• 30.10.2026 19:11:48
  • İbrahim Gökyar

Yatırım dünyasında yapay zekâ tabanlı portföy optimizasyonu artıyor. Bu makale modern yöntemleri, risk yönetimini, veri hazırlığını ve gelenekselden ML yaklaşımlarına geçiş adımlarını anlatır.

Yapay Zekâ ile Portföy Optimizasyonu: Modern Yaklaşımlar ve Geçiş

Finansal piyasalar karmaşık, gürültülü ve hızla değişiyor. Geleneksel portföy optimizasyonu teknikleri (ör. Ortalama-Varyans) hâlâ değerli olsa da, yapay zekâ (YZ) yöntemleri daha gelişmiş sinyal çıkarımı, özellik mühendisliği ve esnek risk yönetimi sunuyor. Bu yazıda çalışan yazılımcılar için uygulamaya dönük, pratiğe geçiş odaklı bir rehber sunuyorum: veri hazırlığı, model seçimi, optimizasyon stratejileri ve önemli uygulama notları.

Neden klasik yöntemler yetmeyebilir?

Markowitz'in Ortalama-Varyans optimizasyonu finans literatüründe kırılmaz bir temel oldu; ancak gelecekteki getiri beklentileri, kovaryans tahminleri ve model belirsizliği konularında hassas. Küçük veri değişiklikleriyle ağırlıklar aşırı oynak olabilir. Ayrıca lineer varsayımlar ve sabit kovaryans yaklaşımları gerçek dünya piyasalarının dinamik doğasını yakalayamayabilir.

YZ yaklaşımları, makine öğrenmesi ve istatistiksel öğrenme teknikleriyle daha zengin özellikler kullanarak getiri öngörüsü, regime switching (piyasa rejimleri) tespiti veya doğrudan hedef optimizasyonu gibi imkanlar sağlar. Burada amaç klasik yöntemleri tamamen yok etmek değil; daha ziyade hibrit çözümlerle performansı ve sağlamlığı arttırmaktır.

Veri hazırlığı ve özellik mühendisliği

İyi bir model büyük oranda doğru veri ve özellik tasarımına bağlıdır. Fiyat verileri (open/high/low/close), işlem hacmi, volatilite göstergeleri, momentum, makro değişkenler ve alternatif veriler (sosyal medya duyarlılığı, haber akışları) işe yarayabilir. Ancak fazladan bilgi otomatik olarak daha iyi sonuç vermez: gürültü ve aşırı öğrenme riski artar.

Pratik adımlar: veriyi aynı frekansta hizalayın, kayıp değerleri makul yöntemlerle doldurun, aşırı uçları gözden geçirin ve hedef değişkeni (ör. ileri dönem getiri, downside risk, Sharpe maks.) net tanımlayın. Özellik seçimi için korelasyon, bilgi kazancı veya model tabanlı önem sıralamaları (feature importance, SHAP) kullanın.

Model yaklaşımları: gözetimli öğrenme, sıra modellleri ve RL

Gözetimli öğrenme metodları (regresyon, ağaç tabanlı modeller, ensemble'ler) belirli periyotlardaki beklenen getiriyi tahmin etmek için uygundur. Sıra verisi olan fiyatlar için LSTM, GRU veya Transformer tabanlı modeller regime-aware (rejim farkına varan) tahminler sunabilir. Bu modellerin çıktıları daha sonra optimizasyon aşamasında kullanılabilir.

Takviyeli öğrenme (Reinforcement Learning - RL) ise al-sat-ağırlık problemiyle doğrudan ilgilenir: ödül fonksiyonunu portföy performansına göre tanımlayıp ajanı eğitirsiniz. RL güçlüdür ama eğitim kararlılığı, örnek veriye duyarlılık ve simülasyon gerçeğe yakınlığı gibi zorluklar vardır. Genelde hibrit yaklaşım—ML tahmini + klasik/konveks optimizasyon—daha güvenilir sonuç verir.

Optimizasyon stratejileri ve risk kısıtları

Modelden çıkan getiri tahminlerini doğrudan ağırlığa çevirmek için çeşitli yöntemler var: en basitinden beklenen getiriye göre maksimum getiriyi hedefleyen stratejiler, beklenen getiriyi risk ile dengeleyen Sharpe benzeri hedefler veya CVaR (Conditioned Value at Risk) gibi tail-risk odaklı yaklaşımlar. Yatırım kuralları (long-only, ağırlık sapma limitleri, likidite kısıtları) mutlaka optimizasyona dahil edilmelidir.

