Aşırı Satış Forex Piyasalarında Kümeleme ve Dikkat Tabanlı Akıllı Forex Ticaret Modeli

İçindekiler

1. Giriş

Döviz (Forex) piyasası, yüksek likidite, oynaklık ve karmaşıklık ile karakterize edilen dünyanın en büyük finansal piyasasıdır. Makroekonomik politikalar, jeopolitik olaylar ve piyasa sentimi dahil olmak üzere çok sayıda etkileyici faktör nedeniyle Forex fiyat hareketlerini tahmin etmek oldukça zordur. Geleneksel teknik analiz, genellikle ani idari müdahalelere veya kara kuğu olaylarına uyum sağlamakta başarısız olur. Bu makale, özellikle aşırı satış piyasası senaryolarını hedef alarak, olay odaklı fiyat tahminleri için tahmin doğruluğunu artırmak amacıyla kümeleme teknikleri ile dikkat mekanizmalarını birleştiren yeni bir makine öğrenimi/derin öğrenme çerçevesi önermektedir. Model, 2005'ten 2021'e kadar olan tarihsel fiyat verilerini ve türetilmiş teknik göstergeleri kullanmaktadır.

2. İlgili Literatür

2.1 Teknik Göstergeler

Teknik göstergeler, finansal piyasa yönünü tahmin etmek için kullanılan, tarihsel fiyat, hacim veya açık pozisyon verilerine dayalı matematiksel hesaplamalardır. Birçok algoritmik ticaret stratejisinin temelini oluştururlar.

2.1.1 Göreceli Güç Endeksi (RSI)

RSI, fiyat hareketlerinin hızını ve değişimini ölçen bir momentum osilatörüdür. Aşırı alım veya aşırı satım koşullarını belirlemek için kullanılır.

• Formül: $RSI = 100 - \frac{100}{1 + RS}$ burada $RS = \frac{\text{N periyottaki Ortalama Kazanç}}{\text{N periyottaki Ortalama Kayıp}}$.
• Yorum: 30'un altındaki bir RSI değeri tipik olarak aşırı satım koşulunu (potansiyel alım fırsatı) gösterirken, 70'in üzerindeki bir değer aşırı alım koşulunu (potansiyel satım fırsatı) önermektedir.

2.1.2 Basit Hareketli Ortalama (SMA), Üssel Hareketli Ortalama (EMA), MACD

Hareketli ortalamalar, trendleri belirlemek için fiyat verilerini yumuşatır.

• SMA: Önceki N veri noktasının ağırlıksız ortalaması.
• EMA: SMA'ya benzer ancak yakın tarihli fiyatlara daha fazla ağırlık verir.
• MACD (Hareketli Ortalama Yakınsama Iraksama): Trend takip eden bir momentum göstergesidir. $MACD = EMA(12) - EMA(26)$. Bir Sinyal Çizgisi (MACD'nin 9 günlük EMA'sı) ticaret sinyalleri üretmek için kullanılır. MACD ile Sinyal Çizgisi arasındaki kesişmeler, potansiyel yükseliş veya düşüş momentumuna işaret eder.

2.1.3 Bollinger Bantları

Bollinger Bantları, ortada bir SMA çizgisi ve üstünde ve altında çizilmiş iki standart sapma bandından oluşur. Piyasa oynaklığını ölçerler.

• Bileşim: Orta Bant = SMA(20). Üst Bant = SMA(20) + (2 * Standart Sapma). Alt Bant = SMA(20) - (2 * Standart Sapma).
• Yorum: Fiyatın üst banda dokunması aşırı alım koşullarını, alt banda dokunması ise aşırı satım koşullarını gösterebilir. Bir "sıkışma" (bantların daralması) genellikle yüksek oynaklık döneminin habercisidir.

