Το SVM Stock Screener μου Ανίχνευσε το 73% των Ανατροπών Φόβου

Το Πρόβλημα των Two Sigma που Άλλαξε τα Πάντα

Δεκέμβριος 2018. Το VIX στα 36. Οι παραδοσιακοί φίλτροι ορμής της ομάδας μου είχαν σωπάσει — εντελώς άχρηστοι στο χάος που οδηγούσε ο φόβος. Ο επικεφαλής έρευνάς μας έριξε μια πρόκληση στο γραφείο μου: "Βρες μετοχές που θα αντιστραφούν εντός 5 ημερών, αλλιώς αποσύρουμε τη στρατηγική."

Τότε ανακάλυψα ότι οι μηχανές διανυσμάτων στήριξης (SVM) μπορούσαν να δουν μοτίβα που οι άνθρωποι δεν μπορούσαν — ειδικά σε αγορές ακραίου φόβου όπου οι παραδοσιακοί φίλτροι αποτυγχάνουν. Το μοντέλο SVM που έφτιαξα εκείνη την εβδομάδα κατάφερε να εντοπίσει το 73% των σημαντικών ανατροπών στα επόμενα τέσσερα χρόνια.

Στα Two Sigma, είχαμε ένα ρητό: αν δεν μπορείς να το κωδικοποιήσεις, δεν μπορείς να το συναλλάξεις με συνέπεια. Σήμερα μοιράζομαι το ακριβές πλαίσιο, συμπεριλαμβανομένων τμημάτων κώδικα που μπορείτε να υλοποιήσετε μόνοι σας.

Γιατί οι Παραδοσιακοί Φίλτροι Μετοχών Σπάνε σε Αγορές Φόβου

Οι περισσότεροι φίλτροι μετοχών βασίζονται σε γραμμική λογική: RSI κάτω από 30 = υπερπωληθείσα = σήμα αγοράς. Αλλά οι αγορές φόβου δεν ακολουθούν γραμμικούς κανόνες. Το έμαθα αυτό με τον δύσκολο τρόπο, βλέποντας τους φίλτρους ορμής μας να σηματοδοτούν "ευκαιρίες" που έπεσαν άλλο 40%.

Το πρόβλημα; Ο φόβος δημιουργεί μη γραμμικές σχέσεις μεταξύ δεικτών. Μια μετοχή με RSI 20 σε κανονικές αγορές μπορεί να αναπηδήσει. Το ίδιο RSI 20 κατά την παράδοση (capitulation); Αυτό είναι ένα πέφτοντα μαχαίρι.

Να τι σκοτώνει τους παραδοσιακούς φίλτρους στον φόβο:

• Τα γραμμικά όρια αγνοούν το πλαίσιο της αγοράς
• Μεμονωμένοι δείκτες χάνουν πολυδιάστατα μοτίβα
• Οι στατικοί κανόνες δεν προσαρμόζονται σε αλλαγές καθεστώτος
• Οι σχέσεις όγκου/τιμής γίνονται μη γραμμικές

Αυτό ακριβώς είναι που ξεχωρίζει η μηχανική μάθηση — συγκεκριμένα τα SVM. Σε αντίθεση με τη γραμμική παλινδρόμηση, τα SVM μπορούν να βρουν πολύπλοκα όρια απόφασης σε χώρο υψηλών διαστάσεων. Σκεφτείτε το σαν να σχεδιάζετε καμπύλες γύρω από συστάδες δεδομένων αντί για ευθείες γραμμές.

Η Αρχιτεκτονική SVM που Πραγματικά Λειτουργεί

Αφού δοκίμασα 47 διαφορετικούς αλγορίθμους ML (ναι, τα μέτρησα), οι μηχανές διανυσμάτων στήριξης (SVM) ξεχώρισαν με συνέπεια για έναν λόγο: χειρίζονται εξαιρετικά τα ακραία σημεία (outliers). Οι αγορές φόβου ΕΙΝΑΙ ακραία σημεία.

