Model Geriye Dönük Test

Finansal Makine Öğrenimi

Tahmin Problemi

Geleneksel makine öğrenimi uygulamalarının aksine, finansal piyasalar tahmini son derece zorlaştıran birkaç benzersiz özellik sergiler:

• Düşük Sinyal-Gürültü Oranı: Varlık getirileri ağırlıklı olarak gürültü içerir ve öngörücü sinyaller genellikle varyansın %5'inden azını açıklar. %5-10 arasındaki Spearman IC pratikte mükemmel kabul edilir.
• Durağan Olmama: Piyasa dinamikleri zamanla değişir. Bir rejimde geçerli olan ilişkiler başka bir rejimde tersine dönebilir, bu da uyarlanabilir modeller ve dikkatli doğrulama gerektirir.
• Rekabetçi Yapı: Piyasalar rekabetçidir—kârlı sinyaller arbitraj yoluyla ortadan kalkana kadar sermaye çeker. Bu 'alfa bozulması', modellerin sürekli araştırma ve iyileştirme gerektirdiği anlamına gelir.

Finansta Çapraz Doğrulama

Standart k-katlı çapraz doğrulama, zamansal bağımlılıklar nedeniyle zaman serisi verileri için uygun değildir. Biz şunları kullanıyoruz:

• Arındırılmış Çapraz Doğrulama: Örtüşen tahmin ufuklarından bilgi sızıntısını önlemek için eğitim-test sınırı yakınındaki örneklerin elenmesi.
• Ambargo Dönemleri: Eğitim ve test dönemleri arasına, genellikle tahmin ufku uzunluğuna eşit tampon bölgeler eklenmesi.
• Kombinatoryal Arındırılmış ÇD: Zamansal bütünlüğü koruyarak birden fazla eğitim/test kombinasyonunun test edilmesi, sağlam örneklem dışı tahminler sağlar.

Özellik Mühendisliği

Ham fiyat verileri durağan, öngörücü özelliklere dönüştürülmelidir. Yaygın dönüşümler arasında getiriler (aritmetik ve logaritmik), z-skorları, yüzdelik sıralamalar ve teknik göstergeler bulunur. Özellik ölçekleme ve normalleştirme seçimi model performansını önemli ölçüde etkiler.

Finansal Risk Yönetimi

Temel Risk Ölçütleri

Profesyonel portföy yönetimi titiz risk ölçümlemesi gerektirir:

• Volatilite (σ): Getirilerin standart sapması, günlük veriler için genellikle √252 ile çarpılarak yıllıklaştırılır. Toplam riski ölçer ancak yukarı ve aşağı yönlü riski ayırt etmez.
• Maksimum Düşüş: Portföy değerindeki en büyük zirveden dibe düşüş. En kötü durum senaryolarını ve yatırımcı psikolojisini anlamak için kritik öneme sahiptir—%50'lik bir düşüş, toparlanmak için %100'lük bir kazanç gerektirir.
• Riske Maruz Değer (VaR): Belirli bir güven düzeyinde (ör. %95 VaR) belirli bir zaman ufkunda beklenen maksimum kayıp. Yaygın olarak kullanılır ancak kuyruk riskini yakalayamaması nedeniyle eleştirilir.
• Koşullu VaR (Beklenen Kayıp): Kayıpların VaR'ı aştığı durumlarda beklenen kayıp. Kuyruk olaylarının şiddetini ölçerek VaR'ın sınırlamalarını giderir.

Sharpe Oranı

(Rp - Rf) / σp olarak tanımlanan Sharpe oranı, riske göre düzeltilmiş getirileri ölçer—volatilite birimi başına fazla getiri. 1.0'ın üzerindeki Sharpe oranı genellikle iyi, 2.0'ın üzerinde mükemmel kabul edilir. Ancak dikkatli olun: Sharpe oranları likidite azlığı, kaldıraç veya kısa örnekleme dönemleri nedeniyle yapay olarak şişirilebilir.

