פיתוח מודל בינה מלאכותית לניתוח תבניות נרות בגרפים

מדוע פיתוח מודל AI לתבניות נרות נכשל

לרוב, פיתוח מודל AI לניתוח תבניות נרות נשבר לא בארכיטקטורה, אלא בנתונים. סימון התבניות נעשה על ידי בני אדם או סקריפטים, ושם שאחד מחשיב את ה"תחתית הכפולה" כמתקיימת, אחר רואה תנועה צידית: גבולות התבנית, סבילות לעומק התיקון ורגע האישור מתפרשים באופן שונה. מודל שאומן על סימון כזה ממצע את הסתירות ומפיק אות שאין במה לאשר.

הבעיה השנייה — תבניות נדירות. באימון על ציטוטים היסטוריים "ראש וכתפיים" או טריז מופיעים בסדרי גודל פחות מאזורי מגמה, וזיהוי התבניות נוטה לכיוון המחלקה השכיחה: המערכת חוזה המשך תנועה ומפספסת היפוך. כיוונון הסף לא עוזר כאן — נדרש סימון מדויק של תבניות נדירות, שקלול מחלקות ובדיקה נפרדת עליהן.

המקור השלישי לכשל — קנה המידה של מסגרת הזמן. אותה קונפיגורציית נרות בגרף הצעיר ובגרף הבכיר היא בעלת סטטיסטיקה שונה: למטה זה רעש, למעלה — תבנית משמעותית, ולכן מודל שאומן על קנה מידה אחד מאבד דיוק בעת ההעברה. מאפיין המחושב על נר לא סגור מוסיף השהיית אות והתראות שווא בנר האחרון.

בפועל זה נראה כך: המערכת או מאחרת בכניסה, או שותקת במקום שבו ההיפוך היה ברור בדיעבד. להלן נבחן כיצד זה נסגר ברמת הכנת הנתונים, הסימון ובדיקת המודל.

מה משתנה לאחר הטמעת מודל זיהוי תבניות

סימון נתונים היסטוריים הוא השלב היקר ביותר בזמן: האנליסט מסמן ידנית תבניות על הגרף, ובהיסטוריה ארוכה מדובר באלפי סימונים עם פרשנות שונה לגבולות. לאחר הטמעת המודל, חלקו של הסימון הידני יורד לבדיקה מדגמית — המהנדס סוקר רק קטעים שנויים במחלוקת שבהם ביטחון המודל נמוך.

דיוק זיהוי התבניות על מדגם מוחזק נשמר בטווח שבו הפערים מול סימון האנליסט נותרים קבילים עבור לוגיקת המסחר.

בנפרד נפתרת העמידות לרעש בציטוטים. המודל מאומן על נתונים שמוחדרים בהם באופן מלאכותי חוסרים, חריגים ופערי נזילות, ולכן אינו מפרש סדרת צללים מקרית כתבנית. הדבר מסיר את סוג השגיאות שהיה היקר ביותר בפועל — פריצות שווא של רמות, כאשר האות פעל בשוק דק והתהפך בתוך הנר הבא.

יכולת שחזור התוצאה מובטחת באמצעות אימון על PyTorch עם קיבוע גרסאות המשקולות, הפרמטרים ומערך הנתונים. כל הרצה ניתנת לחזרה ולקבלת אותה תוצאה, והשוואה בין שתי גרסאות של המודל נשענת על תנאי קלט זהים, ולא על זיכרון האנליסט.

בדיקה על נתונים חדשים מוטמעת בתקנון: המודל מורץ על תקופה שלא השתתפה באימון, והמדדים מושווים לגרסה הקודמת. האות אינו מתדרדר בעת שינוי תנודתיות, והחלטות על עדכון מתקבלות לפי מספרים.

פתרון מוכן או אימון על הנתונים שלכם: השוואת גישות

השוואת הגישות אינה מתחילה מבחירת האלגוריתם, אלא מהשאלה: עד כמה גרפי הנרות שלכם דומים למה שהמערכת כבר ראתה. מערכת זיהוי מוכנה יוצאת לעבודה במהירות, אך איכותה על הכלי ומסגרת הזמן שלכם לא נבדקה על ידי איש.

