Finansal Piyasa Analizinde Sürü Zekası

Aptal ajanların merkeziyetsiz kolonileri, kapalı form matematiğin yenildiği sorunları nasıl çözer ve piyasanın kendisi neden şimdiye kadar inşa edilmiş en büyük sürüdür.

Nicel finansın kalbinde garip bir ikilik yatar. Bir tarafta mühendisin hayali vardır: temiz bir amaç fonksiyonu, dışbükey bir uygun küme, optimal olduğunu kanıtlayabileceğiniz kapalı bir form çözümü. Diğer tarafta ise gerçek piyasa vardır: doğrusal olmayan, durağan olmayan, yerel minimumlarla, kalın kuyruklarla, rejim değişiklikleriyle ve kendi eylemlerinizin tahmin etmeye çalıştığınız şeyi değiştirdiği geri besleme döngüleriyle dolu.

Sürü zekası ikinci tarafta yaşar. Piyasanın gerçekten ödüllendirdiği bir şey karşılığında zarafetten ve kanıttan vazgeçen bir yöntem ailesidir: çirkin, yüksek boyutlu, aldatıcı arazilerde sıkışıp kalmadan arama yapabilme ve bunu, hiçbiri sorunu tek başına anlamayan o kadar basit ajanlarla yapabilme yeteneği.

Bu makale hikayenin her iki yarısını da kapsar. İlk yarı, finansal sorunlara yönelttiğiniz bir optimizasyon araç seti olarak sürü zekasıdır: Portföy ve strateji ayarı için Parçacık Sürü Optimizasyonu, yönlendirme ve kombinatoryal seçim için Karınca Kolonisi Optimizasyonu. İkinci yarı ise daha derin ve daha rahatsız edici fikirdir: piyasa bir sürüdür ve ajan tabanlı modeller, hiçbir denge modelinin kendi başına üretmediği ortaya çıkan baloncukları, çöküşleri ve sürü davranışını simüle etmenize olanak tanır.

Her yerde matematik, kod ve diyagramlar. Hiçbir şey geçiştirilmemiştir.

Kaynaklarım:

TG kanalı:

https://t.me/zostaffsmartarc

GitHub:

https://github.com/zostaff

Burada işlem yapın:

https://polymarket.com/?r=zostaff

Bölüm 0: "Sürü zekası" gerçekte ne anlama geliyor?

Bir sürü, merkezi bir denetleyicisi olmayan, yerel kuralları izleyen basit ajanlardan oluşan ve toplu olarak akıllı küresel davranış üreten bir popülasyondur. Kanonik örnekler biyolojiktir: feromon yoluyla en kısa yolları bulan karınca kolonileri, üç yerel kural aracılığıyla uyumu koruyan kuş sürüleri, çiçek yamalarına toplayıcıları tahsis eden arı kolonileri.

Paradigmayı tanımlayan ve finansa neden uyduğunu açıklayan üç özellik vardır:

1. Merkeziyetsizlik. Hiçbir ajanın küresel resmi yoktur. Her biri, küçük bir miktar paylaşılan sinyal artı yerel bilgiye göre hareket eder. Bu, hiçbir katılımcının tam emir akışını görmediği gerçek piyasaları yansıtır.
2. Sosyal çekim ile stokastik keşif. Ajanlar yarı rastgele hareket eder, ancak sürünün değer bulduğu yere doğru çekilirler. Keşif ve kullanım arasındaki bu denge, tam olarak risk ayarlı getiri yüzeylerinin olduğu gibi yerel optimumlarla dolu bir arazide ihtiyacınız olan şeydir.
3. Ortaya çıkış (Emergence). İlginç davranış hiçbir ajana programlanmamıştır. Popülasyon seviyesinde ortaya çıkar. Optimizasyonda bu, gradyan yöntemlerinin düştüğü tuzaklardan kaçmak anlamına gelir. Piyasa modellemesinde ise hiçbir "rasyonel" ajanın niyet etmediği baloncuklar anlamına gelir.

Klasik yöntemlerle karşıtlık asıl noktadır. Gradyan inişi, türevlenebilir bir amaç fonksiyonu gerektirir ve genellikle yanlış olan en yakın minimumu bulur. Dışbükey optimizasyon, dışbükeylik gerektirir; oysa finansal amaçlar, işlem maliyetleri, kardinalite kısıtlamaları veya düşüş limitleri eklediğinizde nadiren dışbükeydir. Sürü yöntemleri bunların hiçbirine ihtiyaç duymaz. Amaç fonksiyonuna kara kutu gibi davranırlar: bir adayı besleyin, bir sayı geri alın, hepsi bu.

