Trading için makine öğrenmesi: abartılan yanı ve işe yarayan yanı

💡 jeton düşme anı

ML tek başına bir strateji değil. Bir FİLTRE. Setup’ların zaten var (Janus sweep’leri). ML hangilerinin %55 değil %68 olasılığa sahip olduğunu tahmin eder. %68 olanları işle, %55 olanları atla. Avantaj budur.

🎯 Uygulama alıştırması: işlemleri süzmek için ML öznitelik mühendisliğini hayata geçir

Amaç: Mevcut setup’larını süzen ve seçici işlem alarak beklentiyi %10-15 iyileştiren bir ML modeli kur.

Bölüm 1: öznitelik mühendisliği (en önemli adım)

Geçmiş işlemlerinin her biri için bu öznitelikleri SİNYAL ANINDA hesapla (ileriye bakmak yok!):

Öznitelik seti şablonu (20+ öznitelik önerilir):

FİYAT ÖZNİTELİKLERİ:
1. VWAP uzaklığı (%): (fiyat - VWAP) / VWAP
2. 50 EMA uzaklığı (%): (fiyat - EMA50) / EMA50
3. ÖNCEKİ günün en yükseğine uzaklık (%): (öncekiYüksek - fiyat) / öncekiYüksek
4. ÖNCEKİ günün en düşüğüne uzaklık (%): (fiyat - öncekiDüşük) / öncekiDüşük

MOMENTUM ÖZNİTELİKLERİ:
5. RSI (14): 0-100 arası değer
6. ADX (14): trend gücü
7. +DI / -DI oranı: yön göstergesi
8. Rate of Change (10): son 10 mumdaki fiyat değişimi

VOLATİLİTE ÖZNİTELİKLERİ:
9. ATR / fiyat oranı: normalize volatilite
10. Bollinger bant genişliği %: (üst - alt) / orta
11. Son dönemdeki aralık genişlemesi: güncel ATR / 20 periyotluk ortalama ATR

HACİM ÖZNİTELİKLERİ:
12. Hacim ile ortalama karşılaştırması: güncel / 20 periyotluk ortalama
13. CVD (kümülatif hacim deltası): net alım baskısı
14. VWAP ile POC arasındaki uzaklık: adil değerle uyum

ZAMAN ÖZNİTELİKLERİ:
15. Günün saati: açılıştan bu yana geçen dakika (0-390 olarak normalize et)
16. Haftanın günü: pzt=1, cum=5
17. Son sinyalden bu yana geçen süre: dakika

REJİM ÖZNİTELİKLERİ:
18. VIX seviyesi: güncel VIX değeri
19. Rejim skoru: ADX + ATR + bant genişliği bileşimi
20. DXY değişimi %: makro rüzgâr lehte mi aleyhte mi

SENİN ÖZNİTELİKLERİN (50+ geçmiş işlem için hesapla):
İşlem 1: [öznitelik 1: ___, öznitelik 2: ___, ..., öznitelik 20: ___, sonuç: kazanç/kayıp]
İşlem 2: [...]

Bölüm 2: eğitim/test bölmesi (YALNIZCA zamana göre)

Zaman serisi verisini ASLA karıştırma. Kayan pencereler kullan:

ML walk-forward doğrulaması:

Pencere 1:
Eğitim: oca.-haz. 2023 (işlem 1-30)
Test: tem.-eyl. 2023 (işlem 31-40)
Model: Random Forest, max_depth=5
Testteki isabet: ___%
Testteki performans: ___%

Pencere 2:
Eğitim: nis.-eyl. 2023 (işlem 15-50)
Test: eki.-ara. 2023 (işlem 51-65)
Model: yeni pencerede yeniden eğit
Testteki isabet: ___%
Testteki performans: ___%

Pencere 3:
Eğitim: tem.-ara. 2023 (işlem 35-75)
Test: oca.-mar. 2024 (işlem 76-90)
Testteki isabet: ___%
Testteki performans: ___%

Ortalama test performansı: ___% başarı oranı
Tabanla karşılaştır (filtresiz): ___% başarı oranı
İyileşme: +___% (hedef: en az +10%)

Bölüm 3: model seçimi ve aşırı öğrenmeyi önleme

3 model dene. İşe yarayanların en basiti kazanır:

Kırmızı bayrak: Eğitimdeki isabet %90 ama testte %60 ise aşırı öğreniyorsun. Model karmaşıklığını azalt ya da daha çok veri ekle.

