ИНФОРМАЦИОННАЯ СИСТЕМА АВТОМАТИЧЕСКОГО ОПРЕДЕЛЕНИЯ РЕЖИМА КРИПТОВАЛЮТНОГО РЫНКА НА ОСНОВЕ МУЛЬТИДОМЕННОЙ АГРЕГАЦИИ ДАННЫХ

AN INFORMATION SYSTEM FOR AUTOMATIC CRYPTOCURRENCY MARKET REGIME DETECTION BASED ON MULTI-DOMAIN DATA AGGREGATION

Semenov Evgeny Nikolaevich

master's student, Department of Informatics and Information Technologies, Moscow Polytechnic University,

Russia, Moscow

Shurygin Vladimir Nikolaevich

scientific supervisor, candidate of technical sciences, associate professor, Moscow Polytechnic University,

Russia, Moscow

АННОТАЦИЯ

В статье представлена архитектура информационной системы автоматического определения текущего режима криптовалютного рынка — фаз ухода в риск (Risk-On), бегства от риска (Risk-Off) и промежуточного состояния Неопределённости. Актуальность работы обусловлена резкими сменами рыночных фаз и кризисными эпизодами 2021–2024 годов (крах стейблкоина UST, банкротство фонда 3AC, крах биржи FTX, отвязка USDC), которые развивались за считаные дни и несвоевременно распознавались закрытыми коммерческими системами аналитики. Предлагаемая система оценивает состояние рынка по пяти слабо коррелирующим доменам риска: ликвидность рынка, кредитное плечо, потоки капитала, рыночный стресс и волатильность; каждый домен обслуживается отдельным сервисом, забирающим данные у независимых поставщиков и публикующим нормализованную числовую оценку. Доменные оценки сводятся в вероятности фаз, сглаживаются экспоненциально взвешенным скользящим средним и интерпретируются конечным автоматом смены режимов, исключающим прямой переход между противоположными фазами и подавляющим дребезг сигнала. Ключевой особенностью архитектуры является хранение всех данных с двойной отметкой времени, обеспечивающее строгую воспроизводимость расчётов и корректную проверку модели на исторических кризисах без заглядывания в будущее. По результатам сравнительной оценки прототип получил наивысший интегральный показатель эффективности среди шести рассмотренных систем.

ABSTRACT

The paper presents the architecture of an information system for automatic detection of the current cryptocurrency market regime — the Risk-On, Risk-Off and intermediate Uncertainty phases. The relevance of the work stems from abrupt market phase shifts and the crisis episodes of 2021–2024 (the collapse of the UST stablecoin, the bankruptcy of the 3AC fund, the FTX exchange failure, the USDC de-peg), which unfolded within days and were not recognised in time by closed commercial analytics systems. The proposed system assesses the market state across five weakly correlated risk domains: market liquidity, leverage, capital flows, market stress and volatility; each domain is served by a separate service that collects data from independent providers and publishes a normalised numeric score. Domain scores are aggregated into phase probabilities, smoothed by an exponentially weighted moving average and interpreted by a finite-state machine of regime transitions that excludes direct switching between opposite phases and suppresses signal chatter. A key feature of the architecture is bitemporal data storage, which ensures strict reproducibility of computations and correct validation of the model on historical crises without look-ahead bias. In a comparative assessment the prototype obtained the highest integral effectiveness indicator among six systems.

Ключевые слова: режим рынка; Risk-On; Risk-Off; криптовалютный рынок; оценка рыночных рисков; мультидоменная агрегация; доменно-ориентированное проектирование; экспоненциальное сглаживание; конечный автомат; двухвременное хранение данных; обратное тестирование на истории; объяснимость оценки.

Keywords: market regime; Risk-On; Risk-Off; cryptocurrency market; market risk assessment; multi-domain aggregation; domain-driven design; exponential smoothing; finite-state machine; bitemporal data storage; historical backtesting; explainability.

