מושגי למידת מכונה לסוחרים דיסקרציונריים

למידת מכונה מיושמת למסחר היא שימוש באלגוריתמים שלומדים דפוסים מנתונים היסטוריים כדי לבצע תחזיות לגבי תנועות מחיר עתידיות. מאמר זה אינו מדריך לבניית מערכות מסחר ML — הוא מסגרת רעיונית שעוזרת לסוחרים דיסקרציונריים להבין חשיבת ML, לזהות את המגבלות שלה וליישם את עקרונות הליבה שלה לשיפור קבלת ההחלטות שלהם. בין אם תכתבו שורת קוד אי פעם ובין אם לא, הבנת האופן שבו למידת מכונה ניגשת לבעיית החיזוי תחדד את האופן שבו אתם מעריכים את הסטאפים שלכם, נמנעים מהתאמת יתר וחושבים בצורה הסתברותית על שווקים.

המושגים המכוסים כאן — למידה מפוקחת, התאמת יתר, בחירת תכונות ואימות צולב — ישימים ישירות לאופן שבו אתם מעריכים את אסטרטגיות המסחר שלכם. כאשר אתם מבצעים בדיקת חזרה על סטאפ ומגלים שהוא רווחי, אתם עושים ידנית את מה שאלגוריתם למידת מכונה עושה חישובית. אותן מלכודות שמטרידות מודלי ML — התאמת יתר לרעש, חטטנות בנתונים, בדיקה לא מספקת מחוץ-למדגם — מטרידות גם סוחרים דיסקרציונריים. הבנת מושגים אלו נותנת לכם מסגרת להימנע מהן.

מהי למידת מכונה במסחר והיכן היא משתלבת

למידת מכונה במסחר היא יישום אלגוריתמים סטטיסטיים שמזהים אוטומטית דפוסים בנתוני שוק ומשתמשים בדפוסים אלו ליצירת אותות מסחר או תחזיות. היא משתלבת ברמה המתקדמת מכיוון שהיא דורשת ידע בסיסי בהסתברות וערך צפוי, מתודולוגיית בדיקות חזרה וניתוח רגרסיה.

מאמר זה נמצא ברמה הרעיונית. הוא מכין אתכם לחשוב במונחי ML ללא צורך ביישום מערכות ML. למי שכן רוצה לבנות מודלים, המדריך לבניית המודל הכמותי הראשון מספק את נקודת ההתחלה המעשית.

דרישות מוקדמות

לפני התעמקות במושגי ML למסחר, עליכם להחזיק: הבנה מוצקה של מתודולוגיית בדיקות חזרה ומגבלותיה, ניסיון בהערכה סטטיסטית של אסטרטגיות מסחר, הבנה של ההבדל בין ביצועים בתוך-מדגם למחוץ-למדגם, היכרות עם סטטיסטיקה בסיסית (ממוצע, סטיית תקן, מתאם), ומודעות לבעיית ההתאמת יתר בפיתוח אסטרטגיות.

בסיס טכני: מסגרת ה-ML לשווקים

מסחר כבעיית סיווג

מסחר כבעיית סיווג ממסגר מחדש את שאלת המסחר מ"לאן המחיר הולך?" ל"בהינתן סט זה של תנאי שוק, האם לסווג את התקופה הבאה כהזדמנות קנייה, הזדמנות מכירה או ללא-עסקה?"

במונחי ML: תכונות (קלטים): נתוני השוק שאתם משתמשים בהם לקבלת החלטות. לסוחר דיסקרציונרי, אלו האינדיקטורים שלכם, דפוסי מחיר, קריאות נפח וגורמים הקשריים. דוגמאות: ערך RSI, מרחק מ-EMA 20 (%), קריאת ADX, נפח ביחס לממוצע 20 יום, סיווג משטר שוק, עוצמה יחסית מול מדד.

תוויות (פלטים): התוצאה שאתם מנסים לחזות. בדרך כלל: בינארי — "העסקה מנצחת" מול "העסקה מפסידה". רב-מחלקתי — "קנייה חזקה" מול "קנייה חלשה" מול "ללא עסקה" מול "מכירה". רציף — תוצאת ה-R-multiple של העסקה.

מודל: הפונקציה שממפה תכונות לתוויות. לסוחר דיסקרציונרי, המודל שלכם הוא תהליך ההחלטה המנטלי שאתם משתמשים בו.

התובנה המפתח היא שהתהליך הדיסקרציונרי שלכם הוא כבר מודל סיווג — רק בלתי פורמלי. אתם מסתכלים על RSI, ממוצעים נעים, נפח ופעולת מחיר (תכונות), ומסווגים את המצב כ"עסקה" או "ללא עסקה" (תווית). ML מפרמל תהליך זה ומודד את הדיוק שלו בקפדנות.

