Yapay Zeka Teknikler

Dempster ve Jones (2001) başarılı borsa işlemcilerinin işlem kuralları zarar ettirmeye başlar başlamaz ya da daha karlı kurallar bulunduğunda bu işlem kurallarını terk ederek yeni piyasa koşullarına uygun başka kurallar kullanma eğiliminde olduğunu söylemektedirler. Yapay zeka yöntemlerinin geliştirilmesi araştırmacıların bu sistematik adaptasyonla daha iyi başa çıkmalarını sağlamıştır. Geçen yirmi yılda finans endüstrisinde ve finans literatüründe yapay zeka yöntemlerine olan ilgi çok hızlı bir şekilde artmıştır. İşlem stratejilerinin, bu araçlarla elde edilen tahmin kurallarının performansı birçok farklı finans piyasası verileri kullanılarak değerlendirilmiştir. En sık kullanılan AI yöntemleri Yapay Sinir Ağları ve Genetik Programlama’dır. Aşağıdaki alt bölümlerde bu metodolojilerle ilgili açıklamalar sunulmaktadır.

3.3.8.1. Yapay Sinir Ağları

Yapay Sinir Ağları (AAN) değişkenler arasındaki bilinmeyen doğrusal olmayan ilişkileri çözmek için makine öğrenmesi (machine learning) üzerine kurulu güçlü bir araçtır. Verilen koşullara uyum sağlayabilen makine öğrenme mekanizması üzerine kurulu olması açısından standart istatistik araçlardan farklıdır; ki bu da ANN’i uyarlanabilen bir makine haline getirir. Lineer regresyon gibi standart istatistik araçları daha önceden ayarlanmış katı bir model yapısı ve bazı varsayımları içerirler. Bunun aksine ANN çok daha esnektir; verilerden öğrenir ve böylece değişkenler arasındaki linear olmayan karmaşık ilişkileri belirleyebilir.

ANN beynimizdeki normal çalışma ya da biyolojik sinir ağlarını taklit eder. İnsan beyni oldukça karmaşık, doğrusal olmayan ve paralel bir bilgisayar olarak düşünülebilir. Karmaşık nöron ya da hücre yapılarını kullanarak bilgiyi işler. Bu nöronlar biçim tanıma ve algı gibi karmaşık hesap işlerini yapacak beynin yapısal bileşenleridir. Nöronların yapısına sinir sistemi ya da sinir ağları denir. Doğumdan sonra nöronlar beyinde sürekli olarak oluşurlar. Bir çocuğun en yüksek nöron sayısı ilk iki üç yaşında oluşur. Beynimiz ‘deneyim’den öğrenir. Beyne yeni bilgiler geldikçe yeni nöronlar gelişir. Bu nöronlar Dentritler (alıcı) ve Aksonlar (gönderici) ile birbirine bağlıdır ve bu alıcılar arasındaki yolda Sinapslar bulunur.

Haykin (1999) kapsamlı bir yapay sinir ağları tanımı yapmıştır:

Sinir ağı basit işleme birimlerinden oluşmuş büyük paralel dağılımlı bir işlemcidir ki bu işlemci deneysel bilgiyi depolayacak kullanım için hazır hale getirecek bir eğilime sahiptir. İki açıdan beyni andırırlar:

1. Bilgi öğrenme süreci yoluyla çevreden bir ağla edinilir.

2. Nöronlar arası güçler ki bunlara sinaptik ağırlık denir edinilen bilgiyi depolamak için kullanılır.

Şekil 3.13. İnsan Beynindeki Sinir Ağları

3.3.8.1.1. Yapay Sinir Ağının Temel Yapısı

Biyolojik sinir ağlarında olduğu gibi ANN’de de nöron denen işlem birimleri bulunur. Her bir bilgi sinaptik ağırlıkların yardımıyla nörona (veya gizli tabaka) bağlanır. Nöron bilgiyi işler ve sonuçları çıktı tabakasına iletir. Sinaptik ağırlıklar öğrenme algoritmaları

öğrenme vasıtasıyla bilgiyi depolamak için kullanılırlar. Ağırlıklar istenen çıktı elde

edilinceye kadar öğrenme algoritmasına göre değiştirilir. Bu da ANN’i gerçek bir uyarlanabilir araç haline getirir.

ANN’in yapısı ileri geri yayılma şeklinde yapılabilir. ‘Feed-forward’ NN girdi katmanı, bir ya da daha fazla gizli tabaka ve çıktı tabakasına sahiptir (bkz Şekil 3.13). Gizli tabaka girdi çıktı tabakalarını birleştirir. Bir tabakadaki nöron yalnızca bir sonraki tabakadaki nörona bağlıdır. Eğer ağda yalnız bir gizli tabaka varsa gizli tabakadaki nöronlar girdi tabakasındaki girdileri alırlar ve sonuçları çıktı tabakasına gönderirler. Eğer birden fazla gizli tabaka varsa tabakadaki her nöron girdi tabakasından hemen sonraki katmanda girdi tabakasından sonuçları alır ve sonra bir sonraki gizli tabakaya sonuçları gönderir. Nöron ve diğer tabakalardaki nöronlar arasındaki bu ilişkiye “ileri-besleme” denir.