Введение

Криптовалютный рынок характеризуется резкими сменами фаз: периоды спокойного роста (Risk-On) сменяются паническими распродажами (Risk-Off), причём кризисные эпизоды 2021–2024 гг. (крах стейблкоина UST, банкротство фонда 3AC, крах биржи FTX, отвязка USDC) развивались за считаные дни. Существующие коммерческие системы аналитики либо закрыты и дороги, либо выдают сводную оценку без декомпозиции на драйверы. Целью работы является построение информационной системы, которая определяет текущий режим рынка по независимым направлениям анализа и объясняет каждую выданную оценку.

Мультидоменная модель оценки

Состояние рынка оценивается по пяти доменам риска: ликвидность рынка, кредитное плечо, потоки капитала, рыночный стресс и волатильность. Выбор доменов не произволен: каждый отражает самостоятельный механизм развития кризиса — деградация глубины стакана и рост проскальзывания служат ранним сигналом ухода маркет-мейкеров; накопленное кредитное плечо определяет масштаб каскадных ликвидаций; потоки капитала показывают перераспределение средств между рисковыми и защитными активами; всплески корреляций между активами характеризуют системный стресс. Слабая взаимная корреляция доменов является ключевым свойством композитного индикатора: каждый домен добавляет информацию, а не дублирует соседний. Каждый домен обслуживается отдельным сервисом, который забирает данные у независимых поставщиков через REST API, нормализует признаки z-оценкой и публикует числовую оценку состояния домена; декомпозиция системы выполнена по принципам доменно-ориентированного проектирования [1, 3].

Алгоритм определения режима

Ядро агрегации сводит пять доменных оценок в вероятности фаз Risk-On и Risk-Off. Сырой композитный индикатор сглаживается экспоненциально взвешенным скользящим средним (EWMA), что подавляет дневной шум ценой управляемого запаздывания. Три режима — Risk-On, Risk-Off и Неопределённость (зона повышенного риска переключения) — образуют конечный автомат: прямой переход из Risk-Off в Risk-On исключён, любая смена тренда обязана пройти через Неопределённость, что устраняет дребезг сигнала на боковом рынке. Помимо вероятностей фаз система выдаёт риск переключения режима и список главных драйверов текущего сигнала — декомпозицию оценки по доменам, обеспечивающую объяснимость результата.

Воспроизводимость и проверка на исторических данных

Все данные хранятся с двойной отметкой времени (время события и время получения данных) по принципам двухвременных баз данных [2, 4]. Это позволяет восстановить состояние знаний системы на любую прошлую дату и корректно проверять модель на исторических кризисах, исключая использование данных, недоступных на момент расчёта (look-ahead bias). Обратное тестирование на шести кризисных эпизодах 2021–2024 гг. показало, что система переключается в режим Risk-Off в пределах допустимого окна относительно пика кризиса. По методике интегральной оценки эффективности, разработанной в рамках того же исследования, прототип получил наивысший показатель (E ≈ 0,66) среди шести сравнивавшихся существующих систем; оценки существующих систем являются ориентировочными экспертными.

Заключение

Предложенная архитектура сочетает декомпозицию оценки риска по пяти слабо коррелирующим доменам, подавление шума сглаживанием и конечным автоматом режимов и строгую воспроизводимость расчётов за счёт двухвременного хранения. Архитектура допускает подключение новых доменов риска и новых активов без переработки ядра, что определяет направления дальнейшего развития системы.

Список литературы:

1. Вернон В. Реализация методов предметно-ориентированного проектирования. — М.: Вильямс, 2016. — 688 с.
2. Клеппман М. Высоконагруженные приложения. Программирование, масштабирование, поддержка. — СПб.: Питер, 2018. — 640 с.
3. Эванс Э. Предметно-ориентированное проектирование (DDD). Структуризация сложных программных систем. — М.: Вильямс, 2011. — 448 с.
4. Snodgrass R.T. Developing Time-Oriented Database Applications in SQL. — San Francisco: Morgan Kaufmann, 2000. — 528 p.