CNN-TA Zaman Kaydırmalı Yönteminin De˘gerlendirmesi

Ayrıca, CNN-TA modelinin zaman kaydırmalı olarak uygulanması ETF’ler üzerinde uygulanmı¸s ve di˘ger yöntemler ile kıyaslanmı¸stır. Çizelge 9.5’de önerilen CNN-TA modelinin zaman kaydırmalı olarak uygulanmasının di˘ger yöntemler ile 2007-2017 yılları arasındaki yıllık kazançlarının kıyaslanması gösterilmektedir. CNN-TA yönte- minin 2007-2017 yılları arasındaki ortalama yıllık getirisi 13.01% iken, "Al&Tut" mo- delinin ortalama yıllık getirisi 4.63%, RSI modelinin ortalama yıllık getirisi 3.95%, SMA modelinin ortalama yıllık getirisi 2.81%, LSTM yönteminin [20] ortalama yıllık getirisi 6.22%, MLP regresyon (literatürde önerilen) yönteminin [20] ortalama yıllık getirisi 4.01%’dir. Önerilen tüm yöntemlerin ETF’lerle 2007-2017 yılları arasındaki yıllık ortalama getiri oranları ¸Sekil 9.3’de gösterilmektedir.

Çizelge 9.6’de önerilen CNN-TA modelinin zaman kaydırmalı olarak uygulanması- nın di˘ger yöntemler ile 2007-2012 yılları arasındaki yıllık kazançlarının kıyaslanması gösterilmektedir. CNN-TA yönteminin 2007-2012 yılları arasındaki ortalama yıllık ge- tirisi 13.17% iken, "Al&Tut" modelinin ortalama yıllık getirisi 2.60%, RSI modelinin ortalama yıllık getirisi -0.01%, SMA modelinin ortalama yıllık getirisi 1.30%, LSTM yönteminin [20] ortalama yıllık getirisi 8.44%, MLP regresyon (literatürde önerilen) yönteminin [20] ortalama yıllık getirisi 8.23%’dir. Önerilen tüm yöntemlerin ETF’lerle 2007-2012 yılları arasındaki yıllık ortalama getiri oranları ¸Sekil 9.4’de gösterilmekte- dir.

CNN-TA modelinin zaman kaydırmalı olarak uygulanmasının performansı, 2007-2017 yıllarında "Al&Tut" modelinin performansının yakla¸sık olarak 3 katı olurken, kriz za- manında 2007-2012 yıllarında yakla¸sık 6 katı olmaktadır. Ayrıca, CNN-TA yönteminin performansı 2007-2017 yıllarında LSTM yönteminin performansının yakla¸sık olarak 1.5 katı olurken, kriz zamanında 2007-2012 yıllarında yakla¸sık 2 katı olmaktadır. Tüm sonuçlar göz önüne alındı˘gında önerilen CNN-TA modeli kriz zamanında ve di˘ger zaman aralıklarında yakla¸sık olarak aynı performansı göstererek stabil bir model ol- du˘gunu kanıtlarken, aynı zamanda di˘ger model ve yöntemlerden tüm zamanlarda daha iyi performans göstermektedir.

Çizelge 9.5: CNN-TA zaman kaydırmalı yönteminin BaH, RSI, SMA, LSTM, MLP Reg. modelleri ile kıyaslanması (ETFs - test periyotu: 2007 - 2017)

ETFs CNN-TA Kay. BaH RSI SMA LSTM[20] MLP[20]

SPY 10.77% 4.63% 6.14% 0.54% 3.35% 7.27% QQQ 11.57% 10.52% 6.46% 5.37% -1.33% 3.92% XLU 10.13% 2.97% 4.91% 0.90% 1.29% 1.12% XLE 15.80% 2.85% 3.64% 5.88% 4.01% 5.41% XLP 11.10% 6.92% 5.29% 5.17% 5.97% 0.84% XLY 9.55% 7.68% 5.74% 1.80% 2.13% 1.31% EWZ 20.40% -3.38% -3.25% 4.15% -1.30% 5.42% EWH 11.69% 1.73% 2.32% 3.08% 12.30% 6.11% XLF 16.05% 2.31% 1.22% -5.60% 16.18% 2.68% Ortalama 13.01% 4.63% 3.95% 2.81% 6.22% 4.01% S.Sapma 3.61% 4.03% 3.12% 3.57% 5.96% 2.40%

Çizelge 9.6: CNN-TA zaman kaydırmalı yönteminin BaH, RSI, SMA, LSTM, MLP Reg. modelleri ile kıyaslanması (ETFs - test periyotu: 2007 - 2012)

ETFs CNN-TA Kay. BaH RSI SMA LSTM[20] MLP[20] SPY 9.25% -0.39% -1.64% -1.56% 11.05% 10.62% QQQ 8.75% 5.73% 2.60% 6.35% 5.38% 2.85% XLU 12.43% 3.72% 0.84% 0.13% 6.89% 3.78% XLE 23.41% 5.61% -0.32% 7.45% 3.76% 12.93% XLP 12.59% 6.97% 3.88% 4.07% 1.20% 4.37% XLY 5.43% 1.65% 2.00% -3.68% 3.88% 7.41% EWZ 25.07% 7.64% -1.54% 7.55% 1.69% 3.54% EWH 12.32% 1.75% -0.01% -0.63% 26.07% 17.64% XLF 9.34% -16.91% -7.68% -16.06% 6.39% 7.02% Ortalama 13.17% 2.60% -0.01% 1.30% 8.44% 8.23% S.Sapma 6.69% 7.49% 3.36% 7.44% 7.61% 5.03%

¸Sekil 9.4: ETF 2007-2012 ortalama yıllık getiri - yöntem grafi˘gi

Ayrıca, önerilen CNN-TA yönteminin sonuçları; BaH, LSTM ve MLP yöntemlerinin sonuçları ile kıyaslanarak, istatistiksel anlamlılık testleri (statistical significance test) uygulanmı¸stır. Çizelge 9.7 ve Çizelge 9.8’de bu sonuçlar listelenmi¸stir. Sonuçlara göre, CNN-TA i¸slem performansı, uzun vadede (2007-2017) tüm modellerden önemli öl- çüde daha iyidir. 2007-2012 dönemi için de, LSTM ile sonuçları dı¸sında benzer sonuç- lar vermektedir.

