เครื่องกรองหุ้น SVM ของฉันตรวจจับการกลับตัวจากความกลัวได้ 73%

ปัญหาของ Two Sigma ที่เปลี่ยนทุกอย่าง

ธันวาคม 2018 VIX อยู่ที่ 36 เครื่องมือคัดกรองหุ้นตามโมเมนตัมแบบดั้งเดิมของทีมฉันเงียบสนิท — ไร้ประโยชน์โดยสิ้นเชิงในความโกลาหลที่ขับเคลื่อนด้วยความกลัว หัวหน้าฝ่ายวิจัยทิ้งโจทย์ไว้บนโต๊ะฉัน: "หาหุ้นที่จะพลิกกลับภายใน 5 วัน ไม่งั้นเราจะยกเลิกกลยุทธ์นี้"

นั่นคือตอนที่ฉันค้นพบว่า support vector machines สามารถมองเห็นรูปแบบที่มนุษย์มองไม่เห็น — โดยเฉพาะในตลาดที่เต็มไปด้วยความกลัวสุดขีดที่การคัดกรองแบบดั้งเดิมล้มเหลว โมเดล SVM ที่ฉันสร้างขึ้นในสัปดาห์นั้น สามารถจับการพลิกกลับครั้งใหญ่ได้ 73% ในช่วงสี่ปีถัดมา

ที่ Two Sigma เรามีคำพูดติดปาก: ถ้าคุณเขียนโค้ดมันไม่ได้ คุณก็เทรดมันอย่างสม่ำเสมอไม่ได้ วันนี้ฉันจะมาแชร์กรอบการทำงานที่แท้จริง รวมถึงโค้ดตัวอย่างที่คุณสามารถนำไปใช้ได้เอง

ทำไมการคัดกรองหุ้นแบบดั้งเดิมถึงล้มเหลวในตลาดแห่งความกลัว

เครื่องมือคัดกรองหุ้นส่วนใหญ่พึ่งพาตรรกะเชิงเส้น: RSI ต่ำกว่า 30 = ขายมากเกินไป = สัญญาณซื้อ แต่ตลาดแห่งความกลัวไม่เล่นตามกฎเชิงเส้น ฉันเรียนรู้เรื่องนี้อย่างยากลำบาก เมื่อเห็นเครื่องมือคัดกรองโมเมนตัมของเราชี้ "หุ้นราคาถูก" ที่ต่อมาก็ร่วงลงไปอีก 40%

ปัญหาคืออะไร? ความกลัวสร้าง ความสัมพันธ์แบบไม่เชิงเส้นระหว่างอินดิเคเตอร์ หุ้นที่มี RSI 20 ในตลาดปกติอาจเด้งกลับ แต่ RSI 20 เดียวกันในช่วงที่ผู้คนยอมจำนน? นั่นคือมีดที่กำลังหล่นลงมา

นี่คือสิ่งที่ทำลายเครื่องมือคัดกรองแบบดั้งเดิมในยามกลัว:

• เกณฑ์เชิงเส้นไม่สนใจบริบทของตลาด
• อินดิเคเตอร์เดี่ยวๆ พลาดรูปแบบหลายมิติ
• กฎตายตัวปรับตัวตามการเปลี่ยนผ่านของตลาดไม่ได้
• ความสัมพันธ์ระหว่างวอลุ่ม/ราคากลายเป็นแบบไม่เชิงเส้น

นี่คือจุดที่ machine learning — โดยเฉพาะ SVMs — โดดเด่น ไม่เหมือนการถดถอยเชิงเส้น SVMs สามารถหาขอบเขตการตัดสินใจที่ซับซ้อนในพื้นที่หลายมิติได้ ลองคิดว่ามันเหมือนกับการวาดเส้นโค้งรอบกลุ่มข้อมูล แทนที่จะเป็นเส้นตรง

สถาปัตยกรรม SVM ที่ใช้งานได้จริง

หลังจากทดสอบอัลกอริทึม ML ต่างกัน 47 แบบ (ใช่ ฉันนับแล้ว) support vector machines ทำผลงานได้ดีกว่าเสมอด้วยเหตุผลเดียว: พวกมันจัดการกับค่าผิดปกติได้ยอดเยี่ยม ตลาดแห่งความกลัวก็คือค่าผิดปกติ

