Algoritmik ticaret - sayfa 37
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Regresyon Teşhisi (FRM Bölüm 1 2023 – Kitap 2 – Bölüm 9)
Regresyon Teşhisi (FRM Bölüm 1 2023 – Kitap 2 – Bölüm 9)
Bu bölümde, regresyon teşhisini ve bunun regresyon modellerini analiz etmedeki önemini tartışacağız. Bağlam sağlamak için, tahvil ihraçlarının kredi notu değişikliklerini incelediğimiz varsayımsal bir senaryoyu ele alalım. Nakit akışları, kaldıraç oranları, liderlik faktörleri, faiz oranları ve daha fazlası gibi değişkenler dahil olmak üzere çeşitli tahvil ihraçları hakkında kapsamlı veriler topladık. Amacımız, Moody's, Standard & Poor's veya Fitch'in belirli bir tahvil ihracında kredi notunu değiştirip değiştirmeyeceğini belirlemektir. Bunu analiz etmek için, bağımlı değişken olarak varsayılan risk değişikliği ve daha önce bahsedildiği gibi bağımsız değişkenler ile çoklu bir regresyon modeli kullanıyoruz.
Başlangıçta, R-kare ve F-istatistik gibi metrikleri kullanarak genel model uyumunu değerlendirmek için Excel gibi bir yazılım tarafından üretilen regresyon çıktısını inceliyoruz. Bireysel eğim katsayılarının önemini de değerlendiriyoruz. Ancak, bu sonuçların büyük ölçüde sıradan en küçük kareler (OLS) modelinin varsayımlarına dayandığını kabul etmek çok önemlidir. Bu varsayımlar ihlal edilirse, regresyon çıktısından çıkarılan sonuçlar geçerli olmayabilir.
Bu bölüm, regresyon modellerinde ortaya çıkabilecek potansiyel sorunları anlamak ve ele almak için bir rehber olarak görülebilir. Uygun bir şekilde "Ne Olabilir?" Değişken varyans, çoklu bağlantı, çok az veya çok fazla bağımsız değişken, aykırı değerler ve en iyi doğrusal tarafsız tahminci (MAVİ) dahil olmak üzere regresyon sonuçlarının geçerliliğini etkileyebilecek çeşitli sorunları araştırıyoruz. Bu konuların her birini daha ayrıntılı olarak inceleyelim.
İlk endişemiz olan değişen varyans, regresyon modelindeki hata terimlerinin sabit varyansa (homoskedasite) sahip olduğu varsayımının ihlali anlamına gelir. Değişken varyans mevcut olduğunda, hata terimlerinin varyansı sabit değildir ve farklı gözlemler arasında değişir. Bağımsız değişken ile bağımlı değişken arasındaki ilişkiyi çizerken bunu bir koni şekli olarak görselleştirebiliriz. Bağımsız değişken arttıkça bağımlı değişkendeki değişkenliğin de arttığı anlamına gelir. Değişken varyans, model eksik olduğunda veya veri kümesi küçük olduğunda ve aykırı değerler içerdiğinde ortaya çıkabilir.
Heteroskedastisitenin sonuçları önemlidir. OLS tahmin edicileri etkinliklerini kaybederler, bu da daha küçük varyanslara sahip diğer tahmincilerin mevcut olduğu anlamına gelir. Bu verimsizlik, sırayla güven aralıklarını ve hipotez testini etkileyen yanlış standart hatalara yol açar. Sonuç olarak, bu testlerden çıkarılan sonuçlar yanıltıcı ve hatta tamamen yararsız olabilir. Değişken varyansı saptamak için, araştırmacılar başlangıçta değişkenler arasındaki ilişkiyi görsel olarak değerlendirmek için dağılım grafiklerini kullanabilirler. Bununla birlikte, hata terimlerinin doğrusal olmama durumunu açıklayan White testi gibi istatistiksel testler, değişen varyansın daha kesin bir değerlendirmesini sağlar. Değişken varyansın ele alınması, ağırlıklı en küçük kareler, veri dönüşümü (örneğin, logaritmik), tahminde ağırlıklar kullanılarak veya diğer uygun yöntemlerle elde edilebilir.
Çoklu bağlantıya geçersek, iki veya daha fazla bağımsız değişkenin yüksek oranda ilişkili olduğu bir durumla karşılaşırız. İdeal olarak, bağımsız değişkenler birbirinden bağımsız olmalıdır, ancak gerçekte, genellikle bir dereceye kadar korelasyon vardır. Bununla birlikte, değişkenlerin mükemmel bir şekilde doğrusal olarak ilişkili olduğu mükemmel çoklu bağlantı, ciddi bir sorun teşkil edebilir. Bu gibi durumlarda, eşdoğrusal değişkenlerden biri, temelde aynı oldukları için bırakılmalıdır. Eksik çoklu bağlantı, bağımsız değişkenler orta derecede veya güçlü bir şekilde ilişkili olduğunda ancak mükemmel olmadığında ortaya çıkar. Bağımsız değişkenler arasındaki yüksek korelasyonlar, çoklu bağlantının varlığını düşündürür. Bununla birlikte, değişkenler bir dereceye kadar rasgele ilişkilendirilebileceğinden, yüksek korelasyonun olmaması, yokluğunu garanti etmez.
Çoklu bağlantının sonuçları iki yönlüdür. Birincisi, tahminler yansız kalırken varyans ve standart hatalar artar.
Alakasız değişkenlerin bir regresyon modeline dahil edilmesi, aşırı spesifikasyon sorunu olarak bilinir. Bu, bağımlı değişkenle gerçek bir ilişkisi olmayan bağımsız değişkenler eklediğimizde ortaya çıkar. Bu tür değişkenlerin dahil edilmesi, yanlı tahminlere ve kaynakların verimsiz kullanımına yol açabilir.
Öte yandan, yetersiz spesifikasyon sorununu da dikkate almamız gerekiyor. Bu, önemli bağımsız değişkenler modelden çıkarıldığında gerçekleşir. Daha önce tartıştığımız gibi, ilgili bir değişkeni atlamak taraflı ve tutarsız tahminlere yol açabilir.
Aşırı spesifikasyon ve yetersiz spesifikasyon konularını ele almak için, regresyon modelimize dahil edilecek değişkenleri dikkatlice seçmemiz gerekir. Bu seçim süreci teoriye, ön bilgiye ve ampirik kanıtlara dayanmalıdır. Değişkenler ve bağımlı değişken arasındaki temel ekonomik veya teorik ilişkileri dikkate almak önemlidir.
Regresyon analizinde ortaya çıkan bir diğer konu da aykırı değerlerin varlığıdır. Aykırı değerler, verilerin genel modelinden önemli ölçüde sapan uç değerlerdir. Bu aykırı değerler, tahmin edilen katsayıları ve modelin genel uyumunu etkileyerek regresyon sonuçları üzerinde önemli bir etkiye sahip olabilir.
Aykırı değerleri ele almak için birkaç yaklaşım vardır. Yaygın bir yöntem, veri kümesinden aykırı değerleri belirlemek ve kaldırmaktır. Bu, dağılım grafiğini görsel olarak inceleyerek veya Mahalanobis mesafesi veya öğrenci artıkları gibi istatistiksel teknikler kullanılarak yapılabilir.
Alternatif olarak, aykırı değerler önemli bilgiler taşıyan etkili gözlemlerse, bunları analizde tutmayı seçebilir, ancak aşırı değerlerden daha az etkilenen sağlam regresyon yöntemleri uygulayabiliriz.
Son olarak en iyi lineer yansız tahminci (MAVİ) kavramına değinelim. MAVİ, OLS tahmincisinin hem tarafsız olmasını hem de tüm doğrusal tarafsız tahminciler arasında en küçük varyansa sahip olmasını sağlayan arzu edilen bir özelliğidir.
OLS tahmincisi, doğrusallık, bağımsızlık, eş varyans ve çoklu doğrusallığın yokluğu varsayımları dahil olmak üzere klasik doğrusal regresyon modelinin varsayımları altında MAVİ özelliğini elde eder. Bu varsayımların ihlal edilmesi, daha önce tartıştığımız gibi yanlı ve verimsiz tahminlere yol açabilir.
Regresyon teşhisiyle ilgili bölüm, regresyon analizinde ortaya çıkabilecek olası sorunları tanımlamaya ve ele almaya odaklanır. Bu problemler arasında değişen varyans, çoklu bağlantı, atlanan değişken yanlılığı, aşırı spesifikasyon, yetersiz spesifikasyon ve aykırı değerler bulunur. Bu konuları anlayarak ve uygun teknikleri kullanarak, regresyon sonuçlarımızın güvenilirliğini ve geçerliliğini sağlayabiliriz.
Makine öğrenimi Yöntemleri – Bölüm A (FRM Bölüm 1 2023 – Kitap 2 – Nicel Analiz – Bölüm 14)
Makine öğrenimi Yöntemleri – Bölüm A (FRM Bölüm 1 2023 – Kitap 2 – Nicel Analiz – Bölüm 14)
Selamlar, ben Jim ve nicel analiz ve makine öğrenimi yöntemleriyle ilgili kitabın 1. Kısmını tartışmak istiyorum. Bu bölüm, Bölüm A'da kapsanan kavramları keşfetmeyi ve makine öğreniminin alaka düzeyini ve önemini vurgulamayı amaçlamaktadır.
Okumanın yapısını ele alarak başlayalım. A ve B olmak üzere iki bölüme ayrılmıştır ve B Bölümü yakın gelecekte ele alınacaktır. Amaç, Bölüm A'da edinilen bilgileri temel alarak kapsamlı bir makine öğrenimi anlayışı sağlamaktır. Bölüm A'yı tamamlamanın, Bölüm B'yi keşfederek öğrenmeye devam etmeniz için size ilham vermesi umulmaktadır.
Bu okumayı klasik ekonometri teorisinin bir uzantısı olarak görmek cazip gelse de, makine öğrenimi bunun çok ötesine geçiyor. Makine öğrenimi, kendine özgü özellikleri ve uygulamaları ile ayrı bir alanı temsil eder. Bu noktayı açıklamak için basit bir örnek paylaşmama izin verin.
2023'te NBA taraftarları, LeBron James'in tüm zamanların kariyer skor lideri olarak Kareem Abdul-Jabbar'ı geçeceğini fark edebilir. Şimdi kendimizi, bu olağanüstü yetenekli oyunculardan hangisinin skor rekorunu daha verimli ve etkili bir şekilde elde ettiğini belirlemek isteyen hevesli NBA hayranları olarak hayal edelim. Bunu yapmak için, LeBron'un hareketleri ve Kareem'in imzası olan Skyhook şutu dahil olmak üzere her ayrıntıyı titizlikle kaydederek oyunları hakkında büyük miktarda veri topluyoruz. Topladığımız değişkenlerin sayısı trilyonlara ulaşabilir.
Bu verileri klasik ekonometrik teori kullanarak analiz edecek olsaydık, regresyon analizi kullanabilir ve standart sapmaları ve standart hataları hesaplayabilirdik. Ancak, bir trilyon veri noktasıyla uğraşırken, bu tür hesaplamalar pratik olmaz. Yaklaşık 316.000 olan bir trilyonun kareköküne bölmek, hipotez testini etkisiz kılan çok küçük bir sayıyla sonuçlanır.
Makine öğreniminin devreye girdiği yer burasıdır. Makine öğrenimi, klasik ekonometrik teorinin dayattığı sınırlamalar olmadan çok büyük miktarda veriyi işlememize olanak tanır. Makine öğreniminin uygulamaları, görüntü tanıma ve tıbbi araştırmalardan oyun teorisine ve finansal varlık tahsisine kadar çok geniştir.
Makine öğrenimi üç türe ayrılabilir: denetimsiz, denetimli ve pekiştirmeli öğrenme. Denetimsiz öğrenme, önceden tanımlanmış etiketler olmadan veri modellerini keşfetmeyi içerirken, denetimli öğrenme, modelleri eğitmek için etiketlenmiş verileri kullanır. Takviyeli öğrenme, bir temsilcinin dinamik bir ortamdan öğrenmesini sağlayarak, koşulların zaman içinde değiştiği risk yönetimi için onu özellikle değerli kılar.
Makine öğrenimi muazzam bir potansiyele sahip olsa da benzersiz zorluklar da sunar. İlk dört öğrenme hedefinde, makine öğrenimi teknikleri ile klasik ekonometri arasındaki farkları tartışacağız. Temel bileşenler, K-ortalamaları kümeleme ve denetimsiz, denetimli ve takviyeli öğrenme modelleri arasındaki farklar gibi kavramları derinlemesine inceleyeceğiz.
Klasik ekonometride sağlam bir teorik temel oluşturmak, modelleri etkili bir şekilde uygulamak için çok önemlidir. Klasik ekonometri, değişkenler arasındaki doğrusal ilişkiler ve nedenselliğin varlığı gibi belirli varsayımlar altında çalışır. Buna karşılık makine öğrenimi, doğrusal olmayan ilişkilere ve daha büyük miktarlarda veriye izin vererek daha esnek bir çerçeve sağlar.
Verileri makine öğrenimi algoritmalarına uygun hale getirmek için onu ölçeklendirmemiz ve önceden işlememiz gerekir. Bu, verilerin karşılaştırılabilir olmasını ve altta yatan bilgileri doğru bir şekilde temsil etmesini sağlamak için standardizasyon veya normalleştirmeyi içerir. Ek olarak, makine öğrenimi algoritmalarını ve çıktılarını anlamak, sonuçları değerlendirmek ve gerekli ayarlamaları yapmak için çok önemlidir.
