AltScanner добавил машинное обучение для 13 токенов на бессрочном рынке

Разработчики криптосканера AltScanner рассказали о внедрении контура машинного обучения. Он работает с 13 токенами на бессрочном рынке USDT: LINK, AAVE, FET, FIL, ETH, LTC, PENGU, HYPE, DOT, BNB, DOGE, BCH и SUI. Система анализирует внутридневные горизонты в 15, 60 и 240 минут.

Главная задача ML-контура не в том, чтобы заменить сканер одним магическим числом. В AltScanner сохраняется фиксированная двухосевая оценка. Показатель D отражает направление от -100 до +100, а A - рыночную активность от 0 до 100. Машинное обучение изучает связь признаков с последующим движением цены, но не переписывает веса D и A.

Сбор данных идет через несколько независимых каналов. BingX REST используют для закрытых свечей и снимков показателей, BingX WebSocket - для сделок и стакана. Binance REST и WebSocket служат дополнительным источником цены и потока. Публичные точки других бирж дают данные по ставке финансирования, открытому интересу и позиционированию.

Система хранит биржевое время и локальную метку времени получения пакета, а снимок получает метки начала расчёта и завершения наблюдения. Это важно, потому что модель не могла увидеть событие до того, как пакет оказался на сервере разработчиков.

Сбор не выполняется одним большим циклом. Внутри процесса одновременно работают свечи, восстановление истории, WebSocket-потоки, снимки, разметка и обучение. Снимки разных монет разнесены внутри пятиминутного интервала. Если отправить запросы по 13 инструментам одновременно, получится искусственный всплеск нагрузки, а время наблюдения у крайних ответов начнет заметно отличаться.

Данные хранятся в двух слоях. Сырые сообщения записываются через отдельную очередь, чтобы медленный диск не задерживал сеть. При нехватке свободного места журнал останавливается явно. Автоматического удаления истории нет, потому что тихая потеря данных для исследовательской системы опаснее остановки с понятной ошибкой. Нормализованные данные попадают в SQLite в режиме WAL.

В базу принимаются только закрытые свечи с корректной геометрией OHLCV. Конфликт по ключу не обновляет старую строку. Если биржа позже отдаст другую версию той же свечи, она не перепишет прошлое в датасете.

Раз в пять минут сканер рассчитывает рыночные метрики, фиксированную оценку D/A и признаки для ML. Метка завершения наблюдения ставится после получения всех ответов. Это консервативная граница: модель считается знающей данные только после завершения снимка.

Для каждого горизонта направление складывается из четырех нормализованных компонентов: движение относительно обычной волатильности, структура быстрых и медленных EMA, аномалия агрессивного потока и остаточное движение относительно рыночного ориентира. Активность считается отдельно через процентиль объема и процентиль реализованного движения внутри свечей.

При пропаже компонента оставшиеся веса не растягиваются до 100 процентов. Иначе отсутствие потока могло бы искусственно усилить цену. Для направления требуется покрытие не менее 75 из 100, для активности нужны все 100.

Модель получает более подробную картину, чем два итоговых балла. Среди признаков - доходность, диапазон, тело свечи и волатильность на разных окнах, агрессивные сделки, открытый интерес, финансирование, базис, спред, достижимая глубина и оценка стоимости полного круга. Ценовой импульс не сравнивается с постоянным процентным порогом, а нормализуется через волатильность.

Метка появляется только после наступления будущего. Вход назначается на открытие следующей полной минуты после запаса в две секунды. Процедура ждет конца горизонта, затем требует полный минутный ряд. Целевая величина и траектория записываются в базисных пунктах. Пока модель учится на конечной доходности, а данные о максимальном благоприятном и неблагоприятном отклонении цены остаются материалом для будущего анализа риска.

Снимок хранит версию набора признаков и хеш настроек. Первый идентификатор описывает структуру признаков, второй фиксирует математику и условия исполнения. Обучение выбирает только строки текущего поколения. Старые данные остаются доступны для исследования, но не смешиваются с новой математикой.

Пропуски в данных не заменяются нулем, потому что нулевая ставка финансирования и неизвестная ставка означают разные вещи. Столбцы, пустые более чем наполовину, удаляются. Медиана считается на обучающей части, а факт пропуска становится отдельным признаком.

На раннем этапе размеченных данных немного, а соседние снимки связаны. Поэтому первой моделью выбрана линейная регрессия Elastic Net. L1-часть обнуляет слабые коэффициенты, а L2-часть сдерживает веса коррелирующих показателей. В артефакте сохраняются коэффициенты и доли.

Читайте также

Почему перевод в блокчейне стоит то копейки, то десятки долларов

Набиуллина: ускоренное сокращение дефицита бюджета позволит ЦБ смягчить политику

Blockstream отказалась платить выкуп за 598 биткоинов и назвала хакеров ворами