Με λίγα λόγια: Ένα AI trading bot είναι ένας βρόχος πέντε σταδίων: δεδομένα αγοράς, σήμα, μέγεθος θέσης, εκτέλεση, έλεγχοι ρίσκου, και πάλι από την αρχή. Το machine learning ζει μόνο στο στάδιο του σήματος και σπάνια κρίνει την κερδοφορία. Η επιβίωση κρίνεται από καθαρά δεδομένα, συντηρητικό sizing, σεβασμό στα κόστη συναλλαγών, και ένα επίπεδο ρίσκου που υποθέτει ότι το μοντέλο κάνει λάθος με αυτοπεποίθηση.
Το «AI trading bot» φέρνει στον νου ένα νευρωνικό δίκτυο που κοιτάζει γραφήματα και ξεγελάει τη Wall Street. Η πραγματικότητα είναι λιγότερο κινηματογραφική και πιο ενδιαφέρουσα: ένα pipeline από κυρίως άχαρα εξαρτήματα, όπου το machine learning είναι ένα στάδιο από τα πέντε και σπάνια αυτό που κρίνει αν το σύστημα βγάζει ή χάνει χρήματα. Να πώς στήνονται στην πράξη αυτά τα συστήματα.
Ο βρόχος
Κάθε trading bot, από ένα χομπίστικο script μέχρι την υποδομή ενός fund, τρέχει κάποια εκδοχή του ίδιου βρόχου. Διάβασε δεδομένα αγοράς. Υπολόγισε ένα σήμα που λέει κάτι για το πού μπορεί να πάνε οι τιμές. Μετάτρεψε το σήμα σε επιθυμητή θέση, με μέγεθος ζυγισμένο απέναντι στο ρίσκο. Εκτέλεσε εντολές για να πας από την τρέχουσα θέση στον στόχο. Μετά παρακολούθησε, κατέγραψε, και ξανά από την αρχή στο επόμενο tick, κερί ή προγραμματισμένο διάστημα.
Κάθε στάδιο μπορεί να είναι απλό ή εξεζητημένο, αλλά τα ίδια τα στάδια δεν αλλάζουν. Αυτό που ο κόσμος αποκαλεί «το AI» ζει σχεδόν εξ ολοκλήρου στο στάδιο δύο.
Δεδομένα: το άχαρο θεμέλιο
Τα bots καταναλώνουν δεδομένα τιμών (κεριά ή ακατέργαστες συναλλαγές), βάθος βιβλίου εντολών, funding και επιτόκια, και καμιά φορά εξωτερικές εισόδους όπως δείκτες συναισθήματος ή ροές ειδήσεων. Τα ζωντανά δεδομένα φτάνουν από websocket streams που πέφτουν, καθυστερούν και ενίοτε λένε ψέματα, ενώ τα ιστορικά δεδομένα για εκπαίδευση έχουν τα δικά τους κενά και αναθεωρήσεις.
Ο σιωπηλός κανόνας εδώ είναι ότι η ποιότητα των δεδομένων βάζει το ταβάνι σε όλα τα επόμενα. Ένα μοντέλο εκπαιδευμένο σε δεδομένα που περιέχουν πληροφορία μη διαθέσιμη εκείνη τη στιγμή (το κλασικό λάθος look-ahead) θα δείχνει ιδιοφυές στα tests και θα χάνει χρήματα ζωντανά. Εκπληκτικά μεγάλο μέρος της μηχανικής σε κάθε σοβαρό bot είναι απλώς να γίνουν τα δεδομένα αξιόπιστα και να μπορεί να ανακατασκευαστεί με ακρίβεια το «τι ήξερε το bot τη στιγμή Τ».
