Bir Yapay Zeka Alım Satım Modeli Nasıl Eğitilir

Herhangi bir makine öğrenimi modelinin başarısı, eğitim girdilerinin kalitesi ve yapısı tarafından belirlenir. Finansal varlık fiyatları ham halleriyle bir sinir ağına (neural network) atılamaz. Sistem, piyasa olaylarını matematiksel hassasiyetle temizlemek, ayrıştırmak ve etiketlemek için tasarlanmış yüksek mühendislik ürünü bir veri boru hattı (data pipeline) gerektirir.

Durağanlık (Stationarity) vs. Bellek Tutma

Finansal mühendisliğin birincil paradoksu, ham fiyat seviyelerinin durağan olmamasıdır; bu, ortalamalarının ve varyanslarının zamanla sürüklendiği (drift) anlamına gelir ve standart sinir ağı ağırlıklarını karıştırır. Bununla birlikte, verileri durağan hale getirmenin geleneksel yöntemleri - tamsayı farklarını almak (P_t - P_t-1) gibi - fiyat serisinin tarihsel belleğini tamamen yok ederek uzun vadeli döngüsel kalıpları ortadan kaldırır. Gelişmiş mimariler, tarihsel veri setindeki uzun vadeli bellek yapılarını korurken durağanlığa ulaşan matematiksel bir uzlaşma olan kısmi türevi (fractional differentiation) kullanır.

Üçlü Bariyer Etiketleme Yöntemi (Triple-Barrier)

Geleneksel makine öğrenimi sınıflandırma çerçeveleri genellikle sabit ufuklu (fixed-horizon) etiketleme kullanır ve belirli bir süre (t + q) sonra fiyatın daha mı yüksek yoksa daha mı düşük olacağını sorar. Bu yaklaşım uygulama riski, zararı durdur (stop-loss) ve piyasa oynaklığı gerçeğini göz ardı eder.

Bunun yerine, sağlam (robust) modeller her veri noktasına üç çıkış eşiğinin uygulandığı Üçlü Bariyer Yöntemini kullanır:

• Üst Yatay Bariyer: Mevcut volatiliteye dayalı dinamik bir kar alma (take-profit) olayını temsil eder.
• Alt Yatay Bariyer: Dinamik bir zararı durdurma (stop-loss) koruma olayını temsil eder.
• Dikey Bir Bariyer: Yatay bariyerlerden hiçbirine dokunulmazsa pozisyonun kapatılmasını zorlayan bir bitiş zaman damgasını temsil eder.

Bir veri örneği, ilk olarak hangi bariyere dokunduğuna göre etiketlenir (kar için 1, zarar kesmek için -1 ve zaman aşımı için 0), böylece denetimli (supervised) öğrenme için gerçekçi bir temel oluşturulur.

Durağanlık sağlandıktan sonra, veriler tahmine dayalı özellik vektörlerine dönüştürülmelidir. Sadece MACD veya basit hareketli ortalamalar gibi geleneksel gecikmeli osilatörlere güvenmek yerine, modern yapay zeka mimarileri emir eşleştirme motorunun (order matching engine) mikro yapısal durumunu izleyen çok boyutlu veri setlerini içeri alır.

Mikroyapı Göstergeleri

Modeller, Emir Akışı Dengesizliği (Order Flow Imbalance - OFI) ve Hacimle Senkronize Toksisite Olasılığı (VPIN) gibi özellikleri izleyerek eyleme dönüştürülebilir alfa vektörleri yakalar. OFI, limit emir defterindeki hacim boyutu dalgalanmalarının yanı sıra alış-satış (bid-ask) fiyat hareketlerini değerlendirerek likidite arz ve talebindeki sürekli değişimleri izler. VPIN, bilgilendirilmiş alım satım faaliyetinin sıklığını ölçerek piyasa yapıcıların (market makers) toksik emir akışlarıyla karşılaşmak üzere olduğunun sinyalini verir ve bu genellikle ani likidite düşüşlerinden veya hızlı flaş çöküşlerden önce gelir.

