3 dk okuma
Giriş
Yapay zeka ile finansal tahminleme, piyasanın geleceğini kesin olarak bilmek anlamına gelmez. Makine öğrenmesi modelleri geçmiş verideki istatistiksel ilişkileri öğrenerek belirli bir hedef için olasılık veya sayısal tahmin üretir. Finansal piyasalarda bu ilişkiler zamanla değiştiği için model performansı sabit değildir. Bu nedenle asıl mühendislik problemi model eğitmekten çok, modelin ne zaman güvenilir olduğunu ölçmektir.
Hedef değişkeni doğru seçmek
‘Fiyatı tahmin et’ çok geniş bir hedeftir. Bir sonraki 4 saatlik getiriyi, belirli periyottaki maksimum yükselişi veya belirli eşiğin aşılma olasılığını tahmin etmek daha ölçülebilir hedeflerdir. Hedefin trading kararına nasıl dönüştürüleceği daha model eğitilmeden belirlenmelidir.
Feature engineering ve leakage
RSI, momentum, volatilite, hacim değişimi, trend gücü ve farklı timeframe’lerden üretilen özetler modele girdi olabilir. Ancak feature’ın hesaplandığı anda gerçekten mevcut olan veriyi kullanması şarttır. Gelecek mumun high veya close bilgisinin dolaylı biçimde feature’a girmesi modelin sahte şekilde mükemmel görünmesine yol açar.
Regression ve anomaly detection birlikte kullanılabilir
Regression modeli beklenen getiriyi tahmin ederken anomaly detection katmanı piyasanın normal rejimden ne kadar saptığını ölçebilir. Örneğin beklenen getiri pozitif olsa bile anomaly score çok yüksekse risk filtresi yeni pozisyonu engelleyebilir. Modellerin birbirini tamamlayan farklı roller üstlenmesi tek bir modele bütün sorumluluğu vermekten daha sağlıklıdır.
Model karşılaştırması
LightGBM, FastTree, FastForest ve SDCA gibi farklı regression trainer’ları aynı feature seti ve aynı chronological split üzerinde karşılaştırılabilir. En iyi training skoru yerine out-of-sample MAE, RMSE, RSquared ve trading kararına dönüştüğünde ortaya çıkan dağılım birlikte değerlendirilmelidir.
Model.zip ve versiyonlama
Eğitilen modelin model.zip gibi artifact olarak saklanması production servisinin eğitim kodundan ayrılmasını sağlar. Her model versiyonu için eğitim dönemi, feature sürümü, metrikler ve oluşturulma tarihi kaydedilmelidir. Geri alma gerektiğinde önceki onaylanmış modele dönmek kolaylaşır.
Model drift ve yeniden eğitim
Piyasa rejimi değiştiğinde modelin tahmin dağılımı ve hata oranı zaman içinde bozulabilir. Haftalık veya aylık sabit retraining yapılabileceği gibi drift metriği belirli eşik üzerine çıktığında yeniden eğitim de tetiklenebilir. Yeni model otomatik olarak canlıya alınmamalı; önce eski modelle kıyaslanmalıdır.
Sonuç
Yapay zeka ile finansal tahminleme mümkündür; fakat sonuç kesin gelecek tahmini değil, belirli koşullarda ölçülebilir bir istatistiksel avantajdır. Güvenilir sistem leakage’i engeller, out-of-sample test yapar, modeli versionlar, risk katmanıyla birlikte çalıştırır ve performans drift’ini sürekli izler.
Araştırma Kaynakları ve İleri Okuma
- NET Train and Evaluate – https://learn.microsoft.com/en-us/dotnet/machine-learning/how-to-guides/train-machine-learning-model-ml-net
- NET Anomaly Detection – https://learn.microsoft.com/en-us/dotnet/machine-learning/tutorials/sales-anomaly-detection
- NET Save/Load Models – https://learn.microsoft.com/en-us/dotnet/machine-learning/how-to-guides/save-load-machine-learning-models-ml-net