Σήματα: τι κάνει πραγματικά το κομμάτι AI
Η δουλειά του μοντέλου είναι στενή: με δεδομένη την πρόσφατη κατάσταση της αγοράς, βγάλε έναν αριθμό. Μια αναμενόμενη κατεύθυνση, μια πιθανότητα, ένα σκορ. Από κάτω, αυτό κυμαίνεται από κλασικούς δείκτες (κινητοί μέσοι, μέτρα ορμής) μέχρι gradient-boosted δέντρα πάνω σε κατασκευασμένα χαρακτηριστικά, ώς μοντέλα ακολουθιών που χωνεύουν ακατέργαστη ροή εντολών.
Δύο ειλικρινείς παρατηρήσεις για αυτό το στάδιο. Πρώτον, το πλεονέκτημα κάθε προβλεπτικού σήματος σε ρευστές αγορές είναι μικροσκοπικό. Μοντέλα που πέφτουν μέσα στο 52% των περιπτώσεων είναι αξιοπρεπή. Ό,τι ισχυρίζεται πολύ περισσότερα, συνήθως μετράει το δικό του overfitting. Δεύτερον, δεν είναι όλες οι στρατηγικές προβλεπτικές. Μερικές από τις πιο ανθεκτικές είναι δομικές: συγκομιδή funding rates, σύλληψη spreads, παροχή ρευστότητας. Αυτές δεν χρειάζονται πρόβλεψη, μόνο προσεκτική λογιστική του τι κερδίζουν απέναντι στο τι ρισκάρουν. Πολλά «AI bots» βγάζουν αθόρυβα τα χρήματά τους από τη δομική πλευρά, ενώ το μοντέλο κάνει τη διακόσμηση.
Μέγεθος θέσης και ρίσκο: εκεί κρίνεται η επιβίωση
Ένα σήμα λέει «μάλλον πάνω». Το sizing αποφασίζει τι αξίζει αυτό: πόσο κεφάλαιο, σε ποιο εργαλείο, με ποιο όριο. Εδώ ζουν το volatility targeting, τα όρια έκθεσης και οι κανόνες για το drawdown, και είναι το στάδιο που χωρίζει τα συστήματα που επιβιώνουν από αυτά που τινάζονται στον αέρα. Ένα μέτριο σήμα με καλό sizing χάνει αργά και αναστρέψιμα. Ένα καλό σήμα με κακό sizing μπορεί να καταστραφεί από μία μέρα με ακραία κίνηση.
Η διαχείριση ρίσκου τυλίγει ολόκληρο τον βρόχο αντί να κάθεται μέσα του: kill switches όταν οι απώλειες σπάσουν ένα κατώφλι, έλεγχοι που αρνούνται εντολές υπερβολικά μεγάλες ή συχνές, όρια στο πόσο από το χαρτοφυλάκιο μπορεί να καταλάβει μία ιδέα. Βαρετή εκ σχεδιασμού. Η δουλειά της είναι να κάνει τη χειρότερη μέρα επιβιώσιμη.
Η εκτέλεση και το πρόβλημα του κόστους
Το να αποφασίσεις να αγοράσεις είναι δωρεάν. Το να αγοράσεις, όχι. Κάθε συναλλαγή πληρώνει spread, προμήθειες και slippage, και εδώ πεθαίνουν στην πράξη τα περισσότερα ερασιτεχνικά bots, όχι στο μοντέλο. Μια στρατηγική που συναλλάσσεται συχνά πρέπει να καλύπτει τα κόστη της σε κάθε κύκλο πριν κερδίσει οτιδήποτε, και τα κόστη συναλλαγών λειτουργούν σαν όριο ταχύτητας: γύρνα το χαρτοφυλάκιο γρηγορότερα απ' όσο μπορεί να πληρώσει το πλεονέκτημά σου, και το bot γίνεται μηχανή δωρεών προς το χρηματιστήριο, με άψογα σήματα σε όλη τη διαδρομή.
Γι' αυτό ο τρόπος εκτέλεσης μετράει όσο και η ποιότητα του σήματος. Το να διασχίζεις το spread με εντολές αγοράς είναι γρήγορο και ακριβό. Οι παθητικές εντολές που περιμένουν κερδίζουν το spread αντί να το πληρώνουν, με κόστος το ότι δεν γεμίζουν πάντα. Το σε ποια πλευρά αυτής της ανταλλαγής ζει ένα bot μπορεί να μετράει περισσότερο από το ποιο μοντέλο τρέχει.
