September 14, 2025

Автоэнкодеры. Ваш персональный детектор аномалий.

Мы научились предсказывать и классифицировать рыночные движения. Но как поймать то, чего мы никогда не видели? Как обнаружить аномальное поведение рынка, которое может предвещать как крах, так и возможность всей жизни?

Для этой задачи существует элегантный инструмент — Автоэнкодер (Autoencoder).

Основная идея: Эксперт по скуке

Представьте, что вы наняли гениального художника-копииста и дали ему задание: научиться идеально рисовать портрет одного-единственного человека (допустим, Моны Лизы). Вы заставляете его рисовать этот портрет тысячи раз, пока он не научится воспроизводить его по памяти с фотографической точностью. Он становится узкоспециализированным экспертом по Моне Лизе.

А теперь вы даете ему фотографию Сальвадора Дали и просите нарисовать. Что получится? Он попытается использовать свои отточенные навыки рисования плавных линий и загадочной улыбки, но результат будет ужасным, искаженным, совершенно не похожим на оригинал. Разница между оригиналом (Дали) и его жалкой копией и будет нашей "ошибкой".

Автоэнкодер работает точно так же.

Как это устроено?

Автоэнкодер — это нейросеть с симметричной архитектурой, состоящая из двух частей:

  1. Кодировщик (Encoder): Эта часть берет большой объем входных данных (например, вектор из 1000 чисел, описывающий состояние рынка) и сжимает его, прогоняя через сужающиеся слои, до очень маленького представления — латентного вектора (например, из 16 чисел). Это "бутылочное горлышко" (bottleneck), которое заставляет сеть уловить самую суть, самую квинтэссенцию данных.
  2. Декодировщик (Decoder): Эта часть берет сжатый латентный вектор и пытается восстановить из него исходный вектор из 1000 чисел.

Применение №1: Детектор аномалий

Это самое мощное применение.

  • Обучение: Мы берем огромный массив данных, описывающих "нормальный" рынок (например, периоды бокового движения или низкой волатильности), и обучаем на нем наш автоэнкодер. Его единственная цель — минимизировать ошибку реконструкции (разницу между входом и выходом). В итоге он становится "экспертом по боковику".
  • Работа: Мы начинаем подавать на вход нашему обученному "эксперту" рыночные данные в реальном времени. Пока рынок ведет себя "нормально", ошибка реконструкции будет ничтожно мала. Но как только на рынке происходит что-то нетипичное — резкий обвал, начало пампа, флеш-крэш — наш "эксперт" пытается воспроизвести это невиданное ранее событие и терпит фиаско. Ошибка реконструкции резко взлетает вверх.
  • Сигнал: Мы просто ставим порог. Если ошибка превысила этот порог — у нас в системе загорается красная лампочка "ВНИМАНИЕ, АНОМАЛИЯ!". Это может быть сигналом к закрытию всех позиций или, наоборот, к активации специальной стратегии.

Применение №2: Извлечение "чистых" признаков

Сжатый латентный вектор — это не просто набор чисел. Это дистиллированная, очищенная от шума сущность рыночной ситуации. Этот вектор можно использовать как невероятно качественный вход (фичу) для другой, предсказательной модели (LSTM или Трансформера), чтобы улучшить ее точность.

Роль Chronostream

Обучение детектора аномалий — задача, критически чувствительная к чистоте данных. Понятие "нормальности" должно быть определено на безупречном материале.

Если в ваших данных для обучения "нормального" рынка будут случайные аномалии, пропуски или ошибки, ваш автоэнкодер научится считать их частью нормы. В результате он пропустит настоящие аномалии, когда они произойдут.

Chronostream позволяет вам с хирургической точностью выбрать нужные исторические периоды для обучения. С помощью нашей системы тегов (Tags) вы можете запросить, например, "все данные по паре BTC/USDT за последние 2 года, по всем биржам, с удаленными шумами", далее выделить в этом датасете зоны с волатильностью ниже заданной и получить идеальный, чистый датасет для тренировки вашего "эксперта по спокойствию".