פיתוח אלגוריתם ארביטראז' סטטיסטי למטבעות קריפטוגרפיים

מצאת שני מטבעות שנראה שזזים יחד — BTC ו-ETH. אבל כשאחד מזנק והשני מפגר, אתה רוצה להרוויח מזה. ארביטראז' סטטיסטי (סטט ארב) הוא בדיוק זה: סטיות זמניות מיחסים יציבים היסטורית. בניגוד לארביטראז' טהור (רווח נטול סיכון), סטט ארב נושא סיכון — הפער עלול להתרחב עוד לפני שיחזור. הסיכון הזה עצמו יוצר את ההזדמנות לרווח. הניסיון שלנו של 5+ שנים ועשרות פרויקטים שיושמו מאפשרים לנו להפוך רעיון זה לאלגוריתם עובד. עלות הפיתוח נעה בדרך כלל בין 5,000 ל-15,000 דולר, ולקוחותינו מחזירים השקעה זו לעיתים קרובות תוך מספר חודשים.

כיצד לבנות אלגוריתם ארביטראז' סטטיסטי למטבעות קריפטוגרפיים

שלב 1: זיהוי זוגות משולבים (Cointegrated)

מתאם (Correlation) מראה כיצד מחירים זזים יחד אך אינו מבטיח חזרה לממוצע. קו-אינטגרציה (Cointegration) היא יחס סטטיסטי שבו שילוב ליניארי של שתי סדרות הוא נייח. במילים פשוטות: נכסים עשויים לסטות אך בטווח הארוך לחזור זה לזה. תכונה זו חיונית לסטט ארב.

מבחן Engle-Granger לקו-אינטגרציה:

from statsmodels.tsa.stattools import coint

def find_cointegrated_pairs(prices_dict, p_threshold=0.05):
    symbols = list(prices_dict.keys())
    pairs = []
    for i, sym1 in enumerate(symbols):
        for sym2 in symbols[i+1:]:
            score, p_value, _ = coint(
                prices_dict[sym1],
                prices_dict[sym2]
            )
            if p_value < p_threshold:
                pairs.append((sym1, sym2, p_value))
    return sorted(pairs, key=lambda x: x[2])

מועמדים טובים בקריפטו: BTC/ETH, BTC-SPOT/BTC-PERP, טוקנים דומים משכבת 1 (Layer-1), ETH/LDO (נגזרת סטייקינג).

שלב 2: בניית מודל לפער (Spread) וציון Z

עבור זוג משולב (X, Y), אנו מוצאים את יחס הגידור β באמצעות OLS:

from sklearn.linear_model import LinearRegression

def calculate_hedge_ratio(price_x, price_y, window=60):
    # Rolling OLS для динамического hedge ratio
    hedge_ratios = []
    for i in range(window, len(price_x)):
        x = price_x[i-window:i].values.reshape(-1, 1)
        y = price_y[i-window:i].values
        model = LinearRegression().fit(x, y)
        hedge_ratios.append(model.coef_[0])
    return hedge_ratios

פער (Spread) = Y - β × X ציון Z מנרמל את הפער:

Z-score = (Spread - mean(Spread)) / std(Spread) 

אותות מסחר:

• ציון Z > +2: הפער רחב בצורה חריגה → מכור Y, קנה X (לונג על הפער)
• ציון Z < -2: הפער צר בצורה חריגה → קנה Y, מכור X (שורט על הפער)
• |ציון Z| < 0.5: סגור פוזיציה (חזרה לממוצע)

שלב 3: בחירת שיטת יחס הגידור

β סטטי באמצעות OLS הוא פשוט אך מתיישן. פילטר קלמן (Kalman Filter) מתאים את יחס הגידור בזמן אמת, ומייצר פי 2-3 פחות אותות שגויים בהשוואה ל-OLS סטטי. שיפור זה יכול להעלות את יחס שארפ (Sharpe) ב-0.5 או יותר. השוואת שיטות:

