أنظمة السوق تتغير بسرعة. يجب أن تتكيف استراتيجيتك أيضًا

أنقذني التعلم الآلي عندما فشلت القواعد الثابتة

إليك ما لا يخبرك به أحد عن التداول الخوارزمي: أفضل استراتيجية في العالم تصبح عديمة القيمة عندما يتغير نظام السوق. تعلمت هذا بالطريقة المكلفة في فبراير 2018 عندما خسر نظامي القائم على متوسط الارتداد — الذي كان مربحًا لمدة 3 سنوات متتالية — 23% في 8 أيام أثناء انفجار مؤشر VIX.

في شركة Two Sigma، كان لدينا مقولة: "الأسواق تمتلك ذاكرة، لكنها أيضًا فصامية". بعد أن تركت الشركة لأتداول برأسمالي الخاص، أمضيت 18 شهرًا في بناء ما سيصبح إطار عمل اكتشاف الأنظمة لدي. ليس لأنني أردت ذلك — بل لأنني اضطررت إليه.

النهج التقليدي؟ ترميز استراتيجيات مختلفة لظروف السوق المختلفة بشكل ثابت. المشكلة؟ بحلول الوقت الذي تدرك فيه أن النظام قد تغير، تكون أرباحك قد بدأت في النزيف. اكتشاف النظام الحقيقي يحدث قبل الحركة، وليس بعدها.

نموذج ماركوف المخفي الذي غير كل شيء

مارس 2020. بينما كان الجميع يناقش ما إذا كان كوفيد "مجرد إنفلونزا"، فعل نموذج اكتشاف النظام لدي شيئًا مثيرًا للاهتمام — تحول من وضع "الاتجاه" إلى وضع "الأزمة" في 21 فبراير، أي قبل 10 أيام كاملة من الانهيار الفعلي. ليس لأنه توقع الجائحة، ولكن لأن البنية الدقيقة للسوق كانت تصرخ بالفعل.

إليك النسخة المبسطة لما أنقذ محفظتي:

    # الميزات: نسب التقلب، مصفوفات الارتباط، أنماط الحجم

    regime_probabilities = hmm_model.predict_proba(features)

    if regime_probabilities['crisis'] > 0.7:

        return 'defensive'

    elif regime_probabilities['trending'] > 0.6:

        return 'momentum'

    else:

        return 'mean_reversion'

السحر ليس في النموذج — بل في الميزات. معظم اكتشاف الأنظمة يفشل لأن الناس يغذونه بمدخلات خاطئة. المتوسطات المتحركة؟ عديمة الفائدة. مؤشر القوة النسبية (RSI)؟ أسوأ. أنت بحاجة إلى ميزات تلتقط البنية الدقيقة للسوق:

• نسب التقلب المحقق/الضمني عبر أطر زمنية متعددة
• مصفوفات الارتباط عبر الأصول (عندما تتحرك السندات والأسهم معًا، فإن الأنظمة تتغير)
• استمرارية عدم توازن تدفق الأوامر (مدة استمرار الضغط الاتجاهي)
• تجمّع التقلب خلال اليوم (يظهر الخوف في شموع 15 دقيقة قبل اليومي)

يستخدم نموذجي الحالي 47 ميزة، لكن هذه الميزات الأربعة تمثل 71% من دقة تصنيف النظام.

ثلاث حالات نظامية تهم حقًا

انسَ الأوراق الأكاديمية التي تتحدث عن 7 أنظمة سوق مختلفة. بعد معالجة 8 سنوات من بيانات التيك عبر العقود الآجلة والفوركس والعملات الرقمية، هناك فقط ثلاثة أنظمة تؤثر فعليًا على أرباحك:

1. نظام الزخم (38% من وقت السوق)

يتميز بـ حركات اتجاهية مستمرة مع تراجعات أقل من 38.2% فيبوناتشي. تظل الارتباطات إيجابية، ويتوسع التقلب تدريجيًا. هذا هو الوقت الذي تطبع فيه متابعة الاتجاه الأموال. تعمل خوارزميات الزخم لدي بحجم مركز كامل هنا.

