ИИ анализирует биды, асков, объёмы в реальном времени и выявляет признаки низкой ликвидности раньше, чем это видно невооружённым глазом. Нейросеть обучается на исторических данных крупных падений цен, когда покупателей не было. Человек это понимает с задержкой — алгоритм ловит за микросекунды.
Ликвидность — это способность быстро продать или купить бумагу без значительного влияния на цену. Низкая ликвидность означает, что в стакане мало объёмов и большой спред между ценой покупателя (бид) и продавца (аск). На практике это приводит к проскальзыванию: ваша рыночная заявка выполнится по худшей цене. ИИ отслеживает эту асимметрию за доли секунды.
Нейросеть отслеживает четыре основных параметра: спред (разница между бидом и аском), глубину стакана (объёмы на разных ценовых уровнях), волатильность цены и время заполнения ордера. Когда стакан становится тоньше, спред расширяется и волатильность растёт — это красный флаг. Модель машинного обучения распознаёт эти паттерны и генерирует алерт.
Нейросеть выявляет кластеры низкой ликвидности в исторических данных. Когда текущий стакан совпадает с этим паттерном (например, крупные объёмы только с одной стороны), модель выдаёт сигнал повышенного риска. Это не гарантия падения, но статистически коррелирует с проскальзыванием и волатильностью. Ложные срабатывания неизбежны — нужна фильтрация по волатильности и объёмам.
Исторические свечи, порядки и сделки доступны через API брокеров (Альфа-Банк, ВТБ) и бирж (Московская биржа). Для крипто можно использовать Binance API, CoinGecko. Но для акций РФ данных меньше — потребуется интеграция с несколькими источниками. Бесплатные публичные датасеты ограничены по глубине и истории (чаще — только закрытие цены).
Для ликвидности нужны классические модели машинного обучения (RandomForest, XGBoost, LSTM), не LLM. LLM (ChatGPT, Claude) полезны для автоматизации проверки новостей и фильтрации шума, но для числовых сигналов они медленнее и дороже. LSTM или GRU лучше ловят временные закономерности в микроструктуре рынка. Гибрид: LSTM для сигнала, BERT для анализа новостей в реальном времени.
Первая ошибка — обучение без нормализации данных (спред в 0,5 ₽ на акции за 1000 ₽ это совсем не то же самое, что на акции за 100 ₽). Вторая — переобучение на одном акционере (Лукойл) без проверки на других. Третья — игнорирование обратного трещания: модель обучилась на 2023-м, когда объёмы были высокими, а в 2024-м они упали — сигналы перестали работать. Валидируй на независимом периоде.
Для микроструктуры — LSTM или GRU (они учитывают последовательность котировок). Для интеграции с новостями — гибрид: DistilBERT для классификации новостей + XGBoost для котировок. LLM (Claude, GPT-4) полезны для добычи инсайтов, но дорогие для real-time сигналов.
| Параметр | Формула/Определение | Интерпретация |
|---|---|---|
| Спред (бид-аск) | цена аска минус цена бида | Узкий спред = хорошая ликвидность, широкий = риск проскальзывания |
| Глубина стакана | объём на уровне N от текущей цены | Если на расстоянии 0,5% от цены объём = 0, ликвидность низкая |
| Impact на сделку | цена реального ордера минус справедливая цена | Показывает реальные издержки инвестора, не теоретические спреды |
| Волатильность (внутридневная) | стандартное отклонение дневных свечей за час | Высокая волатильность часто сопутствует низкой ликвидности |
| Аспект | Ручной анализ (смотреть график) | Классическое ML (RandomForest/XGBoost) |
|---|---|---|
| Скорость реакции | минуты–часы | миллисекунды–секунды |
| Точность на акциях с низким объёмом | 40–50% (много ложных срабатываний) | 70–80% (лучше фильтрует шум) |
| Затраты на инфраструктуру | 0 ₽ | 10–50 тыс. ₽/месяц облако + код |
| Требование к данным | только закрытые цены | исторические лог-котировки и объёмы за 1–3 года |
| Переобучение и адаптация | не применимо | нужна переподготовка каждые 3–6 месяцев |
Зарегистрируйся в API Московской биржи (мб.рф) или используй данные брокера (REST API Альфа-Банка, ВТБ). Запроси лог-котировки (все биды и аски за день), а не только закрытия. Для крипто используй Binance WebSocket для потока в реальном времени.