Çeşitli seçeneklerin bulunduğu aktivasyon (veya transfer) özelliği her nöronun değerini tayin eder. N gözlem tahmini rassal ağırlıklar kümesiyle başlar. İlk gözlem bu

ağırlıkların ve aktivasyon özelliklerinin kullanılmasıyla ağ üzerinden ileri beslenir. Modelin tahmini daha sonra gerçek çıktı ile karşılaştırılır (istenen çıktı ya da hedef) ve hata hesaplanır. Daha sonra ağırlıklar ilk gözlemin hatasını azaltmak üzere ayarlanır. Bu prosedür diğer gözlemler için de tekrarlanır. Nihai gözleme varıldığında bir döngü tamamlanır. Tüm tahmin hatasını minimize eden ağırlık vektörü elde edilinceye kadar bu şekilde birçok eğitim döngüsü tekrarlanır.

Şekil 3.14. Yapay Sinir Ağı Yapısı

Şekil 3.14’de w1, w2, w3,…wn sinaptik ağırlıkları temsil ederler. Gizli tabaka ya da nöron sistemin ana işlem birimidir. Buna “kara kutu” olarak da bakılabilir. Nöronda saklı olan model aşağıdaki gibi gösterilebilir:

𝑦 = 𝑓(∑𝑊_𝑖. 𝑋_𝑖) (7)

Xi girdi değişkenlerini temsil eder. Sinaptik ağırlıklar istenen çıktıya göre ayarlanır. Gizli tabakalar için önceden karar verilmiş bazı prosedürler olsa bile biz içinde neler olduğunu bilmemekteyiz. Yukarıda anlatılan prosedür kullanılarak istenen sonuçlar elde edilinceye kadar sistem otomatik olarak ağırlıkları ayarlar, bu sinaptik ağırlık ya da katsayılar nadiren yorumlanabilirler. Sonuç olarak sistemin ana işlem birimi olan saklı tabaka sıklıkla “kara kutu” olarak görülür. Bu nedenle eğer birisi modelin yorumlanabilirliğine ilgi duyarsa klasik istatistik araçları ve genetik algoritmalar bu işlem için daha uygundur. ANN, alacaklının temerrüdü ihtimalini, al/sat kararlarının alınmasını, müşteri talebinin tahmini, sigorta istek veri tabanındaki hileli işlemlerin taranması gibi şeyleri tahminde yararlıdır. 3.3.8.2. Genetik Algoritmalar ve Genetik Programlama

Holland (1962) tarafından geliştirilen genetik algoritmalar (GA) piyasa oyuncuları tarafından işlem kararlarının verilmesinde etkin bir şekilde kullanılabilecek güçlü optimizasyon teknikleri olarak düşünülürler. GA’ nın temeli ‘ En İyinin Hayatta Kalması’ na

dayanır. Buna göre daha uyumlu canlılar hayatta kalırlar. En iyi özelliklere sahip olanların yaşama imkanı daha fazladır. Bu teoriye göre leoparların hayatta kalma nedeni atalarının hızlı koşucu olması yavaş koşanlara göre yeterli av elde edebilmeleridir. Aynı şekilde piyasalar dinamik ve daima değişmektedirler. Herhangi bir strateji piyasa dinamiklerine uyum sağlamadığı müddetçe karlı olamamaktadır. Döviz piyasasında bir işlem kuralı bir dakika boyunca karlı olabilir ve hemen kaybolur. Başarılı tüccarlar sürekli değişen piyasa çevresiyle birlikte işlem stratejilerini güncellerler. Bu nedenle başarılı bir işlem sistemi modası geçen kuralları elimine eden ve karlı olanlara daha fazla ağırlık verendir.

