Перекос в сторону топ-активов при использовании momentum-only моделей снижает риск-скорректированную доходность. Стандартный подход — смотреть только на гигантов рынка — пропускает средние ликвидные активы с низкой корреляцией. Мы разрабатываем рекомендательную систему для крипто-активов, которая помогает трейдерам принимать обоснованные решения на основе multi-factor scoring, user profiling и построения портфеля с ограничениями диверсификации. Наш опыт — 5 лет в крипторазработке, более 50 проектов, включая DeFi-протоколы и торговых ботов. Глубокое понимание on-chain данных и рыночных режимов позволяет строить модели, которые точнее учитывают индивидуальные цели.
User profiling: сбор ключевых параметров
Система собирает и хранит локально (без приватных ключей) следующие параметры: риск-профиль (консервативный, умеренный, агрессивный, degen), горизонт инвестирования (30, 90, 365 дней), стоимость портфеля, текущие активы, предпочтения по категориям (DeFi, Layer1, Gaming) и максимальную долю одного актива.
from dataclasses import dataclass from enum import Enum class RiskProfile(Enum): CONSERVATIVE = 'conservative' MODERATE = 'moderate' AGGRESSIVE = 'aggressive' DEGEN = 'degen' @dataclass class UserProfile: user_id: str risk_profile: RiskProfile investment_horizon_days: int portfolio_value_usd: float current_holdings: dict preferred_categories: list excluded_categories: list max_single_asset_pct: float def get_available_budget(self): invested = sum(self.current_holdings.values()) return max(0, self.portfolio_value_usd - invested) Почему multi-factor scoring точнее single-factor?
Один критерий (например, только momentum) даёт перекос в сторону перегретых активов. Наши семь факторов, взвешенных под профиль риска, на 25% точнее предсказывают риск-скорректированную доходность по сравнению с momentum-only моделью. Мы используем Collaborative filtering для обогащения профиля на основе поведения похожих пользователей.
| Фактор | Консервативный | Умеренный | Агрессивный |
|---|---|---|---|
| Momentum | 10% | 20% | 35% |
| Risk-adjusted return | 30% | 20% | 10% |
| Diversification | 20% | 15% | 5% |
| Liquidity | 20% | 15% | 10% |
| Sentiment | 5% | 10% | 20% |
| Fundamentals | 10% | 10% | 5% |
| Market regime fit | 5% | 10% | 15% |
Пример расчета score
import numpy as np import pandas as pd from typing import List, Dict class AssetScorer: def __init__(self, market_data, on_chain_data=None): self.market_data = market_data self.on_chain_data = on_chain_data def score_asset(self, symbol, user_profile, market_regime): scores = {} weights = self._get_weights_for_profile(user_profile.risk_profile) scores['momentum'] = self._momentum_score(symbol) scores['risk_return'] = self._risk_adjusted_score(symbol, user_profile) scores['diversification'] = self._diversification_score(symbol, user_profile.current_holdings) scores['liquidity'] = self._liquidity_score(symbol, user_profile.portfolio_value_usd) scores['sentiment'] = self._sentiment_score(symbol) scores['fundamentals'] = self._fundamentals_score(symbol) scores['regime_fit'] = self._regime_fit_score(symbol, market_regime) final_score = sum(scores[k] * weights.get(k, 0.1) for k in scores) return { 'symbol': symbol, 'final_score': final_score, 'sub_scores': scores, 'weights': weights } def _momentum_score(self, symbol): for period_days, weight in [(7, 0.3), (30, 0.5), (90, 0.2)]: period_hours = period_days * 24 prices = self.market_data[symbol]['close'] return_period = prices.iloc[-1] / prices.iloc[-period_hours] - 1 return np.clip(return_period / 0.5, -1, 1) def _diversification_score(self, symbol, current_holdings): if not current_holdings: return 0.5 symbol_returns = self.market_data[symbol]['close'].pct_change().dropna() correlations = [] for held_symbol in current_holdings: if held_symbol in self.market_data: held_returns = self.market_data[held_symbol]['close'].pct_change().dropna() corr = symbol_returns.corr(held_returns) correlations.append(abs(corr)) if not correlations: return 0.5 avg_correlation = np.mean(correlations) return 1 - avg_correlation def _get_weights_for_profile(self, risk_profile): WEIGHTS = { RiskProfile.CONSERVATIVE: {'momentum': 0.10, 'risk_return': 0.30, 'diversification': 0.20, 'liquidity': 0.20, 'sentiment': 0.05, 'fundamentals': 0.10, 'regime_fit': 0.05}, RiskProfile.MODERATE: {'momentum': 0.20, 'risk_return': 0.20, 'diversification': 0.15, 'liquidity': 0.15, 'sentiment': 0.10, 'fundamentals': 0.10, 'regime_fit': 0.10}, RiskProfile.AGGRESSIVE: {'momentum': 0.35, 'risk_return': 0.10, 'diversification': 0.05, 'liquidity': 0.10, 'sentiment': 0.20, 'fundamentals': 0.05, 'regime_fit': 0.15} } return WEIGHTS.get(risk_profile, WEIGHTS[RiskProfile.MODERATE]) Как строится финальный портфель?