Makine öğrenimi, görüntü tanıma, güvenlik seçimi, risk değerlendirmesi ve oyun oynama gibi çeşitli durumlarda fayda sağlar. Makine öğrenimi tekniklerinden yararlanarak, karmaşık sorunların üstesinden gelebilir ve büyük ve çeşitli veri kümelerinden anlamlı içgörüler elde edebiliriz.
Şimdi, e-posta sağlayıcımla ilgili olarak, spam'i belirleme konusunda yeterliliğe sahip değil. XYZ 627 at 337-1414 dot bir şey gibi kaynaklardan gelen aşırı derecede spam içeren e-postaları yalnızca spam olarak sınıflandırır. Odağımızı denetimli öğrenme türlerine kaydıralım. İlk tip, daha önce LeBron ve Kareem bağlamında bahsettiğim sınıflandırmadır. Verileri varsayılan veya varsayılan olmayan gibi farklı sınıflara ayırmayı içerir. Denetimli öğrenme aynı zamanda regresyon analizini de kapsar. Denetimli öğrenme algoritmalarının bazı örnekleri, K-en yakın komşu, karar ağaçları, sinir ağları ve destek vektör makinelerini içerir. Bu algoritmalar bir sonraki okumada daha ayrıntılı olarak incelenecektir.
Şimdi üçüncü tür öğrenmeyi inceleyelim: pekiştirmeli öğrenme. Daha önce de belirttiğim gibi, pekiştirmeli öğrenme deneme yanılmaya benzer, satranç klasik bir örnektir. Bu tür öğrenmede, öğrenme sistemini temsil eden, çevre ile etkileşime giren, kararlar alan ve sonuçlardan öğrenen bir etmen vardır. Ajan, istenen davranış için ödüller ve istenmeyen davranışlar için cezalar alır. Amacı, ödülleri en üst düzeye çıkarmak ve cezaları en aza indirmek, sürekli olarak öğrenmek ve performansı iyileştirmektir. Etmen çevreyi yorumlar, algılar oluşturur ve bunlara göre hareket eder.
Takviyeli öğrenme döngüsel bir şekilde çalışır, sürekli yinelenir ve değişen ortamlara uyum sağlar. Ödüller ve cezalar gelişen ortamı yansıtmalıdır. Örneğin, bir ajan kılık değiştirerek bir yüz tanıma sistemini aldatmaya çalışırsa ancak yüzü iyi gizlenmediği için yakalanırsa, aşırı derecede cezalandırılmak yerine kendisine bir şans daha verilmelidir. Aracı, eylemlerini optimize etmek için hem hatalardan hem de başarılardan ders alır.
Bu süreci görselleştirmek için çevreyi temsil eden mavi bir kutu hayal edin. Algoritmanın içinde yaşayan bir insan olarak antropomorfize edilen etmen, bu ortamda yolunu bulmakta ve deneme yanılma yolunu izleyerek daha zeki olmaya çalışmaktadır. Temsilcinin değişen ortamdaki deneyimleri, öğrenme sürecini şekillendirir. Amaç, ilgi çekici bir sınav sorusu sunan ödülleri en üst düzeye çıkarmak ve cezaları en aza indirmektir.
Şimdi temel bileşen analizini (PCA) inceleyelim. Bu teknik, boyutluluklarını azaltarak karmaşık veri kümelerini basitleştirir. PCA, bir veri kümesindeki en önemli değişkenlerin belirlenmesine yardımcı olarak modellerin daha iyi yorumlanabilirliğine yol açar. Süreç, bir eğitim veri setinin hiperdüzlem olarak da bilinen daha düşük boyutlu bir alana yansıtılmasını içerir. Verilerin standartlaştırılması veya normalleştirilmesi ve kovaryans matrisinin hesaplanması ile başlar. Ardından, istenen boyuta göre en üstteki ana bileşenler seçilir. Veriler daha sonra bu azaltılmış alana yansıtılır ve en çok varyans yakalanır. Bu analiz, araştırmacıların verileri açıklamada hangi değişkenlerin en önemli olduğunu belirlemelerine olanak tanır.
Bir başka ilgi çekici konu da denetimsiz öğrenme kapsamına giren kümelemedir. Kümelemenin amacı, veri noktalarını bir merkeze benzerliklerine göre gruplamaktır. Algoritma, rastgele K merkezini atayarak başlar ve ardından her veri noktasını en yakın merkeze atayarak K kümesi oluşturur. Kare mesafelerin toplamını en aza indirmek için yinelemeli olarak veri noktalarını yeniden atamaya ve merkezleri ayarlamaya devam eder. Kümelemenin kalitesi değişebilir, bazı kümeler diğerlerinden daha iyi tanımlanır. Optimal küme sayısını (K) bulmak ve kümeleme sürecini iyileştirmek esastır.
Bu çeşitli öğrenme teknikleri, verileri analiz etmek ve yorumlamak için değerli araçlar sunar, çeşitli çalışma alanlarında örüntü tanıma, karar verme ve optimizasyon sağlar. Klasik ekonometri sağlam bir temel sağlarken, makine öğrenimini benimsemek, geleneksel yöntemlerin sınırlamalarının üstesinden gelmemizi ve çok çeşitli uygulamaları keşfetmemizi sağlıyor.
Makine öğrenimi Yöntemleri – Bölüm B (FRM Bölüm 1 2023 – Kitap 2 – Nicel Analiz – Bölüm 14)
Makine öğrenimi Yöntemleri – Bölüm B (FRM Bölüm 1 2023 – Kitap 2 – Nicel Analiz – Bölüm 14)
Selam! Ben Jim, 'Kantitatif Analiz ve Makine Öğrenimi Yöntemleri' başlıklı Birinci Bölüm, İkinci Kitap'ın içeriğini tartışmak için buradayım. Özellikle, Kısım B'ye odaklanacağız. Bir önceki videoda ilk dört öğrenme hedefini ele aldık ve bugün sonraki dört hedefi inceleyeceğiz.
Devam etmeden önce birkaç yorum yapmak istiyorum. Fark ettiyseniz bu videoda saçlarım daha kısa. Karım dün gece bana bedava saçımı kestirdi, o yüzden lütfen görünüşümdeki değişikliği bağışlayın. Şimdi makine öğrenimi hakkındaki tartışmamıza devam edelim.
Hepimizin bildiği gibi, makine öğrenimi çok büyük miktarda veriyle çalışmayı içerir. Bölüm A'da, bu sayı yalnızca mecazi olmasına rağmen, trilyonlarca veri noktasıyla ilgilenme kavramını tartıştık. Ana fikir, makine öğrenimi algoritmalarında kullanabileceğimiz çok miktarda veriye erişimimiz olduğudur. Örneğin, bu sabah türev menkul kıymetler sınıfımda, opsiyon fiyatlandırmasını ve faiz oranları gibi faktörlerin bunu nasıl etkilediğini inceledik. Son 50 yılın reel faiz oranları, risksiz faiz oranları, likidite primleri, temerrüt risk primleri ve vade risk primleri gibi halka açık çeşitli veri noktalarını analiz ettik. Tüm bu veri noktaları, değerli bilgiler elde etmek için makine öğrenimi algoritmalarına dahil edilebilir.
Bölüm A'da, kümeleme, boyutluluk azaltma ve ana bileşen analizi gibi konuları ele aldık. Tüm bu tekniklerin arkasındaki nihai amaç, gerçek dünyayı doğru bir şekilde temsil eden modeller geliştirmektir. Ancak, ele almamız gereken bazı zorluklar var.
Okumanın ikinci kısmı, fazla uydurma ve yetersiz uydurma kavramlarını tartışıyor. Aşırı uyum, bir modele çok fazla karmaşıklık sığdırmaya çalıştığımızda ortaya çıkar. Bunu örneklendirmek için babamın bana trafiği anlatırken kullandığı bir benzetmeyi paylaşayım. 'Bir kiloluk bir torbaya beş kiloluk kaya sığmaz' derdi. Benzer şekilde, bir modeli gereğinden fazla uydurduğumuzda, çok fazla ayrıntı ve gürültü eklemeye çalışırız, bu da sonuçta düşük performansa ve güvenilmez tahminlere yol açar. Eğitim verilerinde düşük tahmin hatası elde edebilsek de, model yeni verilere uygulandığında muhtemelen yüksek tahmin hatasına sahip olacaktır. Aşırı uydurmayı ele almak için, özelliklerin veya parametrelerin sayısını azaltmayı içeren karmaşıklığını azaltarak modeli basitleştirebiliriz. Ek olarak, bir sonraki okumada inceleyeceğimiz düzenlileştirme ve erken durdurma tekniklerini kullanabiliriz.
Öte yandan, bir model verilerdeki temel kalıpları yakalayamayacak kadar basit olduğunda yetersiz uyum meydana gelir. Bu, hem eğitim hem de yeni veri kümelerinde düşük performansa ve yüksek tahmin hatalarına neden olur. Yetersiz uyumun üstesinden gelmek için, daha fazla özellik veya parametre ekleyerek modelin karmaşıklığını artırmamız gerekir. Klasik ekonometride, daha fazla bağımsız değişken eklemek, çoklu bağlantı sorunlarına yol açabilir. Ancak, makine öğreniminde, karmaşıklığı artırmak için bağımsız değişkenler arasındaki etkileşimleri kucaklayabiliriz.
Yanlılık ve varyans arasında bir denge kurmak için, model basitliği ile tahmin doğruluğu arasındaki ödünleşimi dikkate almalıyız. Önyargı, karmaşık bir modele daha basit bir modelle yaklaşarak ortaya çıkan hatayı ifade eder. Dart tahtası benzetmesinde, tüm dartlar tutarlı bir şekilde aynı noktaya inerse sapma yüksek olur. Varyans ise modelin küçük dalgalanmalara ne kadar duyarlı olduğunu ölçer. Dart tahtası benzetmesinde, dartlar her yere dağıldığında yüksek varyans oluşur. Amacımız, model için en uygun karmaşıklık düzeyini bulmayı gerektiren temel kalıpları yakalarken varyansı en aza indirmektir.
Bu oturumda, makine öğrenimi ve veri işlemenin önemli yönlerini inceleyeceğiz. Makine öğrenimi bağlamında, girdi verileri ile istenen çıktı arasındaki ilişkileri anlamak çok önemlidir. Bunu başarmak için bir eğitim veri seti kullanıyoruz. Ek olarak, modelimizin performansını değerlendirmek için bir doğrulama seti ve örnek dışı verilerle etkinliğini incelemek için bir test veri seti kullanıyoruz.
Bununla birlikte, makine öğrenimindeki en büyük zorluk, gereken büyük miktarda eğitim verisi nedeniyle test verilerinin azlığıdır. Bu nedenle, verileri akıllıca tahsis etmek önemlidir. Araştırmacılar, verileri üç örneğe nasıl ayıracaklarını belirleyebilirler: eğitim, doğrulama ve test. Genel bir kural, verilerin üçte ikisini eğitim için tahsis ederken kalan üçte birini doğrulama ve test arasında eşit olarak bölmektir. Bu dağıtım, her setin marjinal maliyetini ve faydasını dengeler.
Verilerin belirli bir zamanda farklı varlıklar üzerinde toplandığı kesitsel veriler söz konusu olduğunda, rasgele bir bölme yeterlidir. Ancak, zaman içindeki veri noktalarını yakalayan zaman serisi verileriyle uğraşırken, ek hususlar devreye girer. Zaman serisi verileri, eğitim setinden başlayıp sonraki setlere doğru ilerleyen kronolojik bir sıralama gerektirir.
Genel veri kümesi ayrı eğitim, doğrulama ve test kümeleri tahsis etmek için yetersiz olduğunda çapraz doğrulama teknikleri devreye girer. Bu gibi durumlarda, araştırmacılar eğitim ve doğrulama setlerini birleştirebilir. Popüler bir yaklaşım, veri setinin belirli sayıda kıvrıma veya alt kümeye bölündüğü k-katlı çapraz doğrulamadır. Kat sayısı için yaygın seçenekler 5 ve 10'dur, ancak belirli gereksinimlere göre diğer değerler de araştırılabilir.
Daha önce kısaca tartıştığımız pekiştirmeli öğrenme, verileri işleyerek öğrenen bir etmeni içerir. Bu senaryoda aracı, bilinçli kararlar vermek için müşteri kredisi başvuruları gibi geçmiş verileri işler. Temsilci, ödeme yapma olasılığı yüksek olan müşterilere borç para vermeyi ve temerrüde düşebilecek müşterilerin başvurularını reddetmeyi amaçlar. Temsilci geçmiş kararlardan ders alır, doğru kararlar için ödüller alır ve hatalar için cezalandırılır. Aracının karar verme sürecini bir dizi eylem ve ödül aracılığıyla güncelleyerek, kredi onayı ve faiz oranı belirleme gibi kararları optimize etmek için bir algoritma geliştirilebilir.
Takviyeli öğrenme süreci ayrıca iki yönteme ayrılabilir: Monte Carlo ve zamansal fark. Bu yöntemler, karar verme sürecini nasıl güncellediklerine göre farklılık gösterir. Monte Carlo yöntemi, kararların beklenen değerini değerlendirir ve ödüllere ve bir öğrenme sabitine (alfa) dayalı olarak karar değerlerini günceller. Öte yandan, zamansal fark yöntemi, mevcut ve gelecekteki beklenen değerler arasındaki farkı hesaplar ve buna göre karar değerlerini günceller.