Рассчитай спред (аск — бид), глубину стакана на уровнях ±1%, ±2%, волатильность внутри дня. Нормализуй спред в % от цены (спред / средняя цена × 100). Не используй абсолютные значения — на дорогих акциях спред всегда больше в рублях.
Используй XGBoost или LightGBM для классификации (ликвидна/не ликвидна). Целевая переменная: было ли проскальзывание >1% на этом часе? Тренируй на 70% данных, валидируй на 30% независимого периода. Гиперпараметры: глубина дерева 5–7, learning rate 0,05–0,1.
Интегрируй модель в скрипт на Python/Node.js, который следит за потоком котировок в реальном времени. Когда предсказание вероятности падения ликвидности >0,7 — отправь сигнал (push-уведомление или Telegram-бот). Логируй все ложные срабатывания для обратной связи.
Не ловите каждый скачок — установи минимальный спред в %-х от цены (например, только если спред вырос >50% от среднего). Переобучай модель один раз в неделю на свежих данных. Отслеживай метрики precision/recall — если точность упала <70%, поднимай порог срабатывания.
Для микроструктуры — LSTM или GRU (они учитывают последовательность котировок). Для интеграции с новостями — гибрид: DistilBERT для классификации новостей + XGBoost для котировок. LLM (Claude, GPT-4) полезны для добычи инсайтов, но дорогие для real-time сигналов.
Нет. ИИ отличный на сигналах и шуме, но не понимает контекста (дайвиденды, сплиты, корпоративные действия). Кроме того, модели переобучаются, как только меняется рыночное условие (крах волатильности или иностранные санкции). Рекомендуется использовать сигнал ИИ как дополнение к анализу, не замену.
Вероятно, модель обучалась на спокойных днях, а тестировалась на дне с дополнительным риском (геополитический скок, санкции, новая котировка). Это нормально — переобучи модель, включив день-индикатор (выходной, будний день, день экономических новостей). Или повысь порог срабатывания до 0,8 (вместо 0,7) для чистоты сигнала.
Используй ансамбли: три разные модели голосуют. Если 2 из 3 согласны — сигнал настоящий. Либо добавь фильтр по объёму: сигнал срабатывает только если дневной объём упал <20% от среднего. Либо требуй подтверждение: спред расширился И волатильность выросла (не одно из двух).
Python + Pandas для анализа, PyTorch/TensorFlow для обучения. Для real-time — Node.js или Go (быстрее обработка потоков). Для интеграции с биржей — REST API или WebSocket. Не усложняй архитектуру на старте: SQL + Python + простой веб-фреймворк (Flask) хватает.
Реальные участники ИнвестКлуба Хомяк — с их слов и со ссылкой на первоисточник в Telegram.
Точка входазашла пробно на 1 месяц после рекламы
Что изменилосьосталась на 1,5 года — структурированные знания, прямые эфиры с экспертами, освоила ИИ-инструменты
«Когда-то я зашла пробно, на 1 месяц. Прошло 1,5 года, а я по-прежнему там. Один только искусственный интеллект чего стоит.»история в Telegram →
Точка входавозрастной скепсис, долго не решался зайти в закрытый клуб
Что изменилосьгора структурированных материалов, отзывчивое сообщество, которое помогает и подсказывает
«Возрастной скепсис мешал зайти — думал, всё как обычно. Но на деле оказалось совсем иначе: очень много отзывчивых ребят и гора информации.»история в Telegram →
«В Хомяке уже полтора года… кайфовое, живое сообщество. Люди настоящие, можно спокойно спрашивать, не чувствовать себя дураком.»
«Зашла пробно на 1 месяц. Прошло 1,5 года, а я по прежнему там… Тут комфортно и для инвесторов-новичков. Вся информация отлично структурирована.»
Ещё реальные отзывы участников — t.me/traderreviews