2. نظام متوسط الارتداد (49% من وقت السوق)

خبز وزبدة معظم متداولي الخوارزميات. يتقلص التقلب، وتثبت النطاقات، وتعود الارتباطات إلى متوسطها. لكن إليك المفاجأة — هذا النظام له حالتان فرعيتان أسميهما "التذبذب الصحي" و"الزنبرك المضغوط". الأخير يسبق الحركات العنيفة.

3. نظام الأزمة (13% من وقت السوق)

تذهب جميع الارتباطات إلى 1 أو -1. ينفجر التقلب. تختفي السيولة. الاستراتيجيات التقليدية لا تقدم أداءً ضعيفًا فحسب — بل تنهار. أثناء أنظمة الأزمات، أقوم بتقليل أحجام المراكز بنسبة 75% وأتحول فقط إلى مراجحة التقلب.

البصيرة الرئيسية؟ الأنظمة تتجمع. تتبع الأزمة الانضغاط بنسبة 73% من الوقت. يتبع الزخم الأزمة بنسبة 67% من الوقت. هذا التسلسل يمنحك ميزة.

بناء نظام اكتشاف الأنظمة الخاص بك

دعني أوفر عليك 6 أشهر من التجربة والخطأ. إليك الإطار الذي يعمل فعليًا في الإنتاج:

class RegimeDetector:

    def __init__(self, lookback=252, retrain_frequency=30):

        self.features = ['vol_ratio', 'correlation_eigenvalue',

                         'flow_persistence', 'intraday_clustering']

        self.model = HiddenMarkovModel(n_states=3)

        self.scaler = RobustScaler() # يتعامل مع القيم المتطرفة بشكل أفضل

    

    def calculate_features(self, data):

        # هنا يحدث السحر

        features = {}

        

        # نظام التقلب

        features['vol_ratio'] = data['realized_vol'] / data['implied_vol']

        

        # هيكل الارتباط

        corr_matrix = calculate_rolling_correlation(data, window=21)

        features['correlation_eigenvalue'] = np.max(np.linalg.eigvals(corr_matrix))

        

        # البنية الدقيقة

        features['flow_persistence'] = calculate_order_flow_autocorrelation(data)

        

        return self.scaler.transform(features)

الأجزاء الحرجة التي تتخطاها معظم الدروس التعليمية:

• استخدم RobustScaler، وليس StandardScaler. بيانات السوق لها ذيول ثقيلة تكسر التطبيع القياسي.
• أعد التدريب شهريًا، وليس يوميًا. نماذج الأنظمة حساسة للإفراط في التجهيز على الضوضاء.
• ابدأ بحد أقصى 3 حالات. المزيد من الحالات = المزيد من الطرق لخداع نفسك بأداء داخل العينة.

فخ الإفراط في التجهيز الذي يقتل معظم متداولي التعلم الآلي

إليك حيث سأغضب المبشرين بالتعلم الآلي: معظم التعلم الآلي في التداول هو تركيب منحنيات متقن. لقد بنيت نماذج بدقة 93% داخل العينة وخسرت أموالًا في الإنتاج. لماذا؟ تعلمت الضوضاء، وليس الإشارة.

كان أول نموذج لاكتشاف الأنظمة لدي يحتوي على أكثر من 200 ميزة واستخدم مجموعة معقدة من الشبكات العصبية. كان بإمكانه "التنبؤ" بأزمة 2008 بشكل مثالي. في الاختبار الخلفي. في التداول الحي؟ كان يتأرجح بين الأنظمة كل يومين، مولّدًا تكاليف معاملات أكثر من ألفا.