למידה מפוקחת מול לא מפוקחת

למידה מפוקחת משתמשת בנתונים היסטוריים מתויגים כדי ללמוד את הקשר בין תכונות לתוצאות. אתם מספקים לאלגוריתם דוגמאות שבהן אתם יודעים את התשובה ("סטאפ זה הוביל למנצח של 2.3R", "סטאפ זה הוביל למפסיד של -1R"), והאלגוריתם לומד לחזות תוצאות לנתונים חדשים שלא נראו.

למידה לא מפוקחת מוצאת דפוסים בנתונים ללא תוצאות מתויגות. האלגוריתם מקבץ תצפיות דומות יחד ללא שנאמר לו מהי "הצלחה". יישומי מסחר: קיבוץ ימי שוק למשטרים לפי דפוסי התנהגות, זיהוי אילו מהעסקאות שלכם דומות זו לזו, זיהוי תנאי שוק חריגים שאינם מתאימים לדפוסים היסטוריים.

חלוקת אימון/בדיקה

חלוקת אימון/בדיקה היא המתודולוגיה היסודית להערכת כל מודל חיזוי — כולל אסטרטגיית המסחר שלכם.

נתוני אימון (בתוך-מדגם): הנתונים ההיסטוריים שאתם משתמשים בהם לפיתוח וחידוד הכללים שלכם. כאשר אתם מבצעים בדיקת חזרה ומכווננים פרמטרים לשיפור ביצועים, אתם מאמנים את המודל על נתונים אלו.

נתוני בדיקה (מחוץ-למדגם): נתונים שלא שימשו במהלך הפיתוח. כאשר אתם סוחרים על נייר או מבצעים בדיקה קדימה, אתם בודקים על נתונים מחוץ-למדגם.

הכלל הקריטי: לעולם אל תעריכו מודל על הנתונים ששימשו לפיתוח שלו. ביצועים בתוך-מדגם תמיד אופטימיים מדי מכיוון שהמודל (או הסוחר) התאים את עצמו לדפוסים הספציפיים באותם נתונים, כולל דפוסים שהם רעש ולא אות.

חלוקה תלת-כיוונית זו ישימה ישירות לפיתוח אסטרטגיה דיסקרציונרית: אמנו — פתחו כללי סטאפ על החלק הראשון של הנתונים. אמתו — בדקו וריאציות על החלק השני. בדקו — העריכו את הגרסה הסופית על החלק השלישי שלא הסתכלתם עליו.

מושגי ליבה ליישום מעשי

התאמת יתר: הבעיה המרכזית

התאמת יתר היא המושג החשוב ביותר במאמר זה. היא מתרחשת כאשר מודל (או אסטרטגיה דיסקרציונרית) לוכד רעש בנתונים היסטוריים במקום דפוסים אמיתיים ומתמידים. אסטרטגיה מותאמת-יתר מבצעת בצורה מבריקה בבדיקת חזרה ובצורה גרועה במסחר חי.

סימני התאמת יתר במסחר:

התרופה להתאמת יתר: השתמשו בפחות פרמטרים (מודלים פשוטים יותר מכלילים טוב יותר). תמיד העריכו על נתונים מחוץ-למדגם. בדקו חוסן על ידי שינוי קל של פרמטרים. דרשו הסברים לוגיים למה דפוס צריך להימשך. דרשו גדלי מדגם גדולים יותר לפני שסומכים על תוצאה.

בחירת תכונות: בחירת מה למדוד

בחירת תכונות היא תהליך ההחלטה אילו נתוני שוק לכלול בניתוח. ב-ML, הוספת יותר מדי תכונות מגדילה את סיכון ההתאמת יתר. במסחר דיסקרציונרי, צפייה ביותר מדי אינדיקטורים יוצרת את אותה בעיה.

עקרונות בחירת תכונות טובה: רלוונטיות — לכל תכונה צריך להיות קשר לוגי לתוצאה. עצמאות — תכונות צריכות לספק מידע שונה. שימוש ב-RSI(14) ובאוסילטור סטוכסטי יחד מוסיף מעט ערך כי שניהם מודדים דברים דומים (מומנטום). שימוש ב-RSI ונפח מספק פרספקטיבות שונות באמת. חסכנות — פחות תכונות עדיף, כל שאר הדברים שווים. יציבות — תכונות שמייצרות אותות דומים לאורך תנאי שוק מעט שונים אמינות יותר.

למסחר הדיסקרציונרי שלכם, בצעו ביקורת על האינדיקטורים והתנאים הנוכחיים מול ארבעת הקריטריונים הללו. אם אתם משתמשים ביותר מ-5-7 תכונות עצמאיות בתהליך ההחלטה, סביר שאתם מותאמים-יתר.

אימות צולב: בדיקה חסנה

אימות צולב הוא טכניקה לקבלת אומדני ביצועים אמינים יותר מנתונים מוגבלים. במקום חלוקת אימון/בדיקה בודדת, אתם מסתובבים דרך חלוקות מרובות ומחשבים ממוצע תוצאות.