Konveks optimizasyon kütüphaneleri (örneğin cvxpy) ile lineer/kuadratik problemi ve kısıtlarını güvenilir şekilde çözebilirsiniz. Model belirsizliğini azaltmak için düzenlileştirme (L2, L1), shrinkage kovaryans tahminleri veya risk-parity benzeri yaklaşımlar tercih edilir. Ayrıca stres testleri ve backtest prosedürleriyle stratejinin farklı piyasa koşullarındaki davranışını inceleyin.

Basit bir uygulama örneği (Python pseudokodu)

Aşağıda model çıktısını alıp basit bir konveks optimizasyon ile portföy ağırlığı hesaplama örneği var. Bu örnek eğitim amaçlı ve gerçek ticarete geçmeden önce yeterli validasyon gerektirir.

<!-- Python biçiminde açıklayıcı kod (HTML içinde kaçışlı) -->
# veri: returns (NxT numpy array), örn. günlük getiri serileri
# step1: getiri tahmini (örnek: basit hareketli ortalama)
import numpy as np
mu = np.mean(returns[:, -60:], axis=1)  # son 60 günlük ortalama getiri

# step2: kovaryans (shrinkage önerilir)
Sigma = np.cov(returns)

# step3: cvxpy ile kuadratik optimizasyon (risk minimizasyon + beklenen getiri hedefi)
import cvxpy as cp
n = len(mu)
w = cp.Variable(n)
ret_target = 0.001  # hedef günlük getiri (örnek)
objective = cp.Minimize(cp.quad_form(w, Sigma))
constraints = [cp.sum(w) == 1, w >= 0, mu.T @ w >= ret_target]
prob = cp.Problem(objective, constraints)
prob.solve()

weights = w.value
print(weights)

Bu şablon; daha gerçekçi kullanımda shrinkage kovaryans, transaction cost modeli, slippage, pozisyon limitleri ve out-of-sample değerlendirme eklenmelidir.

Üretime alma ve izleme

Model eğitildikten sonra üretime alırken dikkat edilmesi gerekenler: veri pipeline'ı güvenilir ve gecikmesiz olmalı; model sürümleri, hiperparametreler ve eğitim verisi kayıt altına alınmalı; hot-start/ incremental öğrenme gereksinimleri planlanmalı. Ayrıca canlı performans ile backtest arasındaki sapmaları düzenli olarak ölçün (implementation shortfall, turnover, drawdown).

Model izleme için metrikler: realized vs expected return, volatility, max drawdown, turnover, transaction cost ve risk limit breaches. Otomatik alarm ve insan onayı gerektiren durumlar (ör. ağırlıklar hızlı değiştiğinde) tanımlayın.

Sık Sorulan Sorular

1. ML tabanlı portföy optimizasyonu klasik yaklaşımdan tamamen daha mı iyi?

Hayır. ML yöntemleri güçlü sinyal çıkarma yetenekleri sunsa da aşırı öğrenme, veri sızıntısı ve stabilite problemleri ile karşılaşabilir. En iyi pratik genelde hibrit yaklaşımdır: ML ile sinyal üret, klasik veya konveks optimizasyon ile risk kısıtlarını uygula.

2. Hangi veri kaynakları en faydalıdır?

Temel fiyat/veri setleri (OHLCV), volatilite göstergeleri, momentum ve makro seriler başlangıç için yeterlidir. Alternatif veriler (haber, sosyal medya) fayda sağlayabilir ama gürültü ve maliyet getirir; dikkatli ön işleme ve öznitelik değerlendirmesi gerektirir.

3. Reinforcement Learning kullanmalı mıyım?

RL, doğrudan alım/satım politikası öğrenme konusunda cazip fakat eğitim istikrarı, simülasyon-hayat (sim-to-real) farkı ve örnek veriye ihtiyaç gibi zorluklar taşır. RL deneysel projeler veya ileri düzey uygulamalar için uygundur; üretimde genelde daha temkinli, hibrit yaklaşımlar tercih edilir.

Sonuç

Yapay zekâ, portföy optimizasyonunda yeni olanaklar sunuyor: daha iyi sinyal çıkarımı, rejim farkındalığı ve esnek risk yönetimi. Ancak başarı, sağlam veri hazırlığı, doğru model seçimi ve dikkatli üretime alma süreçlerine bağlı. Çalışan yazılımcılar için öneri: küçük, ölçülebilir bileşenler halinde ilerleyin; dulürü ve test altyapısını önden kurun; önce hibrit yaklaşımla başlayıp zamanla daha ileri ML tekniklerine geçin.