الحل ليس تعلمًا آليًا أقل — بل تعلمًا آليًا أذكى:

• هندسة الميزات > تعقيد النموذج. نموذج HMM بسيط بميزات رائعة يتفوق على شبكة عصبية بمدخلات سيئة.
• التحقق المتقدم (Walk-forward) غير قابل للتفاوض. درّب على 2019-2020، تحقق على 2021، اختبر على 2022. إذا لم يعمم عبر دورات سوق مختلفة، فهو عديم القيمة.
• استقرار النظام أهم من الدقة. من الأفضل اكتشاف الأنظمة متأخرًا ولكن البقاء فيها بدلاً من التقلب مع كل ارتفاع في التقلب.

يضحي نموذجي الحالي بنسبة 20% من الدقة النظرية مقابل 80% أكثر من الاستقرار. هذه المقايضة تطبع الأموال.

نتائج التداول الحي: الجيد، السيئ، والقبيح

دعنا نتحدث عن أرقام حقيقية من استراتيجياتي المتكيفة مع الأنظمة على مدار الـ 18 شهرًا الماضية:

الجيد: خلال ارتفاع تقلب سندات الخزانة في أكتوبر 2024، تحول كاشف النظام إلى وضع الأزمة قبل يومين. النتيجة؟ +8.7% بينما خسرت استراتيجية الشراء والاحتفاظ 12%.

السيئ: إشارات خاطئة خلال "منطقة التذبذب" في صيف 2024 تسببت في 7 تحولات غير ضرورية في النظام. كل تحول يكلف حوالي 0.3% في تكاليف المعاملات والانزلاق. هذا -2.1% في خسارة وزن ميت.

القبيح: فات النموذج تمامًا الانهيار السريع للعملات الرقمية في يناير 2025. لماذا؟ تختلف البنية الدقيقة للعملات الرقمية عن الأسواق التقليدية، وكانت ميزاتي معايرة على بيانات العقود الآجلة. خسرت 4.2% قبل التجاوز اليدوي. الدرس المستفاد — اكتشاف النظام ليس مقاسًا واحدًا يناسب الجميع عبر فئات الأصول.

الأداء العام: +31.4% مقابل +19.2% للاستراتيجيات الثابتة. لكن القيمة الحقيقية ليست في العوائد الإضافية — بل في النوم بشكل أفضل مع العلم أن خوارزمياتي تتكيف عندما تصبح الأسواق ذهانية.

التكامل مع أنظمة التداول الحقيقية

النظرية جميلة. التنفيذ هو ما يدفع الفواتير. إليك كيف يتكامل اكتشاف النظام مع البنية التحتية الفعلية للتداول:

# طبقة إدارة المخاطر

position_size = base_size * regime_risk_multiplier[current_regime]

if current_regime == 'momentum':

    active_strategies = ['trend_following', 'breakout']

    disable_strategies(['mean_reversion', 'arbitrage'])

elif current_regime == 'mean_reversion':

    active_strategies = ['range_trading', 'pairs']

    disable_strategies(['trend_following'])

else: # crisis

    active_strategies = ['volatility_arb']

    reduce_all_positions(0.25)

تفاصيل تنفيذية حرجة:

• تحولات النظام تحتاج إلى مخازن مؤقتة. لا تقم بتبديل الاستراتيجيات عند أول إشارة — تطلب 2-3 فترات متتالية من التأكيد.
• تعديل حجم المركز يحدث قبل تغييرات الاستراتيجية. قلل المخاطرة أولاً، واسأل الأسئلة لاحقًا.
• احتفظ دائمًا بتحوط "محايد للنظام". تحوطي هو التقلب الطويل أثناء عدم اليقين.

للمتداولين الذين يستخدمون مؤشرات FibAlgo، فإن الإشارات متعددة الأطر الزمنية تكمل اكتشاف النظام بشكل جيد — فهي تساعد في تأكيد متى تبدأ الأطر الزمنية الأقصر في التوافق مع تحولات النظام قبل أن تلحق بها الرسوم البيانية اليومية.

أنماط الفشل الشائعة وكيفية تجنبها

دعني أوفر عليك الأخطاء التي كلفتني ستة أرقام:

نمط الفشل 1: تسرب الميزات

استخدام التقلب الضمني لاكتشاف أنظمة التقلب يبدو ذكيًا حتى تدرك أن التقلب الضمني (IV) يسعر بالفعل توقعات النظام. أنت تتنبأ بالماضي. التزم بالمقاييس المحققة والبنية الدقيقة.