Okumada tartışılan örnekler, makine öğreniminin pratik uygulamalarını göstermektedir. Bu uygulamalar, ticaret ve dolandırıcılık tespitinden kredi puanlamaya, risk yönetimine ve portföy optimizasyonuna kadar uzanır. Takviyeli öğrenme ve Monte Carlo veya zamansal fark yöntemlerini kullanarak, temsilciler gerçek zamanlı olarak bilinçli kararlar alabilir ve finansal karar vermenin çeşitli yönlerini geliştirebilir.
Sonuç olarak, makine öğreniminin ve veri işlemenin inceliklerini anlamak, bu teknikleri çeşitli alanlarda etkin bir şekilde kullanmak için çok önemlidir. Uygun veri alt bölümü, düşünceli tahsis ve takviyeli öğrenme yöntemlerinin uygulanması, karmaşık senaryolarda bilinçli ve optimize edilmiş sonuçlar sağlayarak karar verme süreçlerini önemli ölçüde iyileştirebilir.
Özetlemek gerekirse, makine öğrenimi modelleri oluştururken önyargı ve varyans arasında doğru dengeyi sağlamaya çalışıyoruz. Amacımız, aşırı karmaşık veya çok basit olmadan gerçeği doğru bir şekilde yansıtan modeller oluşturmaktır. Fazla uydurma ve yetersiz uydurmanın zorluklarını anlayarak ve ele alarak, modellerimizin performansını ve tahmin doğruluğunu artırabiliriz.Makine Öğrenimi ve Tahmin – Bölüm A (FRM Bölüm 1 2023 – Kitap 2 – Bölüm 15)
Makine Öğrenimi ve Tahmin – Bölüm A (FRM Bölüm 1 2023 – Kitap 2 – Bölüm 15)
Merhaba, ben Jim ve size kitabın 'Kuantitatif Analiz ve Makine Öğrenimi ve Tahminin Rolü' başlıklı 1. Kısmını anlatacağım. Bu bölümde, Kısım A'nın ilk üç öğrenme hedefine odaklanacağız. Ayrıntılara dalmadan önce, hem Kısım A hem de Kısım B'yi içeren önceki okumayı hızlıca özetlememe izin verin. klasik regresyon analizi ve makine öğrenimi gibi alternatif modeller gerektiğinde tartışılır. Makine öğrenimi, klasik ekonometrik modellerin kısıtlayıcı varsayımları olmadan büyük veri kümelerini işlememize olanak tanır.
Ayrıca fazla uydurma ve yetersiz uydurma kavramlarını ve basitleştirme ve karmaşıklaştırma ile ilgili zorlukları tartışmak için oldukça zaman harcadık. Bu okumada, bu tartışmalar üzerine inşa edeceğiz ve daha önce ele alınmayan ek teknikleri keşfedeceğiz. Bu okumanın ilk üç öğrenme hedefi, doğrusal regresyon, lojistik regresyon ve Ridge ve Lasso'dur.
Doğrusal regresyon, değişkenler arasında bir ilişki kurduğumuz tanıdık bir kavramdır. Ancak 0 ile 100 arasındaki olasılıkları tahmin etmemiz gerektiğinde lineer regresyon uygun olmayabilir. Bu gibi durumlarda lojistik regresyon devreye girer. Lojistik regresyon, bir müşterinin bir krediyi geri ödeyip ödemeyeceği veya temerrüde düşüp düşmeyeceği gibi ikili sonuçlara sahip değişkenleri modellememize izin verir. Doğrusal regresyondan farklı olarak, lojistik regresyon, ikili sınıflandırmayı etkinleştirerek 0 ila 1 arasında geçerli bir aralıkta olasılıklar sağlar.
Ardından, düzenlileştirme tekniklerini, özellikle Ridge ve Lasso'yu tartışacağız. Düzenli hale getirme, modellerimizin karmaşıklığını azaltarak veya karmaşıklığını azaltarak ele alınmasına yardımcı olur. Bu tekniklerin doğrusal regresyonun sınırlamalarını azaltmak için nasıl kullanılabileceğini keşfedeceğiz.
Bu kavramları daha iyi anlamak için doğrusal regresyonu tekrar gözden geçirelim. Sıradan en küçük kareler regresyonu, bağımsız ve bağımlı değişkenler arasında doğrusal bir ilişki varsayar ve veri noktaları ile varsayımsal bir çizgi arasındaki mesafeyi en aza indirir. Bununla birlikte, makine öğreniminde, çok sayıda olmaları nedeniyle bu değişkenleri bağımlı ve bağımsız değişkenler yerine özellikler olarak adlandırırız.
Çoklu doğrusal regresyon, bu kavramı birden çok bağımsız değişken içerecek şekilde genişletir ve bir kesişim (alfa), eğim (beta) ve karşılık gelen bağımsız değişkenler (x1, x2, vb.) içeren bir modelle sonuçlanır. Amaç, gerçek ve tahmin edilen değerler arasındaki farkı temsil eden artık kareler toplamını (RSS) en aza indirmektir. Doğru tahminler için çabalasak da, gerçek dünya senaryolarında %100 doğruluk elde etmek neredeyse imkansızdır.
Lojistik regresyonun devreye girdiği yer burasıdır. Lojistik regresyon, doğrusal bir ilişkiyi zorlamak yerine, çıktıyı bir sigmoid eğrisine dönüştürür ve olasılıkların 0 ila 1 aralığında olmasını sağlar. Doğal logaritmanın (e) tabanını kullanarak şunları yapabiliriz: bileşik faiz oranları gibi gelecekteki değerleri hesaplayın. Lojistik regresyon, değişkenler arasındaki ilişkiyi modellemek için maksimum olabilirlik tahminini kullanır. Denklemin her iki tarafının logaritmasını alarak, tahmin sürecini basitleştirerek lojistik regresyon modelini elde ederiz.
Lojistik regresyonun avantajlarından biri yorumlama kolaylığıdır. İkili sonuçları ele alır ve olasılıklar sağlayarak kredi temerrütlerini veya borsa trendlerini tahmin etmek gibi çeşitli uygulamalar için kullanışlı hale getirir. Bununla birlikte, lojistik regresyonun aşırı uyum potansiyeli ve çoklu bağlantı sorunları gibi sınırlamaları da vardır. Ek olarak, çıktı 0 ile 1 arasındaki olasılıklarla sınırlıdır ve %114 gibi mantıksız değerlerin olasılığını ortadan kaldırır.
Lojistik regresyonu göstermek için, kredi temerrüdünün öngörücüleri olarak kredi puanı ve borç-gelir oranını içeren bir örneği ele alalım. 500 müşteriden alınan verileri analiz ederek, lojistik regresyon modelini kullanarak temerrüt olasılıkları üretebiliriz.
Bir kişinin emekli olup olmadığı gibi kategorik değişkenlere doğrudan sayısal etiket atanamaz. Bu nedenle, bu değişkenleri modelde temsil etmek için haritalama, yapay değişkenler oluşturma veya sıralı kategorileştirme gibi kodlama teknikleri kullanırız.
Kategorik değişkenleri kodlamak için yaygın bir yönteme eşleme denir. Bu yaklaşımda, bir değişkenin farklı kategorilerine sayısal etiketler atarız. Örneğin, "çalışıyor", "serbest meslek sahibi" ve "işsiz" kategorilerine sahip "istihdam_durumu" adlı bir kategorik değişkenimiz varsa, bu kategorileri temsil etmek için sırasıyla 1, 2 ve 3 gibi sayısal etiketler atayabiliriz. lojistik regresyon modelinde.
Başka bir yaklaşım, kukla değişkenler oluşturmaktır. Kukla değişkenler, kategorik bir değişkenin farklı kategorilerini temsil eden ikili değişkenlerdir. Her kategoriye, gözlem o kategoriye aitse 1, aksi takdirde 0 değerini alan ayrı bir kukla değişken atanır. Örneğin, "lise", "kolej" ve "yüksek lisans" kategorilerine sahip "eğitim_seviyesi" adlı kategorik bir değişkenimiz varsa, iki kukla değişken yaratırız: "kolej" ve "yüksek lisans okulu". Bu kukla değişkenler, gözlem ilgili kategoriye karşılık geliyorsa 1, aksi takdirde 0 değerini alacaktır.
Sıralı sınıflandırma, kategorik değişkenleri kodlamak için kullanılan başka bir tekniktir. Sıralarına veya sıralamalarına göre kategorilere sayısal etiketler atamayı içerir. Bu yaklaşım, kategorilerin doğal bir düzeni veya hiyerarşisi olduğunda uygundur. Örneğin, "düşük", "orta" ve "yüksek" kategorilerine sahip "memnuniyet_seviyesi" adlı bir değişkenimiz varsa, artan memnuniyet düzeyini temsil etmesi için 1, 2 ve 3 numaralı sayısal etiketler atayabiliriz.
Kategorik değişkenleri kodladıktan sonra, bunları lojistik regresyon modeline sayısal değişkenlerle birlikte dahil edebiliriz. Lojistik regresyon algoritması daha sonra her bir değişken için katsayıları tahmin ederek bunların ikili sonucun olasılığı üzerindeki etkisini gösterir.
Lojistik regresyona ek olarak, Ridge ve Lasso adlı düzenlileştirme tekniklerini de keşfedeceğiz. Normalleştirme, modeldeki fazla uydurma sorununu çözmek için kullanılır. Model, eğitim verilerinde parazit veya rastgele dalgalanmalar yakaladığında, görünmeyen verilerde düşük performansa yol açtığında aşırı uyum oluşur.
Ridge ve Lasso, regresyon modeline bir ceza terimi ekleyen iki popüler düzenlileştirme tekniğidir. Bu ceza terimi, değişkenlerin katsayılarını küçülterek veya azaltarak modelin karmaşıklığını kontrol etmeye yardımcı olur. Ridge regresyon, karesi alınmış katsayıların toplamıyla orantılı bir ceza süresi eklerken, Lasso regresyonu, katsayıların mutlak değerlerinin toplamıyla orantılı bir ceza süresi ekler.
Ridge ve Lasso regresyonu, bu ceza terimlerini tanıtarak, modeli eğitim verilerini iyi bir şekilde uydurma ve modelin karmaşıklığını kontrol altında tutma arasında bir denge bulmaya teşvik eder. Bu, fazla uydurmanın önlenmesine yardımcı olur ve modelin görünmeyen veriler üzerindeki genelleştirme performansını artırır.
Kitabın 1. Kısmında lineer regresyon, lojistik regresyon ve Ridge ve Lasso gibi düzenlileştirme tekniklerini ele alacağız. Bu yöntemlerin farklı veri türlerine nasıl uygulanabileceğini ve tahmin doğruluğunu nasıl geliştirebileceklerini keşfedeceğiz. Tartışılan örnekler ve kavramlar, nicel analizi ve makine öğreniminin tahmindeki rolünü anlamak için sağlam bir temel sağlayacaktır.
Makine Öğrenimi ve Tahmin – Bölüm B (FRM Bölüm 1 2023 – Kitap 2 – Bölüm 15)
Makine Öğrenimi ve Tahmin – Bölüm B (FRM Bölüm 1 2023 – Kitap 2 – Bölüm 15)
Merhaba, ben Jim. Kitabın kantitatif analize, özellikle de makine öğrenimi ve tahmine odaklanan ilk bölümünü tartışmak istiyorum. Bölüm B'de, karar ağaçları, toplu öğrenme ve sinir ağları gibi yeni kavramları inceleyeceğiz. Karar ağaçlarını tekrar gözden geçirerek başlayalım.Bir önceki bölümde, özellikle gömülü opsiyonlu tahviller için tahvil fiyatlarının hesaplanmasına yönelik karar ağaçlarını inceledik. Tahvil fiyatlandırması için karar ağacı, farklı kararları ve sonuçları temsil eden dalları ve düğümleri olan bir ağaç yapısına sahipti. Gömülü opsiyonlu tahviller için, tahvilin belirli bir faiz oranında çağrılıp çağrılmayacağına bağlı olarak her düğümde kararlar alındı.
Makine öğreniminde, karar ağaçları benzer bir yapıyı takip eder, ancak farklı bir yönelimle. Tahvil fiyatlandırmasında olduğu gibi yatay olarak dallanmak yerine, makine öğrenimindeki karar ağaçları yukarıdan aşağıya dikey olarak ilerler. Her düğümde, sonraki düğümlere yol açan ve sonunda bir karara veya sonuca ulaşan bir soru sorulur.
Faiz oranı ağacı dediğimiz, çağrılabilir bir tahvil için bir karar ağacı örneğini ele alalım. Bu durumda, sadece tahvilin belirli bir faiz oranında çağrılıp çağrılmayacağına karar vermemiz gerektiğinden, kararlar basitti. Ancak makine öğrenimi karar ağaçlarında kararlar, çeşitli faktörleri analiz eden ve daha karmaşık tespitler yapan algoritmalar tarafından belirlenir.
Tahvil fiyatlandırma modelleri genellikle makine öğrenimini içermese de, bir tahvilin temerrüde düşme olasılığını analiz edecek olsaydık, firmanın işletme nakit akışları, borç-özsermaye oranı, yönetim kalitesi ve ürün hatları gibi ek özellikleri dikkate almamız gerekirdi. . Bu karmaşıklık, geleneksel tahvil fiyatlandırmasındaki karar ağaçları ile makine öğrenimindekiler arasındaki farkı vurgular.
Makine öğrenimi karar ağaçlarında amacımız, bir girdinin sınıfını sınıflandırmak veya tahmin etmektir. Örneğin, bir firmanın kârlılığa ve serbest nakit akışına dayalı olarak temettü ödeyip ödemeyeceğini belirlemek isteyebiliriz. Birden fazla faktörü hesaba katmak için daha fazla dal ve düğüm gerektiğinden, bu özellikler karar ağacının karmaşıklığına katkıda bulunur.