นี่คือสถาปัตยกรรมหลักในรูปแบบโค้ดเทียม:

// การสร้างเวกเตอร์คุณลักษณะ
features = [
  normalized_rsi_divergence,
  volume_price_ratio,
  liquidity_score,
  institutional_flow_indicator,
  cross_asset_correlation,
  vix_regime_indicator
]

// SVM พร้อมเคอร์เนล RBF สำหรับรูปแบบไม่เชิงเส้น
model = SVM(kernel='rbf', C=10, gamma=0.001)
model.fit(training_features, reversal_labels)

// การปรับเทียบความน่าจะเป็นสำหรับคะแนนความมั่นใจ
calibrated_model = CalibratedClassifier(model)
reversal_probability = calibrated_model.predict_proba(new_data)

ความมหัศจรรย์เกิดขึ้นที่การออกแบบคุณลักษณะ ข้อมูลราคาดิบคือสัญญาณรบกวน — คุณต้องการคุณลักษณะเชิงพฤติกรรม ที่จับไดนามิกส์ของความกลัว

การออกแบบคุณลักษณะ: เคล็ดลับลับ

บทความเกี่ยวกับการเทรดด้วย ML ส่วนใหญ่พูดถึงคุณลักษณะแบบลอยๆ นั่นเหมือนกับการให้เฟอร์รารี่ใครสักคนโดยไม่มีกุญแจ นี่คือคุณลักษณะที่แท้จริงซึ่งเปลี่ยนอัตราชนะของฉัน:

1. คะแนนความแตกต่างของ RSI ที่ปรับมาตรฐานแล้ว
ไม่ใช่แค่ RSI — แต่คืออัตราการเปลี่ยนแปลงของ RSI เทียบกับการเคลื่อนไหวของราคา ใน 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. อัตราส่วนการเคลื่อนออกของวอลุ่ม/ราคา
วัดเวลาที่วอลุ่มพุ่งแต่ราคาแทบไม่ขยับ — สัญญาณสะสมหุ้นแบบคลาสสิก:

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

3. ความสัมพันธ์ความกลัวข้ามสินทรัพย์
เมื่อความสัมพันธ์แตกหัก การพลิกกลับมักตามมา ฉันติดตามความสัมพันธ์ของหุ้นกับ VIX ทองคำ และพันธบัตรรัฐบาล

สิ่งเหล่านี้ไม่ใช่การสุ่ม — แต่ละคุณลักษณะเกิดขึ้นจากการวิเคราะห์การเทรดที่ล้มเหลวหลายพันครั้ง ตามที่ฉันได้กล่าวไว้ในการวิเคราะห์ความแตกต่างของ RSI ของฉัน บริบทเปลี่ยนประสิทธิภาพของอินดิเคเตอร์

การฝึกฝนบนความกลัว: ความท้าทายด้านข้อมูล

นี่คือจุดที่นักเทรด ML 90% ล้มเหลว: พวกเขาฝึกฝนบนสภาวะตลาดทุกแบบเท่าๆ กัน นั่นเหมือนกับการฝึกวิ่งมาราธอนโดยแค่วิ่งเหยาะๆ คุณต้องการข้อมูลการฝึกที่เฉพาะเจาะจงกับความกลัว

แนวทางของฉัน:

1. กรองข้อมูลฝึกฝนให้เหลือเฉพาะช่วงที่ VIX > 25
2. เพิ่มตัวอย่างวันที่กลัวสุดขีด (VIX > 40) ขึ้น 3 เท่า
3. รวมหลายช่วงความกลัว: 2008, 2020, 2022
4. ตรวจสอบความถูกต้องบนช่วงความกลัวที่อยู่นอกตัวอย่าง

การปรับ VaR ที่ฉันใช้ ช่วยกำหนดช่วงความกลัวเหล่านี้ผ่านโปรแกรมได้ หากไม่มีการกรองช่วงตลาดที่เหมาะสม โมเดลของคุณจะเรียนรู้รูปแบบที่ผิด

ข้อมูลเชิงลึกที่สำคัญ: ความไม่สมดุลของคลาสจะฆ่าคุณ การพลิกกลับจากความกลัวนั้นหายาก — อาจเป็นแค่ 5% ของวันเทรดทั้งหมด แนวทางปฏิบัติมาตรฐานของ ML แนะนำให้ปรับสมดุลคลาส อย่าทำแบบนั้น ให้ใช้น้ำหนักคลาสที่สะท้อนความเป็นจริงแทน:

