פיתוח מערכת בינה מלאכותית לתיק השקעות אישי

מדוע מערכת השקעות AI טועה בנתונים חיים

על נתונים היסטוריים מערכת השקעות AI מציגה תחזית מדויקת, אך בזרם חי שגיאת התחזית גדלה פי כמה. הסיבה בדרך כלל אינה המודל עצמו, אלא שהאימון התבצע על סדרה נקייה ומסונכרנת, שלא קיימת במסחר אמיתי.

איכות נתוני השוק היא המקור הראשון לפערים. בציטוטים יש פערים ועסקאות אחרונות מיושנות: בנייר לא סחיר המחיר לא התעדכן שעות, והמודל קורא אותו כאות מאושר. מקורות שונים חלוקים במחירי סגירה ובפרשנות אירועים תאגידיים, ופער זה נכנס ישירות לקלטים.

הגורם השני — דריפט מודל בעת שינוי משטר שוק. תכונות שעבדו במגמה רגועה מאבדות חשיבות בתקופת תנודתיות גבוהה: התפלגות הקלטים זזה, והקשרים שנלמדו במשטר הקודם ממשיכים להיות מיושמים בלי בחינה מחדש.

השלישי — השהיית הגעת נתונים ותיקונים ידניים בחשבונאות נכסים. בזמן שהציטוטים והאירועים התאגידיים מגיעים למערכת, הפוזיציות מספיקות להשתנות: פיצולים, דיבידנדים והעברות בין חשבונות מוזנים ידנית, והמודל מעריך תיק שכבר לא קיים.

בסך הכול זה יוצר שגיאת תחזית מערכתית, בלתי נראית במדגם הבדיקה. אנו מפרקים כיצד היא נסגרת — מבקרת איכות נתונים ועד גלאי דריפט ובדיקה תקופתית של חשבונאות הנכסים.

מה משתנה לאחר ההטמעה: אפקט בגדלים מדידים

המלצות מפסיקות להיאסף ידנית מטבלאות מפוזרות. המערכת מושכת בעצמה ציטוטים ואירועים תאגידיים, מחשבת מדדים לכל מכשיר ומעבירה לאנליסט טיוטה מוכנה עם הנמקה. זמן הכנת המלצה אחת מצטמצם משעות לדקות, והפעולות הידניות מצטמצמות לבדיקה ואישור.

בקרת סיכון התיק מוטמעת במעגל לפני ביצוע העסקה. מגבלות על חלקו של מכשיר אחד, ריכוז ענפי, מתאם עם פוזיציות נוכחיות וירידה מותרת נבדקים אוטומטית — חלק מההזמנות נפסלות עוד לפני שהן מגיעות לאדם, ולכל אחת נשמרת סיבת הדחייה. הסיכון מפסיק להיות תלוי במי שתורן היום.

שחזוריות ההחלטות נשענת על ניהול גרסאות: נתוני קלט, סט חוקים וגרסת מודל נרשמים במועד החישוב. כעבור חודש ניתן להעלות כל המלצה ולהראות על אילו מספרים היא נבנתה. זה גם הגנה מפני תביעות וגם חומר לכוונון האסטרטגיה.

מקור הנתונים — ציטוטים ואירועים תאגידיים מנורמלים של ספקים חיצוניים כמו Bloomberg; פערים מול מערכת החשבונאות מנותחים בדוח נפרד, לא בידי אדם. התוצאה נראית בשלושה גדלים: מהירות הכנת ההמלצות, שיעור העסקאות המסוכנות שנפסלו אוטומטית ושיעור ההחלטות המשוחזרות בלי ניתוח ידני.

פורמטי בנייה: ליבה מוכנה, אימון נוסף, מודל משלכם

את בחירת הפורמט קובעת לא השאיפה, אלא מידת השוני של הלוגיקה שלכם מהסטנדרט. אם החוקים נכנסים לתרחישים סטנדרטיים — פרופיל סיכון, מסדרונות איזון מחדש, מגבלות לפי מכשירים — הליבה המוכנה מנצחת: מהיר יותר להעלותה לעבודה וקל יותר לתחזק אותה.