Sistematik ve Öznel Risk

Toplam risk, piyasa riskine (β × piyasa hareketleri) ve şirkete özgü riske ayrışır. Sermaye Varlıkları Fiyatlama Modeli (CAPM), yalnızca sistematik riskin telafi edildiğini öne sürer, çünkü öznel risk çeşitlendirme yoluyla ortadan kaldırılabilir. Modern faktör modelleri bunu çoklu risk faktörlerine (büyüklük, değer, momentum, kalite) genişletir.

Portföy Oluşturma

Modern Portföy Teorisi

Harry Markowitz'ın çığır açan çalışması (1952), portföy riskinin basitçe bireysel varlık risklerinin ağırlıklı ortalaması olmadığını ortaya koymuştur—korelasyonlar önemlidir. Eksik korelasyonlu (ρ < 1) iki varlık, her iki varlıktan tek başına daha düşük riskli bir portföy oluşturmak için birleşir.

Etkin Sınır

Herhangi bir getiri hedefi için, minimum varyanslı bir portföy mevcuttur. Tüm bu portföylerin kümesi etkin sınırı oluşturur—rasyonel yatırımcılar yalnızca bu sınır üzerindeki portföyleri tutmalıdır. Sınırın altındaki noktalar optimalin altındadır (aynı risk, daha düşük getiri), sınırın üstündeki noktalar ise ulaşılamazdır.

Optimizasyon Zorlukları

Ortalama-varyans optimizasyonu, girdi tahminlerine karşı son derece hassas olmasıyla bilinir:

• Tahmin Hatası: Beklenen getirileri doğru bir şekilde tahmin etmek zordur. Girdilerdeki küçük hatalar, önemli ölçüde farklı optimal portföylere yol açabilir.
• Yoğunlaşma Riski: Kısıtlamasız optimizasyon genellikle aşırı pozisyonlar üretir. Pratik uygulamalar pozisyon limitleri ve sektör kısıtlamaları uygular.
• Düzenlileştirme: Küçültme tahmin edicileri, Black-Litterman ve sağlam optimizasyon gibi teknikler, portföy ağırlıklarını stabilize etmeye yardımcı olur.

Eşit Ağırlıklı vs. Optimize Edilmiş

1/N (eşit ağırlıklı) portföy, tahmin hatası nedeniyle genellikle optimize edilmiş portföyleri örneklem dışında geçer. Geriye dönük testimiz, sağlam bir temel olarak eşit %5 ağırlıklar kullanır. Geliştirilmiş portföyler için optimizatörümüz, gerçek dünya performansını artırmak için kısıtlamalar ve düzenlileştirme uygular.

Uzun-Kısa Hisse Senedi Stratejileri

Piyasa Nötrallığı

Dolar-nötr uzun-kısa portföy (şit uzun ve kısa maruziyet), sıfır net piyasa maruziyetine sahiptir. Bu, piyasa riskini hedge ederken hisse seçiminden gelen 'alfa'yı izole eder. Strateji, piyasa yönünden bağımsız olarak, uzun pozisyonlar kısa pozisyonlardan daha iyi performans gösterdiğinde kâr eder.

Getiri Kaynakları

Uzun-kısa getiriler şunlara ayrışır:

• Uzun Alfa: Uzun pozisyonların piyasaya karşı üstün performansı.
• Kısa Alfa: Kısa pozisyonların piyasaya karşı düşük performansı (kısalar düştüğünde kâr ederiz).
• Açığa Satış İadesi: Açığa satış gelirlerinden kazanılan faiz (pratikte borçlanma maliyetleri ile azaltılır).

Pratik Değerlendirmeler

Gerçek dünya uygulaması, işlem maliyetlerini (komisyonlar, alış-satış spreadleri), piyasa etkisini (fiyatların aleyhinize hareket etmesi), açığa satış kısıtlamalarını (bulma gereksinimleri, borçlanma maliyetleri) ve kapasite limitlerini içerir. Bu sürtünmeler, teorik geriye dönük testlerden gerçekleşen getirileri azaltır.

Yeniden Dengeleme Sıklığı

Daha sık yeniden dengeleme alfayı daha hızlı yakalar ancak daha yüksek işlem maliyetleri doğurur. Optimal sıklık, sinyal bozulmasını işlem maliyetlerine karşı dengeler. Getiri tahminleri için, aylık veya üç aylık yeniden dengeleme genellikle olumlu bir denge sunar.

