מודל AI מותאם אישית לחיזוי מחירי נכסים

מדוע רוב מודלי חיזוי המחירים מבוססי AI נכשלים?

סוחרים וקרנות משקיעים לעיתים קרובות משאבים בפיתוח מודלים מורכבים, אך בשווקים האמיתיים הם מציגים הפסדים. הסיבה נעוצה בשלוש מלכודות: הטיה של מבט לעתיד (look-ahead bias), התעלמות מעלויות עסקה, והתאמת יתר לנתונים היסטוריים. לדוגמה, מודל פשוט של ממוצע נע עשוי להציג יחס שארפ (Sharpe ratio) של 1.5 בבדיקה לאחור (backtest), אך במסחר חי ללא התחשבות בהחלקה (slippage) ובעמלות, ערך זה יורד ל-0.3. נתקלנו בפרויקטים שבהם מודל עם IC של 0.08 באימות הראה שארפ של 0.2 בייצור — עקב התעלמות מהחלקה. הגישה שלנו מבטלת הפתעות כאלה. אנו פותרים בעיות אלה באמצעות אימות walk-forward מטוהר (purged walk-forward validation), מודל ריאלי של עלויות עסקה (Almgren-Chriss), ובקרה קפדנית על בחירת גורמים.

כיצד לבחור את אופק החיזוי?

המטרה המעשית אינה המחיר המדויק בעוד N ימים, אלא אות עם ערך צפוי חיובי לאחר עלויות עסקה. אפילו מודל עם MAPE של 3% על מניות S&P500 חסר תועלת אם יחס השארפ של האסטרטגיה הוא < 0. האופק קובע את סוג האות:

• תוך-יומי (דקות-שעות): אותות מיקרו-מבנה, חוסר איזון בזרימת הזמנות — תשואה אופיינית של 0.5–1.5% לעסקה.
• טווח קצר (1-5 ימים): מומנטום, חזרה לממוצע — IC ממוצע של 0.05–0.08.
• טווח בינוני (1-4 שבועות): דוחות כספיים, זרזים מקרו-כלכליים — IC יכול להגיע ל-0.12.
• טווח ארוך (חודשים): הערכת שווי בסיסית, חשיפה לגורמים — יציב יותר אך דורש דיוק גבוה יותר.

האופק האופטימלי תלוי בנזילות הנכס ובתדירות האיזון מחדש. עבור נכסים פחות נזילים, אופקים קצרים יותר פחות אמינים.

מהו אימות Purged Walk-Forward?

אימות נכון הוא המפתח לבדיקה לאחור ריאלית. אנו משתמשים באימות מוצלב של purged walk-forward:

• אימון: t=0 עד t=T
• פער טיהור (Purge gap): T עד T+embargo (מבטל הטיית מבט לעתיד מתוויות חופפות)
• בדיקה: T+embargo עד T+embargo+H
• תקופת אמברגו: בדרך כלל שווה לאופק החיזוי

תקופת האמברגו מבטיחה שמידע עתידי לא ידלוף לקבוצת האימון. זה קריטי עבור סדרות זמן. מדדים: IC (מקדם מידע) — מתאם בין דירוגי התחזית לתשואות בפועל. IC > 0.05 הוא חלש, IC > 0.10 הוא טוב. ICIR (יחס מידע של IC) — יציבות האות. יחס השארפ של האסטרטגיה מהאות הוא המדד המעשי העיקרי. השערת השוק היעיל קובעת שהשווקים יעילים, אך בפועל קיימות מיקרו-אנומליות שניתן לזהות עם אימות נכון.

לבחירת מודל, יש להתחשב בנפח ובמבנה הנתונים: אם יש מכשירים רבים — LightGBM ranking, אם סדרת זמן יחידה — LSTM, אם מכשירים מרובים עם אירועים ידועים — Temporal Fusion Transformer. עם נתונים מוגבלים, התחילו עם LightGBM.

תכונות המודל וארכיטקטורה

מבוסס מחיר (ניתוח טכני):

• תשואות: תשואות לוגריתמיות ל-1, 5, 10, 21 ימי מסחר.
• מומנטום: מומנטום של 12-1 חודשים (גורם Jegadeesh-Titman).
• RSI, MACD, רוחב רצועת בולינגר — אוסילטורים כפונקציות של מחיר.
• תנודתיות: תנודתיות ממומשת ל-5/21/63 ימים.