אימון מחדש לשוק שלכם מעביר את המאפיינים הנלמדים של צורת הנרות לנתונים שלכם — אך רק אם ההיסטוריה מסומנת באופן אחיד וללא חוסרים.

להלן שלוש אפשרויות עבודה שממש בוחרים ביניהן, ומה מגביל כל אחת מהן.

בפועל לרוב בוחרים באמצע: מערכת זיהוי מוכנה — כשכבה בסיסית לפורמציות טיפוסיות, אימון מחדש — לתבניות של השוק שלכם, וכללי הכניסה והיציאה נשארים אצלכם. היבריד כזה מספק תוצאה עובדת בשלב מוקדם ומשאיר מרווח לצמיחת הדיוק ככל שהסימון מצטבר.

בניתוח המשימה אנו בוחנים את ההיסטוריה שלכם ואומרים ישירות איזו מהאפשרויות תניב תוצאה דווקא על הנתונים שלכם.

שלבי העבודה: מביקורת נתונים ועד מסירה לתפעול

אנו הולכים מהנתונים אל המודל, ולא להפך: תחילה בודקים שבהיסטוריה יש מספיק דוגמאות מכל תבנית, ורק לאחר מכן ניגשים לאימון. כל שלב נסגר בארטיפקט — דוח, סכימת סימון או פרוטוקול בדיקה, ולכן השגיאה מתגלה בשלב הנוכחי ולא בשלב התפעול.

1. ביקורת נתונים היסטוריים. בודקים את עומק ההיסטוריה עבור כל כלי וקנה מידה של הגרף, את רציפות הציטוטים, חוסרים ופערים. התוצאה — דוח כשירות: עבור אילו תבניות המדגם מספיק, והיכן יש להרחיב אותו.
2. סכימת סימון. מקבעים הגדרה פורמלית לכל תבנית: הרכב הנרות, סבילות בפרופורציות, התנהגות בגבולות התבנית. בלי זה המסמנים והמודל מבינים את אותה תבנית באופן שונה.
3. בדיקת איכות הסימון. מחשבים את ההסכמה בין המסמנים על תת-מדגם בקרה ומנתחים מקרים שנויים במחלוקת. את סף ההסכמה קובעים לפני תחילת העבודה, ולא אחריה.
4. אימון. מאמנים את המודל על היסטוריה מסומנת, את הפרמטרים בוחרים על הוולידציה, ובנפרד מטפלים בתבניות נדירות ובחוסר איזון בין מחלקות.
5. בדיקה על תקופה מוחזקת. מריצים את המודל על נתונים שהוא לא ראה, כולל קטעים עם תנודתיות שונה. בוחנים דיוק וכיסוי עבור כל תבנית בנפרד, ולא ציון ממוצע.
6. הטמעה. מחברים את המודל לזרם הנתונים, מגדירים תיעוד תחזיות ובקרה על פערים מול התנהגות השוק בפועל.
7. מסירה לתפעול. מוסרים תקנון ליווי: מתי לאמן מחדש, מה לעשות בעת ירידת מדדים, וכיצד לחזור לגרסה הקודמת ללא השבתה.

מה הלקוח מקבל לידיו: ערכה ותיעוד

הערכה נמסרת כך שניתן להפעיל את המערכת, לבדוק אותה ולפתח אותה בכוחות הצוות שלכם. לכן היא כוללת לא רק את המודל המאומן, אלא גם את הכללים שלפיהם הוא הוכן, ואת הסכימות שלפיהן הנתונים זורמים לפניו ואחריו. להלן מה בדיוק מתועד במסמכים הנמסרים.