אימון נוסף על הנתונים שלכם נדרש כאשר היתרון נוצר מהיסטוריית עסקאות מצטברת והחלטות של אנליסטים: בלעדיהם המודל לא יראה את הדפוסים שלכם. מודל משלכם מוצדק במקום שבו המעגל המוכן לא מתאר את התהליך — לוגיקת סיכון לא סטנדרטית, כמה מקורות אותות, דרישה להסביר כל החלטה.

את הפורמט מקבעים לפני תחילת הפיתוח: ממנו תלויים הרכב הצוות, לוחות הזמנים והאופן שבו המערכת תסביר את החלטותיה. מתלבטים בין אימון נוסף למודל משלכם — נריץ את שתי האפשרויות על הנתונים שלכם ונראה היכן עובר הגבול.

שלבי ההטמעה: מביקורת נתונים ועד מסירה לתפעול

הטמעת מערכת AI לתיק מתחילה לא במודל, אלא במלאי הנתונים שעליהם היא תלמד. סדר השלבים קבוע: אם מדלגים על ביקורת המקורות או על בדיקה על ההיסטוריה, מקבלים המלצות סבירות אך לא משוחזרות וירידה בעסקאות אמיתיות.

1. ביקורת מקורות נתונים. אוספים כל מה שכבר קיים: ציטוטים, פעולות תאגידיות, דוחות מנפיקים, סדרות מאקרו-כלכליות, ייצוא ממערכות ברוקראז'. בודקים שלמות, תדירות עדכון, חוסרים, חישובים מחדש בדיעבד וזכויות שימוש — בלעדי זה המודל לומד על סדרה מחוררת.

2. סכימת מאפיינים. מסדרות גולמיות בונים מאפיינים: תשואה באופקים שונים, תנודתיות, מתאמים, משטרי שוק, מדדי סיכון. לכל מאפיין מקבעים חלון חישוב והשהיית הזנה, כדי שאימון לא יכלול נתונים מהעתיד.

3. פונקציות מטרה וכללי סיכון. מסכימים מה מייעלים — תשואה בסיכון נתון, ירידה מותרת או חלקי סוגי נכסים. מיד מגדירים גבולות: מגבלות על מכשיר אחד, ענף, חלק מנפיק.

4. התאמה ואימון. מתייגים את ההיסטוריה, מפרידים תקופות אימון ובדיקה בלי ערבוב, בוחרים פרמטרים למודל.

5. בדיקה על תקופות היסטוריות. מריצים את המערכת על כמה משטרי שוק, כולל קטעי משבר, ומשווים לאסטרטגיות בסיס. בודקים ירידה מותרת, יציבות התוצאה ומספר העסקאות.

6. קבלה ומסירה לתפעול. מוסרים נוהל אימון מחדש, בקרת דריפט נתונים ומדדים, סף כיבוי אוטומטי ותיעוד לצוות המזמין.

הרכב האספקה: תצורה, סכימות נתונים ונוהלים

המודל עצמו הוא רק חלק מהמערכת: סביבו נשארים תצורה, נתונים, הרשאות ונהלים. אם ללקוח מוסרים רק מודל מאומן וסט סקריפטים, המערכת חיה עד התקלה הראשונה — לא ברור אילו מאפיינים מוזנים לקלט, מי מחזיק גישה לנתונים היסטוריים ובאיזה נוהל מעדכנים את המודל.

לכן אנו מקבעים את האספקה כערכת חפצים: על כל אחד אפשר לבצע קבלה ולהעביר תחזוקה למהנדס אחר בלי הסברים בעל פה.