Çizelge 9.7: Yıllık kazançların TTest sonuçları (Dow30)

Zaman Aralı˘gı Performans Metrikleri TTest Sonuçları 2007-2017 CNN-TA - BaH 0.0100241 CNN-TA - LSTM 0.0000001 CNN-TA - MLP 0.0000001 2007-2012 CNN-TA - BaH 0.0012111 CNN-TA - LSTM 0.1072803 CNN-TA - MLP 0.0490155

Çizelge 9.8: Yıllık kazançların TTest sonuçları (ETF)

Zaman Aralı˘gı Performans Metrikleri TTest Sonuçları 2007-2017 CNN-TA - BaH 0.0000302 CNN-TA - LSTM 0.0010461 CNN-TA - MLP 0.0000013 2007-2012 CNN-TA - BaH 0.0013547 CNN-TA - LSTM 0.0755492 CNN-TA - MLP 0.0463610

CNN-TA modelinde yapılan i¸slemlerindeki ba¸sarı oranının 70-80% oldu˘gu görülmek- tedir. Dolayısıyla, CNN-TA metodu tarafından üretilen i¸slem sinyalleri ("Al","Sat","Tut") ço˘gu zaman ba¸sarılı (karlı) durumdadır. Ancak, "Al", "Sat", "Tut" noktaları için veri gösterimi, daha iyi al-sat sinyali üretim performansını eniyilenebilir. Test verisi (2007- 2017 yılları arası) incelendi˘ginde, dönem boyunca farklı piyasa ko¸sullarının (yükselen, alçalan, dura˘gan) oldu˘gu gözlemlenmektedir . Ancak, piyasa ko¸sullarındaki bu dalga- lanmalar, CNN-TA modelinin genel i¸slem performansını etkilememektedir. Sonuç ola- rak, model kötüle¸sen piyasa ko¸sullarında dahi iyi kazançlar elde etmeyi ba¸sarmaktadır. Önerilen CNN-TA modeli zaman içerisinde kaydırmalı olarak e˘gitilip, daha sonrasında test edilerek eniyilenmi¸stir. Zaman içerisinde kaydırmalı e˘gitim ile zaman içerisindeki de˘gi¸simler modele yansıtılmı¸s, toplam kar oranı ve önerilen modelin verimlili˘gi arttırıl- mı¸stır. LSTM yönteminde yakın zaman içerisinde de˘gi¸sim gelecek tahmininde verim- lili˘gi arttırmaktadır. Benzer yakla¸sım, zaman içerisinde kaydırmalı e˘gitim ile CNN-TA yöntemine de uygulanmı¸stır.

CNN-TA zaman kaydırmalı modelin performans sonuçları, umut verici sonuçlar ver- mektedir (Dow30: 2007-2017 dönemlerinde 12.59%, 2007-2012 dönemlerinde 12.83%; ETF: 2007-2017 dönemlerinde 13.01%, 2007-2012 dönemlerinde 13.17% ). Ancak, CNN-TA zaman kaydırmalı modelin performansı iyile¸stirmeler ile artabilir. CNN-TA modelinde kullanılan CNN yapısal parametreleri eniyilenirse model daha iyi perfor- mans gösterebilir. Model eniyilenmesi için evrimsel algoritmalar kullanılarak, CNN performansı arttırılabilece˘gi öngörülmektedir.

Tez kapsamında yapılan tüm önerilerdeki finansal de˘gerlendirme senaryolarında, öne- rilen algoritmik al-sat modelleri, sadece uzun pozisyon strajesi ile analiz edilmi¸stir. Uzun (long) pozisyon stratejisinde varlık, eldeki sermaye kar¸sılı˘gında alınmaktadır. Uzun (long) pozisyon, gelecek bir zamanda varlık fiyatlarının yükselmesi beklentisi ile varlık alımı yapılarak beklenen pozisyondur. Kısa (short) pozisyon stratejisinde varlık, gelecek zamanda alınmak suretiyle, borçlanarak satılmaktadır. Kısa (short) pozisyon, gelecek bir zamanda varlık fiyatlarının dü¸smesi beklentisi ile varlık satımı yapılarak beklenen pozisyondur.

Önerilen modellerin tümününde finansal de˘gerlendirme senaryolarında, uzun ve kısa pozisyon stratejisinin birlikte kullanılmasıyla toplam kar artabilir. Çünkü tüm model- lerde bo¸sta kalma oranı (idle ratio) yakla¸sık olarak 50%’dir. Nakitte kalınan sürede, kısa pozisyon alınması toplam karı arttırabilir. Ayrıca, bo¸sta kalma zamanları farklı olan varlıklar tespit edilerek, portföy olu¸sturulursa, i¸slem yapılmadı˘gı zamanlarda, portföydeki di˘ger varlıklardan alınarak, toplam kar artabilir.