Yapay Zeka ile Piyasa Rejimi Tespiti

Çoğu algoritmik ticaret hatasının görünmez bir tek ortak kök nedeni vardır: Strateji, artık var olmayan belirli bir piyasa rejimi için optimize edilmiştir. Yüksek volatiliteli bir genişleme döneminde olağanüstü getiri üreten bir trend takip sistemi, piyasa düşük likiditeli, mean-reverting bir range'e kaydığında felaketle sonuçlanan drawdown'lar yaşayacaktır.

Piyasalar durağan olmayan sistemlerdir. Bu, fiyat hareketinin altında yatan istatistiksel özelliklerin (ortalama, varyans ve korelasyon) sürekli olarak mutasyona uğradığı anlamına gelir. Nicel finans dünyasında, bu belirgin çevresel durumlar Piyasa Rejimleri olarak bilinir. Geleneksel göstergeler bu gürültüyü yumuşatmaya çalışır, ancak Yapay Zeka, gürültünün kendisini yönlendiren gizli durumları sınıflandırmamıza olanak tanır.

Yapay Zeka ile Piyasa Rejimi Tespiti, piyasanın mevcut yapısal durumunu belirlemek için denetimsiz ve denetimli makine öğrenimini kullanma sürecidir. Profesyonel trading masaları, 7/24 tek bir strateji çalıştırmak yerine, rejim tespitini bir ana anahtar olarak kullanır; belirlenen ortama göre belirli alt stratejileri etkinleştirir veya risk parametrelerini ayarlar.

Rejimleri tespit edebilmemiz için önce bir YZ modelinin ayırt etmeye çalışması gereken gizli durumları tanımlamalıyız. Kripto para piyasalarında rejimler tipik olarak yönsel momentum ile volatilite profillerinin kesişimine göre kategorize edilir.

Bu durumları tespit etmek için basit hareketli ortalamaların ötesine geçmeli ve ileri düzey istatistiksel modelleme alanına girmeliyiz. YZ tabanlı rejim tespitinin üç temel ayağı vardır:

• 1
  Gizli Markov Modelleri (Hidden Markov Models - HMM): HMM'ler, piyasanın gözlemlenemeyen (gizli) durumlara sahip stokastik bir süreç olduğunu varsayar. Biz sadece gözlemlenebilir çıktıları (fiyat ve hacim) görebiliriz. Model, bir Boğa rejiminden Range rejimine geçiş olasılıklarını (geçiş olasılıkları) ve belirli bir durumda belirli bir mum çubuğu fiyatını görme olasılıklarını (emisyon olasılıkları) hesaplar.
• 2
  Denetimsiz Kümeleme (K-Means / GMM): AI'ya bir rejimin ne olduğunu söylemek yerine, ona normalleştirilmiş özellikler (Volatilite, RSI, Funding Oranları, Emir Defteri Dengesizliği) besler ve veri noktalarını N küme halinde gruplandırmasına izin veririz. Ortaya çıkan kümeler genellikle 'Kırılım Öncesi Konsolidasyon' veya 'Geç Aşama Balon Tepesi' gibi gerçek dünya piyasa durumlarıyla mükemmel bir şekilde örtüşür.
• 3
  Uzun Kısa Süreli Bellek (LSTM) Sınıflandırıcıları: Daha modern bir yaklaşım için, Tekrarlayan Sinir Ağları (RNN'ler), veri dizilerini sınıflandırmak üzere eğitilebilir. LSTM'ler özellikle etkilidir çünkü önceki 100 mumun bağlamını 'hatırlayabilirler', bu da modelin bir boğa piyasasındaki geçici bir düşüş ile bir düşüş trendine yapısal bir kayışı ayırt etmesine olanak tanır.

Bu modelleri birleştirerek, nicel trader'lar bir Rejim Topluluğu (Regime Ensemble) oluşturur. Eğer HMM ve K-Means kümesi aynı anda Mean Reversion'dan Trend'e bir geçiş sinyali verirse, stratejiyi ayarlama konusundaki güven önemli ölçüde artar.

Bir YZ modeli, tükettiği veri kadar iyidir. Rejimleri tespit etmek için sadece fiyatı kullanmayız. Piyasanın karakterini tanımlayan türev özellikleri (derivative features) kullanırız. Bunlar şunları içerir:

• Hurst Üssü (Hurst Exponent): Zaman serisindeki uzun vadeli hafızanın bir ölçüsü. 0.5'in üzerindeki bir Hurst değeri trend yapan bir rejimi; 0.5'in altı ise mean reversion'u gösterir.
• Fraktal Boyut (Fractal Dimension): Fiyat hareketinin 'pürüzlülüğünü' veya karmaşıklığını tanımlar. Yüksek fraktal boyut genellikle değişken, tahmin edilemeyen range rejimlerini gösterir.
• Volatilite Risk Primi (Volatility Risk Premium - VRP): İma edilen volatilite (opsiyonlar) ile gerçekleşen volatilite arasındaki fark. Yüksek bir VRP genellikle getiri satışı stratejileri için istikrarlı, karlı bir rejimin sinyalini verir.
• Emir Defteri Dengesizliği (Orderbook Imbalance - OBI): L2 seviyesindeki en üst kademelerde alış likiditesinin satış likiditesine oranı.

Bu özellikler bir makine öğrenimi pipeline'ına beslendiğinde, YZ, insan analistin grafik desenlerinde bir değişiklik fark etmesinden çok önce piyasanın 'DNA'sındaki kaymaları tespit edebilir.

Nicel modeller teknik kaymaları tespit edebilir, ancak Makro Anlatı Rejimlerini (Macro Narrative Regimes) tespit etmek için Büyük Dil Modelleri (LLM'ler) gerekir. Teknik bir kırılım, eğer makro rejim 'Düzenleyici Belirsizlik' ise geçersiz kılınabilir. Sosyal ve haber verilerini bir LLM'ye yönlendirerek, tespit motorumuza bağlamsal bir katman ekleriz.

Teknik bir rejim kaymasını temel haber verilerine karşı doğrulamak için kullanıma hazır bir komut örneği:

Bu LLM çıktısını teknik HMM skorlarıyla birleştirerek trader'lar, düşük likidite sivri uçlarının (spike) neden olduğu sahte çıkışları (fake-out) göz ardı eden 'Çift Onaylı' bir rejim tespit sistemi oluştururlar.

Bir rejimi tespit etmek, yalnızca otomatik bir yanıtı tetiklediğinde değerlidir. Bu Dinamik Strateji Tahsisi (Dynamic Strategy Allocation) olarak bilinir. Gelişmiş bir YZ kurulumunda, rejim tespit motoru sermaye için bir 'Yönlendirici' (Router) görevi görür.