نموذج التداول هو عملية منهجية تأخذ البيانات كمدخلات وتنتج قراراً تداولياً كمخرجات. ولا يلزم أن يكون معقداً. فالنموذج الذي يقول "اشترِ Bitcoin عندما يتقاطع متوسط الخمسين يوماً المتحرك فوق متوسط المئتي يوم المتحرك وبع عندما يتقاطع لأسفل" هو نموذج تداول كامل. فله قواعد واضحة، وينتج إشارات لا لبس فيها، ويمكن اختباره تاريخياً.
مصادر البيانات العامة للعملات المشفرة وفيرة. فواجهات برمجة تطبيقات البورصات توفر بيانات الأسعار والأحجام التاريخية. وتوفر CoinGecko و CoinMarketCap بيانات مجمعة عبر البورصات. كما تقدم بيانات البلوك تشين من مصادر مثل Glassnode مقاييس خاصة بالبلوك تشين. وتوفر البيانات الاقتصادية من FRED (بيانات الاحتياطي الفيدرالي الاقتصادية) مدخلات كلية. كل هذه البيانات متاحة مجاناً وكافية لبناء نماذج مفيدة.
ابدأ بفرضية واحدة. فبدلاً من محاولة بناء نموذج يلتقط كل شيء، اختر علاقة واحدة تعتقد بوجودها. على سبيل المثال: يميل Bitcoin إلى الأداء الجيد في الأشهر التي تلي الفترات التي تصل فيها نسبة حاملي المدى القصير إلى حاملي المدى الطويل إلى مستويات منخفضة للغاية. هذه فرضية محددة وقابلة للاختبار استناداً إلى بيانات البلوك تشين. ويمكنك التحقق منها بالبيانات التاريخية قبل المخاطرة بالمال عليها.
إعداد البيانات هو المكان الذي يحدث فيه معظم العمل. إذ تحتاج البيانات الأولية إلى التنظيف (إزالة الأخطاء الواضحة والفجوات)، والمحاذاة (مزامنة الطوابع الزمنية من مصادر مختلفة)، والتحويل إلى سمات يمكن لنموذجك استخدامها. قد تكون السمة متوسطاً متحركاً، أو تغيراً بالنسبة المئوية خلال فترة محددة، أو نسبة بين مقياسين، أو مؤشراً ثنائياً لما إذا كان شرط ما قد تحقق. اقضِ وقتاً أطول في جودة البيانات مقارنة بتعقيد النموذج.
النماذج البسيطة تتفوق على النماذج المعقدة أكثر مما قد تتوقع. فالتوليفة الخطية من ثلاث سمات مختارة بعناية كثيراً ما تتفوق على شبكة عصبية مدربة على عشرات السمات. والسبب هو الإفراط في التكييف: إذ تملك النماذج المعقدة قدرة أكبر على حفظ التشويش في البيانات التاريخية. أما النماذج البسيطة فتضطر إلى التقاط الأنماط الأقوى فقط، وهي الأكثر احتمالاً للاستمرار في المستقبل.
الاختبار التدريجي إلى الأمام ضروري. قسّم بياناتك إلى أجزاء متسلسلة. درب (أو عاير) نموذجك على الجزء الأول. اختبره على الجزء التالي. ثم أضف ذلك الجزء إلى بيانات التدريب واختبر على الجزء الذي يليه. كرر العملية عبر مجموعة البيانات بأكملها. هذا يحاكي كيف كان النموذج سيؤدي لو كنت تستخدمه في الوقت الفعلي، مع إعادة المعايرة عندما تصبح البيانات الجديدة متاحة. والنتائج من الاختبار التدريجي إلى الأمام أكثر واقعية بكثير من اختبار خلفي واحد.
يجب تضمين تكاليف المعاملات والانزلاق السعري والتأثير على السوق في اختبارك. فالنموذج الذي يولد عائداً سنوياً بنسبة 2% قبل التكاليف هو استراتيجية خاسرة بعد حساب رسوم البورصة والفارق بين العرض والطلب وتأثير أوامرك على السوق. وبالنسبة لأسواق العملات المشفرة، فإن افتراض تكاليف ذهاب وعودة تتراوح بين 0.1 و 0.2% للأزواج الرئيسية أمر معقول. أما بالنسبة للأصول الأقل سيولة، فافترض أكثر من ذلك.
يجب أن تكون إدارة المخاطر جزءاً من النموذج، لا فكرة لاحقة. عرّف قواعد حجم المراكز وحدود الانخفاض القصوى ومستويات وقف الخسارة ضمن النموذج نفسه. فالنموذج الذي يولد عوائد رائعة لكن بانخفاضات قدرها 50% ليس مفيداً لمعظم المتداولين لأنهم سيتخلون عنه خلال الانخفاض قبل أن تتحقق العوائد بزمن طويل.
الخطوة الأخيرة هي تشغيل نموذجك على بيانات حية دون أموال حقيقية (التداول الورقي) لفترة كافية للتحقق من أنه يتصرف كما هو متوقع. راقب التباينات بين النتائج الورقية وما تنبأ به اختبارك الخلفي. فإذا كان أداء النموذج مختلفاً بشكل ملحوظ في الوقت الفعلي، فتحقق من السبب قبل الالتزام برأس المال. وتشمل الأسباب الشائعة تسرب البيانات في الاختبار الخلفي، أو افتراضات التنفيذ غير الواقعية، أو التحولات في النظام التي لم تلتقطها البيانات التاريخية.