פיתוח בוט סקאלפינג מבוסס AI: מרעיון ל-HFT בבורסה

אנו מפתחים בוטים לסקאלפינג מבוססי AI שמנתחים את מיקרו-מבנה השוק בזמן אמת. האלגוריתמים של השחקנים הגדולים משתמשים בנתוני ספר פקודות Level 2 ובאותות מיקרו-מבנה כדי לחזות תנועת מחיר כמה טיקים קדימה. בלי למידת מכונה אתם נשענים על אינטואיציה — אבל בסביבת HFT זה לא עובד.

אנו בונים פתרונות שמעבדים את האותות הללו ומבצעים עסקאות במילישניות. נעריך את הפרויקט שלכם ונציע מימוש turnkey, מאב-טיפוס ועד לפרודקשן עם ניטור.

הבעיה היא שנתוני השוק מכילים רעש. בלי הנדסת פיצ'רים נכונה, האות הולך לאיבוד, והעסקאות מבוצעות במחירים גרועים יותר. לכן אנו מתמקדים בחילוץ פיצ'רים מנתוני ספר פקודות Level 2: חוסר איזון בנפחים, זרימת פקודות אגרסיבית, מיקרו-מחיר. האותות הללו אינם זמינים לאסטרטגיות ארוכות טווח אך מספקים יתרון באופק של 1–10 טיקים.

ממה מורכב בוט סקלפינג מבוסס AI?

בוט סקלפינג כולל מודולים לאיסוף נתונים, הנדסת מאפיינים, מודל חיזוי, ביצוע וניטור. אנו מתכננים כל מודול תוך התחשבות בתקציב השהיה ובמאפייני השוק.

אותות מיקרו-מבנה

חוסר איזון בספר הפקודות (OBI) — חוסר איזון בנפח הביקוש/היצע. אם נפח הביקוש גדול פי 5, לחץ הקנייה גבוה יותר—סביר לתנועה כלפי מעלה. נוסחה: OBI = (bid_volume - ask_volume) / (bid_volume + ask_volume). ML משפר את האות על ידי שקלול across רמות ספר הפקודות.

חוסר איזון בזרימת עסקאות — ההבדל בין נפח עסקאות שיזם הקונה לנפח עסקאות שיזם המוכר. חוסר איזון גבוה מעיד על משתתפים אגרסיביים.

מיקום בתור ורעילות זרימת פקודות — הערכת רעילות הזרימה באמצעות VPIN (Volume-Synchronized Probability of Informed Trading) לחיזוי בחירה שלילית.

מחיר מיקרו — מחיר אמצע משוקלל: microprice = (ask_vol * bid + bid_vol * ask) / (bid_vol + ask_vol). סטייה של מחיר העסקה ממחיר המיקרו מספקת אות לתנועה קצרת טווח.

כיצד DeepLOB חוזה תנועת מחירים?

DeepLOB היא ארכיטקטורת CNN + LSTM שמעבדת תמונות מצב של ספר פקודות (order book) לאורך N השניות האחרונות. שכבות קונבולוציה מחלצות דפוסים מרחביים, ו-LSTM לוכד תלויות זמניות. הפלט הוא שלוש קטגוריות: עלייה, ירידה או ללא שינוי. דוגמה למימוש:

class DeepLOB(nn.Module):
    def __init__(self, depth=20, features=4):
        super().__init__()
        self.conv_layers = nn.Sequential(
            nn.Conv2d(1, 32, (1, 2), stride=(1, 2)),
            nn.LeakyReLU(0.01),
            nn.Conv2d(32, 32, (4, 1)),
            nn.LeakyReLU(0.01),
            nn.Conv2d(32, 32, (4, 1)),
            nn.LeakyReLU(0.01),
        )
        self.lstm = nn.LSTM(32, 64, 2, batch_first=True, dropout=0.2)
        self.fc = nn.Linear(64, 3)

    def forward(self, x):
        # x: [batch, 100, depth*features]
        x = x.unsqueeze(1)
        conv_out = self.conv_layers(x)
        batch, _, h, w = conv_out.shape
        lstm_in = conv_out.permute(0, 2, 1, 3).reshape(batch, h, -1)
        lstm_out, _ = self.lstm(lstm_in)
        return self.fc(lstm_out[:, -1, :])

המודלים מאומנים על נתוני טיק היסטוריים עם אופקים שונים (1, 5, 10 טיקים) ומאוגדים לאנסמבל. אנו משתמשים ב-PyTorch לאימון וב-ONNX Runtime להסקה (inference) כדי להפחית את השהיה (latency).

