Jim Simons'ın Algoritması Siz Uyurken Nasıl Para Basıyor? (Tam Kantitatif Çerçeve)

1import numpy as np
2import pandas as pd
3from scipy import stats
4
5def detect_signal(prices: pd.Series, lookback: int = 20) -> dict:
6    returns = prices.pct_change().dropna()
7
8    # Otokorelasyon — bugünkü getiri yarındaki için tahmin edici mi?
9    acf_1 = returns.autocorr(lag=1)
10
11    # Hareketli ortalamadan Z-skoru sapması
12    rolling_mean = returns.rolling(lookback).mean()
13    rolling_std  = returns.rolling(lookback).std()
14    z_score      = (returns - rolling_mean) / rolling_std
15
16    # Hurst üsteli — bu seri trend mi yoksa ortalamaya dönüş mü yapıyor?
17    hurst = compute_hurst(prices.values)
18
19    return {
20        "autocorrelation": acf_1,
21        "z_score_latest": z_score.iloc[-1],
22        "hurst_exponent": hurst,   # <0.5 = ortalamaya dönüş, >0.5 = trend
23        "regime": "trending" if hurst > 0.55 else "mean_reverting"
24    }
25
26def compute_hurst(ts):
27    lags = range(2, 20)
28    tau  = [np.sqrt(np.std(np.subtract(ts[lag:], ts[:-lag]))) for lag in lags]
29    m    = np.polyfit(np.log(lags), np.log(tau), 1)
30    return m[0] * 2.0

1from sklearn.linear_model import LinearRegression
2
3def factor_decompose(returns: pd.DataFrame, factors: pd.DataFrame) -> dict:
4    """
5    returns: Varlık getirilerinin DataFrame'i
6    factors: Faktör getirilerinin DataFrame'i (piyasa, büyüklük, değer, momentum vb.)
7    """
8    model = LinearRegression()
9    model.fit(factors, returns)
10
11    alpha     = model.intercept_          # Faktörlerle açıklanamayan getiri = saf avantaj
12    betas     = model.coef_               # Faktör maruziyetleri
13    r_squared = model.score(factors, returns)
14
15    return {
16        "alpha": alpha,    # Peşinde olduğunuz şey bu — alpha > 0 mı?
17        "betas": dict(zip(factors.columns, betas)),
18        "r_squared": r_squared,
19        "edge_quality": "strong" if abs(alpha) > 0.001 and r_squared > 0.3 else "weak"
20    }

1import numpy as np
2
3# Durumlar: 0=Boğa, 1=Ayı, 2=Durgun
4# Geçiş matrisi geçmiş verilerden tahmin edilmiştir
5transition_matrix = np.array([
6    [0.78, 0.14, 0.08],  # Boğa'dan: %78 Boğa kalır, %14 Ayı'ya gider, %8 Durgun
7    [0.20, 0.68, 0.12],  # Ayı'dan: %20 toparlanır, %68 Ayı kalır, %12 Durgun
8    [0.25, 0.23, 0.52],  # Durgun'dan: %25 Boğa, %23 Ayı, %52 kalır
9])
10
11def get_next_regime(current_state: int, steps: int = 5) -> np.ndarray:
12    """N adım sonra durumlar üzerindeki olasılık dağılımını döndürür."""
13    state_vec = np.zeros(3)
14    state_vec[current_state] = 1.0
15
16    for _ in range(steps):
17        state_vec = state_vec @ transition_matrix
18
19    return {
20        "bull_probability":     round(state_vec[0], 3),
21        "bear_probability":     round(state_vec[1], 3),
22        "stagnant_probability": round(state_vec[2], 3),
23        "dominant_regime":      ["Bull", "Bear", "Stagnant"][np.argmax(state_vec)]
24    }

1import torch
2import torch.nn as nn
3
4class QuantEdgeNet(nn.Module):
5    def __init__(self, input_features: int = 50):
6        super().__init__()
7        self.layers = nn.Sequential(
8            nn.Linear(input_features, 128),
9            nn.ReLU(),
10            nn.Dropout(0.2),
11            nn.Linear(128, 64),
12            nn.ReLU(),
13            nn.Linear(64, 3)    # Çıktı: [long, short, flat] olasılıkları
14        )
15
16    def forward(self, x):
17        return torch.softmax(self.layers(x), dim=-1)
18
19# Eğitim sinyali: faktör skorları + rejim olasılıkları + ham fiyat özellikleri
20def build_feature_vector(prices, factors, regime_probs):
21    signal = detect_signal(prices)
22    return np.concatenate([
23        prices.pct_change().tail(20).values,   # Son 20 getiri
24        list(factors.values()),                 # Faktör maruziyetleri
25        list(regime_probs.values()),            # Markov rejim olasılıkları
26        [signal["hurst_exponent"],
27         signal["z_score_latest"]]
28    ])

1def kelly_position_size(
2    win_probability: float,
3    win_loss_ratio:  float,
4    max_risk_pct:    float = 0.02   # İşlem başına asla %2'den fazla risk almayın
5) -> float:
6    kelly_fraction = win_probability - (1 - win_probability) / win_loss_ratio
7    kelly_fraction = max(0, kelly_fraction)             # Asla negatif Kelly'ye gitmeyin
8    half_kelly      = kelly_fraction * 0.5              # Güvenlik için yarım-Kelly kullanın
9    return min(half_kelly, max_risk_pct)                # Sert üst sınır %2
10
11def calculate_execution_cost(
12    spread_bps: float,
13    market_impact_bps: float,
14    shares: int,
15    price: float
16) -> float:
17    total_bps    = spread_bps + market_impact_bps
18    cost_per_share = price * total_bps / 10_000
19    return cost_per_share * shares
20
21# Sadece avantaj icra maliyetinden büyükse işleme gir
22def should_trade(edge_bps: float, execution_cost_bps: float) -> bool:
23    return edge_bps > (execution_cost_bps * 1.5)   # Minimum 1.5x maliyet karşılama oranı

1Ham Piyasa Verisi
2      ↓
3[K1] Sinyal Tespiti   → Hurst · ACF · Z-skoru
4      ↓
5[K2] Faktör Modeli    → α çıkarımı · β maruziyeti
6      ↓
7[K3] Markov Rejimi    → Boğa · Ayı · Durgun
8      ↓
9[K4] Sinir Ağı Kenarı → Long · Short · Flat
10      ↓
11[K5] Kelly + İcra    → Pozisyon Büyüklüğü · Maliyet Filtresi · Giriş
12      ↓
13    İşlem / İşlem Yok