Bölüm 1: Parçacık Sürü Optimizasyonu (PSO)

1.1 Mekanizma

Kennedy ve Eberhart tarafından 1995'te tanıtılan Parçacık Sürü Optimizasyonu (PSO), sürüyü arama uzayında uçan bir dizi parçacık olarak modeller. Her parçacık i'nin bir konumu x_i (bir aday çözüm) ve bir hızı v_i vardır. Kişisel olarak ziyaret ettiği en iyi konumu (pbest_i) hatırlar ve herhangi bir parçacığın bulduğu en iyi konumu (g, küresel en iyi) bilir.

Her adımda, her parçacık hızını üç dürtünün ağırlıklı toplamı olarak günceller:

1v_i(t+1) = w · v_i(t)                    atalet: yaptığını yapmaya devam et
2         + c1 · r1 · (pbest_i − x_i(t))   bilişsel: kendi en iyine dön
3         + c2 · r2 · (g − x_i(t))         sosyal: sürünün en iyisine doğru hareket et
4
5x_i(t+1) = x_i(t) + v_i(t+1)

burada w atalet ağırlığı, c1 ve c2 ivme katsayıları ve r1, r2 boyut başına bağımsız olarak [0,1] aralığında çekilen taze düzgün dağılımlı rastgele sayılardır. Bu rastgelelik keşfin motorudur; onsuz sürü deterministik olarak çöker.

Üç kuvveti geometrik olarak görmeye değer. Tek bir parçacık aynı anda kendi momentumu tarafından itilir, kişisel en iyisine doğru çekilir ve küresel en iyiye doğru çekilir. Ortaya çıkan vektör, bir sonraki adımda gerçekte gideceği yerdir.

1.2 Yerel minimumlardan neden kaçar?

Sihir, bilişsel ve sosyal terimler arasındaki gerilimdedir. Başlangıçta, parçacıklar dağınıktır ve kişisel en iyileri çok farklıdır, bu nedenle sürü geniş çapta keşfeder. İyi bölgeler keşfedildikçe, g herkesi içine çeker, ancak her parçacığın ataleti ve kişisel hafızası, anında g üzerine çökmesini engeller. Sürü, taahhütte bulunmadan önce döner, aşar ve mahalleyi araştırır. Çok modlu bir yüzeyde bu, bir parçacık daha iyi bir havzaya rastlarsa sürünün makul bir yerel minimumu terk edebileceği anlamına gelir.

İşte PSO'nun Rastrigin fonksiyonu üzerindeki hali; orijinde küresel bir minimuma sahip, etrafı aldatıcı yerel minimumlardan oluşan bir kafesle çevrili standart bir işkence testi. Sürünün dağılmasını, kümelenmesini ve yakınsamasını, küresel en iyi uygunluk altı büyüklük mertebesi düşerken izleyin.

Bu yüzeyin herhangi bir yerine bırakılan bir gradyan yöntemi, dokunduğu ilk yerel çanakta ölür. Sürü ölmez.

1.3 Uygulama: Gerçekçi kısıtlamalar altında portföy optimizasyonu

Markowitz ortalama-varyans optimizasyonunun kapalı bir form çözümü vardır. Gerçekçi herhangi bir şey eklediğiniz an, çözümü yoktur. Kardinalite kısıtlamaları ("en fazla 20 hisse senedi tut"), minimum pozisyon büyüklükleri, işlem maliyeti cezaları ve devir hızı limitlerinin tümü dışbükeyliği ve tamsayılılığı bozar. PSO'nun tam da bu noktada değer kazandığı yer burasıdır.

Yalnızca uzun pozisyonlu bir portföyün Sharpe oranını maksimize etmek istiyoruz. Her parçacık bir ağırlık vektörüdür; simplekse (negatif olmayan, toplamı bir olan) düzeltir ve değerlendiririz.

