Анализ блокчейна в 2026 году перестал быть исключительной прерогативой дата-сайентистов. С появлением продвинутых LLM (Large Language Models), способных интерпретировать код и работать с огромными массивами структурированных данных, трейдеры получили мощнейший инструмент. Однако разница между «галлюцинацией» модели и ценным альфа-сигналом кроется в одном навыке — Prompt Engineering.
В этой статье мы разберем, как превратить нейросеть в полноценного аналитика данных, который не просто «угадывает», а математически точно интерпретирует события в сети.
1. Смена парадигмы: От «Спроси» к «Инструктируй»
Основная ошибка трейдеров — задавать вопросы общего характера (например, «Что происходит с Ethereum?»). Для ончейн-анализа это бесполезно. Модели не имеют прямого доступа к реал-тайм нодам в сыром виде, они работают через интерпретацию данных, которые вы им «скармливаете» через API-инструменты или загруженные файлы.
Золотое правило: Ваш промпт должен содержать Роль, Контекст, Задачу и Ограничения.
Плохой пример:
«Посмотри транзакции по этому адресу [0x...] и скажи, это кит или нет?»
Профессиональный пример:
«Ты — эксперт по форензик-анализу блокчейна EVM-сетей. Твоя задача — проанализировать CSV-выгрузку транзакций кошелька [0x...]. Сгруппируй переводы по протоколам (Lending, DEX, Bridges). Вычисли среднее время удержания активов перед продажей. Если объем транзакций превышает 1000 ETH за последние 30 дней, классифицируй его как 'Institutional Whale'. Сформируй отчет в виде таблицы.»
2. Использование цепочки рассуждений (Chain-of-Thought)
Ончейн-данные часто запутаны (например, сложные свопы через агрегаторы вроде 1inch). Чтобы модель не ошиблась в расчетах, используйте метод Chain-of-Thought. Заставьте ее рассуждать пошагово.
Пример структуры запроса:
- Шаг 1: Выдели все входящие транзакции в токене $XYZ.
- Шаг 2: Отфильтруй переводы с централизованных бирж (CEX).
- Шаг 3: Рассчитай среднюю цену покупки, основываясь на данных о цене в момент транзакции (если данные предоставлены).
- Шаг 4: Сравни текущий баланс с суммой всех покупок.
3. Практический кейс: Анализ Uniswap v4 Hooks и ликвидности
С выходом Uniswap v4 анализ ликвидности стал сложнее из-за кастомных хуков. Обычный пользователь не поймет код хука, но LLM может его декомпилировать и объяснить логику.
Промпт для анализа смарт-контракта хука:
«Проанализируй данный Solidity-код хука для Uniswap v4. Определи, есть ли в нем логика, ограничивающая вывод ликвидности (LPs) или внедряющая динамические комиссии, которые могут негативно повлиять на трейдера. Объясни риск-факторы простыми словами и укажи конкретные строки кода, вызывающие подозрение.»
4. Таблица: Операторы и переменные для эффективных запросов
Использование специфических операторов в промптах позволяет модели «фокусироваться».
| Оператор/Техника | Зачем использовать | Пример |
|---|---|---|
| Few-Shot Prompting | Дать модели 2-3 примера правильного разбора транзакции. | «Вот пример разбора: [Example]. Теперь разбери этот: [Data].» |
| Delimiters | Четко отделять данные от инструкций. | Используйте ### или """ для выделения блоков кода или JSON. |
| Constraint Injection | Исключить лишний шум. | «Игнорируй транзакции объемом менее 0.1 ETH.» |
| Output Formatting | Получить данные, готовые для импорта. | «Выведи результат строго в формате JSON для интеграции в Python-скрипт.» |
5. Работа с кодом: Автоматизация через Python
Лучший способ использовать LLM для трейдера — просить её написать скрипт для сбора данных через библиотеки web3.py или API (Dune, Glassnode, Etherscan).
Запрос на создание парсера:
«Напиши Python-скрипт, который использует библиотеку requests для получения последних 100 транзакций токена [Contract_Address] через Etherscan API. Скрипт должен фильтровать транзакции, где отправитель является контрактом (своп), и сохранять только те, где объем превышает $50,000. Добавь обработку ошибок для лимитов API.»
Малоизвестный лайфхак: "Reverse-Prompting"
Если вы видите качественный отчет по ончейн-анализу в Twitter или Substack, скопируйте его текст в LLM и попросите:
«Проанализируй этот отчет. Напиши идеальный промпт, который заставил бы тебя сгенерировать точно такой же глубокий анализ на основе сырых данных в будущем.»
Это позволит вам создать собственную библиотеку «золотых промптов».
6. Продвинутая техника: SQL-инъекция в Dune Analytics
Многие трейдеры используют Dune, но не знают SQL. Вы можете использовать LLM как мост.