לנתוני סדרות עתיות (שנתוני מסחר תמיד הם), יש להשתמש בגרסה מותאמת ששומרת על הסדר הזמני: ניתוח הליכה-קדימה (Walk-forward analysis) — אמנו על חודשים 1-6, בדקו על חודש 7. אז אמנו על חודשים 1-7, בדקו על חודש 8. המשיכו להרחיב את חלון האימון ולבדוק על התקופה הבאה שלא נראתה.

ניתוח הליכה-קדימה הוא תקן הזהב לאימות אסטרטגיות מסחר מכיוון שהוא מדמה כיצד תפרסו בפועל את האסטרטגיה: תמיד מתאמנים על נתוני עבר ובודקים על נתוני עתיד. אם האסטרטגיה מבצעת באופן עקבי לאורך כל מקטעי ההליכה-קדימה, זה מספק ראיות חזקות בהרבה ליתרון אמיתי מאשר בדיקת חזרה בודדת.

יישום מעשי: לחשוב כמומחה ML

לחשוב כמומחה ML משמעו ליישם ארבעה עקרונות ליבה למסחר הדיסקרציונרי שלכם ללא בניית מודלים בפועל.

שלב 1: הגדירו את סט התכונות שלכם. רשמו כל פיסת מידע שאתם משתמשים בה לקבלת החלטת מסחר. אלו התכונות שלכם. העריכו כל אחת: האם היא רלוונטית? האם היא עצמאית מתכונות אחרות? האם היא הכרחית?

שלב 2: סווגו את נתוני האימון והבדיקה שלכם. מתי פיתחתם את האסטרטגיה הנוכחית? אילו נתונים היסטוריים למדתם? אלו נתוני האימון שלכם. כל נתון לאחר מכן הוא נתוני הבדיקה שלכם. אם ביצועי החי שלכם גרועים משמעותית מתוצאות תקופת הפיתוח, התאמת יתר היא ההסבר הסביר ביותר.

שלב 3: בדקו חוסן. קחו את הסטאפ העיקרי שלכם ובצעו שינויים קטנים בפרמטרים: אם אתם משתמשים ב-EMA 20, האם הסטאפ עדיין עובד עם EMA 18 או 22? אם אתם דורשים RSI מעל 50, האם עדיין עובד עם RSI מעל 45 או 55? סטאפ חסן שורד שינויי פרמטרים קטנים. סטאפ שביר (מותאם-יתר) נשבר.

שלב 4: העריכו מחוץ-למדגם בכנות. השוו את תוצאות בדיקת החזרה (אימון) עם תוצאות המסחר בפועל (בדיקה). חשבו את אחוז ירידת הביצועים. ירידה מסוימת נורמלית (10-20%). ירידה חמורה (50%+) מצביעה בחוזקה על התאמת יתר.

מדידת השפעה על ביצועים

מגבלות ומקרי קצה

מגבלה 1: שווקים אינם סטציונריים. מודלי ML מניחים שהדפוסים בנתוני אימון נמשכים לעתיד. שווקים משתנים. קשרים בין תכונות לתוצאות נעים. אף מודל — אנושי או אלגוריתמי — אינו יכול להבטיח שדפוסי עבר ימשיכו.

מגבלה 2: יחס אות-לרעש נמוך. נתונים פיננסיים רועשים ביותר. האות החיזוי האמיתי ברוב תכונות השוק קטן ביחס לווריאציה האקראית. זה מקל גם על מודלי ML וגם על סוחרים אנושיים למצוא דפוסים שהם רעש טהור.

מגבלה 3: ביצוע שונה מחיזוי. אפילו מודל חיזוי מושלם אינו מתחשב בהחלקה, עמלות, השפעת שוק ואתגרי ביצוע מעשיים. מודל שרווחי בסימולציה עשוי שלא להיות רווחי לאחר חיכוכי עולם אמיתי.

מגבלה 4: סיכון קופסה שחורה. מודלי ML מורכבים יכולים לבצע תחזיות מדויקות ללא מתן סיבות מובנות. לסוחרים דיסקרציונריים, הבנת למה סטאפ עובד חיונית לשמירה על אמונה במהלך ירידות. העדיפו מודלים פשוטים יותר עם לוגיקה ניתנת לפרשנות.

מגבלה 5: איכות נתונים והטיית שרידות. נתוני שוק היסטוריים לעיתים מכילים שגיאות, ויקום המכשירים הזמינים סובל מהטיית שרידות (אתם רואים רק את החברות שעדיין קיימות). שתי הבעיות יכולות ליצור דפוסים מזויפים שמודל ML או בדיקת חזרה ידנית ילמדו בחריצות.

הלקח המעשי לסוחרים דיסקרציונריים הוא שחשיבת ML בעלת ערך רב יותר מכלי ML. הבנת התאמת יתר, בחירת תכונות ואימות מחוץ-למדגם תשפר את המסחר שלכם גם אם לעולם לא תכתבו שורת קוד.