מבוסס נפח:

• נפח יחסית לממוצע 20 יום.
• מחיר × נפח (נפח בדולרים).
• מאזן נפח מצטבר (OBV).
• סטייה מ-VWAP.

פונדמנטלי (למניות):

• P/E, P/B, EV/EBITDA.
• צמיחת EPS שנתית.
• צמיחת הכנסות.
• חוב/הון עצמי.

נתונים אלטרנטיביים:

• סנטימנט מטוויטר/רדיט (ציון NLP).
• Google Trends למניות צרכניות.
• תמונות לוויין (חניונים של קמעונאים, חנויות סחורות).
• צמיחה במודעות דרושים (Glassdoor, LinkedIn).

השוואה של גישות המודלים המרכזיות:

LightGBM מתאמן פי 10 מהר יותר מ-LSTM על נתונים טבלאיים — יתרון לאב-טיפוס מהיר. למשימות דירוג, אנו משתמשים ב-LGBMRanker עם objective='lambdarank'. דוגמת תצורה:

import lightgbm as lgb
model = lgb.LGBMRanker(
    objective='lambdarank',
    n_estimators=500,
    learning_rate=0.05,
    max_depth=6
)

עבור סדרות זמן של מכשיר יחיד, אנו משתמשים ב-LSTM עם 60 ימי היסטוריה:

model = Sequential([
    LSTM(64, return_sequences=True, input_shape=(60, n_features)),
    Dropout(0.2),
    LSTM(32),
    Dropout(0.2),
    Dense(1)
])

Temporal Fusion Transformer — הבחירה הטובה ביותר כאשר קיימים משתנים עתידיים ידועים (תאריכי דוחות, אירועים מקרו-כלכליים) ו-100+ מכשירים.

איכות המודל נמדדת לא רק לפי IC. אנו משתמשים במערך מקיף של מדדים:

ממודל לאסטרטגיית מסחר

מודל → אות → פוזיציה → רווח והפסד — שרשרת עם מספר שלבים של אובדן:

1. יצירת אות: ציון דירוג על פני יקום המניות (בדרך כלל 500-1000 מכשירים).
2. בניית תיק: אופטימיזציה של ממוצע-שונות (Markowitz) או עשירונים במשקל שווה. מספר פוזיציות אופייני 20-50.
3. ניהול סיכונים: מגבלות על חשיפה מגזרית/לגורמים, גודל פוזיציה מקסימלי 5%.
4. מודל עלויות עסקה: מרווח הצעת מחיר/ביקוש + השפעת שוק (Almgren-Chriss) — מתחשב בהחלקה, לעיתים קרובות 10-30 נקודות בסיס.
5. בדיקה לאחור: עם עלויות עסקה אמיתיות והחלקה — מפתח! אנו משתמשים ב-Zipline / Backtrader או ב-backtester מותאם אישית.

טעויות נפוצות: הטיית הישרדות (אימון רק על מניות קיימות), הטיית מבט לעתיד בנתונים פונדמנטליים (שימוש בנתונים נקודתיים), התעלמות מעלויות עסקה. אנו מתעדים כל הנחה.

מה כלול

• תיעוד: דשבורד עם מדדים (IC, שארפ), תיאור מודל, קוד ניתן לשחזור.
• גישה למודל: REST API או חבילת Python עם תיעוד.
• הכשרת צוות: סדנה על תפעול והדרכה מחדש.
• תמיכה: 3 חודשים לאחר הפריסה, כולל ניטור סחיפה (drift).

קבלו ייעוץ מהנדס לפרויקט שלכם — נעריך נתונים ולוחות זמנים.

התוצאות שלנו

בנינו מודלים למספר קרנות גידור וצוותי מסחר קנייני. החיסכון הממוצע בעלויות עסקה הוא 20-30% בהשוואה לבנצ'מרקים נאיביים. אנו מבטיחים IC > 0.05 על מדגם מחוץ לדגימה, יחס שארפ > 1.0 לאחר עלויות עסקה. מוסמכים ב-AWS וב-GCP ML. ניסיון עם LightGBM ו-PyTorch. צרו קשר להערכת פרויקט — נחשב לוחות זמנים ועלות.