3. Temel Kavrayış & Mantıksal Akış

Temel Kavrayış: Makalenin temel iddiası, ham fiyat verilerinin gürültülü olduğu ve önemli tahminsel alfanın, tek tip bir model kullanmak yerine, rejimleri veya piyasa durumlarını (kümeleme yoluyla) tanımlamak ve ardından bu durumlar içinde özelleşmiş, bağlam duyarlı tahmin modelleri (dikkat mekanizması yoluyla) uygulamakta yattığıdır. Bu, basit gösterge tabanlı kuralların ötesinde sofistike bir hamledir.

Mantıksal Akış: Önerilen modelin işleyişi mantıksal olarak sağlamdır: 1) Öznitelik Mühendisliği: Ham Forex çifti fiyatlarını zengin bir teknik gösterge setine (RSI, MACD, Bollinger Bantları konumu vb.) dönüştür. 2) Durum Keşfi (Kümeleme): Öznitelik uzayında K-Means veya DBSCAN gibi bir algoritma kullanarak tarihsel dönemleri farklı piyasa rejimlerine (örn., "yüksek oynaklıklı trend", "düşük oynaklıklı yatay", "aşırı satım paniği") kümeler. 3) Bağlam Duyarlı Tahmin (Dikkat): Yeni bir veri noktası için model önce en olası kümesini belirler. Ardından, dikkat tabanlı bir sinir ağı (örn., bir Transformer kodlayıcı) "dikkatini", özellikle o spesifik kümenin davranışıyla en alakalı olan tarihsel kalıplara odaklar, özellikle aşırı satım tersine dönüşlerinin öncüllerini arar. Bu, statik bir ARIMA modelinden çok daha dinamiktir.

4. Güçlü Yönler & Eksiklikler

Güçlü Yönler:

• Rejim Farkındalığı: Kümeleme adımı modelin en önemli özelliğidir. Piyasa dinamiklerinin durağan olmadığını örtük olarak kabul eder—boğa piyasasında çalışan bir model ayı piyasasında başarısız olabilir. Bu, ekonometrideki rejim değiştirme modelleri üzerine temel çalışmalarla uyumludur.
• Aşırı Satım Senaryolarına Odaklanma: Spesifik, iyi tanımlanmış bir piyasa koşulunu (aşırı satım) hedefleyerek, model her şeyi kötü bir şekilde tahmin etmeye çalışma tuzağından kaçınır. Finansta genellikle daha etkili olan, belirli bir iş için özelleşmiş bir araçtır.
• Modern Derin Öğrenmenin Entegrasyonu: Dikkat mekanizması kullanmak, modelin farklı geçmiş olayların önemini dinamik olarak ağırlıklandırmasına olanak tanır; bu, sabit pencere modellerine göre önemli bir avantajdır. Bu, NLP gibi alanlarda dikkatin başarısından (örn., Vaswani ve diğerlerinin Transformer modeli) esinlenmiştir.

Eksiklikler & Kritik Boşluklar:

• Olay Odaklılık Belirsizliği: "Olay odaklı" terimi kullanılmış ancak titizlikle tanımlanmamıştır. Model gerçek haber duyarlılık verilerini (örn., Reuters veya Bloomberg beslemelerinden) veya makroekonomik duyuruları içeriyor mu, yoksa sadece fiyat/gösterge anomalilerinden "olaylar" mı çıkarıyor? Alternatif veri kaynaklarını entegre etmeden, olay odaklı olduğu iddiası zayıftır.
• Geriye Dönük Test Aşırı Uydurma Riski: 2005-2021 verilerini kullanmak kapsamlıdır, ancak makale sağlam örneklem dışı testler ve ileriye dönük yürüyüş analizini göstermelidir. Kümeleme + dikkat kombinasyonu oldukça parametrelidir ve tekrarlanmayabilecek geçmiş kalıplara aşırı uydurma eğilimindedir.
• Eksik Kıyaslama: Bu hibrit model, daha basit, sağlam kıyaslamalara karşı nasıl performans gösteriyor? İyi ayarlanmış bir Gradient Boosting modeline (XGBoost gibi) veya sadece RSI'ya dayalı basit bir ortalamaya dönüş stratejisine karşı bir karşılaştırma, katma değer oluşturmak için çok önemlidir.
• İşlem Maliyetleri & Kayma: Özet "bankalar ve hedge fonlar" tarafından kullanımdan bahsediyor, ancak gerçekçi işlem maliyetleri, alış-satış spread'leri veya emir uygulama kayması hakkında hiçbir tartışma yok—ki bu, yüksek frekanslı bir sinyalin kârlarını tamamen silebilir.

