פיתוח מודל AI לחיזוי היפוכי שוק

מודל AI להיפוך מגמה בשוק: היכן נשברת התחזית

המודל מוביל את המגמה בביטחון ומפגר באופן שיטתי בעת החלפת משטר השוק — זהו סוג הכשל המרכזי שאנו רואים במודלים של AI להיפוך מגמה. נקודת ההיפוך כבר חלפה, והתחזית מאשרת אותה בדיעבד תוך שהיא ממשיכה לשחזר את הדינמיקה של אתמול. פיגור אות של 2-4 ברים באופק יומי אוכל את פרמיית הסיכון שלשמה נבנה המודל מלכתחילה.

הסיבה טכנית: המאפיינים — ממוצעים נעים, תנודתיות, חוסר איזון בנפחים — אינרציאליים בעצמם, ופונקציית ההפסד מחושבת על פני כל הטור, שבו ההיפוכים תופסים שברירי אחוז. למודלים זול יותר לחזות "כמו אתמול": אסטרטגיה כזו נראית מצוין במגמה ארוכה ונשברת בדיוק ברגע המפנה.

לחוד — התראות שווא של המודל על רעש ופרצי חדשות. הדיוק הממוצע נשמר, אך התפלגות השגיאות מוטה: בקטעים שקטים התחזית מדויקת, בהיפוכים — מפגרת או שותקת. מדד ממוצע מסווה זאת, ולכן אנו בוחנים לא את הממוצע אלא את ההתנהגות על תת-מדגם של נקודות היפוך.

הדבר נסגר בהפרדת משימות: זיהוי משטר בנפרד מהתחזית בתוך המשטר, תיוג מחדש של התוויות עם משקל לאירועים נדירים, בדיקה עקבית על מקטעים לא חופפים ופיגור האות כמדד איכות נפרד. נתוני השוק נבדקים מול מקורות בלתי תלויים, כולל Bloomberg, כדי שפער בטור לא ייראה כהיפוך.

להלן — ניתוח של היכן בדיוק נשברת התחזית ומה אנו משנים בכל מקרה.

מה משתנה לאחר ההטמעה: דיוק, השהיה, עמידות

את האפקט מחשבים בבדיקה מתגלגלת: המודל מאומן על מקטע היסטוריה אחד ומקבל החלטות על המקטע הבא, שלא הוצג לו. כך רואים כיצד מודל AI להיפוך מגמה בשוק מתנהג בהחלפת מגמה אמיתית, ולא על נתונים מותאמים.

דיוק האותות ושיעור התראות השווא

לפני ההטמעה, כלל פשוט או ניתוח ידני תופסים כ-40% מההיפוכים, והדשדוש מייצר זרם בלתי פוסק של כניסות שווא. לאחר כיוונון המאפיינים, בחירת האופקים וסף הביטחון, נסגרים 65-75% מההיפוכים שהתיוג מתעד בדיעבד. שיעור כניסות השווא בשוק שקט יורד פי 2-3: פחות אותות, אך הם עקביים על פני כמה אופקים.

השהיית האות ועמידות המודל

את ההשהיה מודדים מרגע הופעת המאפיין בזרם הנתונים ועד להחלטה מוכנה — שניות במקום דקות של ניתוח ידני, והיא אינה גדלה בעומס שיא. את העמידות בודקים בהחלפת משטר: תנודתיות שונה, חוסרים, פערי שערים אצל ספקים. המודל חוזר לטווח הדיוק העובד לאחר כל תזוזה, ולא מאומן מחדש עבור כל משטר חדש.

את תקרת הדיוק קובעת איכות התיוג: בתיוג סותר המודל לומד את הרעש ומציג מדדים יפים על ההיסטוריה לצד תוצאה חלשה בעבודה. לכן את ההיפוכים מתייגים לפי פרוטוקול פורמלי עם בדיקה צולבת של מקטעים שנויים במחלוקת. האימון וההסקה רצים על סטאק פתוח — PyTorch — הלקוח אינו כבול לספק אחד ומאמן את המודל מחדש על נתוניו.

