מודל מסחר בינה מלאכותית: ניתוח ספר פקודות עם DeepLOB לחיזוי מחירים

משימה אמיתית: חיזוי תנועת מחיר מתוך ספר ההזמנות

סוחר מסתכל על עומק השוק (DOM) ורואה חוסר איזון: 2000 לוטים ב-Best Bid, 1500 ב-Best Ask. ספר ההזמנות הוא תמונת המצב המלאה של הזמנות לימיט עם מחירים ונפחים. בזמן אמת, הוא מספק אות מילישניות לפני ביצוע העסקה. חילוץ אות מסחר אמין מתוך הרעש הוא המפתח.

אנו מתמודדים עם הבעיה: סוחר צריך לחזות תנועת מחיר לטווח קצר בהתבסס על נתוני L2. אנו מדגימים באמצעות פרויקט עבור Binance: הפיכת זרימת ההזמנות לתחזיות עם אופק של 1-10 שניות. אנו משלבים מודלים ליניאריים ורשתות נוירונים קונבולוציוניות להשגת דיוק מקסימלי בהשהיה מינימלית.

מדוע ניתוח ספר פקודות עובד לחיזוי לטווח קצר

המיקרו-מבנה של השוק מקודד בהתפלגות הנזילות. ספר הפקודות משקף את ציפיות המשתתפים – חוסר האיזון בין הנפחים ברמות הטובות ביותר מקדים את תנועת המחיר. חוסר איזון בספר הפקודות (OBI) הוא המנבא הפשוט ביותר אך העוצמתי ביותר. באופקים של 1–10 שניות, OBI משיג AUC 0.58 עם השהיה של 0.1 מ"ש. זה מספיק לאסטרטגיות ארביטראז'. לסחר מגמתי, נדרש מודל מורכב יותר הלוכד את הדינמיקה של ספר הפקודות.

מבנה נתוני ספר פקודות

תמונת מצב של ספר פקודות L2:

Price | Bid Volume | Ask Volume
---------|-----------|----------
100.05 | 0 | 5000
100.04 | 0 | 3000
100.03 | 0 | 1500 ← Best Ask
100.02 | 2000 | 0 ← Best Bid
100.01 | 3500 | 0
100.00 | 8000 | 0
99.99 | 2500 | 0

ספר פקודות L3 מכיל פקודות בודדות עם מזהים – נדרש לניתוח מיקרו-מבנה, זמין בחלק מהבורסות (Binance, CME via API).

הנדסת מאפיינים מספר הפקודות

מדדים בסיסיים: מרווח bid-ask, מחיר mid, חוסר איזון, מחיר mid משוקלל. חוסר איזון בספר הפקודות (OBI):

def order_book_imbalance(book, levels=5):
    bids = [vol for price, vol in book['bids'][:levels]]
    asks = [vol for price, vol in book['asks'][:levels]]
    return (sum(bids) - sum(asks)) / (sum(bids) + sum(asks))

OBI > 0 → לחץ קונים → צפי לתנועה כלפי מעלה. זהו אחד מהמנבאים הקצרים-טווח החזקים ביותר (אופק של 1-10 שניות).

זיהוי קרחונים: פקודות נסתרות – סדרה של פקודות קטנות באותו מחיר. סימנים: חידוש מהיר של רמה לאחר ביצוע, נפח קבוע ברמה.

עקומות עומק שוק:

def depth_imbalance_at_level(book, price_distance):
    bid_vol = sum([vol for p, vol in book['bids'] if (mid - p) <= price_distance])
    ask_vol = sum([vol for p, vol in book['asks'] if (p - mid) <= price_distance])
    return (bid_vol - ask_vol) / (bid_vol + ask_vol)

מאפיינים: חוסר איזון ב-0.1%, 0.3%, 0.5%, 1.0% מ-mid. אנו מוסיפים גם את קצב השינוי של חוסר האיזון ואת השיפוע של עקומת העומק.

בחירה בין OBI ל-DeepLOB

השוואת מודלים:

OBI הוא מנבא ליניארי עם השהיית הסקה של 0.1 ms – קריטי ל-HFT. LightGBM דורש 0.5 ms, DeepLOB דורש 2 ms. אך DeepLOB מספק שיפור של 5% ב-AUC לעומת Gradient Boosting, מוצדק עבור אסטרטגיות עם הון גדול. אנו בוחרים את הגישה לפי המשימה: עבור ארביטראז', OBI מספיק; עבור מסחר במגמות, DeepLOB.

כיצד DeepLOB מעבד נתוני L2

הרשת הנוירונית הקונבולוציונית מקבלת פרוסות זמן של ספר הפקודות כתמונה דו-ממדית (מחיר × רמה × נפח). היא מתאמנת על מיליוני דוגמאות. בפרודקשן אנו משתמשים ב-ONNX Runtime להסקה – זמן השהיה p99 מתחת ל-5 מ"ש על T4 GPU.

פקודות קרחון והזיהוי שלהן

פקודות קרחון מסוות את הנפח האמיתי. אנו משתמשים בסטטיסטיקה של הופעה מחדש של פקודות באותה רמה: אם הנפח מתאושש יותר מ-3 פעמים בשנייה אחת, סביר להניח שמדובר בקרחון. תכונה זו משפרת את דיוק החיזוי ב-2-3%.

איך אנחנו בונים פתרון לפרודקשן

לצוות שלנו יש למעלה מ-7 שנות ניסיון במסחר אלגוריתמי. אנחנו משתמשים ב: PyTorch, ONNX Runtime להסקה, Kafka לזרמי נתונים.

תהליך

1. איסוף נתונים: השגת נתוני L2 היסטוריים דרך Binance WebSocket או CME FIX.
2. הנדסת מאפיינים: חישוב OBI, עקומות עומק, חוסר איזון באופקים מרובים.
3. עיצוב מודל: ניסיון עם DeepLOB, LightGBM על מאפיינים מעוצבים ידנית, גישות היברידיות.
4. אימון: על אשכול GPU עם אימון מבוזר.
5. בדיקות לאחור: על נתונים היסטוריים תוך התחשבות בעמלות ובסליפג'.
6. פריסה: קונטיינריזציה, ONNX Runtime על שרת הסקה, אינטגרציה עם OMS.

מה כלול

• כרטיס מודל עם מדדים ומגבלות.
• API לשליפת אותות (gRPC או REST).
• אימון צוות הלקוח בפרשנות פלטים.
• תמיכה ל-3 חודשים לאחר הפריסה.
• קוד מקור ותצורת צינור עיבוד.

אנחנו מבטיחים שקיפות – אתה מקבל צינור עיבוד ניתן לפרשנות, לא קופסה שחורה. כל התוצאות מאושרות על ידי בדיקות לאחור על סט hold-out. חיסכון בעלויות ממחלצי מאפיינים מוכנים ומודלים בסיסיים מגיע ל-30% מהתקציב.

טעויות נפוצות בבניית מודלים של ספר פקודות

• התעלמות ממיקרו-מבנה: שימוש במחיר אמצע בלבד ללא עומק.
• אופק תחזית שגוי: עבור HFT אלפיות השנייה קובעות, עבור מגמות שניות.
• היעדר זיהוי קרחונים: פקודות נסתרות מעוותות את חוסר האיזון.

לוחות זמנים לפיתוח

תמחור הוא אינדיבידואלי – תלוי בנפח הנתונים, במורכבות המודל ובתשתית. צרו קשר לקבלת הערכה ראשונית של המשימה שלכם – נתאים את הארכיטקטורה האופטימלית לאסטרטגיה שלכם. קבלו ייעוץ לפרויקט שלכם כבר עכשיו.