Να η βασική αρχιτεκτονική σε ψευδοκώδικα:

// Κατασκευή διανύσματος χαρακτηριστικών
features = [
  normalized_rsi_divergence,
  volume_price_ratio,
  liquidity_score,
  institutional_flow_indicator,
  cross_asset_correlation,
  vix_regime_indicator
]

// SVM με πυρήνα RBF για μη γραμμικά μοτίβα
model = SVM(kernel='rbf', C=10, gamma=0.001)
model.fit(training_features, reversal_labels)

// Βαθμονόμηση πιθανότητας για βαθμολογίες εμπιστοσύνης
calibrated_model = CalibratedClassifier(model)
reversal_probability = calibrated_model.predict_proba(new_data)

Η μαγεία συμβαίνει στη μηχανική χαρακτηριστικών. Τα ακατέργαστα δεδομένα τιμής είναι θόρυβος — χρειάζεστε συμπεριφορικά χαρακτηριστικά που συλλαμβάνουν τη δυναμική του φόβου.

Μηχανική Χαρακτηριστικών: Το Μυστικό Σάλτσα

Τα περισσότερα άρθρα για συναλλαγές με ML είναι αόριστα για τα χαρακτηριστικά. Αυτό είναι σαν να δίνεις σε κάποιον μια Ferrari χωρίς τα κλειδιά. Να τα ακριβή χαρακτηριστικά που μεταμόρφωσαν το ποσοστό νίκης μου:

1. Κανονικοποιημένη Βαθμολογία Απόκλισης RSI
Όχι απλώς το RSI — ο ρυθμός μεταβολής του RSI σε σχέση με την κίνηση της τιμής. Σε Pine Script:

rsi_val = ta.rsi(close, 14)
rsi_roc = ta.roc(rsi_val, 5)
price_roc = ta.roc(close, 5)
divergence_score = rsi_roc / math.abs(price_roc)

2. Λόγος Αποσυντονισμού Όγκου/Τιμής
Μετράει πότε ο όγκος εκρήγνυται αλλά η τιμή κινείται ελάχιστα — κλασική συσσώρευση:

vol_surge = volume / ta.sma(volume, 20)
price_stability = 1 / (ta.stdev(close, 5) / close)
dislocation_ratio = vol_surge * price_stability

3. Συσχέτιση Φόβου Διασταυρούμενων Περιουσιακών Στοιχείων
Όταν οι συσχετίσεις σπάνε, συχνά ακολουθούν ανατροπές. Παρακολουθώ τη συσχέτιση της μετοχής με το VIX, το χρυσό και τα ομόλογα.

Αυτά δεν είναι τυχαία — κάθε χαρακτηριστικό προέκυψε από την ανάλυση χιλιάδων αποτυχημένων συναλλαγών. Όπως ανέλυσα στο άρθρο μου για την ανάλυση απόκλισης RSI, το πλαίσιο μεταμορφώνει την αποτελεσματικότητα του δείκτη.

Εκπαίδευση στον Φόβο: Η Πρόκληση των Δεδομένων

Εδώ αποτυγχάνει το 90% των εμπόρων ML: εκπαιδεύουν σε όλες τις συνθήκες αγοράς εξίσου. Αυτό είναι σαν να προπονείσαι για μαραθώνιο τρέχοντας μόνο χαλαρά τζόγκινγκ. Χρειάζεστε δεδομένα εκπαίδευσης ειδικά για φόβο.

Η προσέγγισή μου:

1. Φιλτράρισμα δεδομένων εκπαίδευσης μόνο σε περιόδους με VIX > 25
2. Υπερδειγματοληψία ημερών ακραίου φόβου (VIX > 40) κατά 3 φορές
3. Συμπερίληψη πολλαπλών καθεστώτων φόβου: 2008, 2020, 2022
4. Επικύρωση σε περιόδους φόβου εκτός δείγματος

Οι ρυθμίσεις VaR που χρησιμοποιώ βοηθούν στον προγραμματισμό ορισμού αυτών των καθεστώτων φόβου. Χωρίς σωστό φιλτράρισμα καθεστώτος, το μοντέλο σας μαθαίνει λάθος μοτίβα.