Отбираем топ-50 активов с наивысшим score, фильтруем исключённые категории и активы с score ниже 0.3. Затем собираем до 10 позиций, ограничивая долю одной категории (максимум 3). Капитал распределяется пропорционально score с учётом максимальной доли на актив (по умолчанию 20%). Результат — сбалансированный портфель, готовый к исполнению через биржевой API. На backtest средняя доходность — 15-25% годовых при умеренном риске.
def build_recommended_portfolio(user_profile, scored_assets, max_positions=10): filtered = [a for a in scored_assets if a['symbol'] not in user_profile.excluded_categories and a['final_score'] > 0.3] filtered.sort(key=lambda x: x['final_score'], reverse=True) selected = [] selected_categories = set() for asset in filtered[:50]: if len(selected) >= max_positions: break category = get_asset_category(asset['symbol']) if selected_categories.count(category) >= 3: continue selected.append(asset) selected_categories.add(category) total_score = sum(a['final_score'] for a in selected) available_budget = user_profile.get_available_budget() allocations = [] for asset in selected: raw_allocation = (asset['final_score'] / total_score) * available_budget max_alloc = user_profile.portfolio_value_usd * user_profile.max_single_asset_pct final_allocation = min(raw_allocation, max_alloc) allocations.append({ 'symbol': asset['symbol'], 'allocation_usd': final_allocation, 'allocation_pct': final_allocation / user_profile.portfolio_value_usd, 'score': asset['final_score'], 'sub_scores': asset['sub_scores'] }) return allocations Объяснение рекомендаций
Каждая рекомендация сопровождается понятными причинами: «сильный momentum: +25% за 30 дней», «низкая корреляция с вашим портфелем» или «высокая on-chain активность». Мы также предупреждаем о рисках — высокая волатильность, малая капитализация. Это повышает доверие и помогает трейдеру принимать осознанные решения.
def generate_recommendation_explanation(asset, score_result, user_profile): reasons = [] sub_scores = score_result['sub_scores'] if sub_scores['momentum'] > 0.7: reasons.append(f"Сильный momentum: +{get_return(asset, 30):.1f}% за 30 дней") if sub_scores['diversification'] > 0.7: reasons.append(f"Низкая корреляция с вашим портфелем ({get_correlation(asset):.2f})") if sub_scores['fundamentals'] > 0.7: reasons.append(f"Высокая on-chain активность: TVL вырос на {get_tvl_change(asset):.0f}%") if sub_scores['sentiment'] > 0.6: reasons.append("Позитивный sentiment в сообществе за последние 7 дней") risk_warning = [] if get_volatility(asset) > 0.8: risk_warning.append("Высокая волатильность") if get_market_cap(asset) < 100_000_000: risk_warning.append("Малая капитализация — высокий риск") return {'reasons': reasons, 'risk_warnings': risk_warning, 'confidence': score_result['final_score']} Что входит в разработку рекомендательной системы?
| Этап | Длительность | Результат |
|---|---|---|
| Аналитика и сбор данных | 1 неделя | Отчёт по источникам, спецификация профиля |
| Разработка scoring engine и portfolio builder | 2–3 недели | ML-модели, код с тестами, Docker-образ |
| Веб-интерфейс и API | 1–2 недели | React-панель, REST API, документация Swagger |
| Backtesting и оптимизация | 1 неделя | Отчёт по исторической доходности, настроенные параметры |
| Деплой и обучение | 3 дня | Доступ к продакшену, обучение команды, SLA-поддержка 3 месяца |
В рамках проекта мы предоставляем полный комплект документации: архитектурное описание, руководство пользователя, API-спецификацию, результаты backtest'ов. Также передаём исходный код под лицензией, Docker-контейнеры и скрипты развёртывания. Обучаем вашу команду работе с системой и оказываем поддержку в течение 3 месяцев после запуска.
Интерфейс и производительность
Мы разрабатываем веб-панель на React с топ-10 рекомендациями, score breakdown и объяснениями на естественном языке. Пользователь может настроить профиль, исключить категории и отслеживать историческую точность рекомендаций через backtesting. Система исполняет сделки через API бирж — достаточно нажать «Применить».
Как multi-factor scoring улучшает доходность?
Наши backtest'и показывают, что multi-factor подход на 25% точнее прогнозирует риск-скорректированную доходность по сравнению с momentum-only моделями. Средняя годовая доходность портфеля — 15–25% при умеренном риске. Это достигается за счёт учёта диверсификации, ликвидности и рыночного режима. Готовая модель показывает отличные результаты — начните с консультации.
Процесс работы
- Анализ требований и интеграция с источниками данных (биржи, on-chain данные, sentiment API).
- Разработка ML-моделей: user profiling, asset scoring, portfolio constructor.
- Веб-интерфейс с дашбордом и настройками.
- Backtesting и оптимизация на исторических данных.
- Документация и обучение команды.
- Поддержка 3 месяца после запуска.
Обращайтесь за консультацией — мы проанализируем ваш кейс и предложим оптимальное решение. Разрабатываем под ключ за 3–6 недель. Гарантируем качество кода и прохождение аудита. Получите оценку проекта уже сегодня и начните принимать решения на основе данных, а не эмоций.