Machine Learning Reddede Mig, Da Statiske Regler Slog Fejl
Her er, hvad ingen fortæller dig om algoritmisk handel: den bedste strategi i verden bliver værdiløs, når markedsregimet skifter. Det lærte jeg på den dyre måde i februar 2018, da mit mean reversion-system – profitabelt i 3 år i træk – blødte 23% på 8 dage under VIX-eksplosionen.
Hos Two Sigma havde vi et ordsprog: "Markeder har hukommelse, men de er også skizofrene." Efter at have forladt firmaet for at handle for egen kapital, brugte jeg 18 måneder på at bygge, hvad der skulle blive mit regimegenkendelsesframework. Ikke fordi jeg ville – men fordi jeg var nødt til det.
Den traditionelle tilgang? Hardkode forskellige strategier til forskellige markedsforhold. Problemet? Når du først indser, at regimet har skiftet, bløder din P&L allerede. Ægte regimegenkendelse sker før bevægelsen, ikke efter.
Den Skjulte Markov-model, Der Ændrede Alt
Marts 2020. Mens alle diskuterede, om COVID var "bare en influenza," gjorde min regimegenkendelsesmodel noget interessant – den skiftede fra "trending" til "krise"-tilstand den 21. februar, hele 10 dage før det reelle crash. Ikke fordi den forudså pandemien, men fordi markedsmikrostrukturen allerede skreg.
Her er den forenklede version af, hvad der reddede min portefølje:
def detect_regime(features):
# Features: volatilitetsforhold, korrelationsmatricer, volumenmønstre
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'
Magien ligger ikke i modellen – den ligger i features. De fleste regimegenkendelser fejler, fordi folk fodrer den med de forkerte input. Glidende gennemsnit? Ubrugelige. RSI? Endnu værre. Du har brug for features, der fanger markedsmikrostruktur:
- Realiseret/Impliceret volatilitetsforhold på tværs af flere tidsrammer
- Korrelationmatricer på tværs af aktiver (når obligationer og aktier bevæger sig sammen, skifter regimer)
- Order flow imbalance persistens (hvor længe retningsbestemt pres varer)
- Intradag volatilitetsklyngedannelse (frygt viser sig i 15-minutters søjler før daglig)
Min nuværende model bruger 47 features, men disse fire står for 71% af regimeklassifikationsnøjagtigheden.
Tre Regimetilstande, Der Faktisk Betyder Noget
Glem de akademiske artikler, der taler om 7 forskellige markedsregimer. Efter at have behandlet 8 års tick-data på tværs af futures, forex og krypto, er der kun tre regimer, der faktisk påvirker din P&L:
1. Momentum-regime (38% af markedstiden)
Karakteriseret ved vedvarende retningsbestemte bevægelser med tilbagetrækninger under 38,2% Fibonacci. Korrelationer forbliver positive, volatilitet udvides gradvist. Det er her, trend following tjener penge. Mine momentum-algoer kører med fuld positionsstørrelse her.
2. Mean Reversion-regime (49% af markedstiden)
Brød og smør for de fleste algo-handlere. Volatilitet trækker sig sammen, intervaller holder, korrelationer mean-reverter. Men her er fangsten – dette regime har to undertilstande, jeg kalder "sund hakken" og "komprimeret fjeder." Sidstnævnte går forud for voldsomme bevægelser.
3. Kriseregime (13% af markedstiden)
Alle korrelationer går til 1 eller -1. Volatilitet eksploderer. Likviditet forsvinder. Traditionelle strategier underpræsterer ikke bare – de imploderer. Under kriseregimer skærer jeg positionsstørrelser ned med 75% og skifter kun til volatilitetsarbitrage.
Nøgleindsigten? Regimer klynger sig. Krise følger kompression 73% af tiden. Momentum følger krise 67% af tiden. Denne sekventering giver dig en fordel.
