Инвертируй сигнал, грабь гринд: GitHub-репозиторий с ИИ для анализа ликвидности

Ликвидность как мишень: почему рынок ломает мелких

В каждом движении цены на 5% сидит чья-то стоп-лосс заявка, которую крупный игрок методично выслеживает. Это не заговор, это физика рынка. Гринд ликвидности — процесс, когда цена прочёсывает зоны скопления стопов и ликвидаций, чтобы потом развернуться и оставить запоздавших «в луже». Если вы хоть раз покупали на пробое, а цена тут же шла в противоположную сторону — вас отгрузили.

Обычный трейдер смотрит на свечи, рисует уровни и надеется, что «на этот раз всё по-другому». ИИ же видит не фигуры, а кластеры ликвидности и паттерны манипуляции. На GitHub появился проект, который автоматизирует эту разведку — LiquidityGrindAI. В репозитории лежит модель, обученная инвертировать «сигналы гринд». По факту: когда большинство покупает на пробой, он ставит на разворот. И наоборот.

Что под капотом: детектор манипулятивных помп и дампов

Архитектура проекта — это стек из Python + TensorFlow (последняя версия 2.16 на апрель 2026) + ccxt для получения данных. ИИ анализирует не просто цены, а order book imbalance и скорость изменения объёмов. Основные фичи:

• Сканер зон ликвидности — находит уровни, где скопилось много стоп-лоссов (например, выше последнего максимума или ниже минимума).
• Детектор «гринд-паттернов» — определяет моменты, когда цена намеренно пробивает зону, собирает ликвидность и тут же разворачивается.
• Генератор инверсных сигналов — вместо того чтобы бежать за толпой, модель выдаёт противоположный сигнал с фильтром подтверждения.
• Бэктестер — можно прогнать по историческим данным иерархию сделок (включает комиссии, скольжение).

Альтернативы: почему TradingView и Hummingbot не подходят

Давайте честно: с помощью стандартных индикаторов RSI, MACD или даже Order Flow ловить разворот после «помпы на ликвидации» — это гадание. TradingView даёт скринеры, но не понимает контекст манипуляции. А создание своего трейдера на Python с MCP и CodeAct — уже продвинутый уровень, но там нет готового детектора гринда.

Hummingbot — отличный инструмент для маркет-мейкинга, но он не умеет распознавать «ликвидационные охоты». А вот LiquidityGrindAI с этим справляется через нейросеть, обученную на размеченных исторических данных (датасет прилагается). Если сравнивать с OpenClaw для Finam API — там другой рынок и без кода, а наш репозиторий требует хотя бы базового знания Python.

Как это работает на практике: пример с ETH/USDT

Допустим, на 15-минутном графике Ethereum появляется резкий всплеск объёма и цена пробивает локальный хай, собирая стопы. Большинство индикаторов скажут «бычий пробой». ИИ же в этот момент видит аномалию в книге ордеров — на крупную продажу ставят лимитник прямо над зоной ликвидности, а агрессивные покупки ослабевают. Инверсия: sell limit.

Как запустить этот сценарий на репозитории:

1 Клонирование и установка

git clone https://github.com/liquiditygrindai/liquidity-grind-ai.git
cd liquidity-grind-ai
pip install -r requirements.txt

2 Конфигурация API биржи

В config.yaml прописываются ключи от Bybit или Binance. Лучше использовать субаккаунт с ограниченными правами.

exchange: binance
symbol: ETH/USDT
timeframe: 15m
inverse_mode: true

3 Запуск детектора и получение сигнала

from detector import LiquidityGrindDetector
detector = LiquidityGrindDetector()
signal = detector.scan('ETH/USDT')
print(signal)
# Output: {'type': 'inverse_sell', 'confidence': 0.82, 'zone': 3120.5}

Модель вернёт 82% уверенности в том, что текущий пробой — ложный, и лучше продать. Конечно, не стоит слепо верить — нужно дополнительно проверять контекст. Именно для таких случаев полезен «адвокат дьявола» на Amazon Bedrock от LinqAlpha, который критикует сигналы и не даёт переуверенность.

Подводные камни: где ИИ может обмануть

Как и любой ML-инструмент, LiquidityGrindAI страдает от дрейфа данных — рыночные паттерны меняются. Если модель обучалась на данных 2025 года, то в 2026 она может ошибаться. В проекте есть встроенный мониторинг с использованием нейро-символического детектора дрейфа FIDI Z-Score — он пересчитывает z-score распределения сигналов и предупреждает, если модель начала бредить. Но всё равно держите ухо востро: ни один алгоритм не застрахован от ложных пробивов.

Кстати, ИИ может увеличивать поток ошибок, если его неправильно настроить. Например, если порог уверенности выставить слишком низко, модель будет давать сигналы на каждое чихание рынка. Разработчики советуют держать мин. 0.75 confidence и использовать дополнительный фильтр по объёму.

Ещё одна ловушка — сильное погружение в манипуляции. Если вы начнёте видеть гринд в каждом движении, то будете торговать против тренда и сольёте депозит. Параллельные нейросети Parallel AI и AskSurf в своём анализе страховки ETH Strategy разошлись во мнениях — и это нормально. Доверяй, но проверяй, желательно двумя разными моделями.

Кому реально зайдет этот инструмент

Не новичкам. Если вы только начали торговать и ещё не обожглись на ликвидациях — лучше начните с AI-прогноза для Apple, там безопаснее. LiquidityGrindAI создан для опытных троллей, которые понимают, что 70% сделок — это выкупание ликвидности. Инструмент подойдёт, если:

• Вы умеете писать или хотя бы читать Python-код.
• У вас есть опыт бэктестинга стратегий.
• Вы готовы к тому, что алгоритм может плакать в режиме реального времени из-за смены режима рынка.
• Вы не боитесь редактировать конфиги и запускать докер-контейнеры.

В ближайшие год-два такие инструменты станут стандартом для алготрейдеров, но пока это нишевая «пушка». Использовать её нужно с head-анализом, а не просто «клик-трейд». Амазон и Google берут столетние кредиты на ИИ — значит, направление верное, но ставки гигантские.

Скачайте репозиторий, покрутите на бумажном счёте, и, возможно, вы начнёте смотреть на рынок не как на случайность, а как на поле битвы за ликвидность. И да, не забудьте закоммитить свои доработки обратно — open source.

Подписаться на канал