1import numpy as np
2
3rng = np.random.default_rng(0)
4n = 8                                  # varlık sayısı
5mu = rng.normal(0.08, 0.04, n)          # beklenen yıllık getiriler
6A = rng.normal(0, 1, (n, n))
7cov = (A @ A.T) / n * 0.04              # geçerli bir kovaryans matrisi
8rf = 0.02                               # risksiz faiz oranı
9
10def neg_sharpe(w):
11    """Amaç: negatif Sharpe (minimize ediyoruz). Ağırlıkları simplekse düzeltir."""
12    w = np.clip(w, 0, None)             # sadece uzun pozisyon
13    s = w.sum()
14    if s == 0:
15        return 1e9
16    w = w / s                           # toplamı bir olsun
17    ret = w @ mu
18    vol = np.sqrt(w @ cov @ w)
19    return -(ret - rf) / (vol + 1e-9)
20
21# ---- PSO ----
22P, ITERS = 30, 100
23w_inertia, c1, c2 = 0.72, 1.49, 1.49
24
25X = rng.random((P, n))                  # konumlar = aday portföyler
26V = rng.normal(0, 0.1, (P, n))          # hızlar
27pbest = X.copy()
28pbest_val = np.array([neg_sharpe(x) for x in X])
29g = pbest[pbest_val.argmin()].copy()
30
31for _ in range(ITERS):
32    r1, r2 = rng.random((P, n)), rng.random((P, n))
33    V = w_inertia * V + c1 * r1 * (pbest - X) + c2 * r2 * (g - X)
34    X = np.clip(X + V, 0, None)
35    val = np.array([neg_sharpe(x) for x in X])
36    improved = val < pbest_val
37    pbest[improved] = X[improved]
38    pbest_val[improved] = val[improved]
39    g = pbest[pbest_val.argmin()].copy()
40
41w_opt = np.clip(g, 0, None); w_opt /= w_opt.sum()
42print("en iyi Sharpe:", round(-pbest_val.min(), 3))
43print("ağırlıklar:", np.round(w_opt, 3))

Bunu çalıştırmak, 3.5'e yakın bir Sharpe ve toplamı bir olan seyrek, mantıklı bir ağırlık vektörü verir. Önemli olan sayı değildir. Önemli olan, neg_sharpe'nin herhangi bir şeyi içerebilmesidir. Bir işlem maliyeti terimi ekleyin - lambda * np.sum(np.abs(w - w_prev)), normalizasyondan önce en küçük ağırlıkları sıfırlayarak sabit bir kardinalite sınırı ekleyin, bir geriye dönük testten hesaplanan bir düşüş cezası ekleyin. Bunların hiçbirinin hesaplamak isteyeceğiniz gradyanları yoktur ve hiçbiri PSO'yu durdurmaz. Optimizasyon yapıcı, amaç fonksiyonunun içine asla bakmaz; sadece "bu portföy şu portföyden daha iyi mi?" diye sorar.

1.4 Uygulama: Hiperparametre ve strateji ayarı

İkinci büyük kullanım, işlem stratejilerini ayarlamaktır. Bir stratejinin parametreleri vardır: geriye bakma pencereleri, giriş ve çıkış eşikleri, zarar durdurma mesafeleri, pozisyon büyüklüğü katsayıları. Amaç, maliyetler sonrası risk ayarlı getiri gibi bir geriye dönük test istatistiğidir. Bu yüzey acımasızca dışbükey değildir, süreksizdir (bir eşikteki bir tiklik değişiklik bir işlemi tersine çevirebilir) ve değerlendirmesi pahalıdır. PSO, tüm geriye dönük teste kara kutu amaç fonksiyonu gibi davranır ve parametre uzayında doğrudan arama yapar.

Alternatiflere karşı nasıl sıralanır? Genetik algoritmalar (evrimsel çaprazlama ve mutasyon) en yakın rakiptir ve genellikle karşılaştırılabilir. Rastgele arama, şaşırtıcı sıklıkta ızgara aramasını yenen dürüst temel çizgidir. Tipik bir strateji ayarlama amacında, sürü her ikisinden de daha hızlı yakınsama ve daha iyi bir optimuma ulaşma eğilimindedir, çünkü sosyal çekim terimi, değerlendirmeleri körü körüne örneklemek yerine önemli oldukları yerde yoğunlaştırır.

