יצירה ידנית של אותות מסחר סובלת מסובייקטיביות ועיכוב, מה שגורם לסוחרים להחמיץ נקודות כניסה עקב רגשות או עומס מסכים. על פי סטטיסטיקות, למעלה מ-60% מהסוחרים מודים שעיכוב באותות מפחית את התשואות השנתיות שלהם ב-15-25%. אנו מפתחים מערכות אותות מסחר מבוססות AI המנתחות נתוני מחיר, אינדיקטורים טכניים ונתונים אלטרנטיביים בזמן אמת, ומפיקות אותות מובנים עם הערכות הסתברות ויחס סיכוי/סיכון. לצוות שלנו יש 7+ שנות ניסיון ב-ML לפיננסים ו-50+ פרויקטים. המערכת מועברת כמוצר מוגמר: מאיסוף נתונים ועד אינטגרציה עם API של ברוקר. יחסי רווח מגיעים ל-2.0+ עם משיכות מתחת ל-10%. החיסכון החודשי הממוצע בעלויות עסקה מסתכם ב-15-30 אלף רובל, והחזר ההשקעה של הפרויקט הוא 6-9 חודשים. צרו קשר להערכת פרויקט.
מדוע אנסמבל עדיף על מודל יחיד
אף אלגוריתם יחיד אינו עובד בכל תנאי השוק. אנסמבל של ארבעה מודלים מכסה התנהגויות שונות:
- מודל טרנד – עובד בשווקים מגמתיים (LSTM/CNN לאינטרהדיי, XGBoost לסווינגים)
- מודל ממוצע חוזר – תופס היפוכים בשווקים צדדיים
- מודל פונדמנטלי – אותות ארוכי טווח המבוססים על מודלים רב-פקטוריאליים
- מודל סנטימנט – אותות קצרי טווח מחדשות ומרשתות חברתיות (BERT, FinBERT)
מודל-על (stacking) לוקח תחזיות מכל המודלים בתוספת המשטר הנוכחי (אשכול תנודתיות, עוצמת מגמה) ומפיק משקלים לכל מודל. זה מגדיל את יחס Sharpe של המערכת ב-30-50% בהשוואה לכל מודל יחיד.
דוגמה קונקרטית
עבור קרן גידור הסוחרת בחוזים עתידיים על S&P 500, האנסמבל של ארבעת המודלים שלנו הגדיל את יחס הרווח מ-1.2 ל-2.1 והפחית את המשיכה המקסימלית מ-18% ל-9% בבדיקת walk-forward של שישה חודשים.
כיצד אנו בונים את צינור הפיצ'רים
פיצ'רים טכניים
import pandas_ta as ta
def compute_technical_features(df):
features = pd.DataFrame(index=df.index)
# Momentum
features['rsi_14'] = ta.rsi(df['close'], 14)
features['rsi_7'] = ta.rsi(df['close'], 7)
features['stoch_k'] = ta.stoch(df['high'], df['low'], df['close'])['STOCHk_14_3_3']
# Trend
macd = ta.macd(df['close'])
features['macd_hist'] = macd['MACDh_12_26_9']
features['ema_cross'] = ta.ema(df['close'], 20) / ta.ema(df['close'], 50) - 1
# Volatility
features['atr_14'] = ta.atr(df['high'], df['low'], df['close'], 14)
bb = ta.bbands(df['close'], 20, 2.0)
features['bb_position'] = (df['close'] - bb['BBL_20_2.0']) / (bb['BBU_20_2.0'] - bb['BBL_20_2.0'])
# Volume
features['obv_momentum'] = ta.obv(df['close'], df['volume']).pct_change(10)
features['vwap_deviation'] = df['close'] / ta.vwap(df['high'], df['low'], df['close'], df['volume']) - 1
return features
פיצ'רים מקרו-כלכליים הם חוצי-נכסים: VIX, DXY, עקומת תשואה, יחס סחורות/מניות, משתני עונתיות. עבור מודלים פונדמנטליים, אנו משתמשים בדוחות כספיים רבעוניים עם מילוי קדימה/אחורה.
אילו מודלים עובדים הכי טוב במשטרים שונים
| סוג מודל | משטר שוק | מדדים | אינדיקטור לדוגמה |
|---|---|---|---|
| טרנד (LSTM/XGBoost) | מגמתי | יחס רווח > 2.0 | ממוצע נע אקספוננציאלי (EMA) |
| ממוצע חוזר | צדדי | Sharpe > 1.5 | רצועות בולינגר |
| פונדמנטלי | ארוך טווח | אלפא > 5% שנתי | P/E, P/B |
| סנטימנט (FinBERT) | מונע חדשות | דיוק > 70% | ציון סנטימנט חדשות |
תהליך הפיתוח שלב אחר שלב
- ניתוח דרישות: הגדרת נכסים, אופקי זמן, פרופיל סיכון.