5. Uygulanabilir Öngörüler

Kantitatif analistler ve fon yöneticileri için:

1. Rejim Değiştirme Çerçevesini Pilot Uygulayın: Tam dikkat modelini benimsemeseniz bile, piyasa durumlarını kümeleme fikri hemen uygulanabilir. Tarihsel verilerinizi rejimlere ayırın ve mevcut stratejilerinizin bunlar arasında tutarlı performans gösterip göstermediğini test edin. Muhtemelen belirli rejimlerde ciddi bir bozulma bulacaksınız, bu da önemli bir riski vurgulayacaktır.
2. "Olaylar" Konusunda Spesifiklik Talep Edin: Bu modeli değerlendiriyorsanız, netlik konusunda ısrar edin. Sorun: Bir "olayı" temsil eden tam girdi nedir? Ekibi, olay odaklı öncülü gerçekten işlevsel hale getirmek için nicelleştirilebilir bir haber duyarlılık puanı (RavenPack veya Accern gibi sağlayıcılardan API'lar kullanarak) entegre etmeye zorlayın.
3. Aşırı Uydurma için Stres Testi Yapın: Katı bir ileriye dönük yürüyüş optimizasyonu (WFO) protokolü uygulayın. Kümeleme modelini kayan bir pencerede eğitin ve sonraki dönemde doğrulayın. Modelin canlı sermaye için önemli olan, sadece zirve Sharpe oranı değil, zaman içindeki kararlılığıdır.
4. Aşırı Satım ile Başlayın, Sonra Genişletin: Aşırı satım senaryolarına odaklanmak ihtiyatlıdır. Bunu bir kavram kanıtı olarak kullanın. Başarılı olursa, aynı mimari diğer kârlı kalıpları (örn., "aşırı alım tersine dönüş", "kırılım sonrası trend devamı") tanımlamak için eğitilebilir.

6. Teknik Detaylar & Matematiksel Formülasyon

Önerilen model muhtemelen iki aşamalı bir mimari içermektedir:

1. Kümeleme Katmanı: $X_t = [I^1_t, I^2_t, ..., I^m_t]$, t zamanındaki $m$ teknik göstergenin vektörü olsun. Bir kümeleme algoritması $C$ (örn., K-Means), tarihsel veri setini $\{X_1, X_2, ..., X_T\}$ $K$ kümesine böler: $C(X_t) = k$, burada $k \in \{1, 2, ..., K\}$. Her $k$ kümesi farklı bir piyasa rejimini temsil eder.
2. Dikkat Tabanlı Tahmin Katmanı: t+1 zamanındaki tahmin için, $k$ kümesi koşullu olarak, model bir dikkat mekanizması kullanır. Girdi, yakın tarihli öznitelik vektörlerinin bir dizisidir: $S_t = [X_{t-n}, ..., X_t]$. Dikkat mekanizması, bu girdilerin ağırlıklı bir toplamı olarak bir bağlam vektörü $c_t$ hesaplar: $c_t = \sum_{i=t-n}^{t} \alpha_i \cdot v(X_i)$ burada $v(X_i)$ girdinin bir değer dönüşümüdür ve dikkat ağırlıkları $\alpha_i$, $X_i$'nin $k$ rejimindeki hedefi tahmin etmede ne kadar alakalı olduğunu puanlayan bir hizalama modeli (örn., küçük bir sinir ağı) tarafından hesaplanır. Son tahmin (örn., fiyat değişimi veya yönsel hareket), $c_t$'yi girdi olarak alan bir ileri beslemeli ağ tarafından yapılır: $\hat{y}_{t+1} = f(c_t; \theta_k)$, burada $\theta_k$ potansiyel olarak $k$ kümesine özgü parametrelerdir.

