פיתוח מודל AI לחיזוי כיוון מגמה - פרויקט סוהר

לעתים קרובות סוחרים רואים אותות מעוכבים ממדדים. אנו מפתחים מסווגי AI לכיוון מגמה שחוזים תנועת מחיר מספר ימים קדימה. במשך למעלה מ-5 שנים, סיפקנו 15+ פרויקטים: מנתוני דקה לפעילות תוך-יומית ועד נתונים יומיים לאסטרטגיות ארוכות טווח. אפילו דיוק של 52-55% מניב תוחלת חיובית עם ניהול סיכונים נכון. עלות הפיתוח מתחילה ב-$7,500 ויכולה לחסוך עד $15,000 בחודש בהפחתת אותות שווא.

פיתוח מודל חיזוי מגמת AI המפתח-בידי (turnkey) שלנו משתמש בסיווג מגמה בינארי עם אנסמבל LightGBM XGBoost לסיווג כיוון מחיר. אנו מיישמים כיול הסתברות איזוטוני ו-Cross-Validation מחולק ומטוהר (Combinatorial Purged Cross-Validation) לניהול סיכון אותות. הזמינו מודל מגמת AI עוד היום.

חיזוי כיוון תנועת המחיר (סיווג בינארי: למעלה/למטה) פשוט יותר מהערכת גודל. לכן, אנו מתמקדים במסווגים ולא ברגרסיה. הניסיון שלנו מראה: יתרון יציב מגיע מאנסמבל מודלים ובדיקות לאחור קפדניות. שגיאות בחיזוי כיוון מובילות להפסדים ישירים. כיול הסתברות נכון מפחית הפסדים מאותות שווא.

חיזוי כיוון מגמה כמשימת סיווג

מטרה (בינארית):

df['target'] = (df['close'].shift(-N) > df['close']).astype(int) # 1 = цена вырастет за N дней, 0 = упадёт или останется 

בעיית חוסר איזון מחלקות: לשווקים יש לעתים קרובות הטיה קלה (לדוגמה, מניות במגמת עלייה ארוכת טווח). אנו משתמשים בכיול או באיזון משקלי מחלקות.

ניסוח חלופי: 3 מחלקות (למעלה / ללא שינוי / למטה) עם אזור אי-סחר של ±0.2% — מאפשר להימנע ממסחר כאשר האות אינו ודאי.

מדוע סיווג בינארי יעיל יותר מרגרסיה?

רגרסיה חוזה גודל, שהוא קשה ורועש יותר. הגישה הבינארית מפחיתה שונות שגיאה ומאפשרת כללי סף פשוטים. בדקנו את שתי הגישות: סיווג יציב יותר על מדגם מחוץ לדגימה.

הנדסת מאפיינים למודל חיזוי מגמה

מאפייני מומנטום (החיזויים ביותר):

• חוזק יחסי: תשואות על פני 1/3/6/12 חודשים
• קצב שינוי (ROC): תשואה לוגריתמית על פני אופקים שונים
• תאוצה: שינוי במומנטום (מומנטום של מומנטום)

מאפייני חזרה לממוצע:

• סטייה מ-SMA: (מחיר סגירה - SMA_20) / SMA_20
• Bollinger %B: (מחיר סגירה - רצועה תחתונה) / (רצועה עליונה - רצועה תחתונה)
• RSI: רמות קניית יתר/מכירת יתר

מאפיינים מותאמי תנודתיות:

• Sharp/Smooth: יחס תנודתיות על חלון קצר לעומת ארוך
• מיקום מחיר בטווח N-ימים (Williams %R)

מאפייני משטר:

• רמת VIX (סיכון-על / סיכון-אוף)
• רוחב שוק: % מניות מעל SMA200
• שיפוע עקום תשואות אג"ח ממשלתי (10y-2y)

מודלי אנסמבל לסיווג מגמה בינארי

מסווגי בסיס:

from sklearn.ensemble import VotingClassifier
from lightgbm import LGBMClassifier
from xgboost import XGBClassifier
from sklearn.linear_model import LogisticRegression

ensemble = VotingClassifier(
    estimators=[
        ('lgbm', LGBMClassifier(n_estimators=300, class_weight='balanced')),
        ('xgb', XGBClassifier(n_estimators=300, scale_pos_weight=ratio)),
        ('lr', LogisticRegression(C=0.1, class_weight='balanced'))
    ],
    voting='soft'  # вероятностное голосование
)

אנסמבל מייצב תחזיות ומפחית התאמת יתר. אנו מבטיחים שהאנסמבל מותאם לכלי הספציפי.

