מערכת AI לקביעת גודל פוזיציה אופטימלי
הבעיה: סוחרים מאבדים הון בגלל גודל פוזיציה שגוי
אפילו אסטרטגיית מסחר רווחית נשברת כאשר גודל הפוזיציה שגוי. גודל אגרסיבי מדי — ועסקה אחת רעה מכניסה את התיק לצניחה עמוקה. שמרני מדי — התשואות נמוכות מהפוטנציאל. אנו מפתחים מערכות AI לחישוב והתאמה של גודל פוזיציה בזמן אמת, וכך פותרים את הדילמה הזו.
הניסיון שלנו: למעלה מ-5 שנים במסחר אלגוריתמי ולמעלה מ-30 פרויקטים בפיתוח מערכות מסחר. החיסכון הממוצע ממניעת צניחה משמעותית אחת בפרויקטים שלנו — עלות מחושבת לאחר ביקורת בשנה הראשונה. דוגמה נוספת: לקוח אחד נמנע מהפסד של עלות מחושבת לאחר ביקורת בזכות התאמת גודל פוזיציה בזמן.
בעיות שאנו פותרים
אחוז סיכון קבוע מתעלם מאיכות האות
אם אסטרטגיה מניבה 55% תחזיות מדויקות על נתונים מסוימים ו-80% על אחרים, גודל הפוזיציה צריך לשקף את ההבדל הזה. ללא התאמה, או שאתה מפגר בביצועים בעסקאות טובות או מסתכן יותר מדי בעסקאות רעות.
Kelly Criterion דורש הערכות מדויקות
Full Kelly (0.325 מההון בשיעור זכייה של 55% ו-R=2) יהרוס אותך עם השגיאת הערכה הקלה ביותר. Half-Kelly (0.5 מ-Kelly) הוא פשרה נפוצה, אך הוא עדיין מתעלם מתנודתיות ומתאמים. סוכני ה-RL שלנו לומדים למצוא גודל אופטימלי ללא כוונון מקדם ידני.
תנודתיות ו-Drawdown אינם נלקחים בחשבון
אותה אסטרטגיה בשוק רגוע לעומת תנודתיות גבוהה דורשת רמות סיכון שונות. כאשר התיק נמצא ב-Drawdown, גודל הפוזיציה חייב לקטון כדי לשמר הון. אנו מיישמים תמחור מותאם תנודתיות ותמחור מותאם Drawdown (אנטי-מרטינגייל) עם מפסק אוטומטי כאשר הספים נחצים.
כיצד מערכת ה-AI שלנו מתאימה את גודל הפוזיציה
המערכת מקבלת כקלט מערך של מאפיינים: ביטחון האות (ציון הסתברות), תנודתיות ממומשת ל-10 ימים, ירידה נוכחית מהשיא, ומשטר מאקרו (התרחבות/התכווצות). בהתבסס על אלה, מודל ML או סוכן RL מפיק את גודל הפוזיציה האופטימלי כאחוז מההון. זה קורה בכל tick או לפי לוח זמנים עם השהיה p99 <5 ms.
מדוע סוכן RL יעיל יותר מקריטריון קלי
קריטריון קלי הוא אופטימלי תיאורטית לצמיחה ארוכת טווח, אך בפועל הוא מוביל ל-50% ירידה בגלל הערכות הסתברות לא מדויקות. סוכן RL, שאומן על נתונים היסטוריים, בוחר אוטומטית בגודל שמרני במצבים לא ודאיים ובגודל אגרסיבי כאשר הביטחון גבוה.
בפרויקטים שלנו, גישת RL משפרת את Sharpe פי 1.3 בהשוואה לחצי-קלי. במקביל, הסיכון לירידה קריטית מופחת ב-20%. מחקר פנימי
איך אנחנו עושים את זה: סטאק טכנולוגי ומקרה בוחן
למשימה אחת, פיתחנו סוכן RL ב-PyTorch עם מצב: ביטחון האות, תנודתיות ממומשת ל-10 ימים, ירידה נוכחית, משטר מאקרו. מרחב פעולות בדיד: 0%, 0.5%, 1%, 1.5%, 2%, 3% סיכון לעסקה. תגמול: PnL עם קנס על חריגה מירידה של >20%. תוצאות: יחס שארפ עלה מ-1.2 (חלק קבוע 1%) ל-1.6, הירידה המקסימלית ירדה מ-35% ל-22%.
