත්ත මත පුහුණු වීම, ඊළඟ මාසයේ පරීක්ෂණය කිරීම, පසුව මාස 13 ක දත්ත මත නැවත පුහුණු වීම සහ මාස 14 පරීක්ෂණය කිරීම, ආදිය. මෙය සජීවී වෙළඳ තත්ත්වයන් අනුකරණය කරයි.

5. සැබෑ ලෝක කාර්ය සාධනය නිරීක්ෂණය කරන්න

පසුපස පරීක්ෂණ නිරවද්යතාවය කිසි විටෙකත් සජීවී නිරවද්යතාවය නොවේ. ඔබේ ආකෘතිය ප්‍රතිනියෝජනය කරන්න, සැබෑ වෙළඳ ප්‍රතිඵල ගණනය කරන්න, සහ නව දත්ත සමඟ මාසිකව නැවත පුහුණු වන්න. භාවිතා කරන්න Sharpe ratio සහ win rate ඔබේ සැබෑ මිණුම් ලෙස, F1 score නොවේ.

උසස් තාක්ෂණික ක්‍රම

Attention Mechanisms

Transformer-පාදක ආකෘති (Attention Is All You Need වැනි) ඔබේ ජාලයට අනුක්‍රමයක වඩාත් වැදගත් කාල ලක්ෂ්‍යවලට "අවධානය" යොමු කිරීමට ඉඩ දෙයි. ක්‍රිප්ටෝ සඳහා, මෙය පැරණි දත්තවලට වඩා මෑත කාලීන අස්ථාවරතාවයේ ඉහළ ලක්ෂ්‍ය බර කිරීමට උපකාරී වේ.

Ensemble Methods

බහු ගෘහ නිර්මාණ ශිල්ප (MLP, LSTM, XGBoost) පුහුණු කර අනාවැකි සාමාන්ය කරන්න. Ensemble ආකෘති සාමාන්‍යයෙන් තනි ආකෘතිවලට වඩා නිරවද්යතාවය 2-5% කින් වැඩි කාර්ය සාධනයක් දක්වයි.

Reinforcement Learning

මිල දිශාව පුරෝකථනය කිරීම වෙනුවට, සමුච්චය PnL උපරිම කිරීමට ඒජන්ටයක් පුහුණු කරන්න. ඒජන්ටය විශ්වාසය සහ වෙළඳපොල තත්ත්වයන් මත පිහිටුම් ප්‍රමාණය තීරණය කිරීම ඉගෙන ගනී. මෙය ක්‍රිප්ටෝ වෙළඳාමේ AI හි මායිමයි.

Smart Money API සමඟ ML ක්‍රියාත්මක කරන්න

අපගේ සංයුක්ත ලකුණු ක්‍රමය ව්‍යුත්පන්න බුද්ධිය, චේන් විශ්ලේෂණය සහ තල්මසුන් ගමන් ගමන ඒකාබද්ධ කරයි — ඔබේ ML ආකෘතිවලට අතිරේක විශේෂාංග ලෙස ඒකාබද්ධ කිරීමට සූදානම්. ඒවා ඔබේ LSTM ආදාන විශේෂාංගවලට එක් කර නිරවද්යතාවය 3-5% කින් ඉහළ යාම නරඹන්න.

Get Free API Key →