Modele ek özellikler dahil edildiğinde karar ağaçlarının karmaşıklığı artar. Ağaçtaki her bölünmede, makine öğrenimi modeli hatalar yapabilir, bu da bizi Bilgi Kazanımı kavramına götürür. Bilgi Kazanımı, bir özelliğin hedef değişkeni tahmin etmedeki faydasını ölçer. Karar ağacındaki her bir özelliğin sağladığı belirsizlikteki azalmayı nicelleştirir.
Bilgi Kazanımı, Gini katsayısı veya entropi kullanılarak hesaplanabilir. Her iki önlem de benzer sonuçlar verir, bu nedenle birini kullanmanın diğerine göre önemli bir avantajı yoktur. Entropi bu bağlamda tartışılırken okuma materyali Gini katsayısını kapsadığından, her iki yaklaşımı da keşfetmenizi tavsiye ederim.
Entropinin hesaplanmasını göstermek için basit bir örnek ele alalım. Kredi kartı sahiplerinin temerrüde düşme, yüksek gelir ve geç ödemeler gibi verilerini içeren bir tablomuz var. Bu özelliklere göre bir kredinin temerrüde düşüp düşmeyeceğini belirlemek istiyoruz. Amaç, sınıflandırma ve tahmindir.
Entropi formülünü uygulayarak, verilen veriler için entropiyi hesaplıyoruz. Her sonucun olasılıklarını toplarız ve bu olasılıkların 2 tabanlı logaritmasını alırız. Bu örnekte, size sağladığımız entropi 0,954'tür.
Daha sonra ilk paylaşım olarak yüksek gelir özelliğini inceleyelim. Sekiz kredi kartı sahibinden dördünün gelirinin yüksek, geri kalan dördünün ise düşük gelire sahip olduğunu gözlemliyoruz. Geliri yüksek olanlardan ikisi temerrüde düştü, ikisi temerrüde düşmedi. Yüksek gelirli olmayan gruptan biri temerrüde düştü, üçü temerrüde düşmedi.
Her özellik için entropiyi hesaplayarak, yüksek gelir özelliği için entropinin 0,811 olduğunu buluyoruz. Bilgi kazancını belirlemek için, bu değeri ilk entropi olan 0,954'ten çıkarırız. Ortaya çıkan bilgi kazancı 0,143'tür.
Bu, yüksek gelir özelliğinin belirsizlik veya entropide 0,143'lük bir azalma sağladığını göstermektedir.
Karar ağacını oluşturmaya devam etmek için diğer özellikleri değerlendirmemiz ve bilgi kazanımlarını da hesaplamamız gerekiyor. Verileri farklı özniteliklere göre bölerek ve entropi ile bilgi kazancını hesaplayarak her bir özellik için işlemi tekrarlıyoruz.
Sırada geç ödemeler özelliğini ele aldığımızı varsayalım. Geç ödeme yapan dört kredi kartı hamilinden üçü temerrüde düştü, biri ödemedi. Geç ödeme yapmayanlar için herhangi bir temerrüt olmadı. Geç ödeme özelliği için entropiyi hesapladığımızda 0,811 olduğunu buluyoruz.
Geç ödeme özelliği için bilgi kazancı, entropisinin 0,954 olan ilk entropiden çıkarılmasıyla elde edilir. Bu nedenle, geç ödeme özelliği için bilgi kazancı, yüksek gelir özelliği ile aynı olan 0,143'tür.
Bu noktada iki özelliği değerlendirdik ve bilgi kazanımlarını belirledik. Şimdi, karar ağacımızda ilk bölme olarak hangisinin kullanılacağına karar vermek için bu özelliklerin bilgi kazancını karşılaştırmamız gerekiyor. Her iki özellik de aynı bilgi kazancına sahip olduğundan, başlangıç noktası olarak herhangi birini seçebiliriz.
İlk özellik seçildikten sonra, karar ağacı daha da dallanacak ve nihai bir karara veya sonuca ulaşana kadar işlemi kalan veri alt kümeleri için tekrarlayacağız. Amaç, her adımda bilgi kazanımını en üst düzeye çıkaran ve en doğru tahminleri veya sınıflandırmaları sağlayan bir karar ağacı oluşturmaktır.
Karar ağaçlarının çok karmaşık hale gelmeleri veya sınırlı verilerle eğitilmeleri halinde aşırı uyumdan zarar görebileceğini unutmamak önemlidir. Fazla uydurma, karar ağacı eğitim verilerinin gürültüsünü veya özelliklerini çok iyi öğrendiğinde ve yeni, görünmeyen verilere genellemede başarısız olduğunda ortaya çıkar.
Aşırı uydurmayı azaltmak için budama, düzenlileştirme ve çapraz doğrulama gibi teknikler kullanılabilir. Bu yöntemler, karar ağacını basitleştirmeye yardımcı olur ve aşırı karmaşık hale gelmesini önleyerek yeni veriler üzerinde doğru tahminler yapabilmesini sağlar.
Karar ağaçları, kitabın 1. Kısmında ele alınan makine öğreniminin yalnızca bir yönüdür. Bölüm 2'de keşfedeceğimiz toplu öğrenme ve sinir ağları gibi daha gelişmiş kavramları anlamak için bir temel sağlarlar.
Ben lisansüstü okuldayken, hocamız her zaman hatalardan öğrenmenin önemini vurgulardı ve buna "bozukluk terimi" adını verirdi. Beklenen değerleri sıfır olduğu için bu hataları göz ardı etmemenin değerini vurguladı. Başlangıçta bunları göz ardı edip kestirme yollara başvurmanın daha kolay olacağını düşünmüştüm ama zamanla bu hataları anlamanın ve bunlardan ders çıkarmanın önemini anladım.
Profesörümüz spordaki hatalardan ders almakla modellemedeki hatalardan ders almak arasında sık sık paralellikler kurardı. Gençlik günlerimdeki benim gibi sporcuların sahadaki performanslarını geliştirmek için nasıl hata yapacaklarını ve onlardan öğreneceklerini anlattı. Bu benzetme, bozucu terimlerden öğrenerek ve tahminlerimizi iyileştirerek aynı kavramı daha iyi modeller oluşturmak için uygulayabileceğimizi fark etmemi sağladı.
Arttırma, profesörümüzün açıkladığı gibi, iki biçimde gelir: uyarlanabilir artırma ve gradyan artırma. Uyarlanabilir güçlendirmede, en çok soruna neden olan rahatsızlık terimlerini belirler ve bunlardan öğrenmeye odaklanırız. Bu yaklaşım, zayıf bir modeli güçlü bir modele dönüştürmemize, önyargıları azaltmamıza ve doğruluğu artırmamıza yardımcı olur.
Öte yandan, gradyan artırma, önceden belirlenmiş bir eşik belirler ve algoritmayı ayarlayarak bu eşiği aşmayı amaçlar. Örneğin, temettü ödemelerini tahmin etmek için bir modelimiz varsa ve %75 doğruluk elde etmek istiyorsak, algoritmayı bu doğruluk düzeyine götüren kararlar alması için eğitiriz. Gradyan artırma, uyarlanabilir artırmanın genelleştirilmesine kıyasla daha spesifik bir yaklaşım gerektirir.
K en yakın komşu (KNN) yöntemine geçmek, benzerliklerini belirlemek için gözlenen değişkenler arasındaki mesafeyi ölçmeyi içerir. Grup bulmaya odaklanan kümelemeden farklı olarak, KNN komşuları arar ve özelliklerini analiz eder. KNN, yeni bir veri noktası ile komşuları arasındaki mesafeyi ölçerek, komşularının çoğunluk oyununa veya ağırlıklı ortalamasına dayalı olarak o noktanın sınıfını veya değerini tahmin eder.
KNN, hem sınıflandırma hem de regresyon görevlerine uygulanabilen basit ama güçlü bir algoritmadır. Altta yatan veri dağılımı hakkında varsayımlar gerektirmez, bu da onu parametrik olmayan bir yöntem yapar. Bununla birlikte, sınırlamaları vardır. Komşu sayısının (K) seçimi çok önemlidir, çünkü küçük bir K'nin seçilmesi fazla uydurma ile sonuçlanabilirken, büyük bir K'nin aşırı basitleştirilmesine neden olabilir. Ek olarak, KNN, her veri noktası için mesafelerin hesaplanmasını gerektirdiğinden, büyük veri kümeleri için hesaplama açısından pahalı olabilir.
Sinir ağları kavramı büyüleyicidir ve son yıllarda önemli ölçüde ilgi görmüştür. Sinir ağları, birbirine bağlı düğümlerden veya algılayıcılar adı verilen yapay nöronlardan oluşan insan beyninin yapısından ve işlevinden ilham alır. Bu algılayıcılar, sinir ağının karmaşık kalıpları öğrenmesine ve tahminler yapmasına izin vererek bilgiyi işler ve iletir.
Kitap, bir giriş katmanı, bir veya daha fazla gizli katman ve bir çıkış katmanından oluşan ileri beslemeli sinir ağı mimarisini tartışıyor. Her katman, bitişik katmanlara bağlı birden çok algılayıcıdan oluşur. Giriş katmanı, bir çıktı üretmeden önce her bir gizli katmanda dönüşümler ve hesaplamalardan geçen, daha sonra ağdan geçirilen ilk verileri alır.
Bir sinir ağını eğitmek, hata veya kayıp işlevini en aza indirmek için algılayıcıların ağırlıklarını ve önyargılarını ayarlamayı içerir. Bu işlem genellikle, hatanın gradyanlarını ağ parametrelerine göre hesaplayan ve bunları buna göre güncelleyen geri yayılım kullanılarak yapılır.
Sinir ağları, görüntü ve konuşma tanıma, doğal dil işleme ve öneri sistemleri gibi çeşitli uygulamalarda dikkate değer bir başarı göstermiştir. Ancak, hesaplama açısından yoğun olabilirler ve eğitim için büyük miktarda veri gerektirebilirler. Aşırı uyum, sinir ağları ile de ilgili olabilir ve bu sorunu çözmek için bırakma ve ağırlık azaltma gibi düzenlileştirme teknikleri kullanılır.
Bu, kitabın 1. Kısmında ele alınan konuların genel bakışını sonlandırır. Karar ağaçlarını, bilgi kazanımını, aşırı uydurmayı, artırmayı, KNN'yi ve sinir ağlarını tartıştık. Bu kavramlar, makine öğrenimini ve tahminini anlamak için sağlam bir temel sağlar.
Topluluğun öğrenmesi ve sinir ağları gibi daha gelişmiş kavramları keşfedeceğimiz kitabın bir sonraki bölümü olan 2. Bölüm'e geçelim.
Topluluk öğrenimi, tahminler veya sınıflandırmalar yapmak için birden fazla bireysel modeli birleştiren güçlü bir tekniktir. Toplu öğrenmenin arkasındaki fikir, birden çok modelin tahminlerini toplayarak, tek bir modelin tek başına başarabileceğinden daha iyi performans ve daha yüksek doğruluk elde edebileceğimizdir.
Bir popüler topluluk öğrenme yöntemine rastgele orman denir. Son bir tahmin yapmak için çoklu karar ağaçlarının tahminlerini birleştirir. Her karar ağacı, verilerin rasgele bir alt kümesi üzerinde eğitilir ve tahmin aşamasında, tüm ağaçların tahminlerinin ortalaması alınarak veya oylanarak nihai tahmin elde edilir.
Rastgele ormanlar çeşitli avantajlar sunar. Aşırı uydurmaya karşı dayanıklıdırlar ve iyi genelleme yeteneklerine sahip olma eğilimindedirler. Büyük veri kümelerini ve yüksek boyutlu özellik alanlarını etkin bir şekilde işleyebilirler. Ek olarak, rastgele ormanlar, özelliklerin önemi hakkında bilgi sağlayarak, altta yatan veriler hakkında fikir edinmemizi sağlayabilir.
Diğer bir toplu öğrenme yöntemi de daha önce kısaca bahsettiğimiz gradyan güçlendirmedir. Gradient boosting, her bir zayıf modelin önceki modellerin yaptığı hataları düzelttiği, topluluğa yinelemeli olarak zayıf modeller ekleyerek güçlü bir model oluşturur. Bu yinelemeli süreç, genel hatayı azaltır ve topluluğun tahmin gücünü geliştirir.
XGBoost ve LightGBM gibi gradyan artırma algoritmaları, çeşitli makine öğrenimi yarışmalarında ve gerçek dünya uygulamalarında etkili olmaları nedeniyle popülerlik kazanmıştır. Yapılandırılmış verileri işlemede mükemmeldirler ve özellikler arasındaki karmaşık kalıpları ve etkileşimleri yakalama yeteneğine sahiptirler.
Sinir ağlarına geçerken, mimarilerine ve eğitim süreçlerine daha önce değinmiştik. Sinir ağları, görüntü ve konuşma tanıma gibi örüntü tanımayı içeren görevlerde olağanüstü performans göstermiştir. Ayrıca zaman serisi analizine, doğal dil işlemeye ve diğer birçok alana da uygulanabilirler.
Sinir ağlarının bir alt kümesi olan derin öğrenme, birden fazla gizli katmana sahip sinir ağlarını eğitmeye odaklanır. Derin sinir ağları, her katmanın giderek daha soyut özellikleri öğrendiği, verilerin hiyerarşik temsillerini öğrenme yeteneğine sahiptir. Ham verilerden karmaşık özellikleri otomatik olarak çıkarma yeteneği, çeşitli alanlarda derin öğrenmenin başarısına katkıda bulunmuştur.
