Yapay Zeka Kullanılarak Yönetilen Fonlar

Haluk Özek
İnfina Yazılım Ürün Lideri & Öneriver Kurucu Ortağı

Her geçen gün hayatımıza daha çok dokunan yapay zeka teknolojisi, varlık yönetimi alanında bir süredir kullanılıyor. Bu teknolojiyle yönetilen fonlar, varlık dağılım algoritmaları kullanıp yatırım stratejileri oluşturuyor. Yazımızda yapay zeka ile yönetilen fonlar ile ilgili bazı bilgiler paylaşacağız.

Algoritma kullanarak fon yönetmek uygulanmaya yeni başlanmış bir konsept değil. İlk defa 1970’lerde John Markowitz tarafından keşfedilen bu yöntemle, bir formül doğrultusunda, piyasa verisi ve risk yaklaşımına dayalı olarak “optimum portföyler” oluşturulmaya başlandı. Nobel ekonomi ödülü de alan ve Markowitz modeli olarak tanımlanan bu yöntemde oluşturulan optimum portföylerin amacı, yatırımcıya minimum riskle maksimum getiriyi sağlamaktı. Bir portföyü oluşturmak için kullanılan finansal enstrümanların geçmiş fiyat hareketlerinin analizi, algoritmanın ilk adımını oluşturuyordu. Bu analiz doğrultusunda hem her bir enstrümanın volatilitesi, hem de bu enstrümanların fiyatlarının birbirlerine kıyasla nasıl hareket ettikleri tespit ediliyordu. Böylece oluşturulacak portföyün hangi kombinasyonda optimum getiri ve risk dengesini sağlayacağı tahminlenmeye çalışılıyordu. Bu veriler yardımı ile oluşturulan portföyün geçmiş verilerin analizi ile hedeflenen getirisi tespit edilip, bunu sağlayabilecek en düşük riski (volatilite) sağlayacak varlık dağılımı hesaplanıyordu.

Markowitz modeli varlık yöneticileri tarafından yıllar boyunca çeşitli ülkelerde ve piyasalarda başarılı bir şekilde uygulandı. Ancak modelin bir eksiği göze çarpıyordu. Markowitz modeli yalnızca geçmiş veriler doğrultusunda karar veriyordu. Başka bir deyişle, piyasaların geleceğine dair öngörüler modelin girdilerinden biri olmuyordu.

Bu durumu iyileştirmek amacıyla 2 Goldman Sachs analisti Fischer Black ve Robert Litterman 1990 yılında kendi modellerini Markowitz modelinin üzerinde kurguladılar. Literatürde yerini Black & Litterman modeli olarak alan bu modelde portföy yöneticisi, varlık sınıflarının gelecek fiyat hareket beklentilerini bir girdi olarak modele dahil edebiliyordu. Bu fiyat beklenti girdisi; varlıkların birbirlerine relatif getiri farkı, veya doğrudan bir kıymet sınıfının belirli bir dönemdeki getiri beklentisi olarak modele eklenebiliyor.

Yapay Zeka ve Algoritmanın Bir Araya Gelmesi: 2018 yılında Öneriver’i bir Tübitak-Eureka projesi olarak hayata geçirdiğimizden beri Black & Litterman modeli ve makine öğrenimi hakkında çok kapsamlı literatür taramaları yaptık ve alanında uzman hocalarla işbirlikleri gerçekleştirdik. Amacımız, kendini kanıtlamış Black & Litterman modelini Türkiye piyasası şartlarına uygun ve makine öğrenimi teknolojisini en doğru fiyat tahminlemesini yapacak şekilde kullanan bir robo danışmanlık yazılım ürününü ortaya çıkartmaktı. Çalışmalarımız sonuç verdi ve bugün 2 banka, ve 3 emeklilik şirketi tarafından kullanılan, toplamda 50 bin kişinin 2 milyar TL’den fazla varlığını yöneten Türkiye kökenli bir robo danışmanlık yazılımı var. Bu kurumların müşterilerine verdiğimiz hizmete ek olarak 2022 yılının Mart ayından beri Inveo Portföy’ün GJB fon sepeti fonunu yönetiyoruz.

Robo yazılımımızın kuşkusuz en önemli özelliklerinden bir tanesi fiyat tahminlemesini yapmak için makine öğrenimi teknolojisinden faydalanıyor olması. Sürekli olarak değişen piyasa şartları göz önünde bulundurulduğunda makine öğrenimi algoritmamıza sürekli olarak yatırım yapmamız, geliştirmeye devam etmemiz ve güncel tutmamız gerekiyor. Kurumsal iç girişimi olduğumuz İnfina Yazılım’ın Services ekibi ile yakın temasta olarak algoritmamızı eğittiğimiz veri setlerinin güncelliğinden ve doğruluğundan emin olabiliyoruz. Fiyat tahminleme modelimizi sektörde çoğu bugün müşterimiz olan değerli kurumların yorumları ile beraber oluşturtuldu. Bu yorumlar doğrultusunda yalnızca makine öğrenimine dayalı bir “black box” modelden ziyade, portföy/fon yöneticisinin isterse kendi tahminlerini de girebileceği bir model oluşturduk. Bu sayede makinenin ve insanın gücünü en iyi şekilde birleştirmiş olduk.

Bu noktada fiyat tahminlemesinin, konunun yalnızca bir boyutu olduğunu belirtmekte fayda var. Yukarıda da belirttiğimiz gibi modelimizin Türkiye piyasası şartlarına uyum sağlaması için sürekli olarak güncel tutulması gerekiyor. Black & Litterman modelinin fiyat tahminlemesi dışındaki kovaryans matrisi gibi girdileri üzerinden sürekli olarak geçmişe yönelik testler yapıp bu testlerin sonuçlarını müşterilerimizle paylaşıyor, gerek duyduğumuz durumlarda da müşterilerimizin de onayı doğrultusunda parametre setlerimizi güncelliyoruz. Bu sayede sürekli olarak en optimum portföy dağılımını vermeyi amaçlıyoruz.

Ayrıca fonlarını yönettiğimiz veya fonları üzerinden portföy tavsiyesi verdiğimiz müşterilerimizin güncel talepleri doğrultusunda da çalışmalar gerçekleştirebiliyoruz. Örneğin bir fonun yatırım stratejisinin değişmesiyle beraber fonun yatırım yaptığı varlık sınıflarına bir yenisi eklenebiliyor. Bu durumda bu varlık sınıfını hem makine öğrenimi modelimizin eğitim süreçlerine dahil ediyor hem de Black & Litterman modelimizin parametre setlerini yeniden oluşturmamız gerekiyor. Bu sürecin sonunda da müşterimiz ile bir araya gelerek bir raporlama ve değerlendirme toplantısı gerçekleştiriyoruz.

Paylaştığımız bu bilgiler neticesinde bir gerçeğin sizler tarafından da anlaşılacağını umuyoruz: yapay zeka ve algoritma ile yönetilen fonlarda insan emeği hiçbir zaman sıfırlanmıyor. Süreçlerin kaliteli ilerlemesi ve başarının giderek artması için bu eforun çok önemli olduğunu düşünüyoruz. Varlık yönetiminde teknolojinin etkisinin giderek artmasını müşterilerimiz ve onların müşterileri için yarattığımız değer ile görmek bizleri her geçen gün motive etmeye devam ediyor. Bu değerin daha da artacağına olan inancımız sayesinde, Öneriver olarak çalışmalarımıza ve yapay zeka yatırımlarımıza devam edeceğiz.

Derginin tamamına ulaşmak için tıklayınız.