Boyutluluk Azaltma (Dimensionality Reduction) Matrisleri

Derin bir sinir ağına (deep neural network) çok fazla bilgisiz (uninformative) özellik aktarmak "boyutsallık lanetine" yol açar ve modelin gerçek sinyaller yerine gürültüyü öğrenmesine neden olur. Mühendisler, onlarca mikro yapısal değişkeni, model kapasitesini aşırı yüklemeden piyasa altyapısının gerçek varyansını yakalayan, ortogonal, düşük gürültülü (low-noise) özellik tensörlerinden oluşan kompakt bir kümeye sıkıştırmak için Temel Bileşen Analizi (PCA) veya Otomatik Kodlayıcılar (Autoencoders) kullanırlar.

Büyük Dil Modelleri (LLM'ler), kantitatif (sayısal) asistanlar olarak görev yapmak üzere geliştirme sürecine entegre edilebilir. Üst düzey matematiksel alım satım teorilerini eksiksiz, üretim kalitesinde (production-grade) model eğitim kodu şablonlarına dönüştürürler.

Geliştiricilerin bir LLM kullanarak çalışan bir eğitim boru hattı oluşturabilmeleri için çapraz doğrulama yöntemlerini, dinamik kayıp ağırlığı (loss weight) ayarlamalarını ve kesin uygulama metriklerini belirten ayrıntılı istemler yazmaları gerekir.

Yüksek Beklentili Model Eğitimi İstem Şablonu

Bu yapılandırılmış istemin uygulanması, genel basmakalıp kodları ortadan kaldırır ve LLM'yi sınıf dengesizlikleri ve zamansal sızıntı gibi çok önemli finansal gereksinimleri ele alan kesin, üretime hazır (production-ready) bir eğitim iş akışı üretmeye zorlar.

Çekirdek eğitim aşaması, rastgele oynaklık dalgalanmalarını görmezden gelirken kalıcı piyasa anormalliklerini izole etmek için ağın yapılandırılmasını gerektirir. Model, yeni örnek dışı (out-of-sample) verilere maruz kaldığında tahmin gücünde önemli düşüşler yaşarsa, geçmiş eğitim günlüklerinde yüksek doğruluğa ulaşmak anlamsızdır.

Kombinatoryal Temizlenmiş K-Katmanlı Çapraz Doğrulama (Combinatorial Purged K-Fold)

Web geliştirmede kullanılan standart çapraz doğrulama teknikleri (rastgele K-Fold bölmeleri gibi) finansta feci şekilde başarısız olur. Finansal özellikler, kayan (rolling) geriye dönük pencereler (lookback windows) ve elde tutma süreleri (holding periods) nedeniyle sıklıkla örtüşen bilgiler içerdiğinden, rastgele bir bölme, eğitim setinden doğrulama setine bilgi sızmasına (information leakage) neden olur.

Bunu çözmek için nicel mühendisler (quant engineers), Kombinatoryal Temizlenmiş ve Ambargolu Çapraz Doğrulama kullanırlar.

• Temizleme (Purging): Doğrulama (validation) seti sırasında meydana gelen piyasa bilgilerine bağlı olan tüm veri noktalarını eğitim setinden çıkarır.
• Ambargo (Embargoing): Otoregresif özellikleri ve işlem sonrası piyasa bellek etkilerini (post-trade market memory effects) hesaba katmak için doğrulama setinin hemen ardından gelen bir veri bloğunu hariç tutar.

Düzenlileştirme (Regularization) ve Kayıp Ayarı

Çapraz doğrulamanın ötesinde, modeller karmaşıklığını (model complexity) kontrol etmek için katı yapısal kısıtlamalar içerir. Mühendisler, L₁ ve L₂ ağırlık düzenlileştirme (weight regularization) cezalarını doğrudan ağın kayıp işlevine uygular. Bu, model ağırlıklarının küçük kalmasını zorlar ve bireysel parametrelerin modelin kararlarına hakim olmasını engelleyerek farklı piyasa koşullarında daha iyi genelleştirilebilen daha pürüzsüz karar sınırlarına (decision boundaries) yol açar.