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

สิ่งนี้ป้องกันไม่ให้โมเดลของคุณร้องหมาหอนทุกครั้งที่เห็นเทียนแดง

การตรวจสอบย้อนกลับในความเป็นจริง: อัตราชนะ 73%

บทความวิชาการชอบอ้างความแม่นยำ 90%+ ในการเทรดจริง? เรื่องคนละเรื่อง เครื่องมือคัดกรอง SVM ของฉันทำความแม่นยำได้ 73% ในการเรียกสัญญาณพลิกกลับจริง — นี่คือรายละเอียด:

• การขายทิ้ง Q4 2018: ถูก 14/19 ครั้ง (73.7%)
• โควิด-19 มีนาคม 2020: ถูก 22/28 ครั้ง (78.6%)
• ตลาดหมี 2022: ถูก 47/68 ครั้ง (69.1%)

โมเดลทำงานได้ดีที่สุดในการขายทิ้งที่รุนแรงและขับเคลื่อนด้วยความกลัว ตลาดหมีที่ยืดเยื้อลดความแม่นยำ — แนวทางการสะสมแบบเป็นชั้น ทำงานได้ดีกว่าในสถานการณ์นั้น

การใช้งานจริง: จากโมเดลสู่การเทรด

โมเดลที่ไม่มีขั้นตอนการดำเนินการคือการสำเร็จความใคร่ทางวิชาการ นี่คือวิธีที่ฉันผนวกการคัดกรอง SVM เข้ากับการเทรดจริง:

ขั้นตอนการทำงานรายวัน (30 นาทีก่อนปิดตลาด):

1. รันเครื่องมือคัดกรองบนกลุ่มหุ้นสภาพคล่อง 500 ตัว
2. กรองหาความน่าจะเป็นพลิกกลับ > 0.7
3. จัดอันดับตาม (ความน่าจะเป็น * ขนาดการเคลื่อนไหวที่คาดหวัง)
4. ตรวจสอบด้วยตนเอง 10 อันดับแรก
5. กำหนดขนาดพอร์ตตามความมั่นใจและเศษส่วนของ Kelly

ชั้นการจัดการความเสี่ยง:

if vix > 30:
  position_size *= 0.5  # ขนาดพอร์ตครึ่งหนึ่งในความกลัวสุดขีด
  stop_loss = atr * 3  # ตั้ง stop loss กว้างขึ้นสำหรับความผันผวน
else:
  position_size = base_size
  stop_loss = atr * 2

อย่าเชื่อโมเดลแบบตาบอด ฉันเรียนรู้เรื่องนี้หลังจากที่ SVM ของฉันชี้ Lehman Brothers เป็น "ตัวเลือกการพลิกกลับที่แข็งแกร่ง" ในเดือนกันยายน 2008 การพลิกกลับบางครั้งก็ไม่เคยมาถึง

การประยุกต์ใช้กับตลาดปัจจุบัน (มีนาคม 2026)

• ยักษ์ใหญ่ด้านเทคโนโลยีแสดงการเคลื่อนออก: วอลุ่มสูง การเคลื่อนไหวของราคาน้อย
• ธนาคารระดับภูมิภาคแสดงความแตกต่างของ RSI: ราคาทำจุดต่ำใหม่ RSI สูงขึ้น
• หุ้นสินค้าโภคภัณฑ์ทำลายความสัมพันธ์: แยกตัวจากฟิวเจอร์สพื้นฐาน

อินดิเคเตอร์ dark pool ยืนยันการสะสมโดยสถาบันในหลายหุ้น การมาบรรจบกันของสัญญาณ ML + ข้อมูลการไหลนี้คือจุดที่ความได้เปรียบทวีคูณ

จำไว้: โมเดลระบุตัวเลือก ไม่ใช่การรับประกัน ในสภาวะปัจจุบัน ฉันกำลังเลือกอย่างระมัดระวัง — รับเฉพาะการตั้งค่าชั้น A+ ที่หลายระบบสอดคล้องกัน

