Blog Yazısı
Ekofin blog yazısının tam metni, finans analizi ve yatırım içgörüleri.
Hisse, fon, sertifika veya kripto ara
Blog Yazısı
Ekofin blog yazısının tam metni, finans analizi ve yatırım içgörüleri.
Ekofin
244 görüntüleme
Finans & Borsa Analizi • ekofin.net
Geçen yıl bir fon yöneticisiyle uzun bir sohbet ettim. Kendi portföy modelinden bahsediyordu — on yıllık tecrübe, güçlü bir ekip, sektörü iyi bilen insanlar. Sonra şunu söyledi: “Ama şunu kabul etmek zorundayım: geçen çeyrek Renaissance Technologies'in modeli bizim bütün ekibimizden daha iyi performans gösterdi. Ve onların modeli insan içermiyor.”
Bu cümle kafamda uzun süre döndü. Çünkü soruyu çok net ortaya koyuyor: yapay zeka ve algoritmik sistemler, finansal karar almada insanı geçebilir mi? Zaten geçiyor mu?
Piyasalarda uzun yıllardır gözlemlediğim şey şu: bu tartışma artık teorik değil. Quant fonları, büyük veri analitiği, makine öğrenmesi modelleri — bunlar Wall Street'te, Londra'da ve giderek artan biçimde Asya piyasalarında aktif olarak kullanılıyor. Bireysel yatırımcı olarak bu dönüşümü anlamak, oyunun kurallarını anlamak demek.
Bu yazıda hem heyecan verici olanı hem de gerçekçi olmak adına söylenmesi gerekenleri aktaracağım.
Algoritmik yatırım, önceden belirlenmiş kurallara veya makine öğrenmesi modellerine dayanarak alım-satım kararları veren sistemlerin kullanımıdır. İnsan müdahalesi ya hiç yok ya da çok sınırlı. Sistem, tanımlanmış koşullar oluştuğunda otomatik işlem yapıyor.
1970'ler — İlk Quant Fonları
Ed Thorp ve Jim Simons gibi matematikçiler piyasalarda istatistiksel örüntüler aradı. Renaissance Technologies'in Medallion Fonu 1988'den bu yana neredeyse her yıl çift haneli getiri ürettiği söyleniyor — tarihin en başarılı yatırım fonu olarak anılıyor.
1990'lar — Yüksek Frekanslı İşlem (HFT)
Bilgisayar hızının artmasıyla birlikte milisaniyeler içinde binlerce işlem yapan sistemler devreye girdi. Fiyat farklılıklarını arbitraj eden bu sistemler piyasa yapısını köklü biçimde değiştirdi.
2010'lar — Makine Öğrenmesi Dönemi
Büyük veri setlerini işleyebilen derin öğrenme modelleri finansa girdi. Sosyal medya duyarlılık analizi, uydu görüntüleri, kredi kartı harcama verileri yatırım kararlarında kullanılmaya başlandı.
2020'ler — Büyük Dil Modelleri ve Üretken YZ
GPT benzeri modeller finansal haberleri, kazanç açıklamalarını ve analist raporlarını gerçek zamanlı analiz etmeye başladı. Yatırım kararlarında doğal dil işleme (NLP) kritik bir araç haline geldi.
“Yapay zeka yatırım yapıyor” demek çok geniş bir ifade. Pratikte birbirinden oldukça farklı birkaç kullanım alanı var. Bunları ayırt etmek, konuyu anlamayı kolaylaştırıyor.
Sinyal Üretme
Fiyat verileri, hacim, teknik göstergeler ve makroekonomik değişkenlerden alım-satım sinyali üreten modeller. En klasik quant yaklaşımı.
Duyarlılık Analizi
Haber akışları, sosyal medya ve kazanç açıklamalarındaki olumlu/olumsuz ifadeleri anlık analiz eden NLP modelleri. Piyasa tepkisini önceden tahmin etmeye çalışır.
Alternatif Veri
Uydu görüntüleri, kredi kartı harcamaları, uygulama kullanım verileri, park yeri dolulukları. Finansal tablolarda henüz görünmeyen bilgiyi önceden yakalamak hedefi.
Risk Yönetimi
Portföydeki korelasyonları ve risk konsantrasyonunu gerçek zamanlı izleyen sistemler. Stres testleri ve dinamik korunma (hedging) stratejileri.
Robo Danışmanlık
Bireysel yatırımcıya risk profiline göre otomatik portföy oluşturan ve dengeleyen platformlar. Betterment, Wealthfront ve Türkiye'de bazı fintechler bu alanda çalışıyor.
Kredi Değerlendirme
Geleneksel kredi skorlamanın ötesinde davranışsal ve alternatif verileri kullanan YZ modelleri. Bankacılık dışı kesimlere kredi erişimi açma potansiyeli.
YZ modellerinin gücü büyük ölçüde veriden geliyor. Daha fazla, daha çeşitli ve daha hızlı veri — bu üçlü, iyi bir modeli sıradan bir modelden ayırıyor.
