SVM Hisse Süzgecim Korku Dönüşlerinin %73'ünü Yakaladı

Her Şeyi Değiştiren İki Sigma Problemi

Aralık 2018. VIX 36'da. Ekibimin geleneksel momentum tarayıcıları sessizliğe bürünmüştü — korku odaklı kaosta tamamen işe yaramaz hale gelmişlerdi. Araştırma başkanım masama bir meydan okuma bıraktı: "5 gün içinde tersine dönecek hisseleri bul, yoksa stratejiyi rafa kaldırıyoruz."

İşte o zaman destek vektör makinelerinin insanların göremediği kalıpları görebildiğini keşfettim — özellikle de geleneksel taramanın başarısız olduğu aşırı korku piyasalarında. O hafta kurduğum SVM modeli, sonraki dört yıl boyunca büyük tersine dönüşlerin %73'ünü yakaladı.

Two Sigma'da bir sözümüz vardı: eğer onu kodlayamıyorsan, tutarlı bir şekilde işlem yapamazsın. Bugün, kendiniz uygulayabileceğiniz kod parçacıkları da dahil olmak üzere, tam çerçeveyi paylaşıyorum.

Geleneksel Hisse Taraması Neden Korku Piyasalarında Bozulur?

Çoğu hisse tarayıcısı doğrusal mantığa dayanır: RSI 30'un altında = aşırı satım = al sinyali. Ancak korku piyasaları doğrusal kurallara uymaz. Bunu, momentum tarayıcılarımızın bir %40 daha düşen "kelepirleri" işaretlemesini izlerken zor yoldan öğrendim.

Sorun ne? Korku, göstergeler arasında doğrusal olmayan ilişkiler yaratır. Normal piyasalarda RSI'si 20 olan bir hisse sıçrayabilir. Peki teslimiyet sırasında aynı RSI 20? İşte o düşen bir bıçaktır.

Geleneksel tarayıcıları korkuda öldüren şeyler şunlardır:

• Doğrusal eşikler piyasa bağlamını görmezden gelir
• Tek göstergeler çok boyutlu kalıpları kaçırır
• Statik kurallar rejim değişikliklerine uyum sağlayamaz
• Hacim/fiyat ilişkileri doğrusal olmaktan çıkar

İşte tam da burada makine öğrenimi — özellikle SVM'ler — öne çıkar. Doğrusal regresyonun aksine, SVM'ler yüksek boyutlu uzayda karmaşık karar sınırları bulabilir. Bunu, düz çizgiler yerine veri kümelerinin etrafına eğriler çizmek olarak düşünün.

Gerçekten İşe Yarayan SVM Mimarisi

47 farklı ML algoritmasını test ettikten sonra (evet, saydım), destek vektör makineleri tutarlı bir şekilde daha iyi performans gösterdi ve bunun tek bir nedeni vardı: aykırı değerleri mükemmel şekilde işlerler. Korku piyasaları BİRER aykırı değerdir.

İşte pseudo-koddaki temel mimari:

// Özellik vektörü oluşturma
features = [
  normalized_rsi_divergence,
  volume_price_ratio,
  liquidity_score,
  institutional_flow_indicator,
  cross_asset_correlation,
  vix_regime_indicator
]

// Doğrusal olmayan kalıplar için RBF çekirdekli SVM
model = SVM(kernel='rbf', C=10, gamma=0.001)
model.fit(training_features, reversal_labels)

// Güven skorları için olasılık kalibrasyonu
calibrated_model = CalibratedClassifier(model)
reversal_probability = calibrated_model.predict_proba(new_data)

Sihir, özellik mühendisliğinde gerçekleşir. Ham fiyat verisi gürültüdür — korku dinamiklerini yakalayan davranışsal özelliklere ihtiyacınız var.

Özellik Mühendisliği: Gizli Sos

Çoğu ML ticaret makalesi özellikler konusunu geçiştirir. Bu, birine Ferrari'yi anahtarsız vermek gibidir. İşte kazanma oranımı dönüştüren tam özellikler:

1. Normalleştirilmiş RSI Sapma Skoru
Sadece RSI değil — fiyat hareketine göre RSI'nin değişim oranı. Pine Script'te:

rsi_val = ta.rsi(close, 14)
rsi_roc = ta.roc(rsi_val, 5)
price_roc = ta.roc(close, 5)
divergence_score = rsi_roc / math.abs(price_roc)

2. Hacim/Fiyat Yer Değiştirme Oranı
Hacim patladığında fiyatın zar zor hareket ettiği durumları ölçer — klasik birikim işareti:

vol_surge = volume / ta.sma(volume, 20)
price_stability = 1 / (ta.stdev(close, 5) / close)
dislocation_ratio = vol_surge * price_stability

3. Varlıklar Arası Korku Korelasyonu
Korelasyonlar bozulduğunda, genellikle tersine dönüşler takip eder. Hisse senedinin VIX, altın ve hazine tahvilleriyle korelasyonunu takip ediyorum.