Evrişimli Sinir Ağları (CNN'ler), bir görüntüdeki pikseller arasındaki uzamsal ilişkilerden yararlandıkları için görüntü tanıma görevlerinde özellikle etkilidir. Tekrarlayan Sinir Ağları (RNN'ler), zamansal bağımlılıkları yakalayabildikleri için doğal dil işleme ve konuşma tanıma gibi sıralı veri analizi için yaygın olarak kullanılır.
Sinir ağlarının başarısının büyük ölçüde eğitim için büyük etiketli veri kümelerinin mevcudiyetine bağlı olduğunu belirtmekte fayda var. Ek olarak, derin sinir ağları genellikle önemli hesaplama kaynakları ve daha uzun eğitim süreleri gerektirir. Bununla birlikte, Grafik İşleme Birimleri (GPU'lar) ve özel donanım hızlandırıcıları gibi donanımdaki gelişmeler, derin sinir ağlarının eğitimini daha erişilebilir hale getirdi.
Kitabın 2. Kısmında ilerledikçe, topluluk öğreniminin inceliklerini, çeşitli sinir ağı mimarilerini, optimizasyon tekniklerini ve bu teknikleri gerçek dünya problemlerine uygulamak için pratik hususları keşfederek bu ileri konuların derinliklerine ineceğiz.
Faktör Teorisi (FRM Bölüm 2 2023 – Kitap 5 – Bölüm 1)
Faktör Teorisi (FRM Bölüm 2 2023 – Kitap 5 – Bölüm 1)
Bu metin, "Risk Yönetimi ve Yatırım Yönetimi"nin Beşinci Kitabı, İkinci Kısım'dan alınmıştır ve özellikle faktör teorisi üzerine olan bölüme odaklanmaktadır.
Metin, faktör teorisinin portföylerin ve bireysel hisse senetlerinin performansını etkileyen ortak faktörleri tanımlamayı amaçladığını açıklayarak başlar. Bu faktörler faiz oranlarını, piyasa hareketlerini, enflasyonu, GSYİH değişikliklerini ve daha fazlasını içerebilir. Yatırımcılar, bu faktörlerin farklı hisse senetlerini nasıl etkilediğini anlayarak portföyleri hakkında bilinçli kararlar alabilirler.
Bu bölüm, faktör teorisinin bireysel varlıklardan ziyade faktörlerin kendilerine odaklandığını vurgulamaktadır. Faiz oranları, enflasyon ve ekonomik büyüme gibi faktörlerin hisse senedi fiyatları üzerinde Apple veya Bank of America gibi belirli şirketlerden daha önemli bir etkisi vardır. Yatırımcıların bireysel varlıkların ötesine bakması ve getiri sağlayan temel risk faktörlerini belirlemesi gerekir.
Faktörler, getirinin nihai belirleyicileri olarak görülür ve varlıklar, faktör demetlerini temsil eder. Farklı yatırımcılar farklı tercihlere ve risk profillerine sahip olabileceğinden, bu bölüm korelasyonları, kopulaları ve optimal risk maruziyetini dikkate almanın önemini vurgulamaktadır.
Metin daha sonra Sermaye Varlıkları Fiyatlandırma Modeli'ne (CAPM) atıfta bulunarak tek faktörlü modeli tartışmaya devam eder. CAPM, sistematik risk (ekonomik faktörler nedeniyle hisse senedi getirilerindeki değişkenlik) ile beklenen getiriler arasındaki denge ilişkisini tanımlar. Model, ilgili tek faktörün piyasa portföyü olduğunu ve risk primlerinin, hisse senedinin piyasa hareketlerine duyarlılığının bir ölçüsü olan beta tarafından belirlendiğini varsayar.
Bölüm, rasyonel yatırımcıların riski azaltmak için portföylerini çeşitlendirdiğini açıklamaktadır. Ancak, çeşitlendirilebilir riskler kolayca çeşitlendirilebildiği için bir primle ilişkilendirilmemelidir. Risk priminin yattığı yer olan sistematik riske odaklanılmalıdır.
CAPM'nin iki versiyonu metinde sunulmuştur. İlk sürüm, risksiz oranı ve piyasa portföyünün beklenen getirisini hesaba katarken, ikinci sürüm, sistematik riskin bir ölçüsü olarak beta'yı sunar. Beta, bireysel hisse senedi ile piyasa portföyü arasındaki kovaryansın piyasa portföyünün varyansına bölümüdür. Hisse senedinin ekonomik faktörlerdeki değişikliklere olan duyarlılığını temsil eder.
Metin, beta'nın sistematik riski yakaladığını ve bireysel hisse senetlerinin beklenen getirisini belirlediğini vurgulamaktadır. Daha yüksek beta, daha yüksek sistematik riski ve potansiyel daha yüksek getirileri gösterirken, daha düşük beta, daha düşük riski ve potansiyel daha düşük getirileri gösterir. Ancak, beta ve getiri arasındaki ilişki doğrusal değildir.
Bölüm, CAPM'den bazı dersleri vurgulayarak sona eriyor. Piyasa portföyü, var olan tek faktördür ve her yatırımcı, optimal faktör riskine maruz kalmaktadır. Riskten kaçınan yatırımcılar devlet tahvillerini tercih edebilirken, riske toleranslı yatırımcılar riskli varlıklara daha fazla servet ayırır. Sermaye varlık tahsis çizgisi, yatırımcıların, belirli bir beklenen getiri seviyesi için minimum standart sapmaya sahip portföyleri temsil eden etkin sınır boyunca hareket etmelerini sağlar.
Vergilerin getiriler üzerinde çok az etkisinin olduğu fikri dikkate alınması gereken önemli bir faktördür. Piyasaların sürtünmesiz olduğuna yaygın olarak inanılsa da, bu varsayım tamamen doğru değildir. Finans disiplini, 1958'de, öncelikle Madiganian Miller gibi iktisatçılar tarafından yönetildi. Ancak 1950'ler ve 1960'larda doktora derecesi yoktu. özellikle finans odaklı programlar. Bu nedenle, modern finansın öncüleri, piyasaların mükemmel olduğu ve yatırımcıların fiyatlar üzerinde hiçbir kontrolünün olmadığı varsayımına güvendiler. Bununla birlikte, ekonomist Milton Friedman'ın da belirttiği gibi, kurumsal yatırımcıların bazen önemli fiyat hareketlerine neden olabildiğini ve bilginin her zaman herkes tarafından özgürce elde edilemediğini artık anlıyoruz.
Bunları sınırlamalar olarak adlandırmayı tercih etsem de, Sermaye Varlıkları Fiyatlandırma Modelinde (CAPM) başarısızlıklar var. Model, pazar portföyünü ve betayı etkileyen tüm risk faktörlerini yakalamak için önemli bir baskıyla karşı karşıyadır. Bu nedenle, çok faktörlü modeller, bireysel hisse senedi getirilerini etkileyen birden fazla risk faktörünü hesaba kattıkları için popülerlik kazanmıştır.
Çok faktörlü modellerin mekaniğine girmeden önce, iki yaklaşımı kısaca karşılaştıralım. Her iki model de bize önemli dersler veriyor. Birinci ders: çeşitlendirme işe yarar, ancak her modelde farklı şekilde işlev görebilir. İkinci ders: Her yatırımcı, farklı yöntemlerle de olsa, tercih ettiği konumu etkin sınırda veya sermaye piyasası doğrusunda bulur. Üçüncü ders: Ortalama bir yatırımcı piyasa portföyünü elinde tutar, ancak CAPM, hazine tahvilleri veya türevleri kullanarak portföyden uzaklaşmaya izin verirken, çok faktörlü model, faktör riskine bağlı olarak hem doğrusal hem de doğrusal olmayan harekete izin verir. Dördüncü ders: piyasa faktörü, CAPM kapsamında dengede fiyatlanırken, çok faktörlü modeller, arbitraj koşulları olmaksızın risk primleri aracılığıyla dengeyi belirler. Beşinci ders: Her iki model de CAPM'de beta ve çok faktörlü modelde faktör maruziyetini içerir. Son olarak, CAPM'deki kötü zamanlar açıkça düşük piyasa getirileri olarak tanımlanırken, çok faktörlü modeller bu tür dönemlerde çekici varlıkları belirlemeyi amaçlar.
Şimdi stokastik indirim faktörlerini ve bunların hem CAPM hem de çok faktörlü modellerle ilişkisini inceleyelim. Bu kavramı açıklamak için bir hava durumu analojisi kullanalım. Kuzenimle 20 dakika arayla yaşadığımızı ve sık sık hava durumunu tartıştığımızı hayal edin. Hava bulutlu olduğunda, birimiz "Çiseliyor" diyebilir, diğerimiz "Yağmur yağıyor!" Bu benzetmede, bulutlu gün CAPM'deki pazar portföyünü temsil ederken, yağmur bulutları bahçelerimizi yönetme yeteneğimizi etkileyen ek faktörleri sembolize eder. Benzer şekilde, stokastik indirgeme faktörleri, farklı bölgeleri etkileyen belirli yağmur bulutlarına benzer şekilde, farklı risk faktörlerine veya ekonomik durumlara maruz kalmayı temsil eder.
Bir varlığın fiyatlandırılması, stokastik iskonto faktörünün (m) beklentileri ile ödemenin çarpımına bağlıdır. Örneğin, size bir yıl içinde 100$ ödeyeceğime söz verirsem, bugün ödeyeceğiniz bedel o parayla ne yapmayı planladığıma bağlıdır. Risksiz bir hazine tahviline yatırım yaparsam, işlem maliyetinin olmadığı varsayılarak bugün bana 97 dolar ödeyebilirsiniz. Ancak, yüksek riskli bir öz sermaye menkul kıymetine yatırım yaparsam, ilgili riski göz önünde bulundurarak bana 60$ veya 40$ gibi daha düşük bir miktar ödeyebilirsiniz. Alternatif olarak, Las Vegas'ta kumar oynayacak olsaydım, ödeyeceğiniz miktar kazanma veya kaybetme ihtimaline bağlı olarak önemli ölçüde değişebilir. Dolayısıyla, stokastik iskonto faktörü çeşitli faktörlere bağlıdır.
Ayrıca, stokastik iskonto faktörleri tarafından temsil edilen fiyatlandırma çekirdekleri sabit değil, dinamiktir. Özellikle koşullu talepler ve yerleşik opsiyonlara sahip menkul kıymetler söz konusu olduğunda zaman içinde değişirler. Bu dinamik yapı, beklenmedik durumlara sahip menkul kıymetlerin doğru fiyatlandırılmasına izin verir.
Sonuç olarak, Eugene Fama'nın Verimli Piyasa Hipotezi, Apple veya Johnson & Johnson gibi bir finansal menkul kıymetin fiyatının piyasadaki mevcut tüm bilgileri tam olarak yansıttığını belirtir. Bu, aktif olarak ticaret yaparak veya bireysel menkul kıymetleri seçerek sürekli olarak piyasadan daha iyi performans göstermenin imkansız olduğu anlamına gelir.
Bununla birlikte, etkin piyasalar kavramı zaman içinde gelişmiştir ve artık piyasaların her zaman tam olarak verimli olmadığı yaygın olarak kabul edilmektedir. Davranışsal finans çalışmaları, yatırımcıların her zaman rasyonel olmadığını ve psikolojik önyargılardan etkilenebileceğini, bunun da piyasa verimsizliklerine ve yetenekli yatırımcıların fazla getiri elde etme fırsatlarına yol açabileceğini göstermiştir.
Ayrıca, çok faktörlü modellerin geliştirilmesi, varlık fiyatlandırmasının daha incelikli bir şekilde anlaşılmasını sağlamıştır. Bu modeller, tek faktörlü CAPM'nin ötesine geçer ve varlık getirilerindeki varyasyonları açıklayabilen çoklu risk faktörlerini dikkate alır. Şirket büyüklüğü, değeri, momentumu ve kârlılığı gibi faktörler getirilerin önemli itici güçleri olarak tanımlanmıştır.
Yatırımcılar, bu faktörleri fiyatlandırma modellerine dahil ederek, varlık değerlemesine ilişkin daha kapsamlı bir görüş elde edebilir ve daha bilinçli yatırım kararları alabilir. Örneğin, değer faktörüne yüksek oranda maruz kalan bir hisse senedi, değerinin altında değerlendirilebilir ve cazip bir yatırım fırsatı sunar.
Çok faktörlü modellerin popülarite kazanmasına rağmen zorluklarının da olduğunu belirtmekte fayda var. Hangi faktörlerin dahil edileceğini ve bunların nasıl tartılacağını belirlemek, dikkatli bir analiz ve değerlendirme gerektirir. Ek olarak, çok faktörlü modellerin performansı zaman içinde değişebilir ve geçmişte başarılı olan faktörler gelecekte fazla getiri sağlamaya devam etmeyebilir.
Genel olarak, faktör teorisi hakkındaki bu bölüm, varlık fiyatlarını ve portföy performansını etkileyen ortak faktörleri tanımlamanın ve anlamanın önemine dair içgörüler sağlar. Beklenen getirilerin belirlenmesinde sistematik risk ve betanın önemini vurgular ve faktör analizine dayalı etkin yatırım yönetimi için bir temel sağlar.