Geleneksel finansal veri neydi? Fiyatlar, hacimler, bilançolar, gelir tabloları. Bunlar hâlâ kullanılıyor ama artık yanlarında çok daha fazlası var. Bir perakende şirketini analiz etmek istiyorsanız artık şunlara bakılabiliyor: o şirketin mağazalarının uydu fotoğraflarındaki araç yoğunluğu, mobil uygulamasının günlük aktif kullanıcı sayısı, sosyal medyada marka algısı, hava durumu verileriyle çakıştırılmış mağaza ziyaret yoğunluğu, rakip fiyatlarının gerçek zamanlı takibi...
Bu verilerden bazıları çeyreklik bilanço açıklanmadan haftalar önce şirketin nasıl gittiğini gösteriyor. Kurumsal yatırımcılar bu tür alternatif veri setlerini satın alıyor; bazıları aylık yüz binlerce dolar ödüyor. Bu bilgi asimetrisi ciddi.
Gerçek Örnek:
2018'de bazı hedge fonlar, uydu görüntülerinden Çin'in demir cevheri stoklarındaki değişimi izleyerek emtia pozisyonlarını yönetiyordu. Resmi veri açıklanmadan önce arz-talep dengesini görmek büyük avantaj sağladı. Bu artık standart bir pratik haline geldi.
Bu soru hem basit hem yanıltıcı. “YZ mı daha iyi, insan mı?” diye sormak yerine hangisinin hangi alanda üstün olduğuna bakmak çok daha verimli.
| Kriter | YZ / Algoritma | İnsan Analist |
|---|---|---|
| Veri işleme hızı | Üstün — milisaniyeler | Yavaş — saatler, günler |
| Duygusal önyargı | Yok (teoride) | Var; kayıptan kaçınma, aşırı güven |
| Nitel değerlendirme | Zayıf; bağlamı kavramakta güçlük | Güçlü; yönetim kalitesi, strateji okuma |
| Kriz dönemleri | Riskli; eğitim dışı senaryolarda çöker | Değişken; panikleyebilir ama adapte olur |
| Geçmiş veri kullanımı | Çok güçlü; örüntü tespiti | Sınırlı; bellek ve kapasite kısıtı |
| Yeni bilgiyi yorumlama | Zayıf; beklenmedik olaylar sorun | Güçlü; bağlamsal yorum yapabilir |
| Hesap verebilirlik | Belirsiz; “kara kutu” sorunu | Net; karar gerekçesi açıklanabilir |
| Ölçeklenebilirlik | Sınırsız; aynı anda binlerce hisse | Sınırlı; kişi başı kapasite kısıtı |
Tabloya bakınca sonuç açık: ikisi farklı şeylerde iyi. Bu yüzden en sofistike kurumsal yatırımcılar “insan mı YZ mi?” sorusunu sormak yerine ikisini nasıl birleştireceklerini soruyor. İnsan yargısı stratejik çerçeveyi kuruyor, algoritma ise o çerçeve içinde milyonlarca karar alıyor.
Müşterilerimle çalışırken sık karşılaştığım bir tutum: algoritmalara aşırı güven. Sanki bir şeyi matematikle ifade etmek onu doğru yapıyor. Oysa algoritmalar insan tarafından yazılır, insan tarafından seçilmiş verilerle eğitilir ve insan kararlarının şekillendirdiği piyasalarda çalışır. İnsana özgü hatalar farklı bir biçimde de olsa içeride kalıyor.
Derin öğrenme modelleri çoğunlukla açıklanamaz. “Neden bu hisseyi aldın?” diye sorduğunuzda model size gerekçe veremez. Bu hem düzenleyici hem de operasyonel bir sorun. Bir şey ters gittiğinde nedenini anlamak çok güç.
Model geçmiş verideki her örüntüyü ezberlemişse, yeni koşullarda çalışmayabilir. Gerçek dünyadaki finansal piyasalar sürekli değişiyor; dün işe yarayan bugün çalışmayabilir. “Geriye dönük test” (backtesting) yüksek performans gösterse de bu gelecek performansın garantisi değil. Tabii ki kesin değil ama overfitting, quant fonlarının en büyük teknik sorunlarından biri.
Yüzlerce algoritma benzer stratejiler kullanıyorsa hepsi aynı anda aynı yönde hareket edebilir. Bu piyasa likiditesini bir anda yok edebilir. 2010'daki “Flash Crash” buna iyi bir örnek — birkaç dakika içinde Dow Jones yüzde dokuzu aşan bir çöküş yaşadı, sonra neredeyse tamamen toparladı. Algoritmik sistemlerin birbirini tetiklemesiyle oluşan kısa ama sert bir çalkantı.
2020 Dersi:
Covid-19 piyasa çöküşünde pek çok makine öğrenmesi modeli başarısız oldu. Modeller böyle bir senaryoyu hiç görmemişti — eğitim verisi yoktu. İnsan müdahalesi olmadan yönetilen bazı fonlar hem çöküşte hem de toparlanmada yanlış tarafta kaldı. “Eğitilmemiş şoklar” algoritmaların Achilles topuğu olmaya devam ediyor.
