"AI-quant" הפך לאחת מהביטויים האלה שנשמעים מרשימים ולא מסבירים שום דבר. זה מעורר דימוי של חדרי שרתים, רשתות ניירוניות, מכונה שבאופן כלשהו יודעת. המציאות גם יותר משעממת וגם יותר מעניינת. תשתית AI-quant איננה אורקל; היא צנרת — שרשרת רכיבים שהופכים נתוני שוק גולמיים להחלטות, החלטות להזמנות, והזמנות לפוזיציות המנוטרות באופן רציף. ניתן לתאר, למדוד ולשאול שאלות על כל קישור. המאמר הזה מתאר אותם, בכנות, כולל מה שיכול ולא יכול מערכת כזו לעשות.
- תשתית AI-quant היא צנרת: איסוף נתונים, בניית תכונות, מודלים, שכבת החלטות, ביצוע, בקרת סיכונים ניטור — לא אלגוריתם קסום יחיד.
- 'AI' הוא כלי בתוך השרשרת, לא כל השרשרת. רוב המאמץ ההנדסי הולך לאיכות נתונים, קביעת גודל פוזיציה ובטיפול בכשלים.
- עם URIEL התשתית היא copy-trading שיקול דעת: ההון שלך נשאר בחשבון Bybit או Binance שלך, תחת מפתח API לטריידינג בלבד ללא זכויות משיכה.
- לכל מערכת כמותית יש drawdowns ותקופות שבהן היא underperforms. זו הסיבה שהאופק המומלץ הוא מינימום 12 חודשים.
התחלה עם מה שזה לא
זה עוזר לנקות את הקרקע. תשתית AI-quant איננה מנוע חיזוי שיודע את המחיר של מחר. היא לא קופסה שחורה שמקבלת 'מידע' על שווקים כמו שאדם לומד שפה. וזה בטוח לא ערובה לשום דבר — מערכת בנויה היטב היא אחת שההתנהגות שלה מובנת בתנאים טובים וגם רעים, לא אחת שלעולם לא מפסידה.
זה גם לא בדיוק מכני. URIEL פועל עם copy-trading שיקול דעת: תשתית כמותית מייצרת אותות מובנים ופרמטרים סיכון, וההשקעה האנושית נשארת בלולאה על מתי וכיצד חשיפה נלקחת. המכונה מסירה רעש, עייפות וחדשנות; היא לא מסירה אחריות.
שכבה ראשונה: נתונים, ולמה הם ספגים את רוב העבודה
כל דבר הנושר בעל תלות באיכות שכבת הנתונים. סדרות מחירים, עומק ספר הזמנות, שיעורי מימון, משטחי תנודתיות, פרופילי נפח, זרימות on-chain, נזילות ברמת Exchange — כל זרם מגיע עם הקטנות שלו, החוסר שלו וה'טריקים' שלו. חותמת זמן מתויג בעיה אחת יכולה להפוך backtest לנראה מעולה ומערכת כוללת לאבד כסף.
באופן מעשי, שכבת הנתונים צריכה להתמודד עם:
- Ingestion וnormalization — יישור מקורות השונים זה מזה בזמן, גודל תוך או שמות סמל.
- טיפול בחוסר וב-outliers — החלטה, באופן מפורש, מה קורה כשפיד מתח למשך תשעים שניות במהלך spike תנודתיות.
- Point-in-time integrity — ידיעה שמודל שהוכשר בהיסטוריה רואה רק מה שבאמת היה אפשרי לדעת ברגע זה. משמעת יחידה זו מחסלת את רוב ביצוע ה-backtest הגיאומטרי.
- אחסון וחזרתיות — היכולת להשמיע כל יום עבר בדיוק כפי שהמערכת ראתה אותו.
שום דבר בזה לא מרתק. כל זה קובע האם שאר Stack מהווה משהו.
שכבה שנייה: תכונות, או הפוך נתונים לשאלות
מחירים גולמיים לא מספרים משהו בעצמם. שכבת התכונה הופכת אותם לכמויות המתארות מצב שוק: התמדת טרנד, תנודתיות מובשתה מול משתמעת, התפזרות על פני נכסים, חוסר איזון נזילות, עלייה בשווקי מימון, משטר קורלציה. תכונה היא בעיקרון שאלה שנשאלת מן הנתונים בדרך חוזרת.
הנדסת תכונות טובה היא מפוקחת. קל לייצר עשרת אלפי אינדיקטורים; קשה לייצר שלושים שיש להם משמעות כלכלית, יציבות על פני משטרים ולא פשוט הצהרות מחדש אחד של השני. תכונות מיותרות לא מוסיפות מידע — הם מוסיפים ביטחון, וזה גרוע יותר.
