Makinalar nasıl yatırım yapar - 2. Bölüm

Herhangi biri şu çıkarımı yapabilir: “Makine öğrenmesi (ML) insanları tanıyor, go ve santrançta şampiyon olabiliyor, araba kullanmak gibi kompleks işleri başarabiliyorsa pekala bizim yerimize yatırımlarımızı da yönetebilir.” Ancak baştan söyleyebiliriz ki ML ile yatırım yapmayı öğrenmek yapısal olarak diğer problemlerden çok farklı özelliklere sahip. Bu nedenle ML ile doğru alım satım stratejilerini keşfetmek henüz tam çözülmemiş bir problem olarak karşımıza çıkıyor. Şimdi bunun nedenlerini daha detaylı inceleyelim. 

Resimlerde objeleri net olarak görüyoruz. Peki finansal veri setlerine baktığımızda?

Bir resme baktığımızda içindeki objeyi net olarak görüyoruz. Resimdeki objenin bir vazo olup olmadığı konusunda bir tartışma olmuyor ancak bulanık bir resimde içindeki objenin ne olduğunu anlamakta zorlanırız. Teknik dilde resimdeki bulanıklık gibi bozulma yaratan faktörleri gürültü olarak ifade ediyoruz. Finansal veri setlerine baktığımızda veriden yola çıkarak net bir karara varmak çok zor oluyor. Finansal veri setlerinde gürültünün çok yüksek miktarda olması nedeniyle farklı kişiler verileri çok farklı yorumlayabiliyor. Diğer bir ifade ile elimizdeki resim o kadar bozuk ki içinde bir vazo olup olmadığı konusunda herkes farklı bir görüşe sahip. Bu nedenle makine öğrenmesi ile yatırım stratejilerinde kuralları öğrenmek ve başarı elde etmek oldukça zor bir iş ve henüz başarı ile tam uygulanabilirliği bir tartışma konusu.

Neden sonuç ilişkileri 

Günümüzde birçok yatırım stratejisi neden sonuç ilişkilerinden ve ekonomik dayanaklardan faydalanılarak oluşturuluyor. Bunun en önemli sebebi oluşturulan stratejinin geçerliliğini test edebilmek. Bahsettiğimiz yüksek gürültülü ortam nedeni ile her yatırım stratejisi belli bir dönem kötü performans gösterebilmekte. Böyle bir durumda stratejinin geçerliliğini destekleyen en önemli faktör neden sonuç ilişkilerinin ve ekonomik dayanakların devamlılığı oluyor. Ancak ML metotlarının birçoğu veriler arası nedensel ilişkileri açıklayan yapıya sahip değil. Bu nedenle ML tarafından alınan yatırım kararlarının sorgulanması mümkün olmuyor.  Özellikle stratejinin kötü performans gösterdiği dönemlerde bu durum kritik sonuçlar doğurabiliyor. 

Veri seti uzunluğu 

Bilindiği gibi günümüzde veri toplama kapasitesinin çok artması ML algoritmalarının başarılarının artmasında ve yaygınlaşmasında en önemli etmenlerden biri. Örneğin teknolojik gelişmeler günümüzde obje tanıma problemi için aynı objeye ait milyonlarca fotoğrafa erişimi mümkün kılıyor. Elinizde yeterli veri yoksa bile yeni veri setlerinin üretilmesini çok kolay hale getirebiliyor. Finansal veri setleri ise çoğu zaman öğrenilmek istenen kural setine kıyasla çok kısa bir zaman dilimine ait. Makro bir strateji için veri setlerinin kapsadığı ekonomik krizlerin sayısı -2000 öncesi sağlıklı veri toplanamamasının da etkisiyle- 3-5’i geçmiyor. Ayrıca obje tanıma örneğinde olduğu gibi veriye ihtiyacımız olduğunda binlerce yeni resim çekip bu verilerden öğrenemiyoruz. Yani anında yeni ekonomik krizler yaratıp onların verilerinden öğrenebilmek mümkün değil. Bu sebepler finansal veri setlerinde başarı elde edilmesini zorlaştırıyor.  

ML strateji yatırım stratejisi tasarımında günümüzde nasıl yardımcı oluyor?

Bir örnekle anlatalım. Hisse senedi seçerken bilançosuna göre ucuz hisse senetlerini belirlemek için fiyat/kazanç, defter değeri vb. gibi birçok değişkenin fonksiyonu olarak hisse senedinin ucuz olduğuna karar veriliyor. Buradaki model çoğu zaman insanlar tarafından sezgisel olarak belirleniyor. Yatırım stratejileri tasarlanırken buna benzer birçok model kullanılıyor. ML bu modellerin iyileştirilmesinde ve daha iyi hesaplanmasında kullanılabiliyor.

Portföy yönetiminde varlık dağılımının hesaplanmasında kritik girdiler olan risk, getiri ve ilişkilerin hesaplanmasında ML kullanılıyor. Bu tip kullanımlarda amaç insanlar tarafından ortaya atılan modellerin yerini almaktansa, insanlar tarafından geliştirilen stratejilerin ML yardımıyla daha iyileştirmesi oluyor.

Algoritmik alım-satım işlemleri ve yüksek frekanslı işlemler ML kullanımının sık görüldüğü başka bir alan. Çok kısa yatırım vadesi, bu duruma bağlı olarak da neden sonuç ilişkilerine pek de ihtiyaç duymayan bu tip stratejiler için ML kullanımının daha uygun olduğu söylenebilir. Veri seti uzunluğu olarak da uzun vadeli stratejilere göre çok daha avantajlı oluyorlar.

ML’in yüksek potansiyel vaat ettiği çözümler

ML’in günümüzde en yüksek potansiyel vaat ettiği noktalardan birisi yatırım stratejilerine girdi olarak da kullanılabilen haberler, sosyal medya, web, şirketler tarafından oluşturulan veri kaynaklarının analiz edilebilmesini sağlaması. Bu konudan örnekleriyle bu serinin bir sonraki yazısında daha detaylıca bahsedeceğim.

Sonuç

Günümüzde makine öğrenmesinin insanların yerine geçerek sizin adınıza yatırımlarınızı yöneteceğini söyleyebilmek için henüz çok erken. Yatırım dünyasındaki problemlerin yapısal olarak çok farklı bir yapıya sahip olması bunun başlıca nedeni.