מצבי עבודה: חישוב אצווה, זרימה וסכימה היברידית

מצב הזנת הנתונים קובע שני פרמטרים שכל ארכיטקטורת הפתרון תלויה בהם: תדירות החישוב מחדש והשהיית התגובה. חישוב נדיר מחזיר אות כאשר התנועה כבר מומשה, תדיר מדי — מגדיל את העומס ואת שיעור התראות הרעש. להלן — שלוש סכימות שביניהן באמת בוחרים בהתחלה.

בפועל, את מרבית המשימות סוגר ההיברידי: מאפיינים היסטוריים מחושבים מחדש באצווה פעם ביום או פעם בשעה, ואותות קצרים מגיעים בזרימה — המודל רואה את מצב השוק העדכני ללא חישוב מלא מחדש.

את ההסתעפות "אצווה או זרימה" מסירים בשלב התכנון: מחשבים את הפיגור המותר לפי המשימה שלכם, בודקים את שלמות הנתונים והשהייתם במקור ורק אז קובעים את התצורה.

שלבי הפיתוח: מתיוג ההיסטוריה ועד ההטמעה

מודל היפוך אינו סקריפט אחד, אלא רצף שלבים שכל אחד נשען על קודמו. לדלג על ביקורת נתונים או על בדיקה על ההיסטוריה — פירושו לקבל עקומה יפה באימון והפסדים במעגל העבודה. להלן — סדר העבודה שלפיו אנו מובילים את הפרויקט.

1. ביקורת נתונים. בודקים את עומק ההיסטוריה, חוסרים בברים, החלפות משטרי מסחר, אזורי זמן ואירועים תאגידיים. בפלט — דוח: לאילו תקופות יש מספיק נתונים, היכן נדרשת שחזור, והיכן אסור לאמן את המודל.
2. סכימת מאפיינים. תנודתיות, נפחים, מבנה הנרות, הקשר מאקרו, עונתיות. כל מאפיין מחושב רק על נתונים הזמינים עד לרגע התחזית — אחרת המודל מציץ לעתיד.
3. תיוג המטרה. מגדירים באופן פורמלי מה נחשב להיפוך: שינוי סימן המגמה, נסיגה מרמה, החלפת משטר תנודתיות. התיוג מנוהל בגרסאות יחד עם הקוד.
4. אימון המודל. בדיקה לפי בלוקים זמן במקום חיתוך אקראי, איזון מחלקות ובחירה נפרדת של סף ההפעלה: דיוק חשוב משלמות, אות כוזב יקר מפספוס.
5. בדיקה על ההיסטוריה. הרצה על חלונות מתגלגלים על נתונים שהמודל לא ראה, תוך התחשבות בעמלות ובהחלקה. בוחנים יציבות לפי משטרי שוק ושיעור סדרות רווחיות, ולא מדד אחד.
6. הטמעה ותמיכה. עטיפה לשירות, הפצת תחזית לפי לוח זמנים, לוג כל אות וגרסת מודל. בהמשך — בקרת ירידה בביצועים, תקנון אימון מחדש ולוח מדדים; הלקוח מקבל קוד ותיעוד, ולא קופסה שחורה.

תצורות, סכימות מאפיינים ותקנוני אימון

מודל היפוך מגמה בשוק שורד גם את מערך הנתונים שעליו אומן וגם את המחבר שהרכיב אותו. אם נותרים ביד רק הפרמטרים וגרף האותות, בעוד חודשיים איש לא יענה מדוע ביום מסוים פעל היפוך ומה השתנה בנתונים. לכן אנו מוסרים את הפתרון כערכה — עם תצורות, תיאור מאפיינים ותקנונים.

כל ארטיפקט סוגר שאלה אחת: מה מוזן לקלט, כיצד מחושב האות, מתי המודל מתעדכן ובאילו תנאים אותות אינם מונפקים כלל. להלן — מה שהלקוח מקבל לידיו יחד עם המודל העובד.