מדוע השהיה קריטית לסקאלפינג?

סקאלפינג דורש תקציב השהיה קפדני:

• חישוב אות: <1 ms
• שליחת פקודה: <5 ms הלוך ושוב
• מחזור מלא: <10 ms

הדבר מצריך מיקום משותף (co-location) או אחסון בקרבה (proximity hosting), עדכוני WebSocket במקום REST (מהיר פי 100), וקוד אסינכרוני (asyncio). אנו מייעלים כל שלב—מאיסוף נתונים ועד שליחת פקודות. לדוגמה, אנו מעצבים מודלים כך שהסקה (inference) תיכנס בתוך 100 µs על GPU.

כיצד להעריך את איכות הבדיקה לאחור?

בדיקה לאחור על נתוני טיק היא הבסיס לאימות אסטרטגיה. אנו משתמשים במדדים: יחס שארפ (>2.0), שיעור זכייה (>55%), מקדם רווח (>1.5). אנו תמיד מאמתים על נתונים מחוץ למדגם כדי למנוע התאמת יתר. בפרויקט אחד השגנו שארפ של 3.1 על תקופת בדיקה של 6 חודשים, אך רק לאחר הוספת תכונת VPIN.

ניהול סיכונים בסקלפינג

מגבלת הפסד יומית—לעצור אם ההפסד היומי מגיע לרף, כך שסשן אחד גרוע לא ימחק את הרווחים. גודל פוזיציה מקסימלי—לסגור אוטומטית כאשר חריגה מסף המלאי. מעקב אחר ירידות עם מפסקי זרם המבוססים על ירידה מתגלגלת של 5 ימים.

טעויות אופייניות של מתחילים:

• אי-התחשבות בעמלות: עם 500 עסקאות ביום, העמלות יכולות לאכול את כל הרווח.
• התאמת-יתר של המודל למשטר שוק אחד—האסטרטגיה נשברת לאחר שינוי בתנודתיות.
• התעלמות מלטנציה: האות מגיע לאחר שהמחיר כבר זז.

תהליך הפיתוח שלנו

1. אנליטיקה — לנתח את המיקרו-מבנה של השוק, לאסוף נתוני טיק.
2. אב-טיפוס — ליצור מודל בסיסי ולבצע בדיקה לאחור.
3. אופטימיזציה — להפחית השהיה, לשפר את שיעור המילוי.
4. ייצור — לפרוס על שרתים בקרבה פיזית, להשתלב עם הבורסה.
5. ניטור — הערכה מתמשכת של המודל, התראות רווח והפסד.

מה כלול בעבודה

• תיעוד של ארכיטקטורת המודל ו-API למסחר.
• לוח בקרה לניטור בזמן אמת.
• הדרכה לצוות שלכם (קוד, מדדים, התראות).
• הבטחת איכות: מבחני עומס ואימות על נתונים מחוץ למדגם.

לצוות שלנו יש למעלה מ-5 שנות ניסיון בפיתוח HFT ועשרות פרויקטים של מודלים של ML בשווקים אמיתיים. צרו קשר כדי להעריך את הפרויקט שלכם—נספק פתרון turnkey. קבלו ייעוץ בנושא אופטימיזציה של השהיה (latency) ואסטרטגיות מיקרו-מבנה. אנחנו מבטיחים שקיפות: אתם מקבלים לא קופסה שחורה, אלא אותות ניתנים לפירוש ותיעוד מלא.

יסודות המיקרו-מבנה של השוק מתוארים ב-Wikipedia.