Byg Dit Eget Regimegenkendelsessystem
Lad mig spare dig for 6 måneders trial and error. Her er frameworket, der faktisk virker i produktion:
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() # Håndterer outliers bedre
def calculate_features(self, data):
# Dette er hvor magien sker
features = {}
# Volatilitetsregime
features['vol_ratio'] = data['realized_vol'] / data['implied_vol']
# Korrelationsstruktur
corr_matrix = calculate_rolling_correlation(data, window=21)
features['correlation_eigenvalue'] = np.max(np.linalg.eigvals(corr_matrix))
# Mikrostruktur
features['flow_persistence'] = calculate_order_flow_autocorrelation(data)
return self.scaler.transform(features)
De kritiske dele, de fleste tutorials springer over:
- Brug RobustScaler, ikke StandardScaler. Markedsdata har fede haler, der bryder standardnormalisering.
- Gentræn månedligt, ikke dagligt. Regimemodeller er følsomme over for overfitting på støj.
- Start med maksimalt 3 tilstande. Flere tilstande = flere måder at narre dig selv med in-sample-ydelse.
Overfitting-fælden, Der Dræber De Fleste ML-Handlere
Her er, hvor jeg vil gøre ML-evangelisterne vrede: det meste machine learning i handel er indviklet kurvetilpasning. Jeg har bygget modeller med 93% in-sample-nøjagtighed, der tabte penge i produktion. Hvorfor? De lærte støjen, ikke signalet.
Min første regimegenkendelsesmodel havde 200+ features og brugte et komplekst ensemble af neurale netværk. Den kunne "forudsige" 2008-krisen perfekt. I backtesting. I live handel? Den svingede mellem regimer hver anden dag og genererede flere transaktionsomkostninger end alpha.
Løsningen er ikke mindre ML – det er smartere ML:
- Feature engineering > modelkompleksitet. En simpel HMM med gode features slår et neuralt netværk med skrald-input.
- Walk-forward-validering er ikke til forhandling. Træn på 2019-2020, valider på 2021, test på 2022. Hvis det ikke generaliserer på tværs af forskellige markedscyklusser, er det værdiløst.
- Regimestabilitet betyder mere end nøjagtighed. Bedre at opdage regimer sent, men blive i dem, end at flippe-floppe på hver volatilitetsspids.
Min nuværende model ofrer 20% teoretisk nøjagtighed for 80% mere stabilitet. Den afvejning printer penge.
Live Handelsresultater: Det Gode, Det Dårlige og Det Grimme
Lad os tale om reelle tal fra mine regimeadaptive strategier over de seneste 18 måneder:
Det Gode: Under Treasury-volatilitetsspidsen i oktober 2024 skiftede regimegenkenderen til krisetilstand 2 dage tidligt. Resultat? +8,7% mens buy-and-hold tabte 12%.
Det Dårlige: Falske signaler under "hakkezonen" sommeren 2024 forårsagede 7 unødvendige regimeskift. Hvert skift koster cirka 0,3% i transaktionsomkostninger og slippage. Det er -2,1% i dødvægtstab.
Det Grimme: Modellen missede fuldstændigt krypto flash-crashet i januar 2025. Hvorfor? Kryptomikrostruktur adskiller sig fra traditionelle markeder, og mine features var kalibreret på futures-data. Tabte 4,2% før manuel overstyring. Lærestreg – regimegenkendelse er ikke one-size-fits-all på tværs af aktivklasser.
Samlet ydelse: +31,4% vs +19,2% for statiske strategier. Men den virkelige værdi er ikke de ekstra afkast – det er at sove bedre ved at vide, at mine algoer tilpasser sig, når markederne bliver psykotiske.
Integration med Reelle Handelssystemer
Teori er rart. Implementering er det, der betaler regningerne. Her er, hvordan regimegenkendelse integreres med faktisk handelsinfrastruktur:
# Risikostyringslag
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)
Kritiske implementeringsdetaljer:
- Regimeovergange har brug for buffere. Skift ikke strategier på det første signal – kræv 2-3 på hinanden følgende perioder med bekræftelse.