Sonuç olarak, Etkin Piyasa Hipotezi piyasa etkinliğini anlamak için temel oluştururken, gerçek şu ki piyasalar her zaman tam olarak verimli değildir. Çok faktörlü modellerin ortaya çıkışı ve davranışsal finanstan elde edilen içgörüler, varlık fiyatlandırması konusunda daha incelikli bir bakış açısı sağlamıştır. Yatırımcılar, pazar dinamiklerini anlamalarını geliştirmek ve potansiyel olarak üstün getiri fırsatlarını belirlemek için bu modelleri ve faktörleri kullanabilirler. Ancak, bu modellerle ilgili sınırlamaları ve zorlukları tanımak ve bunları uygularken dikkatli olmak önemlidir.
Faktörler (FRM Bölüm 2 2023 – 5. Kitap – 2. Bölüm)
Faktörler (FRM Bölüm 2 2023 – 5. Kitap – 2. Bölüm)
Risk Yönetimi ve Yatırım Yönetimi'nin 2. Kısım 5. Kitabından, faktörler üzerine bir bölüm vardır. Bu kitap, yatırım yönetimini ve faktörleri kullanarak portföy seçimiyle nasıl ilişkili olduğunu tartışıyor. Bu konsepti açıklamak için, özellikle mahzeniniz için şaraba yatırım yapmaya odaklanarak alternatif yatırım portföyünüzü oluşturduğunuz bir örneği ele alalım.
Portföyünüze dahil edilecek en iyi şarap şişelerini belirlemek için, kendiniz de dahil olmak üzere üç şarap tadımcısı tutmaya karar verdiniz. Akşam yemeğinde bir kadeh şarap içen sıradan bir şarap tüketicisi olarak, şarap önerileriniz bir bakış açısını temsil ediyor. Kolej arkadaşınız olarak anılan başka bir tadımcı, şarabı fazla düşünmeden hızlı bir şekilde içmesiyle tanınır. Son olarak, üçüncü tadımcı, aromayı, tadı ve diğer faktörleri titizlikle analiz eden bir şarap uzmanıdır.
Portföyünüzü oluştururken, pazar portföyünü oluşturan üç kişinin tattığı tüm şarapları dahil etme seçeneğiniz vardır. Ancak şarap tadımında uzmanlık faktörüne sahip oldukları için şarap uzmanlarının önerilerine ağırlık vermeniz daha avantajlı olacaktır. Örneğin, önerilerinize yaklaşık %5 ve şarap uzmanının önerilerine %94,9 civarında bir ağırlık atayabilirsiniz. Buna karşılık, kolej arkadaşınızın tavsiyeleri daha az ağırlık taşıyabilir ve hatta tamamen göz ardı edilebilir.
Uzmanın uzmanlığı gibi ilgili faktörleri tanımlayarak ve katkıları buna göre ağırlıklandırarak, piyasa portföyünden daha iyi performans gösteren bir portföy oluşturabilirsiniz. Bu süreç, üstün portföy performansına katkıda bulunan faktörlerin belirlenmesini içeren yatırım yönetiminin hedefleriyle uyumludur.
Şimdi, bu örneği kitapta belirtilen öğrenme hedeflerine bağlayalım. Öğrenme hedefleri, değer yatırımı sürecini, makroekonomik risk faktörlerinin varlık performansı ve portföyler üzerindeki etkisini, oynaklık riskini azaltmayı ve Fama-Fransız modeli, değeri ve momentumu gibi modelleri keşfetmeyi içerir.
Değer yatırımı, temel analiz yaparak ve piyasa değeriyle karşılaştırarak hisse senetlerinin içsel değerini değerlendirmeyi içerir. Fiyatları gerçek değerinden önemli ölçüde düşük olan hisse senetleri düşük değerli kabul edilirken, daha yüksek fiyatlı hisse senetleri potansiyel olarak aşırı değerlidir. Gerçek değer, bir hisse senedinin piyasa kaprisleri ve çılgınlıklarından etkilenen piyasa değerinden farklı olabilen gerçek değerini temsil eder.
Gerçek değeri belirlemek için bilançolar, nakit akışı tabloları, yönetici becerileri, gelecekteki temettüler, serbest nakit akışları veya işletme nakit akışları gibi çeşitli faktörleri analiz edebilirsiniz. Gerçek değeri piyasa değeriyle karşılaştırarak, değeri düşük hisse senetlerini belirleyebilir ve bilinçli yatırım kararları verebilirsiniz. Bununla birlikte, rasyonel yatırımcılar ve etkin piyasalar varsayılarak, piyasanın eninde sonunda fiyatı içsel değerle uyumlu olacak şekilde ayarlayabileceğine dikkat etmek önemlidir. Gerçekte, insan duyguları ve piyasa verimsizlikleri hisse senedi fiyatlarını etkileyebilir.
Makroekonomik risk faktörleri bağlamında, ekonomik büyüme çok önemli bir rol oynamaktadır. Düşük veya negatif ekonomik büyüme dönemlerinde, hisse senetleri gibi riskli varlıklar genellikle düşük performans gösterirken, devlet tahvilleri gibi daha güvenli varlıklar genellikle daha iyi performans gösterir. Ekonomik gerileme dönemlerinde önemli kayıplara katlanamayan riskten kaçınan yatırımcılar tahvillere yatırım yapmayı tercih edebilirler. Daha uzun bir zaman ufku olan genç yatırımcılar, kısa vadeli kayıplara dayanabilecekleri ve uzun vadeli kazançlardan yararlanabilecekleri için genellikle hisse senetlerine yatırım yapmaya teşvik edilir.
Ampirik kanıtlar, değer stoklarının zaman içinde büyüme stoklarından daha iyi performans gösterme eğiliminde olduğunu göstermektedir. Araştırmacılar, düşük değerli hisse senetleri arayan yatırımcılar için bir ödül olduğunu gösteren bir değer priminin var olduğunu savunuyorlar. Enflasyon, faiz oranları, GSYİH'deki değişiklikler ve oynaklık gibi ekonomik faktörler risk primleriyle ilişkilidir. Yatırımcılar bu faktörleri dikkate alarak portföylerini buna göre ayarlayabilirler.
Ders kitabı ayrıca ABD ekonomik durgunlukları sırasında çeşitli varlık sınıflarının performansını sergileyen tablolar da sağlar. Altın ve emtia gibi belirli sınıfların bu dönemlerde pozitif ortalama getiriye sahip olma eğiliminde olduğunun altını çiziyor.
İşletmeler ve bireyler, üretkenliklerini, finansal performanslarını ve yatırım kararlarını etkileyen çeşitli faktörlerden etkilenmiştir. Önemli bir etkiye sahip olan önemli bir olay, 2020'nin başlarında COVID-19'un patlak vermesiydi. Ekonomi, virüsün yayılmasını kontrol altına almak için kapatılırken, işletmeler gelir elde etmede zorluklarla karşılaştı ve bireyler finansal belirsizlikler yaşadı.
Pandeminin etkileri, 2020 Şubat ve Mart aylarında önemli düşüş yaşayan hisse senedi fiyatlarında belirgindi. Hisse senedi fiyatlarındaki keskin düşüş, doğrudan ekonomik kapanmanın ve virüse ilişkin belirsizliklerin bir sonucuydu. Hisse senedi fiyatlarındaki bu düşüş, işletmelerin ve bireylerin dış şoklara karşı savunmasızlığını vurguladı.
Ancak, zorlu zamanların ortasında, verimliliğin arttığı dönemler oldu. 2020 yazının sonlarında ve sonbaharın başlarında, Amerika Birleşik Devletleri'nde ve dünyanın diğer bölgelerinde üretkenlikte önemli artışlar oldu. Bu iyileştirmeler, pandeminin getirdiği yeni koşullara uyum sağlamanın ve yenilikçi çalışma yolları bulmanın bir sonucuydu. Verimlilik üzerindeki ilk etki olumsuz olsa da, işletmelerin ve bireylerin dayanıklılığı ve uyum sağlama yeteneği, sonraki iyileştirmelere yol açtı.
Salgının bir başka beklenmedik sonucu da 2020 yılında Amerika Birleşik Devletleri'nde beklenen doğum oranındaki düşüş oldu. İnsanların evde kalmasının doğum oranlarında artışa yol açacağı yönündeki ilk varsayımların aksine, doğum oranı fiilen düştü. Nüfusun önemli bir bölümü emeklilik yaşına yaklaştığından, bu demografik değişim makroekonomik riskler oluşturmaktadır. Emekli çalışanlar yalnızca genel üretkenliği azaltmakla kalmaz, aynı zamanda finansal ortamı etkileyen farklı türde yatırımlar ve portföyler talep eder.
Politik risk, zaman içinde değişen başka bir faktördür. 1990'dan bu yana, iş dünyasının ve toplumun çeşitli yönlerinde düzenlemelerde ve devlet müdahalesinde bir artış olmuştur. Politik riskteki bu artış, işletmeler ve bireyler değişen düzenleyici ortamda yol alırken daha yüksek risk primlerine yol açmıştır. Siyasi karar ve politikaların finansal piyasalar ve yatırım kararları üzerindeki etkisi göz ardı edilemez.
Oynaklık riskini ele almak, yatırımcılar ve işletmeler için önemli bir endişe kaynağıdır. Yaklaşımlardan biri, oynaklığın tolere edilemeyecek düzeyde olması durumunda hisse senetleri, türevler veya sabit getirili menkul kıymetler gibi riskli menkul kıymetlere yatırım yapmaktan kaçınmaktır. Alternatif olarak, yatırımcılar daha az oynak olma eğiliminde olan tahvillerdeki yatırım yüzdelerini artırabilirler. Ancak, ekonomik daralma dönemlerinde sadece tahvillere güvenmek en uygun çözüm olmayabilir.
Riskli varlıklara yatırımı sürdürürken volatilite riskini azaltmak için yatırımcılar, potansiyel kayıplara karşı sigorta görevi gören satım opsiyonları gibi koruyucu opsiyonlar almayı düşünebilirler. Ancak, bu tür stratejilerin etkinliği ve maliyet etkinliği dikkatli bir analiz gerektirir. Marjinal maliyetler ile marjinal faydalar arasında doğru dengeyi bulmak, risk yönetimi yaklaşımlarını optimize etmede çok önemlidir.
Portföy yönetimi bağlamında, büyüklük ve değer gibi faktörler önemli rol oynar. Eugene Fama ve Kenneth French, Sermaye Varlık Fiyatlandırma Modelini (CAPM) ek faktörleri dahil ederek genişleten Fama-French modelini geliştirdi. Model, hisse senetlerinin risk ve getiri özelliklerini daha iyi yakalamak için pazar faktörünü, büyüklük faktörünü (SMB) ve değer faktörünü (HML) içerir. Bu faktörlerin, portföy yapımında birden fazla faktörü göz önünde bulundurmanın önemini vurgulayarak, hisse senedi getirilerinin önemli bir bölümünü açıkladığı bulunmuştur.
Değer yatırımı, defter değerine göre düşük fiyatlı hisse senetlerinde alım satım yapmayı ve yüksek fiyatlı hisse senetlerinde satış yapmayı içerir. Bu strateji, düşük performans dönemlerinden geçen değerli hisse senetlerinin tazminat olarak daha yüksek getiri sunabileceği mantığına dayanmaktadır. Değer primini açıklamak için rasyonel ve davranışsal teoriler vardır. Rasyonel teoriler, değer hisse senetlerini etkileyen risk faktörlerine odaklanırken, davranışsal teoriler, değer priminin itici güçleri olarak aşırı ekstrapolasyon ve kayıptan kaçınma gibi yatırımcı önyargılarını dikkate alır.
Momentum yatırımı ise son zamanlarda değer kazanan hisse senetlerinin iyi performans göstermeye devam edeceği inancına dayanır. Yatırımcılar kazananlara aşırı güvenebilir ve kaybedenlere olan güvenini kaybedebilir, bu da bir ivme etkisine neden olabilir. Momentum yatırım stratejisi, pozitif fiyat momentumu sergileyen hisse senetlerinin satın alınmasını ve negatif momentum gösteren hisse senetlerinin satılmasını içerir.
Momentum stratejilerini uygulamaya yönelik farklı yaklaşımlar vardır. Yaygın bir yöntem, bireysel hisse senetlerinin son altı ila on iki ay gibi belirli bir dönemdeki getirilerini hesaplamak ve bunları göreli performanslarına göre sıralamaktır. En yüksek pozitif momentuma sahip üst sıradaki hisse senetleri daha sonra yatırım için seçilirken, negatif momentuma sahip en alt sıradaki hisse senetlerinden kaçınılır veya açığa satılır.
Momentum yatırımı hem rasyonel hem de davranışsal faktörlerle açıklanabilir. Rasyonel tarafta, momentum etkisi, piyasa verimsizliklerine veya yeni bilgilere yetersiz tepkiye bağlanabilir. Yatırımcıların yeni bilgileri hisse senedi fiyatlarına tam olarak dahil etmesi zaman alabilir, bu da daha fazla yatırımcı haberleri yakaladıkça fiyat ivmesinin devam etmesine yol açar.
Davranışsal açıklamalar, sürü davranışı ve eğilim etkisi gibi yatırımcı önyargılarının momentum etkisine katkıda bulunduğunu göstermektedir. Sürü davranışı, yatırımcılar kalabalığı takip ettiğinde ve iyi performans gösteren hisse senetlerini satın aldığında ortaya çıkar ve bu da daha fazla fiyat artışına yol açar. Eğilim etkisi, yatırımcıların kaybeden hisse senetlerini elinde tutma ve kazanan hisse senetlerini çok hızlı satma eğilimini ifade eder, bu da fiyat ivmesi yaratabilir.