• תצורת המודל — פרמטרי אימון וספי הפעלה, מקובעים לפי גרסאות: הרצה על מכונה חדשה משחזרת את אותו אות.
• תיאור המאפיינים — מילון לכל קלט: משמעות כלכלית, מקור, תדירות, השהיית פרסום, כלל טיפול בחוסרים. חוסם הצצה לעתיד וקלטים כפולים.
• תקנון אימון מחדש — לוח עדכונים מתוכננים וטריגרים לעדכונים שלא מתוכננים: החלפת משטר שוק, זינוק בתנודתיות, ירידת דיוק מתחת לסף.
• בקרת איכות האותות — בדיקות לפני הפצה: עמידות לפי תת-תקופות, שיעור הפעלות, התנהגות בהחלפת משטר. כישלון בבדיקה — האות אינו מתפרסם.
• תיעוד המודל — כרטיס עם המשימה, גבולות התחולה ונקודות תורפה מוכרות: היכן ניתן לסמוך על המסקנות והיכן לא.
• קטלוג גרסאות וכללי חזרה אחורה — איזו גרסה בעבודה, כיצד להתאים אות היסטורי לגרסה ולאיזו לחזור בעת ירידה בביצועים.
• סדר ההוצאה משימוש — תנאי הסרת המודל ותוכנית ההחלפה, כדי שהמעבר לא יהפוך להשבתה.

ערכה כזו מיועדת לכך שהתמיכה תתקבל על ידי הצוות שלכם או שאנו נמשיך נקודתית — באימון משלים ובניתוח משטרי שוק בודדים.

מקרה בוחן: דיוק האותות לפני ואחרי הבנייה מחדש

לפני הבנייה מחדש נשענה הסכימה על מודל אחד, שאומן על מקטע היסטוריה ארוך עם תיוג קבוע: היפוך נחשב לתנועה נגד המגמה במספר נרות נתון. בתקופת הבדיקה בת שישה חודשים היא קלטה 4 היפוכים מתוך 10, ועל כל אות נכון היו שלוש כניסות שווא. את עיקרן נתנו מקטעי דשדוש — המודל קיבל תיקון רגיל כהחלפת תנועה.

הבנייה מחדש נעשתה בשלושה כיוונים. תחילה תייגו מחדש את המטרה: אות נחשב להחלפה מאושרת של מבנה התנועה, ולא לסטייה נגד המגמה באופק קבוע. אחר כך הוספו מאפייני מצב שוק — כיווץ תנודתיות, חוסר איזון בנפחים, התרחבות הספרד — ומסנן משטר נפרד, שבפלאט אינו מניח לכניסות לעבור כלל. האימון הועבר לחלון מתגלגל עם אימון מחדש קבוע, כדי שהמודל לא יישען על משטרים מיושנים.

התוצאה לאחר ההטמעה

באותה תקופת בדיקה עלה שיעור ההיפוכים שנקלטו ל-7 מתוך 10, מספר כניסות השווא הצטמצם בערך פי שלושה, וזמן החזקת הפוזיציה הממוצע פחת: האות פועל לעתים תכופות יותר סמוך לנקודת החלפת התנועה.

איכות האותות הוצאה ללוח בקרה Grafana: מנוטרים שיעור ההפעלות הנכונות, סחיפת התפלגות המאפיינים והפער מול מדגם הבדיקה. בירידת דיוק מתחת לסף, זרם האותות נחסם אוטומטית עד לאימון מחדש — כך נעלם סוג הכשל שבו המודל ממשיך לפעול על משטר שוק מיושן.

מה לעשות אם כבר פרוסה אנליטיקה משלכם?

כאשר בפנים כבר פועלת אנליטיקה משלכם — על כללים, אינדיקטורים או סטטיסטיקה — אין צורך להתחיל מאפס. אנו משמרים את איסוף ואחסון הנתונים, ומחליפים רק את שכבת התחזית: הדוחות ולוחות הבקרה הרגילים ממשיכים להתקיים, ודיוק האות עולה הודות למודל.

ההסתעפות פשוטה — שלושה נתיבים, והבחירה תלויה בשאלה האם יש אות בנתונים המצטברים וכמה הלוגיקה הנוכחית מספיקה לקצב השוק.

בשלב הראשון אנו מעבירים את לוגיקת הכנת המאפיינים והתיוג — היא זו שקובעת את תקרת האיכות, ובלעדיה כל אחת משלוש הסכימות נתקלת באותן שגיאות. לאחר מכן אנו מריצים את השכבה החדשה בחישוב צללים לצד הנוכחית ומשווים אותות על אותן תקופות.

