Bu algoritma canllarn genetik miras yoluyla geli³mesini örnek alm³tr. Bir çözüm aday kromozom olarak adlandrlr. Çözümün ihtiyaç duydu§u her para- metre gendeki bir kromozoma denk gelir. Ba³langçta rastgele de§erlerden olu³an kromozomlar olu³turulur. Her bir kromozomun uygunluk de§eri hesaplanr. Popülasyondan kromozom çiftleri seçilir ve kromozom çiftinin genleri kar³lkl olarak de§i³tirilerek çaprazlama i³lemi yaplr. Çaprazlamann arkasndan rastgele seçilen baz kromozomlarn rastgele genlerine yeni rastgele de§erler atanarak mutasyon i³lemi yaplr ve bir iterasyon bitirilmi³ olur.
4.1.1 Çaprazlanacak Kromozomlarn Seçilmesi
Çaprazlanacak kromozom çifti popülasyondan rastgele seçilebilir. Uygunluk de§erleri yüksek kromozomlar çaprazland§nda yine uygunluk de§eri yüksek yeni bir kromozom olu³aca§ dü³ünüldü§ü için bu yöntemle yaplan çaprazlama popülasyonu daha iyiye götürmeyebilmektedir.
Kromozomlar uygunluk de§erine göre sralanp o sraya göre seçilebilir (1. ile 2. çaprazlanr, 3. ile 4. çaprazlanr, ...).Bu yöntemde ise sralama de§i³medi§inde her seferinde ayn kromozomlar birbirleriyle çaprazlanaca§ndan geli³im durmaktadr, bu nedenle bu yöntem de genellikle tercih edilmemektedir.
Son yöntem ise rulet yöntemidir. Popülasyondan seçim yaplaca§nda bir kro- mozomun seçilme ihtimali uygunluk de§eri ile do§ru orantldr. Bu nedenle ilk seçimlerde yüksek uygunluk de§erlerine sahip kromozomlarn seçilmesi, sonlarda ise dü³ük uygunluk de§erlerine sahip kromozomlarn seçilmesi daha muhtemeldir. Sonuç olarak yüksek uygunluk de§erlerine sahip kromozomlarn birbirleriyle çaprazlanmas sa§lanrken, dü³ük uygunluk de§erine sahip kromozomlarla çap- razlanmas da hala mümkün kalmaktadr. Bu tez çal³mas kapsamnda bu yöntem kullanlm³tr.
4.1.2 Çaprazlama Oran
terasyonlar arasnda baz kromozomlarn çaprazlamaya u§ramadan sabit kalmas istenir. Bu nedenle bir kromozom çifti seçildi§inde [0, 1] aral§nda rastgele bir de§er olu³turulur, bu de§er çaprazlama oranndan dü³ük oldu§unda çaprazlama yaplr. Bu tez çal³masnda çaprazlama oran 0,9 olarak belirlenmi³tir.
4.1.3 Çaprazlama Yöntemi
2 kromozom farkl ³ekillerde çaprazlanabilir. Bunlarn ilki "tek nokta" yönte- midir. Bu yöntemde seçilen 2 kromozom rastgele bir noktadan ikiye ayrlr. 2 kromozomun kar³lkl parçalar yer de§i³tirilir.
kinci yöntem "iki nokta" yöntemidir. Bu yöntemde 2 nokta seçilerek her iki kromozom da 3 parçaya ayrlr. ki kromozomun ortadaki parçalar kar³lkl de§i³tirilir.
Son yöntem ise "kar³trma" yöntemidir. 2 kromozomun her biri için rastgele "de- §i³tirilsin" ya da "de§i³tirilmesin" sinyali olu³turulur. Genlerin bazlar kar³lkl de§i³tirilirken bazlar ayn kromozomda kalr.
Bu tez çal³mas kapsamnda "iki nokta" yöntemi kullanlm³tr.
4.1.4 Mutasyon ve mutasyon oran
Bir gen için kullanlabilecek en uygun de§er popülasyonun ilk olu³turulmas annda hiçbir gene yerle³tirilmemi³ olabilir. Bu nedenle baz genlerin de§eri rastlantsal olarak yeniden olu³turulmaktadr.
Bir iterasyon bitti§inde çaprazlamann ardndan her kromozom için [0, 1] aral§nda rastgele bir de§er olu³turulur, bu de§er mutasyon oranndan dü³ük oldu§unda ratgele bir geni seçilerek de§i³tirilir.
