AltScanner: как избежать «самообмана» в криптосканерах с помощью ML‑подхода

Большинство статей о машинном обучении в трейдинге начинают с построения модели: берут исторические свечи, добавляют индикаторы, запускают обучение и радуются красивой кривой. На практике такие проекты часто падают из‑за утечки будущих данных (look‑ahead bias), неверных выборок и «нарисованных» цен. В статье на Habr ML авторы проекта AltScanner описывают, как они решили проблему с другого конца.

1. Фиксация рыночного состояния – вместо того, чтобы сразу подавать сырые цены, система сначала формирует snapshot текущего рынка: набор свечей, объёмов, открытых ордеров и метаданных. Эти снимки сохраняются в виде неизменяемых объектов, что исключает случайные «прокрутки» будущих цен в обучающую выборку.
2. Воспроизводимость – каждый snapshot снабжен уникальным хешем и тайм‑стемпом. При обучении модель получает только те данные, которые действительно были доступны в момент их создания.
3. Строгий тайм‑раздел – AltScanner использует time‑based кросс‑валидацию: тренировочный набор заканчивается за 48 ч до начала валидации, тем самым полностью исключая перекрёстные сделки и незакрытые свечи.
4. Контроль качества – после каждой итерации проводится проверка на «ложные сигналы». По результатам тестов, показатель ложных срабатываний упал с 12 % до 3,4 %.
5. Открытый код – репозиторий проекта доступен на GitHub (https://github.com/AltScanner/crypto‑ml), где можно изучить детали реализации и адаптировать подход под свои задачи.

Таким образом, AltScanner демонстрирует, как правильная организация данных и строгий контроль за утечкой информации позволяют построить надёжный криптосканер, минимизируя риск переобучения и ложных торговых сигналов.