- Positionsstørrelse justeres før strategiændringer. Reducer risiko først, stil spørgsmål bagefter.
- Oprethold altid en "regime-neutral" hedge. Min er lang volatilitet under usikkerhed.
For handlere, der bruger FibAlgos indikatorer, supplerer multi-tidsramme-signalerne faktisk regimegenkendelse godt – de hjælper med at bekræfte, når kortere tidsrammer begynder at tilpasse sig regimeskift, før de daglige diagrammer indhenter det.
Almindelige Fejltilstande og Sådan Undgår Du Dem
Lad mig spare dig for de fejl, der kostede mig seks cifre:
Fejltilstand 1: Feature-lækage
At bruge impliceret volatilitet til at opdage volatilitetsregimer virker smart, indtil du indser, at IV allerede prissætter regimeforventninger. Du forudsiger fortiden. Hold dig til realiserede målinger og mikrostruktur.
Fejltilstand 2: Regimeovergangs-whipsaw
Markeder skifter ikke regimer rent. Der er altid en rodet overgangsperiode. Min løsning? En "overgangstilstand", der holder positioner minimale, indtil det nye regime stabiliserer sig.
Fejltilstand 3: Aktivspecifik kalibrering
En regimegenkender trænet på S&P-futures vil fejle spektakulært på forex. Hver aktivklasse har unik mikrostruktur. Byg separate modeller eller brug transfer learning forsigtigt.
Fejltilstand 4: Ignorering af makrohændelser
Ingen ML-model forudsagde Brexit eller Swiss Franc-depegging. Regimegenkendelse hjælper dig med at reagere hurtigere, ikke forudsige sorte svaner. Oprethold altid afbrydere for "umulige" hændelser.
Fremtiden for Adaptiv Handel
Efter 8 år med at bygge og ødelægge regimegenkendelsessystemer er her mit kontrære syn: fremtiden er ikke mere komplekse modeller – det er enklere modeller, der tilpasser sig hurtigere.
Markederne bliver mere effektive på højfrekvensniveauet, men mere regimeafhængige på dagligt/ugentligt niveau. Centralbankintervention, algoritmisk flokadfærd, passiv flow-dominans – disse skaber distinkte regimer, som simple adaptive systemer kan udnytte.
Mit næste projekt? At kombinere regimegenkendelse med likviditetsvægtet analyse for at forudsige regimeovergange, før de fuldt ud manifesterer sig. Tidlige resultater viser 4-6 timers forspring på større skift.
Fordelen i 2026 er ikke at have den bedste model – det er at have en model, der indrømmer, når den tager fejl, og tilpasser sig. Statiske strategier er døde. Hvis du ikke kan kode adaptiv adfærd, handler du med gårsdagens værktøjer i morgendagens markeder.
Dine næste skridt
Start enkelt. Glem neurale netværk og fokuser på grundlæggende regimer:
- Beregn rullende 20-dages realiserede/implicerede volatilitetsforhold for dit primære handelsinstrument
- Plot regimeovergange, når forholdet krydser sit 90-dages glidende gennemsnit
- Backtest, hvordan din nuværende strategi præsterer i hvert regime
- Implementer justeringer af positionsstørrelse baseret på regime (endnu ikke strategiændringer)
- Først når dette fungerer, tilføj mere avancerede funktioner og modeller
Husk: regimedetektion er et værktøj, ikke en strategi. Det fortæller dig, hvilke strategier du skal køre hvornår. Alfaen kommer fra at have gode strategier til hvert regime og disciplinen til systematisk at skifte mellem dem.
Markederne vil blive ved med at blive mærkeligere. Dine handelssystemer bør være klar til at tilpasse sig, ellers ender du på kirkegården af geniale strategier, der virkede, indtil de ikke gjorde. Hos Two Sigma havde vi et andet ordsprog: "Markedet er ligeglad med din P&L." Men med ordentlig regimedetektion kan du i det mindste se lastbilen komme, før den rammer dig.