דוגמה ליישום פילטר קלמן:

from pykalman import KalmanFilter
kf = KalmanFilter(
    transition_matrices=[1],
    observation_matrices=price_x.values.reshape(-1, 1, 1),
    initial_state_mean=0,
    initial_state_covariance=1,
    observation_covariance=1,
    transition_covariance=0.05
)
state_means, state_covs = kf.filter(price_y.values)
hedge_ratio_dynamic = state_means.flatten()

שלב 4: ניהול סיכון עם סטופ-לוס וקביעת גודל פוזיציה

סטופ-לוס לפי ציון Z: אם ציון Z מתרחב ל-3+ במקום להצטמצם, זה עשוי להצביע על שינוי מבני. צא מהפוזיציה.

מחצית חיים של חזרה לממוצע: הערכה באמצעות מודל AR(1):

from statsmodels.regression.linear_model import OLS

def calculate_half_life(spread):
    spread_lag = spread.shift(1).dropna()
    spread_diff = spread.diff().dropna()
    result = OLS(spread_diff, spread_lag).fit()
    half_life = -np.log(2) / result.params[0]
    return half_life

מחצית חיים < 5 ימים — חזרה מהירה לממוצע, מתאים למסחר קצר טווח. > 30 ימים — איטית, דורש פוזיציות ארוכות יותר.

חלון מבט לאחור (Lookback window): תקופה לחישוב ממוצע וסטיית תקן של הפער. מותאם באמצעות walk-forward.

שלב 5: גיוון עם תיקי השקעות מרובי זוגות

במקום מסחר בזוגות, גישת תיק השקעות עם מספר זוגות משולבים:

• גיוון מפחית סיכון ספציפי לזוג
• מתאם בין זוגות צריך להיות מינימלי
• PCA למציאת גורמים משותפים

תיק וקטורים עצמיים (Eigenvector portfolio): מטבלת השונות (covariance matrix) של N נכסים, חלץ וקטורים עצמיים נייחים באמצעות PCA. מסחר בסטייה מהמצב הנייח.

שלב 6: התחשבות בעלויות עסקה

סטט ארב רווחי רק אם התשואות עולות על עלויות העסקה. חיסכון בהחלקה (slippage) יכול להגיע ל-30% עם ביצוע אופטימלי.

ציון Z מינימלי לכניסה נבחר תוך התחשבות בעלויות: אם כניסה ב-Z=1.5 אינה מכסה עלויות עם הסתברות החזרה, השתמש ב-Z=2.0.

שלב 7: בדיקת ביצועים (Backtest) עם אימות walk-forward

אימות walk-forward: אימון על 6-12 חודשים, בדיקה על 1-2 החודשים הבאים, חזרה עם הזזה. מדדים מרכזיים: יחס שארפ > 1.5, משיכה מקסימלית < 15%, משך פוזיציה ממוצע (האם מחצית החיים תואמת למציאות?).

בדיקת התאמת יתר (Overfitting): פרמטרים שאופטמו על תקופה אחת צריכים לעבוד על תקופה אחרת.

מה כלול בעבודה

• מחקר ובחירת זוגות משולבים
• פיתוח אלגוריתם עם פילטר קלמן או יחס גידור OLS
• בדיקת ביצועים על נתונים היסטוריים עם walk-forward
• אופטימיזציה של פרמטרים ואותות
• אינטגרציה עם הבורסה באמצעות CCXT
• ניטור ותמיכה לאחר ההשקה

אנו מבטיחים איכות קוד ותוצאות שקופות. אנו משתמשים ב-Python (pandas, numpy, statsmodels, sklearn, pykalman), PostgreSQL לאחסון נתונים, Celery לחישובים בזמן אמת, Grafana להדמיה. אנו פורסים על AWS/GCP עם זמן השהייה נמוך.

עלות הפיתוח מחושבת באופן אישי אך נעה בדרך כלל בין 5,000 ל-15,000 דולר ומוחזרת תוך מספר חודשים. צור קשר כדי לדון בפרויקט שלך ולקבל ייעוץ.

מקור: Engle & Granger (1987) — Co-Integration and Error Correction: Representation, Estimation, and Testing.