Backtests, και γιατί το ζωντανό είναι αλλιώς
Πριν τρέξει ζωντανά, όλα προσομοιώνονται πάνω στην ιστορία. Ένα backtest είναι έλεγχος υπόθεσης, και είναι τρομακτικά εύκολο να κλέψεις κατά λάθος: ρύθμισε παραμέτρους μέχρι η ιστορία να δείχνει ωραία, και έχεις προσαρμοστεί στον θόρυβο, όχι στο σήμα. Οι συνήθεις άμυνες είναι η επικύρωση εκτός δείγματος, το walk-forward testing και η απαισιόδοξη μοντελοποίηση του κόστους. Χρήσιμη αφετηρία: αν ένα backtest δείχνει εκπληκτικό, η πρώτη εξήγηση που πρέπει να αποκλείσεις είναι ότι είναι λάθος.
Ακόμα και τα τίμια backtests κολακεύουν. Το ζωντανό trading προσθέτει μερικές εκτελέσεις, καθυστέρηση, διακοπές χρηματιστηρίων και την επίδραση του ίδιου του bot στην αγορά, τίποτα από τα οποία δεν καταγράφει η ιστορία. Η συνήθης διαδρομή είναι backtest, μετά paper trading, μετά ζωντανά με μικρό μέγεθος, με την απόδοση να αναμένεται να φθίνει σε κάθε βήμα. Ένα σύστημα που παραμένει θετικό μετά από αυτή τη διαδρομή τα πηγαίνει καλά.
Τι αλλάζει το «AI» και τι όχι
Το machine learning βοηθάει πραγματικά σε σημεία: συνδυάζει πολλά αδύναμα χαρακτηριστικά σε ένα σήμα, προσαρμόζεται σε αλλαγές καθεστώτος της αγοράς, φιλτράρει το πότε μια στρατηγική πρέπει να μείνει απ' έξω. Αυτό που δεν κάνει είναι να απαλλάξει κανέναν από το pipeline. Τα bots που τρέχουν επί χρόνια δεν είναι αυτά με τα πιο έξυπνα μοντέλα. Είναι αυτά όπου τα δεδομένα είναι καθαρά, το sizing συντηρητικό, τα κόστη σεβαστά, και το επίπεδο ρίσκου υποθέτει ότι το μοντέλο κάνει καμιά φορά λάθος με αυτοπεποίθηση. Η νοημοσύνη που μετράει περισσότερο βρίσκεται στα υδραυλικά γύρω από το AI, όχι στο ίδιο το AI.
Τα βασικά σημεία
- Κάθε bot τρέχει τον ίδιο βρόχο: δεδομένα, σήμα, μέγεθος, εκτέλεση, ρίσκο. Το «AI» είναι μόνο το στάδιο του σήματος.
- Η ποιότητα των δεδομένων βάζει το ταβάνι· διαρροές look-ahead κάνουν τα backtests λαμπρά και το ζωντανό trading καταστροφικό.
- Μοντέλο με 52% ακρίβεια είναι αξιοπρεπές· ισχυρισμοί πολύ πάνω από αυτό συνήθως μετρούν overfitting.
- Το sizing και το επίπεδο ρίσκου κρίνουν την επιβίωση· ένα καλό σήμα με κακό sizing μπορεί να καταστραφεί σε μία μέρα.
- Τα κόστη συναλλαγών είναι όριο ταχύτητας: αν το bot γυρίζει πιο γρήγορα από όσο πληρώνει το edge του, δωρίζει χρήματα στο ανταλλακτήριο.
- Η απόδοση πέφτει από το backtest στο paper και μετά στο live· σύστημα που μένει θετικό μετά από όλα αυτά τα πάει καλά.