Makine öğrenimi ile yeni oynaklık tahmini için portföy optimizasyonu konusunda akıllı sistem

Daha akıllı yatırım neden önemli

Birikimlerinin borsa ile birlikte yükselip düştüğünü gören herkes bilir ki büyük kayıplar, ılımlı kazançların sağladığından daha ağır hissedilir. Bu makale, hem günlük yatırımcılar hem de büyük kurumlar için önemli bir soruyu ele alıyor: modern yapay zekâyı kullanarak sadece zamanla değer kazanan değil, aynı zamanda birçok ülkede ani piyasa düşüşlerine karşı daha dayanıklı portföyler oluşturmak mümkün mü?

Klasik teoriden veri aç makinelere

1950’lerde Harry Markowitz’e kadar uzanan geleneksel portföy teorisi, yatırımcılara riski ve getiriyi farklı varlıklara dağıtarak dengelemeyi öğretir. Son on yılda derin öğrenme ve pekiştirmeli öğrenme gibi daha karmaşık yaklaşımlar finansal veriden ekstra kazanç elde etmeyi vaat etti. Yine de bu yeni yöntemler çoğunlukla yorumlanması zor, çalıştırılması maliyetli ve farklı piyasalarda güvenilirliği sorgulanabilir oluyor. Önemli olarak, çoğu yöntem getiri tahminine odaklanırken, profesyonel risk yöneticileri yoldaki en kötü tepe‑dip kayıpların büyüklüğü olan geri çekilmeleri (drawdown) çok önemser.

Sadece piyasa kazancına değil, piyasa acısına bakmak

Yazarlar kısa vadeli getirileri tahmin etmekten ziyade kayıpların ne kadar şiddetli olabileceğini tahmin etmeye yöneliyor. ABD ve Almanya gibi gelişmiş ekonomilerden Brezilya ve Güney Afrika gibi gelişmekte olan piyasalara dek 1999–2018 arasındaki 20 yıllık dönemde 40 hisse senedi piyasasını inceliyorlar. Her ülke ve yıl için Sharpe oranı (toplam risk birimi başına getiri), Sterling oranı (getiri / geçmiş ortalama kayıplara göre) ve yıllık kazançları en kötü geri çekilmeyle doğrudan ilişkilendiren Calmar oranı gibi yaygın kullanılan risk‑düzeltilmiş performans ölçülerini hesaplıyorlar. Bu oranlar daha sonra bir piyasanın risk‑getiri açısından ne kadar cazip ya da kırılgan göründüğünü gösteren basit “yüksek”, “orta” ve “düşük” kategorilerinde gruplanıyor.

Akıllı sistemin nasıl çalıştığı

Kaputun altında önerilen sistem, dikkatli veri işleme ile çoklu Destek Vektör Makinesi (multi‑SVM) sınıflandırıcısı adı verilen yapılandırılmış bir makine öğrenimi modelinin birleşiminden oluşuyor. Önce ekip Bloomberg’den iki on yıllık hisse verisini temizliyor ve yeniden şekillendiriyor: hatalı girdileri çıkarıyor, kısa boşlukları dolduruyor ve küçük bir piyasa ile büyük bir piyasayı adil şekilde karşılaştırmak için ölçekleri normalize ediyor. Ardından her piyasanın davranışını özetleyen özellikler üretiyorlar; en yüksek, en düşük ve ortalama pay değerleri, oynaklık, yıllık getiriler ve üç yıllık hareketli geri çekilmeler gibi. Bu özellikler, her biri temel oranlardan birine uzmanlaşmış birkaç SVM alt‑modeline girdi oluyor ve tümü risk ile getiri arasındaki karmaşık bağları yakalamak için doğrusal olmayan bir çekirdek kullanıyor. Birleştirme adımı ise alt‑modellerin güven seviyelerini tek bir yargıda toplayarak belirli bir ülke‑yılın yüksek, orta veya düşük kaliteli risk‑düzeltilmiş kategoriye ait olup olmadığına karar veriyor.

Tahminleri portföy seçimlerine dönüştürmek

Bu zekânın gerçekten yatırımcılara yardımcı olup olmadığını görmek için yazarlar uzun tarihsel bir “ya olsaydı” deneyi yürütüyor. Her yıl sistemin yüksek kalite olarak etiketlediği piyasalara ekstra ağırlık, orta piyasalara nötr ağırlık ve düşük kaliteli piyasalara azaltılmış ağırlık veren küresel bir portföy kurduklarını varsayıyorlar. Sonuçları üç tanınmış kıyaslamayla karşılaştırıyorlar: basit bir piyasa modeli (CAPM), eşit ağırlıklı küresel portföy ve Fama‑French tarafından geliştirilen popüler üç faktör modeli. 1999–2018 döneminde multi‑SVM yönlendirmeli portföy en yüksek kümülatif getiriyi, en küçük en kötü kaybı ve en güçlü Sharpe oranını sunuyor. Sınıflandırıcı, piyasaları risk‑getiri kategorilerine yaklaşık %97,5 doğrulukla yerleştiriyor; bu, tek bir SVM’ye ve temel bir Naïve Bayes modeline göre belirgin bir iyileşme.

Yatırımcılar ve gelecek için anlamı

Uzman olmayan bir okuyucu için ana çıkarım, yazarların yeni bir kara kutu ticaret robotu icat etmediği; bunun yerine yatırımcıların en çok korktuğu şeyi — büyük, uzun süreli kayıpları — hedeflemek için yerleşik araçları dikkatle birleştirdikleridir. Modeli geri çekilme‑ilişkili ölçülere odaklayıp yapıyı nispeten şeffaf tutarak, birçok derin öğrenme sisteminden daha kolay açıklanabilir ama performans açısından hâlâ rekabetçi olan küresel portföy ağırlıklarını yönlendirmeye pratik bir yol sunuyorlar. Çalışma, pazarları yalnızca ham getirilere değil risk‑düzeltilmiş sağlıklarına göre akıllıca sınıflandırmanın portföylerin daha istikrarlı büyümesine ve daha hafif şoklara maruz kalmasına yol açabileceğini, böylece çalkantılı piyasalarda daha konforlu bir seyir sağladığını öne sürüyor.

Atıf: Biswas, T., Dey, A., Mandal, G. et al. Intelligent system for portfolio optimization for novel volatility forecasting using machine learning. Sci Rep 16, 14670 (2026). https://doi.org/10.1038/s41598-026-42813-4

Anahtar kelimeler: portföy optimizasyonu, finansal oynaklık, finansta makine öğrenimi, risk yönetimi, küresel hisse senedi piyasaları