Hiperparametre Ayar Matrisi ve Optimizasyon Araması

Katman sayısı, öğrenme oranları (learning rates), aktivasyon eşikleri ve optimizasyon katsayıları gibi dahili model yapılandırmalarının ideal kombinasyonunu bulmak çok önemlidir. Bu parametreleri körü körüne tahmin etmek genellikle yetersiz eğitilmiş modellerle sonuçlanır.

Bayes Optimizasyonu Arama Alanı

Gelişmiş eğitim kurulumları, işlem döngülerini verimsiz bir ızgara (grid) aramasında israf etmek yerine Bayes Optimizasyonunu kullanır. Bu yöntem, hedef fonksiyonunun (Gauss Süreci gibi) istatistiksel bir olasılık modelini oluşturarak hiperparametreleri değiştirmenin model getirilerini nasıl etkileyeceğini tahmin eder. Algoritma, parametre uzayının yeni alanlarını keşfetmek ile bilinen yüksek performanslı bölgelerden yararlanmayı dengeleyen parametre kombinasyonlarını sürekli olarak değerlendirir ve çok daha az yineleme ile (iterations) optimal yapılandırmaları bulur.

Gerçekçi Optimizasyon Hedeflerini Tanımlama

Bir yapay zeka işlem modelini ayarlarken, yalnızca ham yön doğruluğu (directional accuracy) için optimizasyon yapmak tehlikelidir. Bir model %65 yön doğruluğuna ulaşabilir ancak birkaç kaybeden işlemi orantısız derecede büyükse yine de para kaybedebilir. Bunun yerine, optimizasyon hedefleri Sortino Oranı (Sortino Ratio) gibi riske göre ayarlanmış metriklere odaklanmalı veya ciddi sermaye düşüşlerine (drawdowns) neden olan tahminlere daha ağır cezalar uygulayan özel asimetrik kayıp (loss) fonksiyonları kullanmalıdır.

Bir yapay zeka modeli, geçmiş simülasyonlar sırasında tutarlı bir istatistiksel avantaj (edge) sergilediğinde, korumalı alan (sandbox) doğrulama aşamasına girer. Bu aşama, canlı sermaye tahsis etmeden önce model performansını doğrulamak için bir ara test adımı görevi görür.

İşlem Sürtünmesini Simüle Etme

• Uygulama Kayması (Execution Slippage): Geriye dönük testler (Backtests) genellikle gerçekçi olmayan bir şekilde her emrin anında tam olarak sinyal fiyatından doldurulduğunu varsayar. Canlı ortamlarda, emir yönlendirme (order routing) gecikmeleri, borsa gecikmesi (exchange latency) ve emir defteri eşleştirme kuyrukları, emirlerin biraz daha kötü fiyatlardan doldurulduğu anlamına gelir. Model boru hattı, simüle edilmiş her dolumdan dinamik bir temel puan (basis-point) cezası düşerek bunu hesaba katmalıdır.
• Alıcı (Taker) vs. Yapıcı (Maker) Ücret Profilleri: Piyasa emirlerinin (likidite alma) gerçekleştirilmesi, pasif limit emirlerinin (likidite oluşturma) verilmesinden önemli ölçüde daha yüksek ücret oranlarına neden olur. Yapay zeka modeliniz yüksek frekanslı ayarlamaları tetiklerse, işlem ücretleri yapısal avantajınızı kolayca tüketebilir. Modeller, bu borsa ücret çizelgelerini (fee schedules) doğrudan öğrenme döngülerine açıkça dahil etmelidir.
• Emir Defteri Etki (Impact) Analizi: Büyük emir boyutları, mevcut likiditeyi birden fazla fiyat seviyesinde tüketerek uygulama fiyatını (execution price) yatırımcının aleyhine sürükler. Yapay zeka sistemleri, modelin mevcut emir defteri likiditesinin kaldıramayacağı işlem boyutları (trade sizes) oluşturmamasını sağlamak için hacme bağlı etki işlevlerini bünyesine katmalıdır.

Bir modeli eğitmenin sorumluluğu, bir bulut sunucusuna dağıtıldığında (deployed) sona ermez. Finansal piyasalar sürekli değişir; bu da her tahmine dayalı modelin (predictive model) zamanla kaçınılmaz olarak yapısal performans bozulmasına (decay) uğrayacağı anlamına gelir.