Промпт:
«Мне нужно найти топ-10 кошельков по объему торгов в паре PEPE/WETH на Uniswap v3 за последние 7 дней. Напиши SQL-запрос для Dune Analytics, используя таблицу dex.trades. Учти, что нужно исключить арбитражных ботов (транзакции в блоке с одинаковым input/output).»
7. Анализ «умных денег» (Smart Money Tracking)
Одной из самых прибыльных стратегий является следование за кошельками, которые показывают стабильную доходность или инсайдерскую активность. LLM может помочь автоматизировать процесс деанонимизации и оценки таких адресов.
Промпт для профилирования кошелька:
«Проанализируй список последних транзакций адреса [0x...].
1. Определи основной источник пополнения (CEX, мост или другой частный адрес).
2. Выяви паттерн: покупает ли этот адрес токены на ранней стадии (до листинга на крупных биржах)?
3. Оцени 'Win Rate' (соотношение прибыльных и убыточных сделок), если предоставлены данные о ценах входа и выхода.
4. Сделай вывод: является ли этот адрес 'Smart Money', венчурным фондом или обычным ритейл-игроком?»
8. Выявление манипуляций: Wash Trading и Sandwich Attacks
Ончейн-данные часто «зашумлены» искусственным объемом. Вы можете использовать LLM для написания логики, которая распознает такие паттерны.
Пример запроса для поиска Wash Trading:
«Помоги составить алгоритм на Python для анализа логов событий (Event Logs) смарт-контракта токена. Алгоритм должен искать цикличные транзакции (Адрес А -> Адрес B -> Адрес C -> Адрес А) в рамках одного часа. Это явный признак накрутки объема. Выведи структуру данных, которая будет эффективно хранить эти связи для визуализации графа.»
9. Промпт-инжиниринг для Sentiment Analysis на основе ончейн-новостей
Иногда «данные» — это не только цифры, но и текстовые описания транзакций (Input Data) или сообщения в DAO.
Промпт для анализа активности китов:
«Интерпретируй сообщение о транзакции: 'Whale moved 50,000 ETH from cold wallet to Binance'.
Контекст: Текущий рынок находится в фазе консолидации у сильного сопротивления.
Задача: Оцени вероятность давления на продажу по шкале от 1 до 10. Приведи исторические аналогии, когда подобные перемещения приводили к коррекции цены в течение 24 часов. Ответ дай кратко, в стиле аналитической записки Bloomberg.»
10. Сводная таблица: Инструменты и их интеграция с LLM
Для того чтобы промпты работали эффективно, нужно понимать, откуда брать «сырье».
| Инструмент | Тип данных | Как использовать с LLM |
|---|---|---|
| Etherscan/BscScan | Raw Transactions | Копировать CSV или использовать API-запросы. |
| Dune Analytics | Агрегированные SQL-данные | Просить LLM писать/оптимизировать SQL-запросы. |
| Arkham Intelligence | Маркированные сущности | Использовать визуальные связи для описания структуры сети в промпте. |
| DexScreener API | Цена и ликвидность в реальном времени | Просить LLM написать скрипт-алерт на резкое изменение ликвидности. |
11. Малоизвестные техники: Эмуляция виртуальной машины (EVM) в промпте
Продвинутые модели (вроде Gemini 1.5 Pro или GPT-4) могут «мысленно» проигрывать выполнение кода.
Промпт для отладки сложной транзакции:
«Я предоставляю тебе хекс-код (Input Data) транзакции, которая завершилась ошибкой 'Execution Reverted'. Представь, что ты — EVM. Пошагово декодируй этот хекс, определи, какая функция смарт-контракта была вызвана, и на каком этапе (проверка условий, передача актива, нехватка газа) произошел сбой. Объясни причину понятным языком.»
12. Практические советы по безопасности
При работе с LLM и ончейн-данными важно помнить о гигиене:
- Никогда не вводите свои приватные ключи или сид-фразы в чат с ИИ. Даже если просите «написать скрипт для подписи транзакции».
- Проверяйте код. LLM может случайно (или из-за галлюцинации) предложить библиотеку с уязвимостью. Всегда просите модель прокомментировать каждую строку сгенерированного кода.
- Контекстное окно. Если вы загружаете огромный массив данных, модель может «забыть» начало инструкции. Используйте повторение ключевых инструкций в конце промпта.
Финальный совет для профессионала:
Создайте себе «Системный Промпт» (System Instruction). Это набор постоянных правил, которые будут применяться ко всем вашим запросам. Например: «Всегда проверяй адреса на принадлежность к MEV-ботам, всегда рассчитывай проскальзывание (slippage) и никогда не используй оценочные суждения без опоры на цифры».