Dürüst olmak gerekirse: Türkiye bu alanda henüz çok geride. Gelişmiş piyasalarda işlem hacminin yüzde elliden fazlası algoritmik sistemlerden gelirken, BIST'te bu oran çok daha düşük. Birkaç nedeni var.
Birincisi: piyasa derinliği. BIST'te işlem hacmi Wall Street'le kıyaslanamaz. Büyük algoritmik sistemlerin karlı çalışması için yeterli likidite gerekiyor; ince piyasalarda kendi işlemleriyle fiyatı etkileyen sistem paradoks yaşıyor.
İkincisi: veri kalitesi ve erişimi. Alternatif veri sağlayıcıları Türkiye pazarına henüz tam ilgi göstermiyor. Uydu verisi, tüketici harcama verisi, mobil uygulama metrikleri gibi alternatif kaynaklar sınırlı.
Üçüncüsü: regülasyon ve altyapı. SPK düzenlemeleri ve takas altyapısı yüksek frekanslı stratejilere tam olarak uygun değil.
Ama bu gelişimin olmayacağı anlamına gelmiyor. Özellikle büyük aracı kurumlar algoritmik emir yönetim sistemleri kullanıyor. Bazı yerli ve yabancı fonlar BIST'te nicel (quant) stratejiler deniyor. Bu süreç yavaş ama gidiyor.
“Peki ben ne yapacağım bu bilgiyle?” diye sorabilirsiniz. Haklı bir soru. Birkaç pratik çıkarım var.
Bilgi Asimetrisini Kabullenmek
Kurumsal oyuncular sizin erişemeyeceğiniz verilere ve hızlara sahip. Kısa vadeli fiyat hareketlerinde onlarla rekabet etmek neredeyse imkânsız. Bu yüzden bireysel yatırımcının avantajı başka yerde: sabır, uzun vade ve nitel değerlendirme.
Araçları Kullanmak
Robo danışmanlık platformları, YZ destekli tarama araçları ve büyük dil modelleri artık bireysel yatırımcıya da açık. Bunları anlamak ve doğru kullanmak rekabet dezavantajını kısmen kapatıyor.
Sürü Hareketlerine Dikkat
Algoritmik sistemlerin neden olduğu ani fiyat hareketleri zaman zaman gerçek değer ile fiyat arasında boşluk açıyor. Bu boşluklar uzun vadeli yatırımcı için fırsat yaratabilir.
Temel Analizi Küçümsememek
Algoritmalar kısa vadeli örüntülerde güçlü ama uzun vadeli iş modeli değerlendirmesinde zayıf. İyi bir temel analist, iyi bir iş modelini erken tespit edebilir — ve bu algoritmik sistemlerin kolayca kopyalayamadığı bir beceri.
Bireysel Yatırımcıya YZ Araçları
ChatGPT ve Claude gibi büyük dil modelleri şirket kazanç açıklamalarını, yönetim yorumlarını ve sektör haberlerini hızla özetleyebiliyor. Stock screener platformları YZ destekli filtreleme sunuyor. Türkiye'de bazı fintech uygulamaları makine öğrenmesiyle portföy önerileri sunmaya başladı. Bu araçlar karar yerini almıyor ama analiz sürecini ciddi hızlandırıyor.
Yapay zekanın finansa girmesini ne bir tehdit ne de bir kurtarıcı olarak görmek gerekiyor. Bu bir araç — son derece güçlü ama hâlâ insanların amaçlarına hizmet eden bir araç.
Bireysel yatırımcı olarak şunu yapın: algoritmik sistemlerin iyi yaptığı şeylerde onlarla rekabet etmeyin. Kısa vadeli fiyat tahmininde, saniye içi arbitrajda, veri hızında kaybedersiniz. Onun yerine algoritmaların zayıf olduğu yerlere odaklanın: uzun vadeli iş modeli değerlendirmesi, yönetim kalitesi analizi, sektör dinamiklerini okumak ve piyasa paniklerinde sakin kalmak.
YZ araçlarını ise verimliliğinizi artırmak için kullanın. Saatler süren haberleri dakikalarda özetlemek, mali tabloları hızla taramak, senaryo analizi yapmak — bunlar için mükemmel bir yardımcı.
Yapay zeka yatırım kararı verebilir mi? Evet, veriyor — milyonlarca kez her gün. Ama hangi soruyu soracağına hâlâ insan karar veriyor.
Bu içerik yalnızca bilgilendirme amaçlıdır ve yatırım tavsiyesi niteliği taşımaz. Finansal kararlarınızı verirken bir uzman ile görüşmeniz tavsiye edilir. © ekofin.net
Ekofin'deki özelliklere erişmek için lütfen hesabınızı oluşturunuz.
Yorumlar yükleniyor...