ما هندسة الخصائص؟ وكيف نستخرج إشارات تداول أكثر قيمة من الأسعار وأحجام التداول والتقلبات؟
في التداول الكمي للعملات المشفرة، لا يتوقف أداء نماذج التعلم الآلي على الخوارزمية فحسب، بل يعتمد أيضًا على جودة البيانات المدخلة. تسجّل بيانات الأسعار وأحجام التداول الخام تغيرات السوق، لكنها لا تعبّر بالضرورة مباشرةً عن الاتجاه والزخم والمخاطر. وهندسة الخصائص (Feature Engineering) هي تحويل البيانات الخام إلى معلومات أكثر ملاءمة لتعلّم النماذج.
أولًا، كيف نبني خصائص الأسعار؟
يمكن حساب العوائد لفترات زمنية مختلفة، ومدى ابتعاد السعر عن المتوسطات المتحركة، وزخم الأسعار، لمساعدة النموذج على تحديد التغيرات قصيرة الأجل والاتجاهات متوسطة الأجل. فعلى سبيل المثال، يمكن لعائد آخر 5 شموع أن يصف أداء الأسعار مؤخرًا، لكنه لا يثبت بمفرده أن الاتجاه نفسه سيستمر في المرحلة التالية.
ثانيًا، ما فائدة خصائص حجم التداول؟
يمكن مقارنة حجم التداول الحالي بمتوسط حجمه خلال فترة سابقة، لملاحظة ما إذا كان نشاط التداول قد ازداد على نحو غير اعتيادي. ويمكن أيضًا دمج ذلك مع تغيرات الأسعار لتحليل مدى نشاط التداول أثناء الصعود أو الهبوط. لكن ارتفاع حجم التداول قد يصاحب استمرار الاتجاه، وقد يظهر أيضًا خلال انعكاس السوق.
ثالثًا، لماذا نحتاج إلى خصائص التقلب؟
يصف التقلب مدى تغير الأسعار. ومن خلال حساب الانحراف المعياري المتحرك للعوائد التاريخية، يمكن مساعدة النموذج على التمييز بين الفترات الهادئة نسبيًا والفترات شديدة التقلب، والاستعانة بذلك في تعديل تقييم المخاطر. ومع ذلك، لا يمكن للتقلب التاريخي التنبؤ بدقة بالتقلبات المستقبلية.
رابعًا، كيف نتجنب الخصائص غير الفعالة؟
يجب أن تعتمد جميع الخصائص فقط على البيانات المتاحة عند وقت التنبؤ، وأن يُختبر أداؤها باستخدام التحقق من صحة السلاسل الزمنية. لا تفترض أن مؤشرًا ما يتمتع بقدرة تنبؤية مستقرة لمجرد ارتباطه الوثيق بالأسعار في عينة تاريخية. وينبغي أيضًا مراعاة تكاليف التداول، وتكرار المعلومات بين الخصائص، والأداء في ظروف السوق المختلفة.
إن هندسة الخصائص الفعالة حقًا لا تعني حشد المزيد والمزيد من المؤشرات، بل العثور على معلومات واضحة المعنى يمكن التحقق منها باختبارات مستقلة.
المقالة التالية: ما توحيد المؤشرات الفنية؟ ولماذا لا يمكن إدخال بيانات ذات وحدات قياس مختلفة مباشرةً إلى نماذج التعلم الآلي؟
في التداول الكمي للعملات المشفرة، لا يتوقف أداء نماذج التعلم الآلي على الخوارزمية فحسب، بل يعتمد أيضًا على جودة البيانات المدخلة. تسجّل بيانات الأسعار وأحجام التداول الخام تغيرات السوق، لكنها لا تعبّر بالضرورة مباشرةً عن الاتجاه والزخم والمخاطر. وهندسة الخصائص (Feature Engineering) هي تحويل البيانات الخام إلى معلومات أكثر ملاءمة لتعلّم النماذج.
أولًا، كيف نبني خصائص الأسعار؟
يمكن حساب العوائد لفترات زمنية مختلفة، ومدى ابتعاد السعر عن المتوسطات المتحركة، وزخم الأسعار، لمساعدة النموذج على تحديد التغيرات قصيرة الأجل والاتجاهات متوسطة الأجل. فعلى سبيل المثال، يمكن لعائد آخر 5 شموع أن يصف أداء الأسعار مؤخرًا، لكنه لا يثبت بمفرده أن الاتجاه نفسه سيستمر في المرحلة التالية.
ثانيًا، ما فائدة خصائص حجم التداول؟
يمكن مقارنة حجم التداول الحالي بمتوسط حجمه خلال فترة سابقة، لملاحظة ما إذا كان نشاط التداول قد ازداد على نحو غير اعتيادي. ويمكن أيضًا دمج ذلك مع تغيرات الأسعار لتحليل مدى نشاط التداول أثناء الصعود أو الهبوط. لكن ارتفاع حجم التداول قد يصاحب استمرار الاتجاه، وقد يظهر أيضًا خلال انعكاس السوق.
ثالثًا، لماذا نحتاج إلى خصائص التقلب؟
يصف التقلب مدى تغير الأسعار. ومن خلال حساب الانحراف المعياري المتحرك للعوائد التاريخية، يمكن مساعدة النموذج على التمييز بين الفترات الهادئة نسبيًا والفترات شديدة التقلب، والاستعانة بذلك في تعديل تقييم المخاطر. ومع ذلك، لا يمكن للتقلب التاريخي التنبؤ بدقة بالتقلبات المستقبلية.
رابعًا، كيف نتجنب الخصائص غير الفعالة؟
يجب أن تعتمد جميع الخصائص فقط على البيانات المتاحة عند وقت التنبؤ، وأن يُختبر أداؤها باستخدام التحقق من صحة السلاسل الزمنية. لا تفترض أن مؤشرًا ما يتمتع بقدرة تنبؤية مستقرة لمجرد ارتباطه الوثيق بالأسعار في عينة تاريخية. وينبغي أيضًا مراعاة تكاليف التداول، وتكرار المعلومات بين الخصائص، والأداء في ظروف السوق المختلفة.
إن هندسة الخصائص الفعالة حقًا لا تعني حشد المزيد والمزيد من المؤشرات، بل العثور على معلومات واضحة المعنى يمكن التحقق منها باختبارات مستقلة.
المقالة التالية: ما توحيد المؤشرات الفنية؟ ولماذا لا يمكن إدخال بيانات ذات وحدات قياس مختلفة مباشرةً إلى نماذج التعلم الآلي؟