משטרי שוק משתנים במהירות. גם האסטרטגיה שלך צריכה

למידת מכונה הצילה לי את התחת כשחוקים סטטיים נכשלו

הנה מה שאף אחד לא מספר לך על מסחר אלגוריתמי: האסטרטגיה הטובה בעולם הופכת לחסרת ערך כשמשטר השוק משתנה. למדתי זאת בדרך היקרה בפברואר 2018, כשמערכת המין-ריברסיון שלי — רווחית במשך 3 שנים רצופות — איבדה 23% תוך 8 ימים במהלך פיצוץ ה-VIX.

בטו סיגמה, היה לנו פתגם: "לשווקים יש זיכרון, אבל הם גם סכיזופרניים." אחרי שעזבתי כדי לסחור בהון האישי שלי, ביליתי 18 חודשים בבניית מה שיהפוך למסגרת זיהוי המשטר שלי. לא כי רציתי — אלא כי הייתי חייב.

הגישה המסורתית? לקודד אסטרטגיות שונות לתנאי שוק שונים. הבעיה? עד שאתה מבין שהמשטר השתנה, ה-P&L שלך כבר מדמם. זיהוי משטר אמיתי קורה לפני התנועה, לא אחריה.

מודל מרקוב החבוי ששינה הכל

מרץ 2020. בזמן שכולם התווכחו אם קוביד הוא "רק שפעת," מודל זיהוי המשטר שלי עשה משהו מעניין — הוא עבר ממצב "טרנדינג" למצב "משבר" ב-21 בפברואר, 10 ימים מלאים לפני ההתרסקות האמיתית. לא כי הוא חזה את המגפה, אלא כי מיקרו-מבנה השוק כבר צרח.

הנה הגרסה הפשוטה של מה שהציל את התיק שלי:

    # תכונות: יחסי תנודתיות, מטריצות מתאם, דפוסי נפח

    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'

הקסם אינו במודל — הוא בתכונות. רוב זיהויי המשטר נכשלים כי אנשים מזינים קלטים שגויים. ממוצעים נעים? חסרי תועלת. RSI? אפילו גרוע יותר. אתה צריך תכונות שתופסות את מיקרו-מבנה השוק:

• יחסי תנודתיות ממומשת/מרומזת על פני מסגרות זמן מרובות
• מטריצות מתאם בין-נכסיות (כשאג"ח ומניות זזות יחד, משטרים משתנים)
• התמדת חוסר איזון בזרימת הפקודות (כמה זמן נמשך לחץ כיווני)
• קיבוץ תנודתיות תוך-יומי (פחד מופיע בברים של 15 דקות לפני יומי)

המודל הנוכחי שלי משתמש ב-47 תכונות, אבל ארבע אלה אחראיות ל-71% מדויקות סיווג המשטר.

שלושה מצבי משטר שבאמת משנים

תשכח מהמאמרים האקדמיים שמדברים על 7 משטרי שוק שונים. אחרי עיבוד 8 שנים של נתוני טיק על פני חוזים עתידיים, פורקס וקריפטו, רק שלושה משטרים באמת משפיעים על ה-P&L שלך:

1. משטר מומנטום (38% מזמן השוק)

מאופיין בתנועות כיווניות מתמשכות עם נסיגות מתחת ל-38.2% פיבונאצ'י. מתאמים נשארים חיוביים, תנודתיות מתרחבת בהדרגה. זה הזמן שבו מעקב טרנדים מדפיס כסף. האלגו'ים המומנטום שלי רצים בגודל פוזיציה מלא כאן.

2. משטר מין-ריברסיון (49% מזמן השוק)

הלחם והחמאה של רוב סוחרי האלגו. תנודתיות מתכווצת, טווחים נשמרים, מתאמים חוזרים לממוצע. אבל הנה הקאץ' — למשטר זה יש שתי תת-מדינות שאני מכנה "צ'אפ בריא" ו"קפיץ דחוס." האחרון מקדים תנועות אלימות.

3. משטר משבר (13% מזמן השוק)

כל המתאמים הולכים ל-1 או 1-. תנודתיות מתפוצצת. נזילות נעלמת. אסטרטגיות מסורתיות לא רק מפגינות ביצועים נמוכים — הן קורסות. במהלך משטרי משבר, אני מקטין גדלי פוזיציה ב-75% ועובר לארביטראז' תנודתיות בלבד.

התובנה המרכזית? משטרים מתקבצים. משבר בא אחרי דחיסה ב-73% מהמקרים. מומנטום בא אחרי משבר ב-67% מהמקרים. רצף זה נותן לך יתרון.