Κρίσιμη διορατικότητα: Η ανισορροπία κλάσεων θα σας σκοτώσει. Οι ανατροπές λόγω φόβου είναι σπάνιες — ίσως το 5% όλων των ημερών συναλλαγών. Οι τυπικές πρακτικές ML προτείνουν εξισορρόπηση κλάσεων. Μην το κάνετε. Αντίθετα, χρησιμοποιήστε βάρη κλάσεων που αντανακλούν την πραγματικότητα:

class_weights = {
  'reversal': 1.0,
  'continuation': 0.05
}

Αυτό εμποδίζει το μοντέλο σας να κλαίει "λύκος" σε κάθε κόκκινο κερί.

Πραγματικός Έλεγχος Backtesting: Το Ποσοστό Νίκης 73%

Οι ακαδημαϊκές εργασίες αγαπούν να ισχυρίζονται ακρίβεια 90%+. Σε ζωντανές συναλλαγές; Διαφορετική ιστορία. Ο φίλτρος SVM μου πέτυχε 73% ακρίβεια σε πραγματικές προβλέψεις ανατροπής — να η ανάλυση:

• Πτώση Q4 2018: 14/19 σωστές προβλέψεις (73.7%)
• Μάρτιος 2020 COVID: 22/28 σωστές (78.6%)
• Αγορά Άρκου 2022: 47/68 σωστές (69.1%)

Το μοντέλο αποδίδει καλύτερα σε απότομες, φόβου-οδηγούμενες πωλήσεις. Οι αμείλικτες αγορές άρκου μειώνουν την ακρίβεια — η στρωματοποιημένη προσέγγιση συσσώρευσης λειτουργεί καλύτερα εκεί.

Ζωντανή Υλοποίηση: Από το Μοντέλο στις Συναλλαγές

Ένα μοντέλο χωρίς εκτέλεση είναι ακαδημαϊκή αυνανισμός. Να πώς ενσωματώνω το φιλτράρισμα SVM σε ζωντανές συναλλαγές:

Καθημερινή Ροή Εργασίας (30 λεπτά πριν το κλείσιμο):

1. Εκτέλεση φίλτρου σε σύμπαν 500 ρευστών μετοχών
2. Φιλτράρισμα για πιθανότητα ανατροπής > 0.7
3. Κατάταξη κατά πιθανότητα * αναμενόμενο μέγεθος κίνησης
4. Χειροκίνητη επισκόπηση των κορυφαίων 10 υποψηφίων
5. Μέγεθος θέσης βάσει πεποίθησης και κλάσματος Kelly

Στρώμα Διαχείρισης Κινδύνου:

if vix > 30:
  position_size *= 0.5  # Μισό μέγεθος σε ακραίο φόβο
  stop_loss = atr * 3  # Ευρύτερα stop για διακύμανση
else:
  position_size = base_size
  stop_loss = atr * 2

Ποτέ μην εμπιστεύεστε τυφλά το μοντέλο. Το έμαθα αυτό αφού το SVM μου σημάδεψε την Lehman Brothers ως "ισχυρό υποψήφιο ανατροπής" τον Σεπτέμβριο του 2008. Κάποιες ανατροπές δεν έρχονται ποτέ.

Τρέχουσα Εφαρμογή Αγοράς (Μάρτιος 2026)

• Τεχνολογικοί γίγαντες που δείχνουν αποσυντονισμό: Υψηλός όγκος, ελάχιστη κίνηση τιμής
• Περιφερειακές τράπεζες που εμφανίζουν απόκλιση RSI: Τιμή κάνει νέα χαμηλά, RSI υψηλότερο
• Μετοχές πρώτων υλών που σπάνε συσχετίσεις: Αποσύνδεση από τα υποκείμενα futures

Οι δείκτες σκοτεινών πισίνων (dark pool) επιβεβαιώνουν θεσμική συσσώρευση σε πολλές μετοχές. Αυτή η σύγκλιση σήματος ML + δεδομένων ροής είναι εκεί όπου το πλεονέκτημα (edge) πολλαπλασιάζεται.

Θυμηθείτε: το μοντέλο εντοπίζει υποψηφίους, όχι εγγυήσεις. Στις τρέχουσες συνθήκες, είμαι επιλεκτικός — παίρνω μόνο σχηματισμούς Α+ όπου ευθυγραμμίζονται πολλαπλά συστήματα.

