כל מילישנייה קובעת. בעשיית שוק ב-HFT, השהיה של 1 ms מכריעה הכל — בבינאנס, כל מילישנייה של ספרד על צמד ה-BTC/USDT עם נפח של 1000 BTC מניבה 50–по индивидуальному расчёту. אבל מהירות בלי תבונה מובילה להצטברות מלאי בתנועות כיווניות: בלי ML, אפשר להפסידпо индивидуальному расчёту בשעה בגלל בחירה שלילית.
סוכני ה-RL שלנו מפחיתים את יחס הבחירה השלילית ב-12–18% ומגדילים את ה-P&L ב-15–30% לעומת מודלים סטטיים קלאסיים (מודל Avellaneda-Stoikov).
הכלכלה של עשיית שוק
הרווח וההפסד מורכבים מארבעה מרכיבים: לכידת מרווח, סיכון מלאי, בחירה שלילית ועמלות מייקר. המטרה היא למקסם את לכידת המרווח תוך מזעור סיכון המלאי. המודל הקלאסי של Avellaneda-Stoikov מספק נוסחת בסיס, אך אנו מחליפים פרמטרים קבועים ב-ML הנאמד באופן דינמי.
כיצד מודלים של ML מפחיתים סיכון של בחירה נגדית
הגישה הקלאסית משתמשת בסלידות סיכון קבועה ובתנודתיות. עבור פתרון ML, אנו מאמנים רשת נוירונים לחזות:
- עוצמת זרימת הזמנות: כמה הזמנות יגיעו בשנייה הבאה.
- הסתברות לבחירה נגדית: הסבירות שההזמנה הבאה היא מיודעת.
- כיוון מחיר לטווח קצר: מגמת המחיר בכמה השניות הקרובות.
תהליכי Hawkes מדגמים את ההגעה המקובצת של הזמנות: פעילות פרצית → הפחתה זמנית של הפוזיציה. בפועל, זה מפחית את יחס הבחירה הנגדית ב-12–18% בהשוואה לרזרבות קבועות.
מדוע סוכן RL יעיל יותר מחוקים סטטיים לניהול מלאי
אנו משתמשים בסוכן RL עם מצב: מלאי, חוסר איזון, תנודתיות, שעה ביום, מגמה. הסוכן בוחר את רוחב הפריסה ואת ההטיה. מרחב המצבים כולל 6 תכונות, ופונקציית התגמול מתחשבת הן ברווח מיידי והן בקנסות בגין סטייה מפוזיציית אפס.
# Simplified market making state space
state = np.array([
inventory / max_inventory, # Normalized inventory
bid_ask_imbalance, # Order book imbalance
recent_vol_normalized, # Short-term volatility
time_of_day_features, # Session effects
recent_price_trend # Directional signal
])
action = agent.act(state) # action: [spread_half_width, inventory_skew]
בקרה סטוכסטית שומרת על המלאי בגבולות נתונים, ומזיזה מחירים באופן א-סימטרי כדי להקטין את הפוזיציה בצורה חלקה ללא פקודות אגרסיביות. למהנדסים שלנו יש 5+ שנות ניסיון ב-HFT וב-ML, מה שמבטיח פעילות אסטרטגיה יציבה.
השוואה: קלאסי מול ML
| פרמטר | MM קלאסי | MM מבוסס ML |
|---|---|---|
| שנאת סיכון | קבועה | אדפטיבית |
| תנודתיות | קבועה | נחזית |
| ספרד | סימטרי | אסימטרי |
| בקרת מלאי | מגבלה קשיחה | מותאמת RL |
| רווח | בסיסי | +15–30% |
DeFi ו-AMM: נזילות מרוכזת
עבור Uniswap V3, אנו מייעלים את טווח הנזילות המרוכזת. טווח צר יותר = יותר עמלות, אך סיכון גבוה יותר להפסד לא קבוע. סוכן ה-RL מחליט מתי לאזן מחדש את הפוזיציה על ידי חיזוי ה-IL הצפוי לאורך טווח נתון. בבדיקות שלנו על ETH/USDC 0.3%, דיוק חיזוי ה-IL הגיע ל-89%. להערכה מדויקת של האסטרטגיה והנפחים שלכם, צרו קשר — נכין חשבון דמו.