Buradaki uyarı gerçektir ve uygulayıcı bunu içselleştirmelidir: bir geriye dönük test amacında daha hızlı yakınsama, aşırı uyuma daha hızlı yakınsamadır. PSO, tarihsel örneğinizdeki gürültüyü mükemmel bir şekilde açıklayan parametre setini memnuniyetle bulacaktır. İleriye doğru doğrulama, örneklem dışı tutma ve parametre karmaşıklığını cezalandırma isteğe bağlı süslemeler değildir; bunlar bir araştırma artefaktı ile canlı piyasalarla temastan sağ çıkan bir strateji arasındaki farktır.

Bölüm 2: Karınca Kolonisi Optimizasyonu (ACO)

2.1 Mekanizma

1990'ların başında Dorigo'ya ait olan Karınca Kolonisi Optimizasyonu (ACO), cevabın bir yol veya ayrık bir seçim olduğu kombinatoryal problemlere saldırır. Gerçek karıncalar, yürürken feromon bırakarak kısa yollar bulurlar; daha kısa yollar birim zaman başına daha sık geçilir, daha fazla feromon biriktirir ve olumlu bir geri besleme döngüsünde daha fazla karıncayı çeker. Hayati önem taşıyan bir şekilde, feromon buharlaşır, bu da koloninin bayat yolları unutmasını ve çevre değiştiğinde uyum sağlamasını sağlar.

Yapay karıncalar, bir grafik üzerinde adım adım çözümler oluşturur. Düğüm i'de, bir karınca, o kenardaki feromon tau_ij ve sezgisel bir çekicilik eta_ij tarafından yönlendirilen, olasılıksal olarak bir sonraki düğüm j'yi seçer:

1(tau_ij)^alfa · (eta_ij)^beta
2P(i -> j) = ----------------------------------------
3            izin verilen k'lerin toplamı (tau_ik)^alfa · (eta_ik)^beta

alfa, karıncaların birikmiş feromona ne kadar güvendiğini (kolektif hafızanın kullanımı) kontrol eder; beta, anlık sezgisel yönteme ne kadar güvendiklerini (açgözlü yerel kalite) kontrol eder. Tüm karıncalar bitirdikten sonra, feromon güncellenir:

1tau_ij <- (1 - rho) · tau_ij  +  karıncaların toplamı delta_tau_ij

rho buharlaşma oranıdır. Delta_tau_ij birikintisi, daha iyi çözümler üreten karıncalar için daha büyüktür, bu nedenle iyi kenarlar güçlendirilir. Buharlaşma, erken kilitlenmeyi önler ve ACO'yu durağan olmayan problemlerde, yani piyasalarda uyarlanabilir kılan şeydir.

2.2 ACO'nun finansa uyduğu yerler

PSO sürekli problemler içindir; ACO ise ayrık ve yol şeklindeki problemler içindir. Finansta bu şunları içerir:

• Bir grafik-gezinme problemi olarak varlık seçimi. Bir evrenden hangi altkümenin tutulacağını seçmek; burada kenarlar korelasyonu veya sektör geçişlerini kodlar ve feromon, hangi kombinasyonların tarihsel olarak iyi risk ayarlı getiriler sağladığını öğrenir.
• Emir yönlendirme ve icra. Büyük bir ana emri, piyasa etkisini ve maliyeti en aza indirmek için mekanlar ve zaman dilimleri arasında bölmek doğal olarak bir yol problemidir. Feromon, tarihsel olarak iyi doldurmalar sağlayan yönlendirme kararlarını güçlendirir ve buharlaşma, yönlendiricinin mekan likiditesi gün içinde değiştikçe uyum sağlamasına izin verir.
• İşlem kuralları oluşturma. Her düğüm bir koşul veya göstergedir; bir karıncanın grafikteki yolu bileşik bir kuraldır. Koloni, kural yapılarının kombinatoryal uzayını araştırır, geriye dönük testte iyi sonuç veren kural zincirlerini güçlendirir.

Yukarıdaki diyagram, icra durumunu göstermektedir: boş nakit, gerçekleştirilmiş bir doldurmaya ulaşmalıdır ve koloni, maliyeti tarihsel olarak en aza indiren rotayı (nakit, AAPL, NVDA, doldurma) güçlendirir; kenar kalınlığı birikmiş feromonla orantılıdır.

PSO'daki aynı aşırı uyum uyarısı, eşit güçle geçerlidir. Tarihsel veriler üzerinde bir kural zincirini mükemmelliğe kadar güçlendirmiş bir koloni, geleceği keşfetmiş değil, geçmişi ezberlemiştir.