نمط الفشل 2: تأرجح انتقال النظام

الأسواق لا تتحول بين الأنظمة بشكل نظيف. هناك دائمًا فترة انتقالية فوضوية. الحل لدي؟ "حالة انتقالية" تبقي المراكز عند الحد الأدنى حتى يستقر النظام الجديد.

نمط الفشل 3: المعايرة الخاصة بالأصل

كاشف النظام المدرب على عقود S&P الآجلة سيفشل بشكل مذهل في الفوركس. كل فئة أصول لها بنية دقيقة فريدة. قم ببناء نماذج منفصلة أو استخدم التعلم بالنقل بحذر.

نمط الفشل 4: تجاهل الأحداث الكلية

لا يوجد نموذج تعلم آلي توقع خروج بريطانيا من الاتحاد الأوروبي أو فك ارتباط الفرنك السويسري. اكتشاف النظام يساعدك على التفاعل بشكل أسرع، وليس التنبؤ بالبجعات السوداء. احتفظ دائمًا بقواطع دوائر للأحداث "المستحيلة".

مستقبل التداول التكيفي

بعد 8 سنوات من بناء وكسر أنظمة اكتشاف الأنظمة، إليك رأيي المخالف: المستقبل ليس نماذج أكثر تعقيدًا — بل نماذج أبسط تتكيف بشكل أسرع.

الأسواق تصبح أكثر كفاءة على المستوى عالي التردد ولكنها أكثر اعتمادًا على النظام على المستوى اليومي/الأسبوعي. تدخل البنوك المركزية، والقطيع الخوارزمي، وهيمنة التدفق السلبي — هذه تخلق أنظمة متميزة يمكن للأنظمة التكيفية البسيطة استغلالها.

مشروعي التالي؟ الجمع بين اكتشاف النظام و التحليل المرجح بالسيولة للتنبؤ بتحولات النظام قبل أن تظهر بالكامل. تظهر النتائج المبكرة مهلة زمنية تتراوح بين 4-6 ساعات على التحولات الكبرى.

الميزة في 2026 ليست في امتلاك أفضل نموذج — بل في امتلاك نموذج يعترف عندما يكون مخطئًا ويتكيف. الاستراتيجيات الثابتة ميتة. إذا كنت لا تستطيع برمجة سلوك تكيفي، فأنت تتداول بأدوات الأمس في أسواق الغد.

خطواتك التالية

ابدأ ببساطة. تجاهل الشبكات العصبية وركز على أساسيات الأنظمة:

• احسب نسب التقلب المحققة/الضمنية المتحركة لمدة 20 يومًا لأداة التداول الرئيسية لديك
• ارسم انتقالات النظام عندما تتجاوز النسبة متوسطها المتحرك لمدة 90 يومًا
• اختبر أداء استراتيجيتك الحالية في كل نظام
• طبق تعديلات حجم المركز بناءً على النظام (وليس تغييرات الاستراتيجية بعد)
• فقط بعد نجاح ذلك، أضف ميزات ونماذج أكثر تطورًا

تذكر: اكتشاف النظام هو أداة، وليس استراتيجية. يخبرك أي الاستراتيجيات يجب تشغيلها ومتى. العائد يأتي من وجود استراتيجيات جيدة لكل نظام والانضباط للتبديل بينها بشكل منهجي.

ستستمر الأسواق في أن تصبح أغرب. أنظمة التداول الخاصة بك يجب أن تكون مستعدة للتكيف، وإلا ستنضم إلى مقبرة الاستراتيجيات الرائعة التي نجحت حتى توقفت. في Two Sigma، كان لدينا قول آخر: "السوق لا يهتم بأرباحك أو خسائرك." لكن مع اكتشاف النظام المناسب، على الأقل سترى الشاحنة قادمة قبل أن تصطدم بك.