טעויות נפוצות בעת יישום בוט MM
- התעלמות ממבנה עמלות maker-taker: בחלק מהבורסות (Binance, Bybit), החזר ה-maker עשוי לעלות על עמלת ה-taker, ובכך לשנות את הכלכלה.
- שימוש באותו מרווח (spread) לכל זוגות המסחר — נזילות שונה דורשת הגדרות שונות.
- היעדר ניטור השהיה (latency): השהיה של >10 ms בבורסת CEX הורסת את היתרון של ה-ML.
השוואה בין עשיית שוק ב-CEX וב-DEX
| פרמטר | CEX | DEX |
|---|---|---|
| השהיה | <1 ms (קולוקציה) | 1-5 בלוקים (15-30 שניות) |
| מודל עמלות | החזר למספק נזילות | עמלת מאגר (0.01-1%) |
| סיכונים | כשלון הבורסה | חוזה חכם, MEV |
| מלאי | ישיר | דרך AMM (אוטומטי) |
| מיקוד ML | זרימת פקודות | חיזוי IL |
תשתית טכנית
השהיה היא גורם מפתח. ב-CEX אנו משתמשים ב-colocation, וב-DEX — ב-RPC מוגן MEV (Flashbots). סטאק: WebSocket → Order Book → Quote Engine → ML inference → Order Manager → Exchange API. אנו שומרים על השהיית inference מתחת ל-<5 ms הודות ל-ONNX Runtime ול-GPU inference על T4.
המערכת שלנו מעבדת עד 10,000 פקודות בדקה ותומכת ב-50+ זוגות מסחר. ניטור: P&L attribution, fill rate, adverse selection ratio, inventory over time. כל המדדים מוזרמים ל-Grafana עם התראות על Sharpe ratio ו-VaR.
איך אנחנו מפתחים בוט AI: תהליך שלב אחר שלב
- ניתוח זוגות מסחר ונזילות — הערכת ספרדים, נפחים וסביבה תחרותית.
- בחירה והגדרה של ארכיטקטורת ML — PyTorch, Hugging Face Transformers, ובאופציה LangChain.
- אימון המודל על נתונים היסטוריים — בדיקות לאחור עם מדדים (Sharpe, Sortino, ירידה מקסימלית).
- אינטגרציה עם הבורסה — REST/WebSocket API, פנקס הזמנות WebSocket, מנגנון חיבור מחדש.
- פריסה על שרת — קונטיינר Docker, ניטור Prometheus+Grafana, התראות.
- תיעוד והדרכת הצוות — מסירת קוד, כרטיס מודל, ספרי הפעלה.
- תמיכה עם אחריות ל-3 חודשים — תיקון באגים, אימון מחדש כאשר תנאי השוק משתנים.
מה כלול בעבודה (תוצרים)
- קוד המקור של מודל ה-ML עם הערות ותצורה.
- אינטגרציית API עם הבורסות הנבחרות (CEX/DEX).
- פריסת שרת עם הפעלה מחדש אוטומטית וניטור.
- תיעוד: תיאור הארכיטקטורה, הוראות הפעלה, runbook למפעיל.
- הדרכת צוות הלקוח (2–5 שעות של onboarding).
- תמיכת אחריות ל-3 חודשים: תיקון באגים, אימון מחדש של המודל כאשר תנאי השוק משתנים.
לוחות זמנים: מ-4 עד 8 שבועות בהתאם למורכבות. להערכה מדויקת, צרו קשר — ננתח את מקרה השימוש שלכם ונציע את הפתרון האופטימלי. הזמינו פיתוח של בוט AI market making וקבלו ייעוץ לגבי האסטרטגיה שלכם.