7. Deneysel Sonuçlar & Grafik Açıklaması

Varsayımsal Sonuçlar (Makalenin Yönelimine Dayalı):

• Veri Seti: 2005-2021 arası birden fazla Forex çifti (örn., EUR/USD, GBP/USD), eğitim (2005-2017), doğrulama (2018-2019) ve test (2020-2021) setlerine ayrılmıştır.
• Kümeleme Sonucu: K-Means algoritması (silüet skoru ile belirlenen K=4) dört farklı piyasa rejimi tanımladı: 1) Düşük Oynaklıklı Yatay Sınırlı, 2) Güçlü Yükseliş Trendi, 3) Güçlü Düşüş Trendi, 4) Yüksek Oynaklıklı Tersine Dönüş (aşırı satım/aşırı alım uçlarını içerir).
• Tahmin Performansı: Önerilen Kümeleme-Dikkat modeli, kıyaslama modellerine (Doğrusal Regresyon, LSTM, XGBoost) karşı karşılaştırılmıştır.
  Grafik Açıklaması (Şekil 3: Model Karşılaştırması): Örneklem dışı test setinde (2020-2021) yıllıklaştırılmış Sharpe oranını gösteren bir çubuk grafik. Önerilen model ~1.4'lük bir Sharpe oranına ulaşarak, LSTM (0.9), XGBoost (1.0) ve Doğrusal Regresyon'u (0.3) önemli ölçüde geride bırakmıştır. İkinci bir çizgi grafik kümülatif getirileri göstermektedir: önerilen modelin sermaye eğrisi daha düzgündür ve özellikle Mart 2020'deki yüksek oynaklıklı COVID-19 piyasası döneminde, "Yüksek Oynaklıklı Tersine Dönüş" rejimindeki sağlamlığını göstererek, düşüşlerden daha hızlı toparlanmaktadır.
• Anahtar Bulgu: Modelin birincil avantajı Rejim 4'te (Yüksek Oynaklıklı Tersine Dönüş) görülmektedir; burada aşırı satım sıçrama fırsatlarını doğru bir şekilde tanımlayarak toplam kârının %60'ından fazlasına katkıda bulunmaktadır. Daha sakin rejimlerde (1 & 2) performansı kıyaslama modelleriyle benzerdir.

8. Analiz Çerçevesi: Örnek Vaka

Vaka: EUR/USD'de Aşırı Satım Fırsatını Tanımlama (Mart 2020)

1. Bağlam: COVID-19 piyasa paniği sırasında, EUR/USD keskin bir satış dalgası yaşadı.
2. Öznitelik Hesaplama (X Günü): RSI 22'ye düştü. Fiyat alt Bollinger Bandına (2 SS) dokundu. MACD çizgisi sinyal çizgisinin çok altında ve histogram derin negatif. Oynaklık (ATR) yükseldi.
3. Kümeleme: Öznitelik vektörü $X_t$, önceden eğitilmiş K-Means modeline beslenir. Yüksek oynaklık ve aşırı gösterge değerlerine dayanarak, Küme 4: Yüksek Oynaklıklı Tersine Dönüş kümesine atanır.
4. Dikkat & Tahmin: Küme-4'e özgü dikkat modeli devreye girer. Yakın tarihli veri dizisini tarar. Dikkat ağırlıkları ($\alpha_i$), benzer aşırı RSI + Bollinger Bandı dokunuşlarının ardından 3-5 mum içinde ortalamaya dönüş sıçraması izleyen geçmiş örnekler için yüksek olur. Devam eden çöküşlerle ilişkili kalıpları görmezden gelir. Bağlam vektörü $c_t$, yüksek olasılıklı bir aşırı satım sıçramasını güçlü bir şekilde işaret eder.
5. Çıktı: Model, yüksek bir güven skoru ile, önümüzdeki 5 gün içinde %1.5'lik bir fiyat artışı tahmin eden "GÜÇLÜ AL" sinyali üretir.
6. Sonuç: Piyasa gerçekten de önümüzdeki hafta keskin bir şekilde tersine döndü ve sinyali doğruladı. Bu vaka, modelin geriye dönük testinde bir öne çıkan nokta olurdu.