• תצורת הפתרון — אופקי חישוב, מגבלות סיכון וכללי הרכב התיק מוצאים לקבצים נפרדים, ולא "מוטבעים" בקוד. שינוי מגבלה אינו דורש בנייה מחדש ושחרור חדש.
• סכימות זרימות נתונים — המסלול ממקור הציטוטים והאירועים התאגידיים ועד מאגר המאפיינים והנפקת ההמלצות: היכן נרמול, היכן בקרת איכות, היכן נקודת כשל וכיצד מטפלים בה.
• מדיניות גישה — תפקידי אנליסט, מנהל סיכונים ותחזוקה: מי רואה נתונים היסטוריים, מי משנה תצורה, מי מפעיל אימון מחדש, עם יומן פעולות לכל שינוי.
• תיעוד — תיאור המודל, רשימת המאפיינים ומקורותיהם, מגבלות תחולה (אילו משטרי שוק לא מכוסים) והוראות הפעלה למשמרת תורנית.
• נוהל אימון מחדש — טריגרים (דריפט בהתפלגות המאפיינים, ירידת איכות במדגם מוחזק), תדירות, סדר ולידציה ותנאי חזרה לגרסה קודמת.
• סט בדיקות ותוכנית התאוששות — בדיקות אוטומטיות לחוסרים, חריגים ופערים מול חישוב ייחוס, וכן תיאור היכן נשמרות גרסאות קודמות של המודל והתצורה ובכמה זמן המערכת חוזרת לעבודה.

מקרה בוחן: כיצד הצטמצם שיעור הבדיקות הידניות של התיק

לפני: חישובים והתאמות ישבו בטבלאות שונות

צוות הניהול של Aurum Capital הרכיב תיקי מודל ידנית: האנליסט העביר משקלי מטרה מהמודל החישובי, מנהל הסיכונים השווה אותם למגבלות בקובץ נפרד, והסוחר הגיש הזמנות במערכת נוספת.

סקירה מלאה ארכה כארבע שעות, ופער בין המבנה המאושר למבנה בפועל של התיק צף רק אחרי העסקאות — כשהתיקון היה יקר יותר.

מה שינו במעגל קבלת ההחלטות

ריכזנו את המעגל לשירות אחד: חישוב משקלי מטרה, בדיקת מגבלות לפי מכשיר, ענף ומטבע, יומן אישורים עם מחבר כל תיקון, הצבת הזמנות וחזרה לגרסה קודמת של המודל.

כללי הסיכון מתוארים הצהרתית, ולכן מגבלה חדשה מתווספת בלי לשכתב את הלוגיקה, וסטייה מהמודל לא יכולה לעבור בשקט — היא נשמרת עם סיבה וחתימת מאשר.

• שיעור הבדיקות הידניות של התיק: 100% → 18% — האוטומציה משווה משקלים ומגבלות, האנליסט מטפל רק בחריגים.
• סקירה מלאה של התיק: 4 שעות → 25 דקות כולל אישור.
• הפרות מגבלות שנמצאו אחרי העסקה: מ-7 ברבעון לאפס — הבדיקה מתבצעת לפני הצבת ההזמנה.
• חזרה לגרסה קודמת של המודל: במקום שחזור טבלאות מהזיכרון — פעולה אחת עם הקשר החלטה שמור.

במה נבדלת מערכת המלצות מרובוט מסחר אוטומטי

ההבדל אינו במודל, אלא בנקודה שבה החישוב עובר לפעולה. סכימת המלצות מוציאה אות עם הנמקה — מכשיר, חלק, סיבת הפעלה — ואילו את ההזמנה מזין אדם. רובוט מסחר אוטומטי סוגר את המעגל בעצמו: האות הופך מיד להזמנה, ואין אדם במחזור.

מכאן נבדלים מהירות התגובה וסוג הסיכון. לסכימת המלצות מספיק חישוב מחדש פעם ביום או לפי אירוע — הקצב נקבע על ידי אדם. לביצוע אוטומטי נדרש חישוב מחדש מתמיד וערוץ יציב לברוקר, אחרת החלקה אוכלת את אפקט האסטרטגיה. שגיאת מודל במקרה הראשון עולה בעסקה שהוחמצה, ובשני — בהזמנה שבוצעה.

בפועל בוחרים לא "או", אלא את מקום הגבול. בדרך כלל סכימת המלצות אחראית לשינוי מבנה התיק, וביצוע אוטומטי — לאיזון מחדש ולפעולות הגנה תחת מגבלות קשיחות.