Burada GA kavramı akla gelir. Bunun durumu en uygun olanın hayatta kalmasını andırır. Şekil 3.15’de GA’nin bir genel çalışma prensibi gösterilmektedir. Çözüm adayları popülasyonu arasından problemin optimize bir çözümünü arar. Çözüm adayları ikili sarmal şeklinde kodlanmış bazen de karışık uzunlukta olan parça sarmalar olan sözde kromozomlardır. İlk aşamada GA rassal şekilde kromozom popülasyonunu seçer. Kromozomlar çözüm adaylarının çeşitli niteliklerini taşıyan genlerden oluşur. Bir sonraki aşama seçimdir. Bu aşamada çözüm adayları geri test algoritması kullanılarak performansları test edilir. Algoritma kromozomların parça sarmallarına karşılık gelen çözümlere kodlar ve tekrar test eder. Probleme bağlı olarak spesifik geri test mekanizması tasarlanabilir. Bu uyum özelliği optimum çözümü bulmada anahtar ölçüttür. Bu aşamanın sonunda algoritma performansa bağlı olarak her bir çözüm adayına bir puan atar, yalnızca en iyi performansta bulunan çözümü seçer ve en kötülerini devre dışı bırakır. Bir sonraki aşamada kazananlar yeni bir çözüm adayı nesli oluşturmak üzere birbiriyle eşleşir. Bu aşama eşleşme ya da hibritleşme olarak bilinir. Eşleşme aşaması iki kısımdan oluşur: çaprazlama ve mutasyon. Çaprazlama operatörü GA’nın oldukça etkin şekilde arama boşluğunu kesmesine izin verir. İlk başta belirli bir kromozoma ait olan parçalar diğer kromozom parçaları ile karşılıklı değişirler; böylece yeni bir nesil ya da çözüm adayı ortaya çıkar. Mutasyon bazı bilinmeyen nedenlerden dolayı belirsiz şekilde yeni nesillerdeki bazı genleri değiştirir. Bu operatör kromozomlara yeni elemanlar kazandırdığından dolayı esas değişim kaynağıdır. İkinci nesil de geriye testten ve eşleşme operatörlerinden geçer üçüncü bir nesil belirir. GA optimum gen kombinasyonuyla ya da bir başka deyişle belirli bir probleme optimal bir çözümle sona erer.

GA mantığına göre, Koza (1992) ve Koza vd., (1996) Genetik Programlamayı geliştirmişlerdir (GP). GA’nın zıddına GP’de çözüm adaylarının temsilinde kromozomlar yerine ağaca benzer hiyerarşik yapılı bilgisayar programları kullanılır. Karar ağacının kullanılması GP’leri finans uygulamalarında ideal hale getirir. Kromozomlarla temsil edilen çözümlerin aksine Genetik Karar Ağaçlarıyla (GDTs) geliştirilen karar kurallarının

anlaşılması kolaydır ve insan kullanıcılar tarafından değerlendirilirler. GDT’lerin temel bileşenleri kurallar ve tahmin değerleridir. Tek bir kural bir yararlı tahmin göstergesinden, ‘büyüktür’ ya da ‘küçüktür’ gibi bir ilgisel operatörden ve bir eşikten oluşur (gerçek değer). Böylesi tek bir kural ‘veya’, ‘ve’, ‘değildir’ ve ‘eğer-öyleyse-başka’ gibi mantıksal operatörler yoluyla bit GTD’deki diğer kurallarla etkileşimde bulunur. Bu örnekteki tahmin değerleri ya olumlu bir pozisyon (yani belirlenen zaman aralığında olumlu getiri sağlanabilir) ya da olumsuz pozisyon (yani belirlenen zaman aralığında zarar gerçekleşebilir)’dur. GDTler karlı satın alma sinyallerinin zaman içinde herhangi bir noktadan satın alınıp alınamayacağı ve belirlenen getiri hedefinin önceden belirlenen bir periyotta gerçekleşip gerçekleşmeyeceğini tahmin etmek için kullanıldığından gerçekte tahmin iki sınıflı kategori problemi olarak sınıflandırılabilir. Her bir zaman noktası olumlu ya da olumsuz pozisyon olarak sınıflandırılabilir (satın al ya da satın alma). Her GDT için RC (doğruluk oranı) tahmin performans ölçütü olarak tanımlanır. RC formülleri aşağıdaki gibi olasılık tablosu (Tablo 3.4) yoluyla verilebilir.

Şekil 3.15. Genetik Algoritma Çalışma Prensibi Kaynak: Bingul vd., 2000

İnsanlar için RC’yi yorumlamak ve buna göre uygun işlem kuralları vermek çok kolaydır. GP’nin bu özelliği onu ANN’den üstün hale getirir; ANN’nin ortaya koyduğu kuralların anlaşılması kolay değildir. Ayrıca GP kuralları “eğer cümlecikleri” biçimindedir ki bu da onların insanlar tarafından kabul edilip reddedilmesini çok kolaylaştırır.

Tablo 3.4. İkili Sınıflandırma Tahmin Problemi Tablosu Tahmin edilen negative durum

(N-)

Tahmin edilen pozitif durum (N+)

Doğru Negatif Durum sayısı (TN) Yanlış Pozitif Durum Sayısı (FP) Gerçekleşen Negatif Durum

(O-)

Yanlış Negatif Durum Sayısı (FN) Doğru Pozitif Durum Sayısı (TP) Gerçekleşen Pozitif Durum

(O+) RC = TP TN O O     = TP TN N N     Burada O+ = FN+TP ; O-_ =TN+FP; N-_ = TN+FN; N+=FP+TP.

Dinamik ve değişken piyasa ortamı optimum performans seviyesinin sağlanması için piyasa oyuncularını daha ileri teknikleri araştırmaya zorlar. Piyasa oyuncuları işlem stratejilerini sürekli değişen piyasa dinamikleri ile uyarlamak zorundadırlar. AI teknikleri mevcut piyasa ortamına uyarlanabilirliklerinden dolayı klasik teknik kurallardan daha iyi fiyat biçimleri keşfedebilirler.