Hem değer hem de momentum yatırım stratejilerinin uzun vadede aşırı getiri sağladığı görülmüştür. Bununla birlikte, bu stratejilerin düşük performans dönemleri de vardır ve başarıları, piyasa koşullarına ve belirli bir zamanda hisse senedi getirilerini yönlendiren belirli faktörlere bağlı olarak değişebilir.
Bir yatırım portföyü oluştururken, boyut, değer ve ivme dahil olmak üzere birden çok faktörü içeren çeşitlendirilmiş bir yaklaşımı dikkate almak önemlidir. Yatırımcılar, farklı faktörler arasında çeşitlendirme yaparak bireysel faktör dalgalanmalarının etkisini potansiyel olarak azaltabilir ve portföylerinin risk-getiri profilini iyileştirebilir.
Ayrıca, portföyün yatırımcının hedefleri, risk toleransı ve değişen piyasa koşulları ile uyumlu olduğundan emin olmak için düzenli olarak gözden geçirilmesi ve yeniden dengelenmesi çok önemlidir. Yeniden dengeleme, istenen hedef ağırlıklara geri getirmek için varlıkları alıp satarak portföyün varlık tahsisini ayarlamayı içerir. Bu, amaçlanan riske maruz kalmanın korunmasına yardımcı olur ve portföyün belirli hisse senetleri veya sektörlerde aşırı yoğunlaşmasını önler.
Sonuç olarak, oynaklık riskini yönetmek ve büyüklük, değer ve momentum gibi faktörleri göz önünde bulundurmak, portföy yönetiminin önemli yönleridir. Yatırımcılar, bu stratejileri uygularken risk toleranslarını, yatırım hedeflerini ve zaman ufkunu değerlendirmelidir. Ek olarak, piyasa trendleri, ekonomik göstergeler ve jeopolitik gelişmeler hakkında bilgi sahibi olmak, bilinçli yatırım kararları almanıza ve sürekli değişen finansal ortamda yol almanıza yardımcı olabilir.
Alfa (ve Düşük Risk Anatomisi) (FRM Bölüm 2 2023 – Kitap 5 – Bölüm 3)
Alfa (ve Düşük Risk Anatomisi) (FRM Bölüm 2 2023 – Kitap 5 – Bölüm 3)
"Alfa ve Düşük Risk Anomalisi" başlıklı bu bölümde, performans ölçümü ve yatırım stratejilerinin kapsamlı bir analizini inceliyoruz. Bu bölüm, alfa, kıyaslama seçimi, takip hatası, bilgi oranı ve Sharpe oranı anlayışımızı derinleştirmeyi ve aynı zamanda finansal piyasalardaki düşük riskli anomalinin varlığını keşfetmeyi amaçlıyor.
Giriiş:
Bölüm, başlığının önemini ve kapsadığı incelikleri keşfetme niyetini vurgulayarak başlar. Yazar, okuyuculara önemli bir değer aktarmada iyi hazırlanmış bir bölüm başlığının önemini vurgulamaktadır.
Alfa'yı Anlamak:
Bir performans ölçüsü olarak alfa kavramı tartışılır ve bunun bir kıyaslama ile ilişkisi vurgulanır. Puanları ortalama bir golfçüyle karşılaştırmak yerine Jack Nicklaus'un rekoruna odaklanan bir golfçünün analojisi, alfayı bir karşılaştırma ölçütüne göre performansın bir ölçüsü olarak göstermek için kullanılır. Alfa, yatırım performansını değerlendirmek için çok önemli bir ölçüt olarak kabul edilmektedir.
Anormallikleri Keşfetmek:
Bölüm, etkin piyasalar hipotezi bağlamında anormallikleri tartışmaya devam ediyor. Anormallikler, piyasa fiyatlarının ilgili tüm bilgileri yansıttığını öne süren hipotezden sapmaları temsil eder. Buradaki odak noktası, düşük risk seviyelerine sahip yatırımların getiri açısından yüksek riskli menkul kıymetlerden daha iyi performans gösterdiği düşük riskli anomalidir.
Öğrenme hedefleri:
Bu bölüm, konunun genişliğini ve derinliğini gösteren çeşitli öğrenme hedeflerini özetlemektedir. Bu hedefler, düşük riskli anomalinin değerlendirilmesini, alfa, izleme hatası, bilgi oranı ve Sharpe oranı gibi performans metriklerinin tanımlanmasını ve hesaplanmasını içerir. Kıyaslama seçiminin önemi ve alfa üzerindeki etkisi araştırılır. Bu bölüm ayrıca aktif yönetimin temel yasasını, bilgi oranı analizini, regresyon analizini ve yatırım performansındaki faktörlerin rolünü kapsar. Warren Buffett'ın performans analizi ve doğrusal olmama ve diğer anormalliklerin tartışılması gibi gerçek dünya örnekleri tanıtılır.
Düşük Risk Anomalisini Ortaya Çıkarma:
Bu bölüm bizi, William Sharpe'ın beklenen portföy getirileri ile beta arasında doğrusal bir ilişki kuran sermaye varlıkları fiyatlandırma modelini (CAPM) tanıttığı 1964 yılına götürüyor. Bununla birlikte, ampirik kanıtlar, yüksek beta hisse senetlerinin, riske göre ayarlanmış bir temelde bile düşük beta hisse senetlerinden daha düşük performans gösterme eğiliminde olduğunu göstererek bu ilişkiyi sorgulamaktadır. Bu fenomen, düşük riskli anomali olarak bilinir ve etkin piyasalar hipotezinin varsayımlarına meydan okur.
Düşük Risk Anomalisini Etkileyen Faktörler:
Bu bölüm, düşük riskli anomalinin kalıcılığına katkıda bulunan çeşitli faktörleri araştırıyor. Kaldıracın finansal piyasalarda yaygın bir uygulama olduğunu ve kaldıraca erişim üzerindeki kısıtlamaların yatırımcıları nasıl yüksek betalı hisse senetleri aramaya, fiyatlarını yükseltmeye ve riske göre ayarlanmış getirileri düşürmeye yönlendirebileceğini tanımlar. Ajans sorunları ve yüksek beta hisse senetleri için bireysel tercihler de düşük riskli anormalliğe katkıda bulunan faktörler olarak vurgulanıyor.
Alfa'yı Anlamak:
Bu bölüm, bir piyasa endeksini veya kıyaslamayı aşan ortalama getiri olarak alfanın kısa bir tanımını sağlar. Alfayı belirlemek için uygun bir kıyaslama noktası seçmenin önemi vurgulanmıştır. Alfa'nın hem yatırım becerisini hem de karşılaştırma ölçütü oluşturmak için kullanılan faktörleri yansıttığı ve yatırım performansını değerlendirmede karşılaştırmalı değerlendirme seçiminin öneminin altını çizdiği kabul edilmektedir.
Çözüm:
Bu bölüm, kapsanan temel görüşler ve hedefler özetlenerek sona ermektedir. Alfa, kıyaslama seçimi ve düşük riskli anormallik arasındaki karmaşık etkileşimi vurgular. Ayrıca, riske göre ayarlanmış getirileri değerlendirmenin yollarını sağlayan izleme hatası, bilgi oranı ve Sharpe oranı gibi önemli performans ölçüm kavramlarını da sunar. Gerçek dünyadan örnekler ve doğrusal olmama ve diğer anormalliklerin tartışılması, konunun anlaşılmasını daha da zenginleştirir.
Bölüm, bu kavramları ve etkileşimlerini keşfederek alfa, kıyaslama seçimi, izleme hatası, bilgi oranı ve Sharpe oranı konusundaki anlayışımızı derinleştirmeyi amaçlıyor. Ayrıca Warren Buffett'ın performans analizi ve doğrusal olmama ve diğer anormalliklerin tartışılması gibi gerçek dünyadan örnekler sunar.
Bilgi oranını tahmin etmek için, ister günlük ister aylık getiriler olsun, varlığın ve karşılaştırmalı değerlendirmenin önemli bir süre boyunca getirilerinin hesaplanması gerekir. Bu veriler, Excel elektronik tabloları gibi araçlar kullanılarak işlenerek alfa ve izleme hatasının hesaplanmasına olanak tanır. Bu analizin etkin bir şekilde yapılabilmesi için gerekli verilere erişim şarttır.
Bu bölüm, Grinhold Grenald tarafından geliştirilen aktif yönetimin temel yasasını tanıtmaktadır. Sunulan formül yaklaşık bir değeri temsil etse ve kesin olmayabilir, ancak alfa, bilgi katsayısı ve genişlik arasındaki ilişki hakkında değerli bilgiler sağlar. Formül, portföy yöneticilerinin, karşılaştırma ölçütlerinden sapan bahisler yaparak alfa oluşturduğunu ve başarılı bahislerin daha yüksek alfa ile sonuçlanma eğiliminde olduğunu öne sürüyor. Maksimum bilgi oranı, yaklaşık olarak bilgi katsayısının ve alınan bahis sayısının karekökünün çarpımına eşittir.
Bilgi katsayısı, bir yöneticinin tahminlerinin gerçek getirilere göre doğruluğunu ölçerken, genişlik, ticarete konu olan menkul kıymetlerin sayısını ve bunların işlem sıklığını ifade eder. Genişliğin karekökü, örnekleme için bir ceza görevi görür ve doğruluk ile maliyet hususlarını dengeler.
Bu bölüm, aktif bir yöneticinin üretkenliğinin beceri düzeyine ve becerilerini kullanma sıklığına bağlı olduğunu vurgulamaktadır. Genişliğin karekökü, yatırımcıların getirilerini en üst düzeye çıkarmak için bilinçli kararlar almaları veya sık sık ticaret yapmaları gerektiğini gösteriyor.
Bir başka önemli nokta da, aynı beceri düzeyine ancak farklı genişlik düzeylerine sahip iki yöneticinin muhtemelen farklı performans sonuçları vermesidir. Daha yüksek bir genişlik genellikle daha iyi performans sağlar.
Bu kavramı açıklamak için rulet ile bir benzetme sunulmuştur. Yüz spin için bir dolar bahse giren bir oyuncuyla, bir dönüş için yüz dolar bahse giren başka bir oyuncuyla karşılaştırıldığında, risk-ödül oranı farklıdır. Bu benzetme, hem beceri düzeyini hem de alım satım sıklığını dikkate almanın önemini vurgulamaktadır.
Bilgi katsayısı ile ilgili varsayımlar yapılır. Örneğin, yönetim altındaki varlıklardaki bir artış, bilgi katsayısını düşürme eğilimindedir ve bu da performansın bozulmasına yol açar. Bir fon büyüdükçe, değerinin altında değer biçilen hisse senetlerini tespit etmek daha zor hale gelir ve bulunduğunda bile bunların genel portföy üzerindeki etkisi azalır.
Yatırımlar arasında genellikle korelasyon olduğundan, bağımsız ticaret varsayımı tamamen doğru değildir. Örneğin, bir yönetici bir kamu hizmeti stoğuna yatırım yaparsa, muhtemelen daha sonra daha fazla hizmet stoğuna yatırım yapacaktır. Bu korelasyon paterni çeşitli çalışmalarda geçerlidir.
Daha önceki tartışmaları hatırlatan bu bölüm, William Sharpe tarafından 1964'te tanıtılan Sermaye Varlıkları Fiyatlandırma Modeline (CAPM) atıfta bulunmaktadır. CAPM, tek bir varlığın beklenen getirisinin risksiz olandan oluştuğu, piyasa portföyüne dayalı tek faktörlü bir modeldir. oran artı piyasanın davranışına dayalı bir bileşen.
Beta, sistematik risk duyarlılığının bir ölçüsü olarak yeniden tanıtıldı. Düşük beta hisse senetleri daha düşük hassasiyet gösterirken, yüksek beta hisse senetleri daha yüksek hassasiyet gösterir.
Bu bölüm, aktif portföy yönetimi ile bilgi oranı arasındaki ilişkiyi analiz etmek için Ocak 1990'dan Mayıs 2012'ye kadar olan verileri sunar. Veriler, portföydeki menkul kıymet sayısı arttıkça bilgi oranının düşme eğiliminde olduğunu göstermektedir. Daha fazla sayıda menkul kıymeti yönetmek daha zor hale gelir, bu da daha düşük tahmin doğruluğu ve alfa üretimi ile sonuçlanır.
İşlem maliyetlerinin bilgi oranı üzerindeki etkisi de incelenmiştir. Daha yüksek işlem maliyetleri bilgi oranını düşürür, bu da sık ticaretle ilişkili maliyetlerin yönetici tarafından üretilen potansiyel alfayı yiyebileceğini gösterir.
Sonuç olarak bu bölüm, aktif portföy yönetiminde hem beceri düzeyini hem de genişliği dikkate almanın önemini vurgulamaktadır. Doğru tahminler yapan yetenekli yöneticiler alfa üretebilir, ancak portföylerinin genişliği ve ilgili işlem maliyetleri, stratejilerinin genel etkinliğini belirlemede çok önemli roller oynar.
Genel olarak, bu bölüm, düşük riskli anormallik olan alfa'nın ölçümü ve yorumlanması ile bunların risk yönetimi ve yatırım stratejileri üzerindeki etkileri hakkında içgörü sağlar. Okuyucuları kıyaslama seçimini dikkatli bir şekilde değerlendirmeye, izleme hatası ve bilgi oranlarını anlamaya ve Sharpe oranı gibi metrikleri kullanarak riske göre ayarlanmış performansı değerlendirmeye teşvik eder. Yatırımcılar, bu kavramları ve etkileşimlerini anlayarak, aktif portföy yöneticilerini seçerken ve değerlendirirken daha bilinçli kararlar alabilirler.