เทคนิคขั้นสูง: วิธีแบบรวมกลุ่ม

โมเดลเดี่ยวมีจุดล้มเหลวเดี่ยว ที่ Two Sigma เราไม่เคยเทรดด้วยอัลกอริทึมเดี่ยว นี่คือแนวทางแบบรวมกลุ่มของฉัน:

1. SVM สำหรับสัญญาณหลัก (การจดจำรูปแบบไม่เชิงเส้น)
2. Random Forest สำหรับการยืนยัน (ตระกูลอัลกอริทึมที่ต่างกัน)
3. LSTM สำหรับการตรวจสอบลำดับ (จับรูปแบบเชิงเวลา)

ฉันจะถือว่าสัญญาณนั้นใช้ได้ก็ต่อเมื่อโมเดล 2/3 ตัวเห็นพ้องต้องกัน วิธีนี้ลดสัญญาณหลอกลงได้ ~40% ในขณะที่ยังรักษาสัญญาณจริงส่วนใหญ่ไว้

สำหรับผู้ที่สนใจการดำเนินการอัตโนมัติ ระบบแจ้งเตือนของ FibAlgo สามารถทำงานเมื่อโมเดล ML ของคุณให้สัญญาณที่มีความมั่นใจสูง เป็นการเชื่อมช่องว่างระหว่างการวิเคราะห์ด้วย Python และการดำเนินการบน TradingView

กรอบการทำงานการเทรดแบบหวนกลับสู่ค่าเฉลี่ย ที่ฉันเคยพูดถึง แสดงประโยชน์แบบรวมกลุ่มที่คล้ายกัน — มุมมองหลายมุมลดความเสี่ยงจากโมเดลเดี่ยว

ข้อผิดพลาดทั่วไปในการคัดกรองหุ้นด้วย ML

ให้ฉันช่วยคุณประหยัดเวลาหลายเดือน ข้อผิดพลาดเหล่านี้ฆ่าโมเดลแรกๆ ของฉัน:

การโอเวอร์ฟิตกับเหตุการณ์เฉพาะ: โมเดลแรกของฉันท่องจำรูปแบบการล่มสลายปี 2008 ไร้ประโยชน์ในปี 2020 ใช้ k-fold cross-validation พร้อมความตระหนักเรื่องเวลา — อย่าฝึกด้วยข้อมูลจากอนาคต

การรั่วไหลของคุณลักษณะ: รวมวอลุ่มของวันพรุ่งนี้ในการทำนายของวันนี้ ฟังดูชัดเจน แต่คุณลักษณะที่ได้มาอาจซ่อนการรั่วไหลเชิงเวลาได้ คิดเสมอว่า: "ฉันจะรู้สิ่งนี้ได้ตอนเวลาทำนายหรือไม่?"

ไม่สนใจต้นทุนการทำธุรกรรม: อัตราชนะ 73% นั้นสมมติว่ามีแรงเสียดทานเป็นศูนย์ ในความเป็นจริง ให้เพิ่ม 10bps สำหรับ slippage, 5bps สำหรับค่าคอมมิชชั่น ความได้เปรียบเล็กๆ จะหายไปอย่างรวดเร็ว

การเสื่อมสภาพของโมเดล: ตลาดวิวัฒนาการ โมเดลปี 2018 ของฉันเสื่อมลงเหลือความแม่นยำ 61% ภายในปี 2020 ฝึกโมเดลใหม่อย่างน้อยทุกไตรมาส ทุกเดือนในช่วงเปลี่ยนผ่านของตลาด

ตามที่ได้กล่าวไว้ในคู่มือความเสี่ยง AMM ของฉัน กลยุทธ์ที่เป็นระบบต้องการการติดตามและปรับแต่งอย่างต่อเนื่อง

สร้างระบบคัดกรอง ML ของคุณเอง

เริ่มต้นแบบง่ายๆ ความซับซ้อนไม่ใช่ความได้เปรียบ — การนำไปใช้อย่างถูกต้องต่างหากคือความได้เปรียบ นี่คือแผนที่เส้นทางของคุณ:

สัปดาห์ 1-2: การรวบรวมและทำความสะอาดข้อมูล ใช้ Yahoo Finance หรือ Alpha Vantage สำหรับข้อมูลฟรี สร้างกลุ่มหุ้นสภาพคล่อง (มูลค่าตลาด $1B+ ปริมาณซื้อขายรายวัน 1M+ หุ้น)