בניית מערכת זיהוי משטר משלך

תן לי לחסוך לך 6 חודשים של ניסוי וטעייה. הנה המסגרת שבאמת עובדת בפרודקשן:

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() # מטפל טוב יותר בחריגים

    

    def calculate_features(self, data):

        # כאן הקסם קורה

        features = {}

        

        # משטר תנודתיות

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

        

        # מבנה מתאם

        corr_matrix = calculate_rolling_correlation(data, window=21)

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

        

        # מיקרו-מבנה

        features['flow_persistence'] = calculate_order_flow_autocorrelation(data)

        

        return self.scaler.transform(features)

החלקים הקריטיים שרוב המדריכים מדלגים עליהם:

• השתמש ב-RobustScaler, לא ב-StandardScaler. לנתוני שוק יש זנבות עבים ששוברים נורמליזציה סטנדרטית.
• אמן מחדש חודשית, לא יומית. מודלי משטר רגישים להתאמת יתר על רעש.
• התחל עם מקסימום 3 מצבים. יותר מצבים = יותר דרכים לרמות את עצמך עם ביצועים בתוך המדגם.

מלכודת התאמת היתר שהורגת את רוב סוחרי ה-ML

הנה איפה שאני הולך להרגיז את האוונגליסטים של ML: רוב הלמידת מכונה במסחר היא התאמת עקומות משוכללת. בניתי מודלים עם דיוק של 93% בתוך המדגם שהפסידו כסף בפרודקשן. למה? הם למדו את הרעש, לא את האות.

מודל זיהוי המשטר הראשון שלי הכיל 200+ תכונות והשתמש באנסמבל מורכב של רשתות נוירונים. הוא יכול "לחזות" את המשבר של 2008 בצורה מושלמת. בבדיקות לאחור. במסחר חי? הוא זיגזג בין משטרים כל יום שני, ויצר יותר עלויות עסקה מאלפא.

הפתרון אינו פחות ML — הוא ML חכם יותר:

• הנדסת תכונות > מורכבות מודל. HMM פשוט עם תכונות מצוינות מנצח רשת נוירונים עם קלטים גרועים.
• אימות מתגלגל קדימה הוא בלתי ניתן למשא ומתן. אמן על 2019-2020, אמת על 2021, בדוק על 2022. אם זה לא מכליל על פני מחזורי שוק שונים, זה חסר ערך.
• יציבות משטר חשובה יותר מדיוק. עדיף לזהות משטרים באיחור אבל להישאר בהם מאשר להתהפך על כל עליית תנודתיות.

המודל הנוכחי שלי מקריב 20% דיוק תיאורטי תמורת 80% יותר יציבות. הפשרה הזו מדפיסה כסף.

תוצאות מסחר חי: הטוב, הרע והמכוער

בוא נדבר על מספרים אמיתיים מהאסטרטגיות האדפטיביות למשטר שלי ב-18 החודשים האחרונים:

הטוב: במהלך עליית התנודתיות של אג"ח ממשלתיות באוקטובר 2024, מזהה המשטר עבר למצב משבר יומיים מוקדם. תוצאה? +8.7% בזמן שקנה והחזק הפסיד 12%.

הרע: אותות שווא במהלך "אזור הצ'אפ" של קיץ 2024 גרמו ל-7 מעברי משטר מיותרים. כל מעבר עולה בערך 0.3% בעלויות עסקה והחלקה. זה -2.1% באובדן משקל מת.

המכוער: המודל החמיץ לחלוטין את התרסקות הקריפטו בינואר 2025. למה? מיקרו-מבנה הקריפטו שונה משווקים מסורתיים, והתכונות שלי כוילו על נתוני חוזים עתידיים. הפסדתי 4.2% לפני עקיפה ידנית. לקח נלמד — זיהוי משטר אינו מתאים לכולם על פני סוגי נכסים.

ביצועים כלליים: +31.4% לעומת +19.2% לאסטרטגיות סטטיות. אבל הערך האמיתי אינו התשואות הנוספות — זה לישון טוב יותר בידיעה שהאלגו'ים שלי מסתגלים כשהשווקים משתגעים.

אינטגרציה עם מערכות מסחר אמיתיות

תיאוריה זה נחמד. יישום הוא מה שמשלם את החשבונות. הנה איך זיהוי משטר משתלב עם תשתית מסחר אמיתית:

# שכבת ניהול סיכונים

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)

פרטי יישום קריטיים:

• מעברי משטר צריכים חוצצים. אל תחליף אסטרטגיות על האות הראשון — דרוש 2-3 תקופות רצופות של אישור.
• גודל פוזיציה מתכוונן לפני שינויי אסטרטגיה. הפחת סיכון קודם, שאל שאלות אחר כך.
• תמיד שמור על גידור "נייטרלי למשטר". שלי הוא תנודתיות ארוכה בזמן אי-ודאות.