4.1.5 Elitizm
Çaprazlama ve mutasyonlar sonucunda en iyi kromozomun uygunluk de§eri dü³ebilir. Bunun önlenmesi için en iyi kromozomlarn bir ksm çaprazlama ve mutasyon i³lemlerinden muaf tutulur.
Bu tez çal³mas kapsamnda elitizm oran %10 olarak belirlenmi³tir.
4.1.6 Algoritmann sonlandrlmas
Genetik algoritmann sonlandrlmasnda en sk kullanlan 2 yöntem uygunluk de§eri snr ve iterasyon snrdr. Uygunluk de§eri snr kullanld§nda en iyi kromozomun uygunluk de§eri takip edilir, snr de§erin üstüne çkana kadar bek- lenir. Bu yöntem uygunluk de§eri için istenen bir de§erin bulunmas durumunda kullan³ldr. Di§er yöntemde ise belli sayda iterasyon sonucunda bitirilir. Bu tez çal³mas kapsamnda iterasyon snr uygulanm³ ve 100 iterasyon sonucunda bitirilmi³tir.
4.1.7 Literatür Taramas
Opsiyon yatlandrmas 1973 ylnda ortaya çkan Black-Scholes modeli ile yaplmaktadr[13]. Shu-Heng Chen ve ekibi bu formül üzerinde matematiksel çkarmlar yaparak de§i³tirmi³, formülün yeni halinde eniyilenmesi gereken katsaylarn de§erlerini de GA ile bulmu³lardr[14]. Sonuç olarak Black-Scholes modelinin verdi§i sonuçlara yakn de§erler elde etmi³lerdir.
Genetik algoritma popülasyonu daha iyiye götürmek için rastgele de§i³iklikler yapar fakat daha kötüye de gidebilir. Jie Du ve ekibi yapt§ çal³mada[15] nans bilgisi kullanlarak yaplacak de§i³ikliklerle popülasyonun daha iyiye gitme
ihtimalini arttrmay önermi³tir. Önerilen modelde çaprazlama yaplmam³, mu- tasyon oran yüksek tutulmu³ ve rastgele de§il popülasyonu daha iyiye götürecek ³ekilde yaplm³tr. Test sonuçlarnda, nans bilgisi ile yaplan mutasyonun rastgele yaplan mutasyona göre daha ba³arl oldu§u görülmektedir.
yi bir portföy, de§erli varlklarn a§rlklarnn eniyilenmesiyle olu³turulur. Belirlenen riske göre geliri maksimize etmesi beklenir. Lavi Rizki Zuhal ve ekibinin yapt§ çal³mada[16] de§erli oldu§u bilinen varlklardan olu³an portföydeki a§rlklarn genetik algoritma ile bulunmas amaçlanm³tr. Uygunluk fonksiyonu olarak "beklenen gelir/risk" formülü kullanlm³, 2 farkl veri kümesi üzerinde yaplan çal³malarda iterasyon says arttkça algoritmann riski minimize edip geliri yükseltti§i görülmü³tür.
as tahmini, nans alannda uzun süredir çal³lan bir konudur. Tahmin yön- temleri genellikle uzmanlar tarafndan istatiksel yöntemlerin birle³tirilmesiyle ya da yenilerinin olu³turulmasyla yaplmaktadr. Kyung-Shik Shin ve ekibi ise i as tahmini modelini Genetik Algoritma ile gerçekle³tirmi³, sonuçlarn umut verici oldu§unu belirtmi³lerdir[17].
Teknik analiz daha önce de belirtildi§i gibi alm-satm stratejilerinde önemli yer tutmaktadr. Onlarca parametre arasndan yaplan seçim ba³arm ciddi ³ekilde etkilemektedir. Li Lin ve ekibi, yaptklar iki a³amal çal³mann[18] ilk a³amasnda teknik analiz göstergeleri arasnda seçim yapm³, ikinci a³amasnda ise göstergelerin de§erleri eniyilemi³lerdir.
Piyasalardaki yüksek oynaklk, dura§an olmama ve gürültü problemleri nedeniyle tahminler genellikle gün sonu yatlar üzerinden günlük, haftalk ya da aylk yaplrken gün içinde yat tahmini yapma üzerine pek çal³lmam³tr. Cain Evans ve ekibi ise geli³tirdikleri Yapay Sinir A§ - Genetik Algoritma kar³m modelle gün içinde yat tahmini yapmay hede emi³ ve yüksek ba³arm elde ettiklerini belirtmi³lerdir[19]. Geli³tirdikleri modelin do§ru tahmin etme orannn %72,5, yllk net kârnn ise %23,3 oldu§u belirtilmektedir.