אנו עוברים למודל רק כאשר הפער מול מדד הייחוס נכנס לטווח המוסכם, והחזרה למערכת הקודמת נשארת זמינה בצעד אחד.

ספקות טכניים: אימון יתר, השהיות, תיוג

ספקות לגבי מודל AI להיפוך מגמה בשוק מצטמצמים לארבע שאלות: האם יש מספיק היסטוריה, עד כמה אמין התיוג, מה יקרה בעת החלפת משטר שוק ובמה מאוששת הפעילות לפני המסירה. להלן — תשובות ישירות לכל אחת.

מי מתייג את ההיסטוריה וכיצד נתפסות שגיאות תיוג ידני?

את הכללים מקבעים בכתב לפני תחילת העבודה: מה נחשב להיפוך, היכן נקודת ההתייחסות, כיצד מסמנים מקטעים לא ודאיים. אפיזודות מפתח מתויגות על ידי שניים באופן בלתי תלוי, פערים מנותחים, ומקרים שנויים במחלוקת עוברים לקטגוריה נפרדת, ולא לרעש.

מעל התיוג הידני פועלות בדיקות אוטומטיות למלכודות טיפוסיות — הצצה לעתיד ותיוג בדיעבד של תנועה שכבר התרחשה.

כיצד מתמודדים עם אימון יתר וסחיפת נתונים?

כנגד אימון יתר — הגבלת מורכבות, בחירת מאפיינים לפי עמידות בתקופות שונות ובדיקה מחייבת על מרווח מושהה שהמודל לא ראה באף שלב. את הסחיפה עוקבים לפי הזזה של התפלגויות מאפייני הקלט ולפי ירידת איכות ביחס לטווח המצופה; אימון מחדש מופעל לפי טריגר, ולא רק לפי לוח זמנים.

מה משמש כהוכחה לפני מסירת המודל?

פרוטוקול בדיקה על נתונים היסטוריים תוך התחשבות בהשהיות ביצוע ובעלויות, דוח עם מדדים על תקופות מושהות, ניתוח התראות שווא ותקופת מצב צללים שבה המודל פועל לצד התהליך הנוכחי בלי להשפיע על ההחלטות. אנו מוסרים קוד, תצורות, כללי תיוג ותקנון אימון מחדש — התוצאה משוחזרת בתוך הצוות שלכם.

נדון במשימה ונחזור עם אומדן ותוכנית

קשה להעריך פרויקט של מודל AI להיפוך מגמה בשוק "בעין": יותר מדי תלוי באיכות ההיסטוריה ובאופן שבו מוגדר ההיפוך במערכת שלכם. לכן בשיחה הראשונה די להראות את מה שיש בעבודה — בלי הכנת מערכים מסוננים ומפרט טכני מפורט.

• ייצוא נתונים היסטוריים: כלים, מרווח, עומק, נוכחות חוסרים — ממנו רואים אם יש מספיק היסטוריה לאימון ולבדיקה הוגנת מחוץ למדגם.
• תיוג ההיפוכים: כיצד כיום מתועדות נקודות החלפת הכיוון — כלל פורמלי, תיוג ידני של אנליסט או יוריסטיקה. זו המטרה העתידית למודל.
• מעגל האותות הנוכחי: מה כבר מחושב, על אילו נתונים ולאן מגיע האות — למסוף, לטבלה או למערכת מסחר.
• מגבלות: ההשהיה המותרת בין אירוע לאות, המקורות הזמינים, הדרישות לתדירות ההפעלות ולשיעור השווא.
• קריטריוני קבלה: לפי איזה מדד תחשבו את המודל לעובד — דיוק על היפוכים מתויגים, שיעור התנועות המוחמצות, התנהגות על תקופה חדשה.
• תשתית: היכן ירוצו החישובים מחדש וכיצד התוצאה תגיע למי שמקבל את ההחלטה.

בתמורה תקבלו אומדן של עומס העבודה לפי שלבים, תוכנית עבודה עם תוצאות ביניים ורשימה של מה שנדרש מצדכם. לאחר מכן נתאם את הסדר: הכנת נתונים, אימון וכיוונון של מודל ה-AI, בדיקה על תקופה מושהית, חיבור האות למערכת שלכם. תארו את המשימה — נחזור עם אומדן ותוכנית.