Bölüm 3: Bir sürü olarak piyasa

3.1 Kavramsal tersine çevirme

Bölüm 1 ve 2, sürü zekasını piyasaya yönelttiğimiz bir araç olarak kullandı. Bölüm 3, daha derin bir iddiada bulunur: piyasa bir sürüdür ve muhtemelen insanlığın inşa ettiği en büyük ve en önemli olanıdır.

Tanımlayıcı özelliklere tekrar bakın. Merkeziyetsizlik: milyonlarca katılımcı, merkezi bir denetleyici yok, her biri kısmi yerel bilgiye göre hareket ediyor. Basit yerel kurallar: çoğu katılımcı, oyun teorisini yakınsamaya kadar çalıştırmıyor; sezgisel yöntemler, momentum, korku, komşularının davranışlarını takip ediyorlar. Ortaya çıkış: baloncuklar, çöküşler, ani çöküşler, oynaklık kümelenmesi ve kalın kuyruklu getiriler hiç kimse tarafından tasarlanmamıştır. Etkileşimden ortaya çıkarlar.

Bu yeniden çerçeveleme önemlidir, çünkü baskın teorik gelenek olan etkin piyasa hipotezi ve rasyonel beklentiler dengesi, bu fenomenleri içsel olarak üretmekte zorlanır. Bu modellerde fiyatlar, temel değer artı gürültüye eşittir ve büyük sapmalar büyük dışsal şoklar gerektirir. Ancak piyasalar hiçbir haber olmadan çöker. 1987 çöküşü, 2010 ani çöküşü, sayısız küçük olay: fiyat şiddetli bir şekilde hareket etti, temel değerler ise hareketsiz kaldı. Denge modelleri bunu, kimsenin tanımlayamadığı bir şok varsayarak açıklar. Sürü modelleri bunu ortaya çıkan, yani etkileşim halindeki sezgisel ajanlardan oluşan bir sistemin normal davranışı olarak açıklar.

3.2 Ajan tabanlı modeller

Ajan tabanlı modeller (ABM'ler) bunu somut hale getirir. Simüle edilmiş bir piyasayı heterojen ajanlarla doldurur, her birine basit davranışsal kurallar verir, işlem yapmalarına izin verir ve fiyatta neyin ortaya çıktığını izlersiniz. En etkili tasarım, temelci-çartist modeldir (Brock ve Hommes, Lux ve Marchesi ve diğerleri).

• Temelciler, fiyatın temel değere döneceğine inanır. Fiyat değerin altındayken alır, üstündeyken satarlar. Tek başlarına hareket ederek piyasayı istikrara kavuştururlar.
• Çartistler (trend takipçileri), son hareketlerin devam edeceğine inanır. Fiyat yükseldiği için alır, düştüğü için satarlar. Tek başlarına hareket ederek istikrarı bozarlar.

Belirleyici bileşen geçiş yapmaktır (switching): ajanlar bir türe kilitlenmemiştir. Son zamanlarda daha karlı olan stratejiyi benimserler ve komşularının ne yaptığına doğru sürülenirler. Bu, ayrık seçim mekanizmasıdır: trend takibi son zamanlarda karşılığını verdiğinde çartistlerin oranı artar. Bu tek geri besleme döngüsü, gerçek piyasaların sergilediği ve denge modellerinin sergilemediği tüm stilize edilmiş gerçekler hayvanat bahçesini oluşturmak için yeterlidir.

İşte log-fiyat uzayında, kâr odaklı geçiş ile minimal ama eksiksiz bir temelci-çartist simülasyonu:

1import numpy as np
2
3rng = np.random.default_rng(4)
4T = 520
5log_fund = np.log(100.0)               # sabit temel değer
6logp = [log_fund, log_fund]            # log fiyat, iki gecikme gerekiyor
7frac_chartist = [0.5]                  # çartist olan nüfus oranı
8beta = 6.0                             # seçim yoğunluğu (ajanların ne kadar hızlı geçiş yaptığı)
9
10for t in range(1, T):
11    lp, lp1 = logp[-1], logp[-2]
12    dev = lp - log_fund                # fiyatın temel değerden sapması
13    mom = np.clip(lp - lp1, -0.2, 0.2) # son momentum (son log-getiri)
14
15    # Her kuralın son gerçekleşen harekete karşı gerçekleşen karlılığı
16    actual = mom
17    pi_c = np.tanh(60 * mom * actual)            # trend devam ederse çartist haklıydı
18    pi_f = np.tanh(60 * (-0.05 * dev) * actual)  # geri dönerse temelci haklıydı
19
20    # Ayrık seçim: ajanlar son zamanlarda karlı olan kurala akar (logit)
21    ec, ef = np.exp(beta * pi_c), np.exp(beta * pi_f)
22    target = ec / (ec + ef)
23    target = np.clip(target + 1.8 * abs(mom), 0, 1)   # büyük hareketler trend kovalayan bir sürüyü çeker
24
25    # Sürü ataleti: kalabalık aniden değil, kademeli olarak değişir
26    share = np.clip(0.55 * frac_chartist[-1] + 0.45 * target + rng.normal(0, 0.025), 0.02, 0.98)
27
28    # Fiyat etkisi: çartistler momentumu tahmin eder, temelciler değere doğru çeker
29    dl = share * 0.95 * mom + (1 - share) * (-0.05 * dev) + rng.normal(0, 0.014)
30    dl = np.clip(dl, -0.12, 0.12)
31
32    logp.append(lp + dl)
33    frac_chartist.append(share)
34
35price = np.exp(np.array(logp[1:]))

Bu koddaki hiçbir şey piyasaya bir balon oluşturması talimatını vermez. "Çöküş" değişkeni yoktur. Yine de çalıştırın ve baloncuklar ve çöküşler ortaya çıkar ve bunlar çartist oranındaki artışlarla aynı hizaya gelir: trend takibi karşılığını vermeye başladığında, kalabalık içeri dolar, fiyat temel değerden kopar, kopma sonunda ortalamaya dönüşü ezici bir şekilde karlı hale getirir, kalabalık tersine döner ve balon çöker.

Üst panel, 100'lük sabit bir temel değer etrafında salınan fiyattır; 120'ye doğru baloncuklar ve 80'e doğru çöküşler vardır. Alt panel, çartist oranıdır. Kalabalığın trend kovalama payındaki zirveler, fiyat uç noktalarından önce gelir ve onları yönlendirir. Bu, bir metafor olmaktan çok bir mekanizma olarak işlenmiş sürü davranışıdır.

3.3 Kendiliğinden ortaya çıkan stilize edilmiş gerçekler

Gerçek finansal getiriler, Gauss rastgele yürüyüş modellerinin yeniden üretemediği iyi belgelenmiş istatistiksel imzalara sahiptir. Ajan tabanlı sürü modelleri bunları, ekstra varsayımlar olmaksızın içsel olarak üretir:

• Kalın kuyruklar (aşırı basıklık). Aşırı getiriler, normal dağılımın tahmin ettiğinden çok daha yaygındır, çünkü sürü davranışı ajanları senkronize eder ve hareketleri büyütür.
• Oynaklık kümelenmesi. Büyük hareketleri büyük hareketler takip eder. Çartist rejim baskın olduğunda, oynaklık yüksek ve kalıcıdır; temelciler baskın olduğunda piyasa sakindir. Geçiş, kümelenmeyi üretir.
• Getirilerde doğrusal otokorelasyonun olmaması, mutlak getirilerde ise güçlü otokorelasyon. Piyasa yön olarak tahmin edilemez, ancak türbülans açısından oldukça tahmin edilebilir; ABM'lerin tam olarak ürettiği gibi.

Zarif denge modellerinin dışsal şoklar eklemesi gerekirken, aptal etkileşimli ajanlardan oluşan bir modelin gerçek piyasaların kesin istatistiksel parmak izini yeniden üretmesi, sürü çerçevesinin fiyatların gerçekte nasıl oluştuğu hakkında doğru bir şey yakaladığının en güçlü kanıtıdır.

Bölüm 4: Bir referans mimarisi

Tüm bunları işler hale getirmek isterseniz, optimizasyon araçları ve simülasyon merceği tek bir yapıya sığar. Sürü çekirdeği, stratejilere parçacıklar gibi davranır ve strateji uzayını araştırır; uygunluk değerlendiricisi, ileriye doğru doğrulama geriye dönük testleri çalıştırır; bir risk kapısı, hiçbir optimizasyon yapıcının ihlal etmesine izin verilmeyen sert kısıtlamaları uygular; ACO, icra yönlendirmesini halleder; ve ajan tabanlı simülatör, hem stratejileri sentetik ama gerçekçi piyasalara karşı stres testine tabi tutmak hem de tarihsel kaydın hiç içermediği senaryolar oluşturmak için kullanılabilir.