สัปดาห์ 3-4: การออกแบบคุณลักษณะ เริ่มจากคุณลักษณะหลักสามข้อของฉันด้านบน เพิ่มอื่นๆ ตามสมมติฐานตลาดของคุณ บทความการปรับใช้ OBV แสดงวิธีปรับอินดิเคเตอร์สำหรับบริบทเฉพาะ

สัปดาห์ 5-6: การฝึกฝนและตรวจสอบความถูกต้องของโมเดล ใช้ scikit-learn สำหรับการใช้งาน SVM เน้นการแบ่ง train/test ที่เหมาะสม — ลำดับเวลามีความสำคัญ!

สัปดาห์ 7-8: การทดสอบย้อนกลับและการเทรดกระดาษ รันเครื่องมือคัดกรองของคุณทุกวัน ติดตามการทำนายเทียบกับผลลัพธ์ อย่าใช้เงินจริงจนกว่าจะเทรดกระดาษได้ 100+ ครั้ง

สัปดาห์ 9 เป็นต้นไป: การใช้งานจริงด้วยขนาดเล็ก เริ่มด้วยความเสี่ยง 0.25% ต่อสัญญาณ เพิ่มขนาดเฉพาะหลังจากพิสูจน์ความสม่ำเสมอแล้ว

ความจริงของการเทรดด้วยแมชชีนเลิร์นนิง

ML ไม่ใช่เวทมนตร์ มันคือการจดจำรูปแบบในระดับมหาศาล สกรีนเนอร์ SVM ของผมไม่ได้ทำนายอนาคต — มันระบุว่าเมื่อใดที่เงื่อนไขปัจจุบันตรงกับรูปแบบที่เคยทำกำไรได้ในอดีต

ความได้เปรียบมาจากสามแหล่ง:

1. ประมวลผลข้อมูลได้มากกว่ามนุษย์ (500 หุ้น, 6 คุณลักษณะต่อตัว)
2. รักษาวินัยในช่วงความกลัว (อัลกอริทึมไม่แตกตื่น)
3. การดำเนินการที่สม่ำเสมอ (กฎเดิมทุกวัน)

แต่มีสิ่งหนึ่ง — คุณยังคงต้องใช้สัญชาตญาณการเทรด โมเดลทำหน้าที่ชี้โอกาส; คุณเป็นผู้ตัดสินใจเรื่องขนาดตำแหน่ง, จังหวะเวลา, และการจัดการความเสี่ยง การเทรดแบบเป็นระบบล้วนๆ ใช้ได้จนกระทั่งมันใช้ไม่ได้ แค่ถามพวกควอนต์ที่พังทลายในเดือนสิงหาคม 2007 ก็รู้

ที่ Two Sigma กลยุทธ์ที่ดีที่สุดของเราคือการผสมผสาน ปัญญาของเครื่องจักรกับการกำกับดูแลของมนุษย์ เครื่องจักรค้นหารูปแบบ มนุษย์จัดการความเสี่ยง โดยเฉพาะในช่วงเปลี่ยนผ่านระบอบการเทรด เมื่อโมเดลที่ฝึกด้วยข้อมูลอดีตกลายเป็น "ตาบอด" ชั่วคราว

เมื่อตลาดแสดงสัญญาณความกลัวขั้นรุนแรง เรากำลังอยู่ในจุดที่เหมาะที่สุดสำหรับการสกรีนหาการกลับตัวด้วยฐาน ML ไม่ว่าคุณจะสร้างระบบของคุณเองหรือปรับใช้ของผม โปรดจำไว้ว่า: เป้าหมายไม่ใช่ความสมบูรณ์แบบ มันคือความได้เปรียบที่สม่ำเสมอ, มีขนาดเหมาะสม, และจัดการความเสี่ยงหางเหตุการณ์ได้

เพราะในท้ายที่สุด การรอดพ้นจากสัญญาณที่ล้มเหลว 27% สำคัญกว่าการจับการกลับตัวได้ทุกครั้ง อัลกอริทึมที่ดีที่สุดในโลกก็เทรดไม่ได้ ถ้าคุณล้มละลายกับเหตุการณ์นอกกรอบ