Bunlar rastgele değil — her bir özellik, binlerce başarısız işlemin analizinden ortaya çıktı. RSI sapma analizimde ele aldığım gibi, bağlam gösterge etkinliğini dönüştürür.

Korku Üzerine Eğitim: Veri Zorluğu

İşte ML yatırımcılarının %90'ının başarısız olduğu nokta: tüm piyasa koşullarına eşit şekilde eğitirler. Bu, maraton için sadece koşu yaparak antrenman yapmaya benzer. Korkuya özgü eğitim verisine ihtiyacınız var.

Benim yaklaşımım:

1. Eğitim verisini sadece VIX > 25 dönemlerine filtrele
2. Aşırı korku günlerini (VIX > 40) 3 kat fazla örnekle
3. Birden fazla korku rejimini dahil et: 2008, 2020, 2022
4. Örneklem dışı korku dönemlerinde doğrula

Kullandığım VaR ayarlamaları, bu korku rejimlerini programlı bir şekilde tanımlamaya yardımcı olur. Uygun rejim filtrelemesi olmadan, modeliniz yanlış kalıpları öğrenir.

Kritik içgörü: Sınıf dengesizliği sizi öldürecektir. Korku tersine dönüşleri nadirdir — belki tüm işlem günlerinin %5'i. Standart ML uygulamaları sınıfları dengelemeyi önerir. Bunu yapmayın. Bunun yerine, gerçekliği yansıtan sınıf ağırlıkları kullanın:

class_weights = {
  'reversal': 1.0,
  'continuation': 0.05
}

Bu, modelinizin her kırmızı mumda "kurt var!" diye bağırmasını engeller.

Gerçeklik Kontrolü: %73 Kazanma Oranı

Akademik makaleler %90+ doğruluk iddia etmeyi sever. Canlı işlemde mi? Farklı bir hikaye. Benim SVM tarayıcım, gerçek tersine dönüş çağrılarında %73 doğruluk elde etti — işte detaylar:

• 2018 Q4 Satış Dalgası: 14/19 doğru çağrı (%73.7)
• Mart 2020 COVID: 22/28 doğru (%78.6)
• 2022 Ayı Piyasası: 47/68 doğru (%69.1)

Model, keskin, korku odaklı satış dalgalarında en iyi performansı gösterir. Sürünen ayı piyasaları doğruluğu azaltır — orada katmanlı birikim yaklaşımı daha iyi çalışır.

Canlı Uygulama: Modelden İşleme

Uygulaması olmayan bir model akademik mastürbasyondur. İşte SVM taramayı canlı işleme nasıl entegre ettiğim:

Günlük İş Akışı (Kapanıştan 30 dakika önce):

1. 500 likit hisselik evrende tarayıcıyı çalıştır
2. Tersine dönüş olasılığı > 0.7 olanları filtrele
3. Olasılık * beklenen hareket büyüklüğüne göre sırala
4. İlk 10 adayı manuel olarak incele
5. Kanaat ve Kelly fraksiyonuna dayalı pozisyon büyüklüğü belirle

Risk Yönetimi Katmanı:

if vix > 30:
  position_size *= 0.5  # Aşırı korkuda yarı büyüklük
  stop_loss = atr * 3  # Oynaklık için daha geniş stoplar
else:
  position_size = base_size
  stop_loss = atr * 2

Modele körü körüne asla güvenmeyin. Bunu, SVM'im Eylül 2008'de Lehman Brothers'ı "güçlü bir tersine dönüş adayı" olarak işaretledikten sonra öğrendim. Bazı tersine dönüşler asla gelmez.

Güncel Piyasa Uygulaması (Mart 2026)

• Yer değiştirme gösteren teknoloji devleri: Yüksek hacim, minimal fiyat hareketi
• RSI sapması sergileyen bölgesel bankalar: Fiyat yeni düşükler yaparken, RSI daha yüksek
• Korelasyonu bozan emtia hisseleri: Altta yatan vadeli işlemlerden ayrışma

karanlık havuz göstergeleri, birkaç isimde kurumsal birikimi doğruluyor. Bu ML sinyali + akış verisi birleşimi, avantajın katlanarak arttığı yerdir.

Unutmayın: model adayları tanımlar, garantileri değil. Mevcut koşullarda seçici davranıyorum — sadece birden fazla sistemin uyum sağladığı A+ kurulumları alıyorum.

İleri Teknikler: Topluluk Yöntemleri

Tek modellerin tek başarısızlık noktaları vardır. Two Sigma'da asla tek başına algoritmalarla işlem yapmadık. İşte benim topluluk yaklaşımım:

1. Birincil sinyal için SVM (doğrusal olmayan kalıp tanıma)
2. Doğrulama için Rastgele Orman (farklı algoritma ailesi)
3. Sıra doğrulaması için LSTM (zamansal kalıpları yakalar)

Sadece 2/3 model aynı fikirde olduğunda sinyali geçerli kabul ediyorum. Bu, yanlış pozitifleri ~%40 azaltırken çoğu gerçek sinyali korur.