Geri besleme döngüsü, tasarımın ruhudur. Uygunluk ve risk, sürüyü sürekli olarak yeniden şekillendirir; tıpkı doğada çevrenin koloniyi sürekli olarak yeniden şekillendirmesi gibi. Risk kapısı pazarlık konusu değildir ve optimizasyonun dışında yer alır: Sharpe'ı optimize eden bir sürü, fırsat verilirse, geriye dönük testte optimal olan ve bir kuyruk durumunda yıkıcı olan bir pozisyon alacaktır. Kapı, onu durduran şeydir.

Bölüm 5: Dürüst sınırlamalar

Sürü yöntemleri sihirli değildir ve başarısızlık modları belirgindir:

Aşırı uyum, baskın risktir. Her kara kutu optimizasyon yapıcı, örneğinizi, gürültüsü de dahil olmak üzere en iyi açıklayan parametre setini bulmak için bir makinedir. Optimizasyon yapıcı ne kadar hızlı ve güçlüyse, bu o kadar tehlikelidir. İleriye doğru doğrulama ve örneklem dışı disiplin zorunludur.

Optimallik garantisi yoktur. PSO ve ACO, meta-sezgisel yöntemlerdir. Genellikle mükemmel çözümler bulurlar; hiçbir şey kanıtlamazlar. Gerçekten dışbükey problemler için, dışbükey bir çözücü kullanın ve sertifikalı optimumu elde edin. Sürülere yalnızca klasik yöntemlerin ihtiyaç duyduğu yapı olmadığında başvurun.

Hiperparametre duyarlılığı. Atalet ağırlığı, ivme katsayıları, sürü büyüklüğü, buharlaşma oranı: bunlar önemlidir ve ayarlayıcıyı ayarlamak başka bir aşırı uyum katmanı riski taşır. Makul varsayılanlar (PSO için w=0.72, c1=c2=1.49 daralma değerleri) iyi bir nedenle vardır.

ABM'ler açıklayıcıdır, tahmin edici değildir. Ajan tabanlı modeller, piyasaların niteliksel davranışını, baloncukları ve kalın kuyrukları parlak bir şekilde yeniden üretir. Size önümüzdeki Salı günü fiyatı söylemezler. Değerleri, mekanizmayı anlamak, stres testi ve senaryo oluşturmadır; nokta tahmini değil.

Dönüşümlülük tuzağı (Reflexivity trap). Yeterli sermaye, benzer sürü tarafından keşfedilen stratejileri çalıştırdığında, bu stratejiler piyasanın dinamiklerinin bir parçası haline gelir ve kendi avantajlarını aşındırır. Harita, bölgeyi değiştirir. Bu, yöntemde bir kusur değildir; sürü çerçevesinin öğrettiği en derin gerçektir. Bir sürüyü dışarıdan analiz etmiyorsunuz. Siz onun içinde bir ajansınız ve feromon iziniz, herkesin bir sonraki adımda nereye gideceğini değiştirir.

Son

Bu makalenin iki yarısı, aslında iki açıdan görülen tek bir fikirdir. Sürü optimizasyonu, finansal problemler üzerinde işe yarar çünkü bu problemler çirkin, aldatıcı, dışbükey olmayan arazilerde yaşar ve merkeziyetsiz stokastik arama ile sosyal çekim, tam da bu tür bir arazi için inşa edilmiştir. Piyasaların bu tür araziler üretmesinin nedeni ise, piyasaların kendilerinin de sürü olmasıdır: etkileşimleri, hiçbir denge modelinin amaçlamadığı baloncukları, çöküşleri ve kalın kuyrukları ortaya çıkaran, basit, sürü halinde, geçiş yapan ajanlardan oluşan devasa popülasyonlar.

İkinci noktayı anlamak, birincide daha iyi olmanızı sağlar. Üzerinde optimize ettiğiniz yüzeyin bir sürü tarafından oluşturulduğunu hatırladığınızda, tek bir optimuma güvenmeyi bırakırsınız, durağan olmamaya saygı duyarsınız, risk kapısını inşa edersiniz ve stratejinizin gerçek büyüklükte hareket ettiği an, sürünün bir gözlemcisi olmaktan çıkıp onun bir parçası haline geldiğinizi asla unutmazsınız.