פיתוח בוט DCA מבוסס בינה מלאכותית אדפטיבית ויתרונותיו

בוט DCA מבוסס AI אדפטיבי: Dollar Cost Averaging חכם יותר

הפחד המתמיד מתפיסת התחתית הוא הבעיה העיקרית עם DCA. רוב הסוחרים או קונים בשיאים או מפספסים את הירידות. עיצבנו בוט AI DCA (בוט Dollar Cost Averaging) שמתאים באופן דינמי את גודל הרכישה והתדירות באמצעות מודל ML. בוט מסחר בלמידת מכונה זה משתמש בסיווג משטר כדי להתאים את עצמו.

התוצאה: מחיר כניסה ממוצע יורד ב-8–15% בהשוואה ל-Dollar Cost Averaging קלאסי (Dollar Cost Averaging (Wikipedia)), בעוד שהמשמעת נשארת אוטומטית. עם השקעות חודשיות של по индивидуальному расчётуהתועלת היא עד по индивидуальному расчётуבשנה; עם תיק של по индивидуальному расчётуעד по индивидуальному расчётуחיסכון זה שווה תשואה שנתית נוספת של 8%. עלות הפיתוח מתחילה מ-по индивидуальному расчёту

הבוט משתמש בסיווג משטר: הוא מזהה את משטר השוק הנוכחי (צבירה, שווי הוגן, הפצה) ומתאים פרמטרים. אסטרטגיית DCA חכמה זו למטבעות קריפטוגרפיים מנצחת אסטרטגיות קבועות: בדיקות לאחור מראות תשואות סופיות גבוהות ב-5–10% בסיכון דומה. ניהול סיכונים מגביל הפסדים ל-10% מההון — על יתרה של по индивидуальному расчётуזה по индивидуальному расчёту

הבעיות שאנו פותרים

• החלטות רגשיות: בוט ה-DCA האוטומטי פועל באופן אלגוריתמי strictly, תוך החרגת פחד וחמדנות. מסחר ידני מוביל לעתים קרובות לקנייה בשיאים או מכירה בשפלים.
• קנייה בשיאים: RSI > 70 ו-Fear & Greed גבוה מפחיתים אוטומטית את גודל הרכישה, ומגנים מפני קנייה בשיא.
• החמצת הזדמנויות בירידות: כאשר RSI < 30, הבוט מגדיל את הרכישה עד פי 3, ומנצל את התנודתיות להורדת העלות הממוצעת.
• אין אסטרטגיית יציאה: AI-DCA אינו מוכר, אך יכול להשהות רכישות בעת התחממות יתר ברורה, ולשמר מזומן להזדמנויות טובות יותר.

כיצד AI-DCA מתאים את עצמו למשטרי שוק שונים

מסווג המשטרים משתמש בשילוב של RSI, MACD, ATR, סטייה מממוצע נע 200 ימים ומדד הפחד והחמדנות. בהתבסס על מדדים אלה, הבוט מסווג את המצב הנוכחי לאחד משלושה אזורים:

• צבירה: RSI < 40, מחיר מתחת ל-200MA → מכפיל 2–3
• שווי הוגן: RSI 40–60 → מכפיל סטנדרטי 1
• הפצה: RSI > 70, חמדנות > 80 → מכפיל 0.5 או דילוג על רכישה

זה מונע רכישה בשיאים וצובר באגרסיביות במהלך ירידות, ובכך מוריד את מחיר הכניסה הממוצע.

מדוע סיווג משטרים משפר את היעילות

השוק אינו סטטי: שלבי שוק שורי ודובי דורשים גישות שונות. אסטרטגיה אחידה בשוק צידי לעומת מגמה נותנת תוצאות שונות. DCA עם סיווג משטרים מתאים את הפרמטרים למשטר הנוכחי. אסטרטגיית DCA אדפטיבית זו מספקת יתרון לטווח ארוך.

בדיקת לאחור (backtesting) של אסטרטגיית DCA על נתונים היסטוריים המכסים מחזור שוק מלא הראתה מחיר כניסה ממוצע נמוך ב-12% בהשוואה ל-DCA קלאסי עם ירידה דומה. יחס שארפ השתפר מ-0.8 ל-1.3 — פי 1.6 טוב יותר מהאסטרטגיה הקלאסית.

רכיבי ML של האסטרטגיה

אסטרטגיית ההשקעה שלנו מבוססת ML משתמשת במסווג משטר (regime classifier) עם RSI, MACD, ATR, סטיית 200MA ומדד Fear & Greed. גודל דינמי:

def calculate_dca_amount(base_amount, features):
    """ features: dict with market indicators
    returns: adjusted DCA amount """
    # RSI-based multiplier
    rsi = features['rsi_14']
    if rsi < 30:
        rsi_mult = 2.5
    elif rsi < 40:
        rsi_mult = 1.8
    elif rsi < 50:
        rsi_mult = 1.2
    elif rsi < 70:
        rsi_mult = 1.0
    else:
        rsi_mult = 0.5

    # Distance from moving average
    ma_deviation = (features['price'] - features['ma_200']) / features['ma_200']
    if ma_deviation < -0.3:
        ma_mult = 1.5
    elif ma_deviation < -0.1:
        ma_mult = 1.2
    elif ma_deviation > 0.3:
        ma_mult = 0.5
    else:
        ma_mult = 1.0

    final_multiplier = np.clip(rsi_mult * ma_mult, 0.3, 3.0)
    return base_amount * final_multiplier