למה משמעות כלכלית חשובה
קשר סטטיסטי ללא מנגנון סביר מאחוריו הוא מקרה המתאים להתגלות כזה. תכונות מעוגנות במשהו מבני — עלות הנשיאה, התנהגות משתתפים בחוב, מכניקה של מפלות נזילות — נוטות להתדרדר בחן יותר מתבניות שנמצאו בלבד על ידי חיפוש.
שכבה שלישית: מודלים, והתפקיד המתון של 'AI'
כאן הציפיות בדרך כלל עולות על המציאות. מודלי machine learning בהקשר שוק הם מכשירי שקילול דפוסים. הם לוקחים תכונות ומייצרים תצוגה תנאית: בהתחשב בקונפיגורציה זו, כיצד קונפיגורציות דומות התפתחו, ועם איזה פיזור? התוצאה הינה שנדירה מאד כיוון ודאים. לעתים קרובות יותר זה הסתברות עם פסי טעות רחבים והערכה כמה יוצאת דופן המצב הנוכחי.
הערך של מודל אינו שהוא לעתים קרובות צודק. זה שהוא טועה בדרכים מובנות וחסומות.
מספר משפחות מודלים בדרך כלל קיימות במעמד רציני: baseline סטטיסטיות שקשה להכות וקל לפרש, gradient-boosted trees עבור סטים תכונות טבלאיים, מודלים של סדר למבנה זמני, וממיינות משטר שאומרות למערכת בעולם איזה היא. הם משולבים בעמידה במקום להערמה עבור מורכבות.
Overfitting: האויב הקבוע
נתוני כספים קצרים, רועשים וlimited. מודל יכול להזכור הסטוריה בקלות. התשתית סביב המודל — walk-forward validation, משמעת out-of-sample, גבולות כמה גרסאות נבדקות לפני בחירת אחת, סיפר יעדי single בעמוד פשוטות — קיימת כדי להפוך הונאה עצמית לקשה. תהליך מחקר ללא סדרי גדר אלה יוצר באופן מעשי עקומות יפות וגם תוצאות חיבה מביכות.
שכבה רביעית: שכבת ההחלטה וגודל
אות איננה עסקה. בין שני הם יושבת השכבה שהרוב תיאורי retail של 'AI טריידינג' לדלג על כל זה, וכי רוב פרופסיונלים להתחשב חיוני: כמה, ותחת אילו תנאים.
הגודל הגיוני בדרך כלל שוקל:
- ביטחון — כמה חזק וכמה יוצא דופן האות ביחס לhistory שלו.
- תנודתיות — החשיפה הנומינלית זהה משמעות דברים שונים מאד בשוק שקט וזה לא מסודר; גודל הפוזיציה מתאים לסיכון, לא להון.
- קורלציה — שלוש פוזיציות המבטאות את אותה תצוגה בסיס הן פוזיציה אחת עם שלוש שמות.
- מגבלות ברמת תיק — סה'כ חשיפה, תקרות per-asset, וגבולות הון שום אות יחיד לא יכול להעביר.
- מצב drawdown הנוכחי — חשיפה מופחתת כאבדות מצטברות, בצורה מכנית, לפני השפעה על שיקול דעת.
שתי מערכות עם אותות זהים וכללי גודל שונים יוצרו תוצאות לחלוטין שונות. גודל הוא שם הון הגנה בעצם מיושם.
שכבה חמישית: ביצוע
החלטה שלא יכולה להיות מיושמת בעלות סבירה איננה החלטה. שכבת ביצוע מטפלת בבחירת סוג הזמנה, פרוס לנזילות זמינה, מדידת slip, התנהגות venue תחת לחץ, והמציאות הלא מרתקת שexchanges קופא לפעמים, עיכוב או חלקית מלא הזמנות.
איכות ביצוע נמדדת, לא מובטח. הפער בין המחיר מודל צפוי ומחיר בפועל הושג — implementation shortfall — עקבו ברציפות, משום מערכת שהיא רווחית על נייר ולא רווחית לאחר עלויות היא בפשטות תחביב יקר.
שכבה שישית: בקרי סיכון הפועלים באופן עצמאי
העיקרון הארכיטקטוני החשוב ביותר בכל Stack הוא שלבקרות סיכון חייבת לשבת מחוץ ההיגיון של החלטות. אם הרכיב זהה שרוצה לקחת עמדה גם מחליט אם הפוזיציה מקובל, אין בקרה — רק העדפה.
בקרות עצמאיות בדרך כלל כוללות תקרות חשיפה קשה, סיפי מקסימום drawdown שמצמצמות או עצרות פעילות, לוגיקה stop per-position, circuit breakers שהופעלו על ידי תנאים שוק חריגים או anomalies נתונים, וג'יל מתגים שיכול להשטח חשיפה ללא המתנה לדעה של מודל. כללים אלה נקבעו מראש, בתנאים שקטים, בדיוק משום הם יהיו צריכים בתנאים שלא שקטים.