• מערכת מאומנת לניתוח תבניות: ארטיפקט המודל, קונפיגורציית חישוב מקובעת ומערך דוגמאות בקרה שעליהן התוצאה משוחזרת אחד לאחד.
• כללי סימון: מילון תבניות של צירופי נרות, קריטריונים להשתייכות למחלקה וניתוח מקרים שנויים במחלוקת — כדי שסימון חדש לא יסתור את סימון האימון.
• סכימת עיבוד נתונים: מקורות ציטוטים, סדר האחידות, התמודדות עם חוסרים וחריגים, חלון חישוב המאפיינים.
• תיאור המדדים: כיצד מחושבים דיוק וכיסוי עבור כל תבנית, שיעור אותות השווא, מדד על מדגם בקרה והספים שמתחתם התוצאה נחשבת ללא עובדת.
• הוראות הפעלה: סדר הקמת הסביבה, נקודות כניסה, בדיקה על נתוני בקרה ושגיאות טיפוסיות בעת ההתנעה.
• תקנון ליווי ועדכון: תדירות האימון מחדש, סימנים להיסט נתונים שבהם המודל יוצא לאימון מחדש, וסדר הפעולות בעת פער.
• גבולות התחולה ופרוטוקול הקבלה: על אילו כלים ומסגרות זמן המודל נבדק, אילו מגבלות ידועות, ולפי אילו דוגמאות הלקוח מקבל את העבודה.

מקרה בוחן: דיוק זיהוי התבניות לפני ואחרי אימון מחדש

הלקוח — צוות מסחר אלגוריתמי: אותות לפי תבניות נרות הועברו לאנליסטים לאישור. היסטוריית הנרות נאספה מייצוא TradingView ומארכיון עסקאות פנימי.

מודל שאומן על סימון "בעין" מצא בביטחון רק תבניות שכיחות, ואת הנדירות — "ראש וכתפיים", תחתית כפולה, קונסולידציות צרות — בלבל ביניהן. כל אות שני הועבר לבדיקה ידנית חוזרת.

מה שינו

תחילה כתבו מחדש את כללי הסימון: קריטריונים נוקשים לפרופורציות הגוף והצללים, גודל מינימלי של התבנית ביחס לתנודתיות הכלי, מחלקה נפרדת ל"דומה, אבל לא תבנית".

דוגמאות קונפליקטואליות של המסמנים נותחו מחדש, ולאחר מכן אומן המודל מחדש על מחלקות מאוזנות וחיזקו את התבניות הנדירות עם עיוותי רעש וקנה מידה.

בדיקה על נתונים מוחזקים

את הוולידציה חילקו לפי זמן, ולא באקראי — אחרת נרות סמוכים של אותה תנועה נופלים גם באימון וגם בבדיקה, והמדדים נראים טובים מכפי שהם. את תקופת הבקרה המודל לא ראה, ובנוסף הריצו אותו על כלים מחוץ למערך האימון: הכיסוי ירד בכמה נקודות, אך הפיזור בין החודשים נשאר בתוך שתי נקודות.

במה נבדל סימון תבניות מניתוח טכני

סימון תבניות וניתוח טכני פותרים משימות שונות, ובהגדרת המשימה אין לערבב ביניהם. ניתוח טכני הוא שיטת קבלת החלטות: רמות, מגמות, אינדיקטורים והקשר שהאנליסט מפרש. סימון הוא המשתנה המטרה עבור המודל: חלון נרות שידוע עליו באופן חד-משמעי אם יש תבנית או לא, ולפי איזה כלל זה נקבע.

ניתוח טכני מתקשה להפוך לתווית: הרמה נעשית ברורה רק לאחר הפריצה, ו"נר חזק" מוערך באופן שונה על ידי מומחים שונים. התיאור הקנוני של התבניות מאת סטיב ניסון מנוסח במילים — "גוף קטן", "צל ארוך" — ובלי סבילות מספרית הופך לנושא למחלוקת בין המסמנים.

לכן הגדרת המשימה מתחילה בכלל פורמלי: חלון נרות במונחי OHLCV, פרופורציות הגוף והצללים ביחס לתנודתיות, גודל מינימלי של התבנית, התנהגות בעת חפיפת תבניות. רק אז התווית ניתנת לשחזור, והמודל לומד על חוקיות ולא על טעמו של מסמן מסוים.