כיצד להימנע מהתאמת יתר במסחר על אותות?

טכניקות מפתח: Combinatorial Purged Cross-Validation (CPCV), רגולריזציה, ניטור יציבות. איננו משתמשים ב-cross-validation סטנדרטי — הוא נותן הערכות מוטות עקב תלות בזמן. CPCV מבטל הטיית מבט קדימה (ראה Cross-validation (statistics)).

כיול הסתברות

תחזיות מודל גולמיות לעתים קרובות אינן מכוילות היטב. עבור אסטרטגיות מסחר, זה קריטי: הסתברות חזויה של 0.6 צריכה להתאים לתדירות בפועל של 60%.

צפיפות אותות: אכפת לנו מחוק המסחר: סחר רק כאשר ביטחון המודל > סף. עקומת Precision-Recall עוזרת לבחור את הסף.

from sklearn.calibration import CalibratedClassifierCV
calibrated = CalibratedClassifierCV(ensemble, method='isotonic', cv=3)
calibrated.fit(X_train, y_train)

ניהול סיכונים במסחר על אותות

תנאי מסחר:

• P(למעלה) > 0.55: פוזיציה לונג
• P(למעלה) < 0.45: פוזיציה שורט
• 0.45-0.55: ללא פוזיציה

גודל פוזיציה מבוסס על ביטחון:

Position = (2 × P - 1) × Max_Position_Size × Volatility_Adjustment 

נוסחה דמוית קלי: P גבוה יותר פירושו פוזיציה גדולה יותר.

סטופ-לוס: עבור לונג, עצור ב-2 × ATR(14). זוהי יציאה מכנית שאינה תלויה במודל שעבר התאמת יתר.

מדדים והערכה

בדיקות לאחור עם פרמטרים ריאליסטיים:

• החלקה: 0.05-0.1% לכל ביצוע
• עמלה: 0.02-0.05% לכל צד
• מימון לשורטים: ריבית שנתית / 365 ליום

לאחר התחשבנות בעלויות עסקה, המודל צריך להראות Sharpe > 0.8 על מדגם מחוץ לדגימה כדי להיחשב.

מלכודות נפוצות:

• התאמת יתר לדפוסים היסטוריים: CPCV עוזר
• חוסר יציבות: מודל שעבר התאמת יתר מתדרדר תוך 1-3 חודשים
• שינוי משטר: מודל שאומן בשוק צדדי נכשל בשוק מגמתי

שלבי פיתוח: מנתונים לפריסה

1. איסוף נתונים: אסוף נתוני מחיר היסטוריים ומאפיינים פונדמנטליים לפחות ל-3 שנים.
2. הנדסת מאפיינים: חשב מאפייני מומנטום, חזרה לממוצע, תנודתיות ומשטר.
3. אימון מודל: אמן אנסמבל של LightGBM, XGBoost ורגרסיה לוגיסטית עם CPCV.
4. כיול הסתברות: יישם כיול איזוטוני או סיגמואיד כדי ליישר הסתברויות חזויות.
5. בדיקות לאחור: Symulate מסחר עם החלקה ועמלות ריאליסטיות, הערך יחס Sharpe.
6. פריסה: ארז מודל כ-API מסוג REST/WebSocket עם לוח מחוונים לניטור.

מה כלול בעבודה

• תיעוד מודל (מאפיינים, ארכיטקטורה, מדדים)
• API לתחזיות (REST/WebSocket)
• לוח מחוונים לניטור (דיוק מתגלגל, זיהוי סחיפה)
• הכשרת הצוות שלך לשימוש במודל
• 3 חודשי תמיכה לאחר פריסה

מודל חיזוי מגמת AI שלנו משתמש בסיווג מגמה בינארי עם אנסמבל LightGBM XGBoost לסיווג כיוון מחיר. שילוב זה מבטיח תחזיות חזקות. הערך את הפרויקט שלך: צור קשר לייעוץ. הזמן פיתוח מפתח-בידי — מאיסוף נתונים ועד פעילות ייצור, קבל ייעוץ לאופטימיזציה של אסטרטגיה.

אנו בשוק פתרונות ה-AI למעלה מ-5 שנים, השלמנו 15+ פרויקטים במסחר ומודלים פיננסיים. המומחיות של הצוות מאושרת על ידי הסמכות מפלטפורמות ML מובילות.

לוחות זמנים: מודל בסיסי עם מאפייני מומנטום — 3-4 שבועות. מערכת מלאה עם אנסמבל, כיול, בדיקות לאחור וניטור — 8-12 שבועות.