ככל ששגיאה יקרה יותר והזמן לתגובה קצר יותר, כך גבוהות דרישות הפיקוח: יומן לכל החלטה, אטריבוציה של אותות, עצירה חירום ומפעיל אחראי.

ספקות טכניים: דריפט מודל, נתונים, אחריות

שלוש שאלות חוזרות בכל הגנת פרויקט: מה יקרה כשהשוק ישנה משטר, מה לעשות עם חוסרים בנתונים ומי אחראי להחלטה הסופית. שלושתן נסגרות לא בהבטחות, אלא בקונסטרוקציה של המערכת — בקרת דריפט מודל, כללי איכות נתונים והפרדת אזורי אחריות.

דריפט מודל הוא פער בין הנתונים שעליהם אומן המודל לבין התנהגות השוק הנוכחית. אנו עוקבים אחר התפלגות מאפייני הקלט, יציבות חשיבות הגורמים ופער בין התחזית לעובדה בחלון נע; בחריגה של מדדים מהסף מופעל אימון מחדש. כל גרסה נשמרת יחד עם סט הנתונים וההגדרות, ולכן חזרה לגרסה קודמת אינה דורשת בנייה מחדש.

נתונים חסרים מגיעים לא כחסרים לחלוטין, אלא בתדירות שונה, בהשהיה ובפערים. לכן לכל מקור יש סט בדיקות משלו: שלמות, רעננות, עקביות עם ערוץ גיבוי. אם אין מספיק נתונים, המערכת לא משלימה אותם, אלא מסמנת את החישוב כלא שלם ועוברת למצב מעקב.

מה לעשות אם אין נתונים על מכשיר?

המלצה אינה מונפקת, החישוב מסומן כלא שלם, והאירוע נכנס ליומן הניטור. פער בין המקור הראשי למקור הגיבוי נראה בדוח, ולכן החוסר מתגלה לפני שהוא נכנס לתיק.

מי אחראי להחלטת ההשקעה?

המערכת מכינה חישוב, הנמקה ורשימת הנחות; את ההחלטה מקבל אדם — אנליסט או מנהל. ההפרדה נקבעת בנוהל: על איכות הנתונים, עבודת המודל ויומן ההחלטות אחראים אנחנו, על הפרשנות והעסקה — הצד שלכם.

מה לדון בפגישה הראשונה לפי המשימה שלכם

הפגישה הראשונה נדרשת לא להצגה, אלא לאיסוף נתוני פתיחה שהם תלויים ישירות בהערכת היקף העבודה. ככל שהתשובות על נתונים, מגבלות ותפקידים קונקרטיות יותר, כך נשארות פחות הנחות בתוכנית, ולוחות הזמנים עד המעגל העובד הראשון נעשים צפויים.

• מקורות נתונים: אילו ייצואים מחשבונות ברוקראז' ובנקאות קיימים כעת, באיזו צורה הם מגיעים, באיזו תדירות מתעדכנים ומי נותן גישה.
• עומק היסטוריית הפעולות: לאיזו תקופה יש עסקאות וכיצד משתקפות בהן פעולות תאגידיות — הפקדות, תשלומים, פיצולים.
• תהליך קבלת ההחלטות הנוכחי: מי מחליט על קנייה או מכירה, באילו דוחות הוא מסתכל וכמה זמן זה לוקח היום.
• מגבלות הפרויקט: אילו כלים כבר בשימוש, מה אסור לשנות, אילו דרישות לאחסון נתונים ולהפרדת גישה.
• תפקידים בצוות: מי מצד המזמין אחראי לנתונים, מי מאשר את הלוגיקה ההשקעתית, מי מקבל את התוצאה.
• לוחות זמנים ונקודות בקרה: לאיזה תאריך נדרש המעגל העובד הראשון ואילו שלבים אפשר להוביל במקביל.

לאחר הפגישה אנו מקבעים את ההיקף, מפרקים אותו לשלבים וחוזרים עם הערכה ותוכנית הטמעה — עם ציון מפורש מה אנו עושים ומה נשאר בצד המזמין.