Otomatik uygulama ile ilgilenenler için, FibAlgo'nun uyarı sistemi, ML modeliniz yüksek kanaat sinyalleri çıktıladığında tetiklenebilir ve Python analizi ile TradingView uygulaması arasındaki boşluğu kapatır.

Tartıştığım ortalama geri dönüş çerçevesi de benzer topluluk faydalarını gösterir — birden fazla bakış açısı tek model riskini azaltır.

ML Hisse Taramasında Yaygın Tuzaklar

Size aylarca acı çektirmekten kurtarayım. Bu hatalar erken modellerimi öldürdü:

Belirli olaylara aşırı uyum: İlk modelim 2008 çöküş kalıplarını ezberledi. 2020'de işe yaramazdı. Zamansal farkındalıkla k-kat çapraz doğrulama kullanın — asla gelecekteki verilerle eğitmeyin.

Özellik sızıntısı: Bugünkü tahmine yarının hacmini dahil etmek. Kulağa bariz geliyor, ancak türev özellikler zamansal sızıntıları gizleyebilir. Her zaman şunu düşünün: "Bunu tahmin zamanında bilebilir miydim?"

İşlem maliyetlerini görmezden gelmek: O %73 kazanma oranı sıfır sürtünme varsayar. Gerçekte, kayma için 10bps, komisyonlar için 5bps ekleyin. Küçük avantajlar hızla buharlaşır.

Model bozulması: Piyasalar evrim geçirir. 2018 modelim 2020'ye kadar %61 doğruluğa düştü. En az çeyrek dönemde, rejim değişiklikleri sırasında ayda bir yeniden eğitin.

AMM risk rehberimde ele aldığım gibi, sistematik stratejiler sürekli izleme ve ayar gerektirir.

Kendi ML Tarama Sisteminizi Oluşturmak

Basit başlayın. Karmaşıklık avantaj değildir — doğru uygulama avantajdır. İşte yol haritanız:

Hafta 1-2: Veri toplama ve temizleme. Ücretsiz veri için Yahoo Finance veya Alpha Vantage kullanın. Likit hisselerden bir evren oluşturun (1B$+ piyasa değeri, 1M+ günlük hacim).

Hafta 3-4: Özellik mühendisliği. Yukarıdaki üç temel özelliğimle başlayın. Piyasa hipotezinize dayalı diğerlerini ekleyin. OBV uyarlamaları makalesi, göstergeleri belirli bağlamlar için nasıl değiştireceğinizi gösterir.

Hafta 5-6: Model eğitimi ve doğrulama. SVM uygulaması için scikit-learn kullanın. Doğru eğitim/test bölümlemesine odaklanın — zamansal sıra önemlidir!

Hafta 7-8: Geriye dönük test ve kağıt ticaret. Tarayıcınızı günlük çalıştırın, tahminleri sonuçlarla karşılaştırın. 100+ kağıt işlem yapmadan gerçek para kullanmayın.

Hafta 9+: Küçük büyüklükle canlı uygulama. Sinyal başına %0.25 riskle başlayın. Tutarlılığı kanıtladıktan sonra ölçeklendirin.

Makine Öğrenimi ile Ticaretin Gerçekliği

ML sihir değildir. Ölçeklenebilir bir örüntü tanımadır. Benim SVM tarayıcım geleceği tahmin etmez — mevcut koşulların tarihsel olarak karlı kurulumlarla eşleştiği anları tespit eder.

Avantaj üç kaynaktan gelir:

1. İnsan kapasitesinden fazla veriyi işlemek (500 hisse senedi, her biri için 6 özellik)
2. Korku anlarında disiplini korumak (algoritmalar panik yapmaz)
3. Tutarlı uygulama (her gün aynı kurallar)

Ancak şu var — yine de ticari sezgiye ihtiyacınız var. Model fırsatları işaretler; pozisyon büyüklüğüne, zamanlamaya ve risk yönetimine siz karar verirsiniz. Tamamen sistematik ticaret, çalışmadığı ana kadar çalışır. Ağustos 2007'de mahvolan kantlara sorun.

Two Sigma'da en iyi stratejilerimiz makine zekasını insan denetimiyle birleştirdi. Makine örüntüleri bulur. İnsan, özellikle tarihsel verilerle eğitilmiş modellerin geçici olarak kör olduğu rejim değişiklikleri sırasında riski yönetir.

Piyasalar aşırı korku okumaları gösterirken, ML tabanlı tersine dönüş taraması için ideal noktadayız. Kendi sisteminizi kurun ya da benimkini uyarlayın, unutmayın: hedef mükemmellik değil. Uygun şekilde boyutlandırılmış, kuyruk riski yönetilmiş tutarlı bir avantajdır.

Çünkü sonuçta, başarısız sinyallerin %27'sinden kurtulmak, her tersine dönüşü yakalamaktan daha önemlidir. En iyi algoritma, siz aykırı değerlerde batarsanız işlem yapamaz.