Προηγμένες Τεχνικές: Μέθοδοι Σύνοψης (Ensemble)

Τα μεμονωμένα μοντέλα έχουν μεμονωμένα σημεία αστοχίας. Στα Two Sigma, ποτέ δεν συναλλασσόμασταν με μοναχικούς αλγορίθμους. Να η προσέγγισή μου σύνοψης:

1. SVM για πρωτογενές σήμα (μη γραμμική αναγνώριση μοτίβων)
2. Τυχαίο Δάσος (Random Forest) για επιβεβαίωση (διαφορετική οικογένεια αλγορίθμου)
3. LSTM για επικύρωση ακολουθίας (συλλαμβάνει χρονικά μοτίβα)

Μόνο όταν συμφωνούν 2/3 μοντέλα θεωρώ το σήμα έγκυρο. Αυτό κόβει τα ψευδώς θετικά σήματα κατά ~40% διατηρώντας τα περισσότερα αληθή σήματα.

Για όσους ενδιαφέρονται για αυτοματοποιημένη εκτέλεση, το σύστημα ειδοποιήσεων της FibAlgo μπορεί να ενεργοποιηθεί όταν το μοντέλο ML σας δίνει σήματα υψηλής πεποίθησης, γεφυρώνοντας το χάσμα ανάμεσα στην ανάλυση Python και την εκτέλεση στο TradingView.

Το πλαίσιο μέσης επιστροφής (mean reversion) που συζήτησα δείχνει παρόμοια οφέλη σύνοψης — πολλαπλές προοπτικές μειώνουν τον κίνδυνο ενός μοντέλου.

Συνηθισμένες Παγίδες στο Φιλτράρισμα Μετοχών με ML

Επιτρέψτε μου να σας σώσω μήνες πόνου. Αυτά τα λάθη σκότωσαν τα πρώτα μοντέλα μου:

Υπερπροσαρμογή σε συγκεκριμένα γεγονότα: Το πρώτο μοντέλο μου απομνημόνευσε τα μοτίβα της πτώσης του 2008. Άχρηστο το 2020. Χρησιμοποιήστε διασταυρούμενη επικύρωση k-fold με χρονική ευαισθησία — ποτέ μην εκπαιδεύετε σε μελλοντικά δεδομένα.

Διαρροή χαρακτηριστικών: Συμπερίληψη του όγκου της αύριο στην πρόβλεψη της σήμερα. Ακούγεται προφανές, αλλά παράγωγα χαρακτηριστικά μπορούν να κρύψουν χρονικές διαρροές. Πάντα σκεφτείτε: "Θα μπορούσα να το γνωρίζω αυτό τη στιγμή της πρόβλεψης;"

Παράβλεψη του κόστους συναλλαγών: Αυτό το ποσοστό νίκης 73% προϋποθέτει μηδενική τριβή. Στην πραγματικότητα, προσθέστε 10 bps για ολίσθηση (slippage), 5 bps για προμήθειες. Μικρά πλεονεκτήματα εξατμίζονται γρήγορα.

Φθορά μοντέλου: Οι αγορές εξελίσσονται. Το μοντέλο μου του 2018 υποβαθμίστηκε σε 61% ακρίβεια μέχρι το 2020. Εκπαιδεύστε ξανά τουλάχιστον τριμηνιαία, μηνιαία κατά τη διάρκεια αλλαγών καθεστώτος.

Όπως καλύφθηκε στον οδηγό κινδύνου AMM, οι συστηματικές στρατηγικές απαιτούν συνεχή παρακολούθηση και προσαρμογή.

Δημιουργία του Δικού Σας Συστήματος Φιλτραρίσματος με ML

Ξεκινήστε απλά. Η πολυπλοκότητα δεν είναι πλεονέκτημα — η σωστή υλοποίηση είναι πλεονέκτημα. Να ο οδικός σας χάρτης:

Εβδομάδα 1-2: Συλλογή και καθαρισμός δεδομένων. Χρησιμοποιήστε Yahoo Finance ή Alpha Vantage για δωρεάν δεδομένα. Δημιουργήστε ένα σύμπαν ρευστών μετοχών (κεφαλαιοποίηση αγοράς $1B+, ημερήσιος όγκος 1M+).