9. Uygulama Öngörüsü & Gelecek Yönelimler

Uygulama Öngörüsü:

• Hedge Fonu Alfa Üretimi: Bu model, çok stratejili bir hedge fonunun kantitatif araç setindeki bir bileşen olarak, özellikle ihtiyari makro veya sistematik FX masalarının ortalamaya dönüş fırsatlarını yakalaması için idealdir.
• Banka Hazine Risk Yönetimi: Bankalar, piyasa stresi dönemlerinde kısa vadeli karşı-trend hareketleri öngörerek FX maruziyetlerini daha iyi hedge etmek için bir varyantını kullanabilir.
• Perakende Ticaret Platformu Entegrasyonu: Sofistike perakende yatırımcılar için premium bir sinyal servisi veya yarı otomatik bir ticaret botu için çekirdek motor olarak.

Gelecek Araştırma Yönelimleri:

1. Alternatif Verileri Dahil Et: En kritik yükseltme. Modeli, "olay odaklı" yönünü gerçekten yakalamak için gerçek zamanlı haber duyarlılık analizi (başlıklarda NLP), merkez bankası konuşma tonu analizi ve opsiyon piyasası örtülü oynaklık eğriliği verileri ile birleştirin. Two Sigma Finansal Modelleme yarışması gibi araştırmalar, haber verilerinin değerini göstermektedir.
2. Dinamik Kümeleme: Statik çevrimdışı kümelemeden (K-Means), gerçek zamanlı olarak yeni, görülmemiş rejimlere uyum sağlayabilen çevrimiçi veya evrimsel kümelenmeye geçin.
3. Açıklanabilirlik (XAI): Dikkat mekanizmasının neden belirli geçmiş dönemlere odaklandığını açıklamak için SHAP veya LIME gibi araçları entegre edin. Bu, portföy yöneticilerinden güven kazanmak ve düzenleyici gereklilikleri karşılamak için hayati önem taşır.
4. Çoklu Varlık Genellemesi: Çerçevenin sağlamlığını, ortalamaya dönüş özelliklerine sahip diğer varlık sınıflarına (emtia (petrol, altın) veya ani çöküşler sırasında hisse senedi endeks ETF'leri gibi) uygulayarak test edin.
5. Pekiştirmeli Öğrenme (RL) Entegrasyonu: Son adım. Kümeleme-dikkat modelini, optimal ticaret uygulaması ve pozisyon büyüklüğü öğrenen bir RL ajanı (örn., Proximal Policy Optimization algoritması kullanarak) içinde durum temsili veya öznitelik çıkarıcı olarak kullanın, tahminden tam karar vermeye geçin.

10. Referanslar

1. Uluslararası Ödemeler Bankası (BIS). (2019). Döviz ve tezgah üstü türev piyasaları üç yıllık merkez bankası anketi.
2. Wilder, J. W. (1978). Teknik Ticaret Sistemlerinde Yeni Kavramlar. Trend Research.
3. Appel, G. (2005). Teknik Analiz: Aktif Yatırımcılar için Güçlü Araçlar. Financial Times Prentice Hall.
4. Bollinger, J. (2002). Bollinger Bantları Üzerine. McGraw Hill.
5. Vaswani, A., ve diğerleri. (2017). Tek İhtiyacınız Olan Dikkat. Advances in Neural Information Processing Systems (NeurIPS).
6. Moody, J., & Saffell, M. (2001). Doğrudan Pekiştirme Yoluyla Ticaret Öğrenme. IEEE Transactions on Neural Networks.
7. RavenPack. (2023). Finans için Alternatif Veri: Tam Kılavuz. RavenPack International.