לסוחרים המשתמשים באינדיקטורים של FibAlgo, האותות מרובי מסגרות הזמן משלימים היטב את זיהוי המשטר — הם עוזרים לאשר כשמסגרות זמן קצרות יותר מתחילות להתיישר עם שינויי משטר לפני שהגרפים היומיים משיגים את הקצב.

מצבי כשל נפוצים וכיצד להימנע מהם

תן לי לחסוך לך מהטעויות שעלו לי שש ספרות:

מצב כשל 1: דליפת תכונות

שימוש בתנודתיות מרומזת כדי לזהות משטרי תנודתיות נראה חכם עד שאתה מבין ש-IV כבר מתמחר ציפיות משטר. אתה חוזה את העבר. היצמד למדדים ממומשים ומיקרו-מבנה.

מצב כשל 2: זיגזג מעבר משטר

שווקים לא מחליפים משטרים בצורה נקייה. תמיד יש תקופת מעבר מבולגנת. הפתרון שלי? "מצב מעבר" ששומר על פוזיציות מינימליות עד שהמשטר החדש מתייצב.

מצב כשל 3: כיול ספציפי לנכס

מזהה משטר שאומן על חוזים עתידיים של S&P ייכשל באופן מרהיב על פורקס. לכל סוג נכס יש מיקרו-מבנה ייחודי. בנה מודלים נפרדים או השתמש בלמידת העברה בזהירות.

מצב כשל 4: התעלמות מאירועי מאקרו

אף מודל ML לא חזה את הברקזיט או את ניתוק הפרנק השוויצרי. זיהוי משטר עוזר לך להגיב מהר יותר, לא לחזות ברבורים שחורים. תמיד שמור על מפסקי זרם לאירועים "בלתי אפשריים".

העתיד של מסחר אדפטיבי

אחרי 8 שנים של בנייה ושבירה של מערכות זיהוי משטר, הנה הדעה המנוגדת שלי: העתיד אינו מודלים מורכבים יותר — הוא מודלים פשוטים יותר שמסתגלים מהר יותר.

השווקים נעשים יעילים יותר ברמת התדר הגבוה אבל תלויים יותר במשטר ברמה היומית/שבועית. התערבות בנק מרכזי, התקהלות אלגוריתמית, דומיננטיות זרימה פסיבית — אלה יוצרים משטרים מובחנים שמערכות אדפטיביות פשוטות יכולות לנצל.

הפרויקט הבא שלי? שילוב זיהוי משטר עם ניתוח משוקלל נזילות כדי לחזות מעברי משטר לפני שהם מתממשים במלואם. תוצאות מוקדמות מראות זמן הובלה של 4-6 שעות על שינויים משמעותיים.

היתרון ב-2026 אינו בכך שיש לך את המודל הטוב ביותר — הוא בכך שיש לך מודל שמודה כשהוא טועה ומסתגל. אסטרטגיות סטטיות מתות. אם אתה לא יכול לקודד התנהגות אדפטיבית, אתה סוחר עם כלים של אתמול בשווקים של מחר.

הצעדים הבאים שלך

התחל בפשטות. תשכח מרשתות נוירונים והתמקד ביסודות המשטר:

• חשב יחסי תנודתיות ממומשת/משתמעת על פני 20 ימים עבור כלי המסחר העיקרי שלך
• תווה מעברים בין משטרים כאשר היחס חוצה את הממוצע הנע ל-90 ימים
• בדוק לאחור כיצד האסטרטגיה הנוכחית שלך מתפקדת בכל משטר
• יישם התאמות בגודל הפוזיציה על בסיס המשטר (עדיין לא שינויים באסטרטגיה)
• רק לאחר שזה עובד, הוסף תכונות ומודלים מתוחכמים יותר

זכור: זיהוי משטר הוא כלי, לא אסטרטגיה. הוא אומר לך אילו אסטרטגיות להפעיל ומתי. האלפא מגיע מאסטרטגיות טובות לכל משטר וממשמעת לעבור ביניהן באופן שיטתי.

השווקים ימשיכו להיות מוזרים יותר. מערכות המסחר שלך חייבות להיות מוכנות להסתגל, אחרת תצטרף לבית הקברות של אסטרטגיות מבריקות שעבדו עד שהפסיקו. ב-Two Sigma, היה לנו עוד פתגם: "לשוק לא אכפת מה-P&L שלך." אבל עם זיהוי משטר נכון, לפחות תראה את המשאית מתקרבת לפני שהיא פוגעת בך.