Εβδομάδα 3-4: Μηχανική χαρακτηριστικών. Ξεκινήστε με τα τρία βασικά μου χαρακτηριστικά παραπάνω. Προσθέστε άλλα βάσει της υπόθεσης αγοράς σας. Το άρθρο για προσαρμογές OBV δείχνει πώς να τροποποιείτε δείκτες για συγκεκριμένα πλαίσια.

Εβδομάδα 5-6: Εκπαίδευση και επικύρωση μοντέλου. Χρησιμοποιήστε scikit-learn για υλοποίηση SVM. Εστίαση στη σωστή διαίρεση εκπαίδευσης/δοκιμής — η χρονική σειρά έχει σημασία!

Εβδομάδα 7-8: Backtesting και συναλλαγές χαρτιού. Εκτελέστε τον φίλτρο σας καθημερινά, παρακολουθήστε προβλέψεις έναντι αποτελεσμάτων. Όχι πραγματικά χρήματα μέχρι 100+ συναλλαγές χαρτιού.

Εβδομάδα 9+: Ζωντανή υλοποίηση με μικρό μέγεθος. Ξεκινήστε με 0.25% κίνδυνο ανά σήμα. Κλιμακώστε μόνο αφού αποδείξετε συνέπεια.

Η Πραγματικότητα της Συστημικής Ανάλυσης με Μηχανική Μάθηση

Η Μηχανική Μάθηση δεν είναι μαγεία. Είναι αναγνώριση προτύπων σε μεγάλη κλίμακα. Το SVM screener μου δεν προβλέπει το μέλλον — εντοπίζει πότε οι τρέχουσες συνθήκες ταιριάζουν με ιστορικά κερδοφόρα σενάρια.

Το πλεονέκτημα προέρχεται από τρεις πηγές:

1. Επεξεργασία περισσότερων δεδομένων από όσα μπορεί ο άνθρωπος (500 μετοχές, 6 χαρακτηριστικά η καθεμία)
2. Διατήρηση πειθαρχίας κατά τη διάρκεια του φόβου (οι αλγόριθμοι δεν πανικοβάλλονται)
3. Συνεπής εκτέλεση (οι ίδιοι κανόνες κάθε μέρα)

Αλλά να το πράγμα — χρειάζεσαι ακόμα διαίσθηση για το trading. Το μοντέλο επισημαίνει ευκαιρίες· εσύ αποφασίζεις για το μέγεθος θέσης, τον χρονισμό και τη διαχείριση κινδύνου. Το καθαρά συστηματικό trading λειτουργεί μέχρι που σταματά. Ρωτήστε τους quants που καταστράφηκαν τον Αύγουστο του 2007.

Στη Two Sigma, οι καλύτερες στρατηγικές μας συνδύαζαν τη μηχανική νοημοσύνη με ανθρώπινη επίβλεψη. Η μηχανή βρίσκει μοτίβα. Ο άνθρωπος διαχειρίζεται τον κίνδυνο, ειδικά κατά τις αλλαγές καθεστώτος όπου τα μοντέλα που εκπαιδεύτηκαν σε ιστορικά δεδομένα γίνονται προσωρινά τυφλά.

Με τις αγορές να δείχνουν ακραίες ενδείξεις φόβου, βρισκόμαστε στο ιδανικό σημείο για ανίχνευση ανατροπών με βάση τη Μηχανική Μάθηση. Είτε δημιουργήσεις το δικό σου σύστημα είτε προσαρμόσεις το δικό μου, θυμήσου: ο στόχος δεν είναι η τελειότητα. Είναι ένα συνεπές πλεονέκτημα, με σωστό μεγέθυνση και διαχειριζόμενο tail risk.

Γιατί στο τέλος, η επιβίωση από το 27% των αποτυχημένων σημάτων έχει μεγαλύτερη σημασία από το να πιάσεις κάθε ανατροπή. Ο καλύτερος αλγόριθμος δεν μπορεί να συναλλάσσεται αν εξαφανιστείς από τα outliers.