Kavram Sürüklenmesini (Concept Drift) İzleme

Kavram Sürüklenmesi, model özellikleriniz ile hedef değişkenler arasındaki temel istatistiksel ilişki değiştiğinde meydana gelir. Örneğin, uzun süreli düşük oynaklık (volatility) döneminde eğitilmiş bir model, ani yüksek oynaklıklı ortamlarla karşılaştığında zorlanacaktır. Sistem monitörleri, gelen canlı veri akışlarının olasılık dağılımlarını model eğitimi sırasında kullanılan tarihsel veri kümeleriyle sürekli karşılaştırmak için Kolmogorov-Smirnov testi gibi izleme teknikleri kullanır.

Otomatik Yeniden Eğitim Rotasyonlarının Uygulanması

İzleme katmanı (tracking layer), canlı veri dağılımları ile tarihsel taban çizgileri (baselines) arasında istatistiksel olarak anlamlı bir sapma (divergence) tespit ederse, otomatik bir yeniden eğitim döngüsünü tetikler. Sistem, piyasa verilerini en son haliyle çeker, bunu geçmiş eğitim matrisine ekler, özellik (feature) ağırlıklarını günceller ve tam bir çapraz doğrulama döngüsü yürütür. Yeni güncellenen model tüm risk testlerinden geçerse, üretim ortamına otomatik olarak dağıtılır (deployed) ve algoritmanın değişen piyasa dinamiklerine sürekli olarak uyum sağlaması güvence altına alınır.

Kurumsal kalitede bir tahmin modelini başarılı bir şekilde oluşturmak, eğitmek ve doğrulamak için her zaman şu kapsamlı operasyonel yol haritasını (roadmap) uygulayın:

• Veri Toplama ve Temizleme: Veri setlerinizin ileriye dönük bakış (lookahead) ve hayatta kalma (survivorship) önyargılarından tamamen arınmış olmasını sağlayarak temiz, yüksek çözünürlüklü pazar verileri toplayın.
• Durağanlık (Stationarity) Dönüşümü: Tarihsel bellek yapılarını korurken verileri durağan hale getirmek için kesirli diferansiyel (fractional differentiation) tekniklerini uygulayın.
• Gelişmiş Etiketleme Motoru: Gerçekçi hedef sonuçlarını (target outcomes) haritalamak için dinamik volatilite bantlarıyla (volatility bands) birlikte Üçlü Bariyer Yöntemini (Triple-Barrier Method) uygulayın.
• Özellik Sıkıştırma (Feature Compacting): Emir defteri mikroyapı (microstructure) özelliklerini sentezleyin ve net sinyalleri izole etmek için PCA gibi boyutsallık azaltma (dimensionality reduction) araçlarını kullanın.
• Sızıntı (Leakage) Koruması: Kombinatoryal Temizlenmiş ve Ambargolu Çapraz Doğrulama (Combinatorial Purged and Embargoed Cross-Validation) bölmelerini (splits) kullanarak model performansını doğrulayın.
• Asimetrik Optimizasyon: Sortino Oranı gibi riske göre ayarlanmış metrikler (risk-adjusted metrics) için optimize edilmiş Bayesçi arama alanı (Bayesian search space) stratejilerini kullanarak model hiperparametrelerini ayarlayın.
• Üretim Dağıtımı (Production Deployment): Modelinizin değişen pazar rejimleriyle (market regimes) uyumlu kalmasını sağlamak için otomatik yeniden eğitim ardışık düzenlerini (retraining pipelines) kullanarak konsept kayması (concept drift) açısından canlı yürütme (live execution) akışlarını izleyin.

Disiplinli veri mühendisliğini katı doğrulama (validation) protokolleriyle birleştirerek, kantitatif tüccarlar (quantitative traders) küresel finans ağlarındaki sürdürülebilir anormallikleri tanımlayıp bunlardan para kazanabilen (monetizing) oldukça dayanıklı (resilient) yapay zeka modelleri oluşturabilirler.