שכבה שביעית: ניטור, ויודע מתי המערכת נסחף
שווקים משתנים. מודל בנוי על משטר אחד בסופו של דבר תוכן לאחר. ניטור עונה על שאלה רציפה: האם המערכת עדיין מתנהגת בדרך בה היא תוכננה?
זה אומר עקיבה לא רק רווח והפסד, אלא התפלגות של תוצאות מול הציפיות, שיעור מכות על ידי משטר, התפלגות תכונות מול נתוני הכשרה, עלויות ביצוע, delay, ותדירות שבקרי סיכון מתקרבים. ירידה בדרך כלל מודיעה עצמה בחודשי יחידות אלה לפני שהיא צופה בהחזרות.
איפה הלקוח יושב: משמורת ושליטה
כל זה לעיל מתאר מכונה. השאלה המבנית להסתכלות בו הוא פשוט יותר: איפה הכסף?
עם URIEL, ההון שלך נשאר בחשבון ה-exchange שלך — Bybit או Binance, פתוח בשמך, תחת תעודות שלך. התשתית מתחברת דרך מפתח API לטריידינג בלבד: היא יכולה להציב וניהול הזמנות בחשבון שלך, וזה לא זכויות משיכה. הוא לא יכול להזיז כספים לשום מקום. אתה יכול לשלול את הקשר בקליק אחד, בכל עת, ללא שום שאלות.
זה לא תכונה שנוספה כדי להבטיח. זהו החלטת Architectural כי מסירה קטגוריה שלמה של סיכון counterparty. אתה לא מעביר כספים לרכב pooled, מעמן מנוהל או balance sheet בחוד צד שלישי. אתה רואה כל עמדה בחשבון ה-exchange שלך, בזמן אמת, עם אותם נתונים המערכת משתמשת. שקיפות כאן לא דוח שנשלח חודשי — זה מצב חי של החשבון שלך.
אתה נשאר בשליטה.
למה האופק הוא מינימום 12 חודשים
מערכות כמויות מבטאות edge סטטיסטי, על פני החלטות רבות. במשך ימים או שבועות, תוצאות יוצאות מן הרעש וממה משטר קורה להעדיף. על פני חלון ארוך יותר, מבנה של הגישה — משמעת גודל, בקרת drawdown, ניהול עלויות — הופך לגורם הדומיננטי.
אופק של 12 חודשים מינימום הוא לא אפוא העדפה מסחרית. זה התקופה הקצרה ביותר שהתנהגות של התשתית יכול להיות בסבירות מוערכת אלא לא ניחש ממדגם קטן מדי בעמידה ממשמעות. הון בהקצאה הופק אופק קצר יותר נוטה להימשך ברגע הגרוע ביותר: במהלך drawdown שהוא סטטיסטי הנורמלי אבל רגשית לא סבילה.
הסכום כן מלא של הסיכון: תשתית פיסוק מצמצמת כישלון מסוג מסוים — החלטות רגשיות, גודל לא עקבי, שגיאות operationnal — אבל זה לא מסירה סיכון שוק. Drawdowns יתרחשו. יהיו תקופות, כנסה אפילו מורחבות, כאשר הגישה underperforms בנק חוק פשוט או אבד כסף. מודלים מתדרדרים כמשטרים משנה. Exchanges יכול להיכשל, לעצור או להיות hacked. Leverage משדר הפסדים כמו בקלות רווחים. לא מערכת כמותית, כמה טוב engineered, יכול להבטיח החזרה, וביצוע בעבר לעולם מערבב ביצוע עתידי. רק להקצות הון אתה יכול להשאיר במקום עבור לפחות 12 חודשים וכי אבד לא יפגום בפקודה הפיננסית שלך.
כיצד להעריך כל AI-quant טענה
אם אתה מעריך ספק — URIEL כולל — השאלות שימושי הם מבנית במקום ביצוע בקשור.
- איפה הכסף יושב, ומי יכול להזיז אותו?
- מה הם החשיפה המרבית ו drawdown גבולות, מוצהר מראש?
- כיצד גודל פוזיציה קבוע, ותכל הוא התאים לתנודתיות?
- מה קורה כשפיד נתונים נכשל או exchange הופך לבלתי מגיב?
- הוא שכבת הסיכון עצמאי מן שכבת האות?
- על פני איזה אופק גישה עוצבה להיות שנשפט?
תשובות שיהיו ספציפיות, חסומות ולפעמים לא נוחות הן סימן טוב יותר מתשובות שהן מרשימות. כל אחד מתאר את המערכת שלהם במונחים של ודאות עוצבים שיווק, לא תשתית.