סטאק טכנולוגי: PyTorch למודל, Ray RLlib לאימון, pgvector לאחסון אמבדינגים של מצב השוק, Triton Inference Server להסקה עם השהיה p99 <5 ms. המודל עבר קוונטיזציה (INT8) להשהיה נמוכה.
פרטי אימון סוכן RL
אומן על 5 שנים של נתוני דקה של חוזים עתידיים E-mini S&P 500. השתמשנו ב-PPO עם ויסות אנטרופיה. ולידציה על שנתיים של נתונים מחוץ למדגם הראתה מדדים יציבים. אופטימיזציה של היפר-פרמטרים באמצעות Optuna (100 ניסויים).
השוואת שיטות קביעת גודל פוזיציה
| שיטה | שארפ (בדיקת עבר) | ירידה מקסימלית | מורכבות יישום |
|---|---|---|---|
| סיכון קבוע של 1% | 1.2 | 35% | נמוכה |
| מותאמת לתנודתיות | 1.4 | 28% | בינונית |
| RL אדפטיבית | 1.6 | 22% | גבוהה |
סוכן ה-RL מספק את המדדים הטובים ביותר אך דורש יותר נתונים ומשאבי מחשוב. תוצאות בדיקת העבר זמינות לפי בקשה.
תהליך והיקף העבודה
- אנליטיקה: איסוף נתונים היסטוריים, זיהוי דפוסים ומתאמים. הגדרת מדדי יעד (Sharpe, max drawdown, recovery factor).
- עיצוב: בחירת ארכיטקטורת תמחור (volatility-adjusted, RL, risk parity). עיצוב state/action/reward.
- מימוש: פיתוח ML pipeline (feature engineering, training, validation). אינטגרציה עם broker API או מסוף מסחר.
- בדיקות: backtesting על נתוני out-of-sample, סימולציית Monte Carlo (10,000+ מסלולים). Stress-testing על תקופות משבר.
- פריסה וניטור: פריסת המודל על שרת, הגדרת ניטור מדדים (volatility, drawdown, performance attribution).
לוחות זמנים ותוצרים
| גרסה | לוח זמנים | תוצרים |
|---|---|---|
| התאמת תנודתיות בסיסית + התאמת ירידות | 2-3 שבועות | קוד פונקציית תמחור, בדיקות לאחור, תיעוד |
| תמחור אדפטיבי מבוסס RL | 4-6 שבועות | מודל, אימון, אינטגרציה, בדיקות A/B |
| חבילה מלאה (RL + פרישת סיכון + סימולציה) | 6-8 שבועות | כל האמור לעיל + ניהול תיקים, סימולטור מונטה קרלו, סמינר הדרכה מקוון לצוות שלכם |
כל אספקה כוללת: קוד מקור Python, מודל בפורמט ONNX, תיעוד השיטה והפרמטרים, ייעוץ במהלך האינטגרציה. העלות מחושבת בנפרד — נעריך את הפרויקט שלכם על בסיס מסמך הדרישות שלכם.
טעויות נפוצות ביישום
- שימוש ב-Kelly מלא ללא התאמת תנודתיות — דרך מהירה לפוצץ את החשבון.
- התעלמות מעלויות עסקה וסליפג' — הם יכולים לאכול את הרווחים, במיוחד עם חישובים מחדש תכופים של הפוזיציה.
- התאמת יתר של סוכן ה-RL לנתונים היסטוריים — יש תמיד לבדוק מחוץ למדגם על משטרי שוק שונים.
קבלו ייעוץ
צרו איתנו קשר כדי לדון באסטרטגיה שלכם ולתכנן מערכת התאמת גדלים אופטימלית. אנו מבטיחים גישה אישית ושקיפות בכל השלבים. קבלו ייעוץ עם מהנדס: נראה לכם כיצד התאמת גדלים אדפטיבית יכולה לשפר את המדדים שלכם.