Proceedings of the International scientific and practical conference ―Science at the Turning Point of History‖ (May 25-27, 2026) / Publisher website: www.naukainfo.com. – Lviv, Ukraine, 2026. - 362 p.

167 активів, складність математичних моделей смарт-контрактів та ризики непостійних втрат (impermanent loss) створюють значні перешкоди для інституційних та роздрібних інвесторів. У цьому контексті застосування інтелектуальних систем прогнозування стає критично необхідним інструментом для забезпечення стабільної дохідності та управління ризиками [1, с. 45]. Специфіка DeFi-середовища формує унікальні умови для застосування алгоритмів машинного навчання (Machine Learning, ML). На відміну від традиційних фінансових ринків (TradFi), де значна частина торговельної інформації є закритою або надається із затримкою, блокчейн забезпечує абсолютну прозорість усіх транзакцій (on-chain дані). Кожна взаємодія зі смарт- контрактом, зміна ліквідності у пулі або переказ коштів між гаманцями є публічно доступною та верифікованою. Це створює ідеальне середовище для збору великих масивів даних (Big Data), необхідних для навчання складних предиктивних моделей [2, с. 112]. Основною проблемою класичних методів прогнозування в DeFi є надмірна зашумленість даних та схильність ринку до раптових змін структури (Market Structure Shift, MS Shift). Лінійні статистичні моделі не здатні ефективно обробляти такі нелінійні залежності. Тому сучасні інтелектуальні системи вимагають впровадження багатошарових нейронних мереж, здатних ідентифікувати приховані патерни поведінки учасників ринку. Архітектура запропонованої інтелектуальної системи прогнозування складається з трьох базових рівнів: шару агрегації даних, шару екстракції ознак (feature engineering) та шару нейромережевого моделювання. Шар агрегації даних відповідає за збір on-chain метрик (обсяги транзакцій, TVL пулів, кількість активних адрес) через RPC-вузли та децентралізовані протоколи індексації (наприклад, The Graph). Одночасно система отримує зовнішні цінові дані через децентралізовані оракули (Chainlink) [3, с. 201]. На етапі екстракції ознак "сирі" блокчейн-дані перетворюються на метрики, придатні для аналізу. У цій роботі пропонується інтегрувати класичні патерни зміни ціни (Price Action) у векторний простір для машинного навчання.