Bölüm 4: öznitelik önem analizi

Hangi öznitelikler gerçekten önemli? Modelin öznitelik önem skorlarını kullan:

Random Forest öznitelik önemi:

En önemli 10 öznitelik (önem skoruna göre):
1. VIX seviyesi: 0,18 (en önemlisi)
2. VWAP uzaklığı: 0,15
3. ADX: 0,12
4. Günün saati: 0,10
5. CVD: 0,09
6. RSI: 0,07
7. ATR oranı: 0,06
8. Hacim ile ortalama karşılaştırması: 0,05
9. Bant genişliği: 0,04
10. DXY değişimi: 0,03

Kuyruktaki öznitelikler (< 0,02): haftanın günü, son sinyalden bu yana geçen süre
→ Bu öznitelikleri çıkar (sinyal değil gürültü)

Sadeleştirilmiş model (yalnızca en önemli 6 öznitelik):
Testteki isabet: ___% (20 öznitelikli modelle karşılaştır)
Fark %2’nin altındaysa daha basit modeli kullan (daha az aşırı öğrenme)

Bölüm 5: güven eşikleriyle canlıya alma

TÜM tahminleri işleme sokma. Yalnızca yüksek güvenli olanları al:

Model çıktısı = olasılık (0,0 ile 1,0 arası)

Güven eşikleri:
Olasılık > 0,65 = yüksek güven (işlemi al)
Olasılık 0,45-0,65 = nötr (işlemi atla)
Olasılık < 0,45 = düşük güven (atla ya da tersine dön)

Eşiğe göre backtest sonuçları:
Tüm işlemler (filtresiz): %55 kazanma oranı, ortalama 0,5R
Güven > 0,60: ___% beklenti, ortalama ___R
Güven > 0,65: ___% beklenti, ortalama ___R
Güven > 0,70: ___% beklenti, ortalama ___R (daha az işlem)

En uygun eşik: 0,___ (isabeti değil beklentiyi en üst düzeye çıkar)

SENİN SONUÇLARIN:
ML filtresiyle alınan işlemler: ___ / toplam 100 sinyal
Başarı oranındaki iyileşme: ___% → ___% (+___%)
Beklentideki iyileşme: işlem başına ___ dolar → ___ dolar

Bölüm 6: izleme ve yeniden eğitim protokolü

ML modelleri zamanla bozulur. İzle ve yeniden eğit:

İzleme takvimi:

1-4. hafta: canlı performansı test tahminleriyle karşılaştırarak izle
Beklenen: %60 isabet
Gerçekleşen: ___% isabet
Sapma: ___% (< %5 sorun yok)

5-8. hafta: izlemeye devam et
Gerçekleşen: ___% isabet
Sapma: ___% (> %10 ise yeniden eğit)

Yeniden eğitim tetikleyicisi:
1. İsabet, test tabanının > %10 altına düşerse
2. Piyasa rejimi değişirse (VIX sıçramaları, yeni döngü)
3. En az 3 ayda bir (güncel veriyle tazele)

Yeniden eğitim süreci:
- Son 3 ayın yeni işlem verisini ekle
- Walk-forward doğrulamasını yeniden çalıştır
- Yeni modeli eskisiyle aynı test kümesinde karşılaştır
- Yalnızca yeni model %3 ya da daha fazla üstünse devreye al

Uygulama hedefi: Son 50-100 işlemini kullanarak 4-6 hafta içinde bir ML filtresi kur. 20 sinyal boyunca kâğıt üzerinde çalıştır. Örnek hedef: seçici süzme ile beklentiyi en az %10 iyileştirmek. Başarırsan, düşük olasılıklı setup’ları atlamana yardım ederek ML beklentini ölçülebilir biçimde yükseltmiş olur. Profesyoneller ML’i böyle kullanır: sihir olarak değil, avantajı sistematik biçimde güçlendiren bir araç olarak.