ההבדל ניכר בתוצאה. אם במשימה כתוב "המודל צריך להבין מגמה", הסימון חלוק בין המומחים, האיכות לא מתכנסת, ולא ברור מה לתקן — נתונים או ארכיטקטורה. אם מתוארים הגאומטריה של התבנית והאופק של האירוע, אפשר לבדוק מחדש מקרים שנויים במחלוקת, ולהשוות את האיכות לכלל בסיס.

מסקנה מעשית: ניתוח טכני קובע השערות, סימון — מטרה מדידה. כל עוד כלל הסימון לא מקובע, כל הערכת איכות של המודל מקרית.

ספקות טכניים נפוצים לפני תחילת העבודה

ספקות הנדסיים בהתחלה נוגעים בדרך כלל לא למודל עצמו, אלא לנתונים ולגבולות התחולה שלו. אספנו ארבע שאלות שעולות לרוב בפגישה הראשונה, ועונים לעניין — בלי מילים כלליות.

מה יקרה בעת החלפת משטר שוק?

את המאפיינים בונים יחסיים, קשורים לקנה מידה ולתנודתיות, ולכן תזוזה חדה של רמות אינה שוברת את לוגיקת התבנית. מעל זה — חלון אימון נע ובקרה על סחיפת ההתפלגות: כאשר נתוני הקלט מתרחקים מפרופיל האימון, מגיע אות להרכבה מחדש. הדרדרות בעת החלפת משטר היא בלתי נמנעת — אנו מכניסים אותה לתוכנית, ולא מבטיחים דיוק נצחי.

באיזה פורמט נדרשים הנתונים והסימון?

נדרש טור זמן של נרות וסימון אירועים: גבולות התבנית, המחלקה שלה וביטחון המסמן. את הסכימה מקבעים בהתחלה ומאמתים אוטומטית — חוסרים, כפילויות ופערי זמן נפסלים לפני האימון. קריטי לא כל כך אורך ההיסטוריה, אלא מספר הדוגמאות של תבניות נדירות: עליהן המודל לומד בצורה הגרועה ביותר.

למי שייכים הנתונים והתוצאה?

הנתונים נשארים שלכם ואינם יוצאים מהמתאר שלכם: העיבוד מתבצע בתשתית שלכם או בסביבה מבודדת בשליטתכם. הזכויות על המודל, הקוד והתיעוד מועברות לכם, איננו משתמשים בייצוא שלכם במוצרים שלנו ואיננו משאירים עותקים לאחר המסירה.

נדון במשימה ונחזור עם הערכה ותוכנית

כדי לחזור עם הערכת לוחות זמנים ותוכנית עבודה, נדרשים לנו לא שחזור של הרעיון, אלא נתונים וגבולות המשימה. ככל שהקלט מדויק יותר, כך פחות הנחות באומדן — וכך גבוה יותר הסיכוי שהמדדים בקבלה יתאימו לציפיות.

• היסטוריית ציטוטים עבור הכלים הנדרשים: פורמט OHLCV, אינטרוולים, עומק המדגם ומקומות החוסרים בנתונים.
• תיאור התבניות שהמודל אמור למצוא: קריטריונים מילוליים ודוגמאות ל"יש אות" / "אין אות".
• סימון או הכלל להשגתו: מי סימן את קטעי הגרף וכיצד יושבו מקרים שנויים במחלוקת.
• גבולות התחולה: על אילו אינטרוולים וכלים המודל עובד, מה נחשב להחמצת אות ומה לשגיאה.
• מדדי קבלה: שיעור ההפעלות הנכונות, השהיית גילוי קבילה, שיעור אותות השווא על נתונים היסטוריים.
• סביבת היעד: היכן המודל יחשב ואילו מגבלות קיימות בהשהיה ובנפח הנתונים.
• אחראי מטעמכם עם סמכות לאשר את הסימון ולקבל את התוצאה.

לאחר מכן אנו מרכיבים מודל בסיס להשוואה, בודקים את איכות הסימון וחוזרים עם הערכת לוחות זמנים ותוכנית עבודה לפי שלבים — מהכנת הנתונים ועד לבקרת ההדרדרות בתקופות חדשות. תארו את המשימה בצורה חופשית: נדון בה לגופה ונאמר אילו נתוני קלט חסרים.