Faktör Yatırımcılığı

Faktörler Nedir?

Faktörler, belirli hisse senetlerinin zaman içinde neden diğerlerinden daha iyi performans gösterdiğini açıklayan sistematik getiri kaynaklarıdır. Bireysel şirket analizine dayalı hisse seçiminin aksine, faktör yatırımcılığı, menkul kıymet grupları tarafından paylaşılan geniş, kalıcı özellikleri hedefler. Akademik araştırmalar çok sayıda faktör belirlemiştir, ancak yalnızca birkaçı piyasalar ve zaman dilimleri arasında sağlam olduğunu kanıtlamıştır.

Klasik Faktörler

• Piyasa (β): Genel hisse senedi piyasasına maruziyet. CAPM'den orijinal faktör—daha yüksek betaya sahip hisseler piyasa ile daha fazla hareket eder ve tarihsel olarak daha yüksek getiriler kazanır (daha yüksek riskle).
• Büyüklük (SMB): Küçük sermayeli hisseler, büyük sermayeli hisseleri geçme eğilimindedir. Fama ve French (1993) bu 'küçük eksi büyük' primini belgeledi, ancak son on yıllarda zayıfladı.
• Değer (HML): Düşük fiyat/defter değeri oranlarına sahip hisseler, zaman içinde büyüme hisselerini geçer. Bu 'yüksek eksi düşük' faktörü, ucuz varlıkları satın almayı ve pahalıları satmayı yansıtır.
• Momentum (UMD): Son 3-12 ayda iyi performans gösteren hisseler, üstün performans göstermeye devam etme eğilimindedir. Jegadeesh ve Titman (1993), piyasalar genelinde bu 'yukarı eksi aşağı' etkisini belgeledi.
• Kalite (QMJ): Yüksek kârlılık, istikrarlı kazançlar ve düşük kaldıraç oranına sahip şirketler üstün performans gösterir. Asness ve ark. (2019), bu 'kalite eksi çöp' faktörünü resmileştirdi.
• Düşük Volatilite: Paradoksal olarak, düşük riskli hisseler genellikle yüksek riskli hisselerden daha yüksek riske göre düzeltilmiş getiriler sağlar ve temel CAPM tahminleriyle çelişir.

Faktör Modelleri

Çok faktörlü modeller getirileri sistematik bileşenlere ayrıştırır:

• Fama-French 3-Faktör: Piyasa + Büyüklük + Değer. Çeşitlendirilmiş portföy getirilerinin yaklaşık %90'ını açıklar.
• Carhart 4-Faktör: Fama-French modeline Momentum ekler.
• Fama-French 5-Faktör: Kârlılık ve Yatırım faktörlerini ekler, ancak Momentum önemli olmaya devam eder.

Faktör Zamanlamassı vs. Faktör Maruziyeti

Statik faktör maruziyeti (her zaman değer, momentum vb. yönünde eğilmek) tarihsel olarak sabırlı yatırımcıları ödüllendirdi. Faktör zamanlaması—faktör ağırlıklarını dinamik olarak ayarlamak—çok daha zordur. Faktörler, tersine dönmeden önce yıllarca düşük performans gösterebilir ve zamanlama sinyalleri bilinen şekliyle güvenilmezdir. Çoğu uygulamaçı, taktiksel tahsis yerine çeşitlendirilmiş, tutarlı faktör maruziyeti önerir.

Makine Öğrenimi ve Faktörler

Tahmin modelimiz, özellikleri aracılığıyla örtük olarak faktör maruziyetlerini yakalar. Temel verilerden, fiyat momentumundan ve piyasa koşullarından örüntüler öğrenerek model, üstün performans gösterme olasılığı yüksek hisseleri belirler—birden fazla faktörü veri odaklı bir şekilde etkili bir şekilde birleştirir. Bu yaklaşım, geleneksel doğrusal modellerin kaçırdığı doğrusal olmayan faktör etkileşimlerini keşfedebilir.