- איסוף נתונים: חיבור OHLCV, נתונים אלטרנטיביים, APIs של ברוקרים.
- הנדסת פיצ'רים: חישוב 50+ אינדיקטורים טכניים, גורמי מאקרו, סנטימנט.
- אימון אנסמבל: אימון מודלי טרנד, ממוצע חוזר, פונדמנטלי וסנטימנט.
- אינטגרציית מודל-על: אימון מסווג stacking לשקלול דינמי.
- בדיקות לאחור: אופטימיזציית walk-forward עם סימולציית החלקה.
- פריסה: קונטיינריזציה, תשתית ענן.
- הגדרת ערוץ אספקה: Telegram / REST API / TradingView.
- ניטור: דשבורד עם מדדים, בדיקות A/B, התראות.
כיצד אנו מעריכים סיכון ותשואה של אותות
כל אות מנוטר מהפקה ועד סגירה: החלקת כניסה, תוצאה (פגיעת TP / פגיעת SL / פג תוקף), יחס R:R בפועל מול המתוכנן, ייחוס לפי אסטרטגיה. בדיקות A/B: 50% אותות ממודל A, 50% ממודל B – השוואת ביצועים לאחר 90 יום. שיפור מובהק סטטיסטית מעורר מעבר. כתוצאה מכך, יחס הרווח של האנסמבל עולה בעקביות על 1.8, והמשיכה המקסימלית נשארת בתוך 12%. הזמינו פיתוח מערכת – נכין הצעה מסחרית תוך יומיים.
השוואת ערוצי אספקת אותות
| ערוץ | זמן השהיה | אמינות | דרישות תשתית |
|---|---|---|---|
| בוט Telegram | 0.5–2 שניות | גבוהה | אין (API ציבורי) |
| REST API | 0.1–0.5 שניות | גבוהה | שרת ייעודי, SSL |
| Webhook של Discord | 1–3 שניות | בינונית | אין |
| Webhook של TradingView | 1–5 שניות | בינונית | אין |
בחירת הערוץ תלויה בדרישות מהירות וזמינות. עבור מסחר בתדירות גבוהה (HFT), נדרש REST API עם שכפול בשני מרכזי נתונים.
מבנה האות ומעקב ביצועים
{
"signal_id": "uuid4",
"timestamp": "2025-01-01T00:00:00Z",
"symbol": "BTC/USDT",
"direction": "long",
"confidence": 0.78,
"entry": {
"type": "limit",
"price": 65200,
"valid_until": "2025-01-01T02:00:00Z"
},
"stop_loss": 63800,
"take_profit": [67000, 69500],
"timeframe": "4h",
"strategy": "trend_following",
"explanation": {
"primary_factors": ["RSI bullish divergence", "MACD crossover", "Volume confirmation"],
"risk_reward": 2.3,
"model_signals": {
"trend": 0.82,
"mean_rev": 0.55,
"sentiment": 0.71
}
}
}לצורך פעולת המערכת, נדרשים לפחות שנתיים של נתוני OHLCV היסטוריים, הזנת מחירים בזמן אמת (זמן השהיה < 100 אלפיות שנייה), ובאופן אופציונלי גישה לחדשות ומקורות מקרו-כלכליים. ניתן לספק נתונים דרך הברוקר או ספק צד שלישי.
מה כלול בעבודה
- צינור פיצ'רים: איסוף נתונים, ניקוי, אחסון, הנדסת 50+ פיצ'רים (טכניים, מאקרו, סנטימנט).
- אנסמבל מודלים: 3 עד 5 מודלי ML עם מודל-על, מותאם לפרופיל שלך.
- אינטגרציית אספקת אותות: בוט Telegram, REST API, Discord, TradingView – לבחירתך.
- דשבורד ביצועים: ניטור אותות חי, דוח לכל עסקה, התראות משיכה.
- תיעוד: תיאור ארכיטקטורה, API, מדריך תפעול.
- הכשרת צוות: 2–3 מפגשים על הגדרת המערכת והתאמתה.
- תמיכה ל-3 חודשים: תיקוני באגים, כוונון מודלים לשינויים בשוק.
לוח זמנים ועלות
לוח זמנים לפיתוח: 2–3 חודשים למערכת בסיסית עם 3–5 מודלים, אספקה דרך Telegram ודשבורד מעקב. העלות מחושבת באופן אישי – תלויה במספר המודלים, מקורות הנתונים והתשתית הנדרשת. קבלו הערכת פרויקט לאחר שיחת היכרות. צרו קשר לייעוץ – אנו מבטיחים שקיפות בכל שלב.