Risk İzleme ve Performans Ölçümü (FRM Bölüm 2 2023 – Kitap 5 – Bölüm 7)
Risk İzleme ve Performans Ölçümü (FRM Bölüm 2 2023 – Kitap 5 – Bölüm 7)
Bir akademisyen tarafından yazılan önceki bölümlerden uygulayıcılar tarafından yazılan bu bölüme geçiyoruz. Bu bölümde, yatırım yönetimi bağlamında risk izleme ve performans ölçümüne odaklanacağız. Önceki bölümlerde ele alınan konularla bazı örtüşmeler olsa da, riske maruz değer, risk planlaması, risk bütçelemesi, risk bilinci, likidite süresi istatistiği, alfa ve kıyaslama analizi ve Şefin rolü gibi belirli alanları daha derinlemesine inceleyeceğiz. Risk Görevlisi.
Öğrenme hedefleri:
Bu bölüme dalmadan önce, ele alacağımız konulara genel bir bakış sağlayan öğrenme hedeflerini inceleyelim. Bu hedefler şunları içerir:
Bölüme genel bakış:
Bu bölüm, son bölümlere kıyasla nispeten daha kısadır, bu nedenle ele alınması muhtemelen daha az zaman alacaktır. Riske maruz değeri gözden geçirerek ve hatayı izleyerek başlayalım. Riske maruz değer, bir işletmenin belirli bir zaman diliminde belirli bir güven düzeyiyle karşı karşıya kalabileceği en büyük potansiyel kaybı ifade eder. Öte yandan, izleme hatası, bireysel bir portföyün getirileri ile karşılaştırmalı değerlendirmesi arasındaki sapmayı ölçer. Her iki kavram da z tablosundaki kritik değerleri kullanır ve sermaye tahsisinde ve yöneticinin ölçüt etrafındaki serbestliğini belirlemede önemli roller oynarlar.
Riske Maruz Değer, yöneticilerin marjinal riske maruz değer ve artan riske maruz değer gibi faktörleri göz önünde bulundurarak sermayeyi varlıklar arasında tahsis etmelerine yardımcı olur. Önceki bölümlerde, optimal ağırlıklandırmaları ve bu ağırlıklandırmaların belirlenmesine yardımcı olan formülleri tartışmıştık. Aksine, izleme hatası, yöneticinin ölçütten sapma esnekliğini belirlemek için kullanılır. Aktif yöneticiler, güvenlik seçimi ve ilişkilendirme analiziyle özetlenebilecek varlık tahsisi yoluyla karşılaştırmalı değerlendirmeden daha iyi performans göstermeyi amaçlar.
Risk yönetimi süreci üç temel ayağı kapsar: risk planlama, risk bütçeleme ve risk izleme. Risk planlaması, beklenen getiri ve oynaklık seviyelerinin belirlenmesini, riske maruz değerin kabul edilebilir seviyelerinin tanımlanması ve hatanın izlenmesi için Riskten Sorumlu Başkan ve yönetim kurulu ile istişare edilmesini ve sermaye tahsisi için bir süreç oluşturulmasını içerir. Ek olarak, risk planlaması, normal çalışma hasarını tetikleyen olaylar ile ciddi zarara neden olan olaylar arasında ayrım yapmayı gerektirir. Risk bütçelemesi, faaliyetlerinin riskliliği göz önünde bulundurularak her bir silo veya iş birimi için ikincil bir değerlendirme katmanı görevi görür. Toplam portföy riskini minimumda tutarken getirileri en üst düzeye çıkarmayı amaçlayarak optimal bir varlık tahsisi sağlar.
Risk izleme, risk yönetimi uygulamalarının etkinliğini değerlendirmek için çok önemlidir. Bir eğitim ortamındaki sonuçların değerlendirilmesine benzer şekilde, planlanan eylemleri gerçek sonuçlarla karşılaştırmayı içerir. Olağandışı sapmalar ve risk limitlerinin ihlalleri, zamanında düzeltici önlemlerin alınmasını sağlamak için derhal tespit edilmelidir. Etkili risk izleme için trend analizi ve karşılaştırmalı analiz gibi çeşitli analitik teknikler kullanılabilir.
Sonuç: Risk izleme ve performans ölçümü ile ilgili bu bölüm, yatırım risklerini yönetmeye ilişkin pratik bilgiler sağlar. Riske maruz değer, risk planlaması, risk bütçelemesi, risk bilinci, likidite süresi istatistiği, alfa ve kıyaslama analizi ve risk izlemenin önemi gibi temel konuları kapsar.
Riskin izlenmesi, risk bütçesinden veya önceden belirlenmiş risk limitlerinden sapmaların tespit edilmesi için çok önemlidir. Portföy performansının düzenli olarak değerlendirilmesini ve beklenen sonuçlarla karşılaştırılmasını içerir. Bu, risk yöneticilerinin dikkat veya düzeltme gerektirebilecek herhangi bir olağandışı sapmayı veya beklenmeyen sonuçları belirlemesine olanak tanır.
Trend analizi, risk izlemede kullanılan bir yaklaşımdır. Geçmiş verileri inceleyerek ve zaman içindeki kalıpları gözlemleyerek, risk yöneticileri portföy performansındaki ve risk ölçümlerindeki eğilimleri belirleyebilir. Bu, portföyün davranışını anlamaya ve risk bütçesi ile tutarlılığını değerlendirmeye yardımcı olur.
Karşılaştırmalı analiz, risk izlemede başka bir değerli araçtır. Portföy performansının ilgili ölçütler veya emsallerle karşılaştırılmasını içerir. Portföyün göreli performansını değerlendirerek, risk yöneticileri portföyün güçlü ve zayıf yanları hakkında fikir edinebilir ve hedeflerini karşılayıp karşılamadığını değerlendirebilir.
İzleme riski aynı zamanda temel risk göstergelerinin (KRI'lar) ve performans ölçütlerinin izlenmesini ve değerlendirilmesini de içerir. KRI'lar, potansiyel riskler veya risk bütçesinden sapmalar hakkında erken uyarı işaretleri sağlayan özel önlemlerdir. Bu göstergeler volatilite seviyelerini, riske maruz değeri (VaR), izleme hatasını, likidite oranlarını ve diğer ilgili ölçümleri içerebilir. Risk yöneticileri, bu göstergeleri düzenli olarak izleyerek, ortaya çıkan riskleri veya sapmaları proaktif olarak tanımlayabilir ve ele alabilir.
Ayrıca risk izleme, risk raporlarının ve risk panolarının gözden geçirilmesini ve analiz edilmesini içerir. Bu raporlar, portföyün risk profili, performansı ve risk limitlerine uyumu hakkında kapsamlı bir genel bakış sunar. Genellikle görsel olarak sunulan risk panoları, portföyün risk ölçümlerinin anlık bir görüntüsünü sunar ve herhangi bir endişe alanını vurgular. Bu raporların ve panoların düzenli olarak gözden geçirilmesi, şeffaflığın, hesap verebilirliğin ve risk yönetimiyle ilgili bilinçli karar vermenin sürdürülmesine yardımcı olur.
Özetle, risk izleme, risk yönetimi sürecinde hayati bir rol oynar. Portföy performansının sürekli olarak değerlendirilmesini, önceden belirlenmiş hedefler ve ölçütlerle karşılaştırılmasını, temel risk göstergelerinin izlenmesini ve risk raporlarının ve gösterge tablolarının gözden geçirilmesini içerir. Uygulayıcılar, riski özenle izleyerek, portföyün risk bütçesi ve hedeflerle uyumlu kalmasını sağlayarak herhangi bir sapmayı veya ortaya çıkan riski derhal tanımlayabilir ve ele alabilir.
Riskten Korunma Fonları (FRM Bölüm 2 2023 – 5. Kitap – 9. Bölüm)
Riskten Korunma Fonları (FRM Bölüm 2 2023 – 5. Kitap – 9. Bölüm)
Risk yönetimi ve yatırım yönetimi el kitabının İkinci Kısım Beşinci Kitabında, finans araştırmalarında uzman olarak kabul edilen üç tanınmış akademisyen tarafından hedge fonlara ayrılmış bir bölüm yazılmıştır. Bu akademisyenler, üst düzey dergilerde güçlü bir yayın kaydına sahiptir, dergi editörlüğü yapmıştır ve istisnai çalışmalarından dolayı prestijli ödüller almıştır. Bu bölüm, karmaşık matematiksel kavramlara girmeden, çok çeşitli okuyucuların erişebileceği bir şekilde hedge fonlar hakkında kapsamlı bilgi sağlamayı amaçlamaktadır.
Bu bölüm, aktif olarak yönetilen alternatif yatırımlar olarak koruma fonlarını tanıtarak başlar. Riskten korunma fonlarının, geleneksel olmayan varlıklara yatırım yaparak nakit, sabit getirili menkul kıymetler ve hisse senetleri gibi geleneksel varlık sınıflarından farklı olduğunu vurgulamaktadır. Bu bölüm, başlangıç şirketleri, teknoloji hisseleri, altın, fon fonu ve yabancı devlet tahvilleri dahil olmak üzere potansiyel yatırım seçeneklerini sunar.
Riskten korunma fonları ile yatırım fonları arasındaki dikkate değer bir fark, riskten korunma fonlarının katılmak için genellikle milyonlarca dolar aralığında önemli miktarda sermayeye sahip akredite yatırımcılar gerektirmesidir. Bu seçkin yatırımcı grubu, genel halka kıyasla genellikle farklı risk tutumlarına ve getiri beklentilerine sahiptir. Riskten korunma fonu yöneticileri, geleneksel yatırım fonu yöneticilerinin sahip olmadığı çok çeşitli stratejilere erişebilir ve onlara yatırım kararlarında daha fazla esneklik sağlar.
Şeffaflık, hedge fonların hem dezavantaj hem de avantaj sağlayabilecek bir özelliği olarak vurgulanır. Geleneksel yatırım araçlarının aksine, hedge fonları stratejilerinin sınırlı bir şekilde kamuya açıklanmasını sağlar. Bu şeffaflık eksikliği bir dezavantaj olarak görülebilse de, riskten korunma fonu yöneticilerinin yatırım stratejilerini gizli tutmalarına olanak tanıyarak diğer yöneticilerin yaklaşımlarını tekrarlamalarını ve potansiyel olarak karlılıklarını azaltmalarını engeller.
Bu bölüm, öncelikli olarak türev menkul kıymetlerin kullanımı ve arbitraj fırsatları için borçlanma sermayesi yoluyla, hedge fonlarda yüksek kaldıraç kullanımını tartışmaktadır. Bu yüksek riskli yaklaşım, koruma fonu endüstrisinde risk yönetiminin önemini vurgulayarak, uzun süreler boyunca önemli kayıplara yol açabilir.
Serbest fon yöneticileri tarafından yaygın olarak kullanılan "2 ve 20" olarak bilinen ücret yapısına da bu bölümde yer verilmektedir. Bu yapı, fon büyüklüğüne göre %2 yönetim ücreti ve elde edilen kâr üzerinden hesaplanan %20 performans ücreti içermektedir. Ücret düzenlemesi, performansları ne olursa olsun, hedge fon yöneticileri için önemli bir gelir sağlama potansiyeline sahiptir.
Yatırım fonu yöneticileriyle karşılaştırıldığında, riskten korunma fonu yöneticileri önemli ölçüde daha geniş yatırım serbestliğine sahiptir. Yatırım fonu yöneticileri, türev menkul kıymetlerin kullanımı da dahil olmak üzere varlık seçimi, açığa satış, marj ticareti ve kaldıraç konusunda genellikle kısıtlamalarla karşılaşır. Buna karşılık, hedge fon yöneticileri bu yönlerde daha fazla özgürlüğe sahiptir ve bu da onlara daha geniş bir yatırım fırsatları yelpazesini keşfetme olanağı tanır.
Bu bölüm, hedge fonları ve veritabanları ile ilgili birkaç önyargıyı vurgulamaktadır. Hayatta kalma önyargısı, veri tabanına yalnızca başarılı koruma fonları dahil edildiğinde ortaya çıkar ve bu da endüstri performansının fazla tahmin edilmesine yol açar. Anında geçmiş önyargısı, performans raporlamasının zamanlaması ile elde edilen gerçek performans arasındaki tutarsızlığı ifade eder. Raporlama ve kendi kendine seçim önyargısı, fonlar performanslarını gönüllü olarak ticari veritabanlarına bildirdiğinde ortaya çıkar ve verilerde olası tutarsızlıklar ortaya çıkar. Yumuşatma yanlılığı, likit olmayan varlıklar için getirileri doğru bir şekilde tahmin etmenin zorluğundan kaynaklanır ve bu da düzgünleştirilmiş performans rakamlarıyla sonuçlanır.
1994 yılında ticari veritabanlarının kurulmasıyla meydana gelen önemli değişime dikkat çekilerek, riskten korunma fonu veritabanlarının evrimi tartışılmaktadır. Bu dönem ayrıca, yüksek riskli stratejiler izleyen ve nihai çöküşünden önce önemli bir büyüme yaşayan Uzun Vadeli Sermaye Yönetimi gibi önde gelen hedge fonlarının yükselişine de tanık oldu. 2000'li yılların başlarında, hedge fonları S&P 500 endeksini geride bırakarak nakit girişlerinde bir artışa ve ardından hedge fonlarının ve yönetilen varlıkların sayısında bir artışa yol açtı. Kurumsal yatırımcılar, daha yüksek getiri potansiyelinden etkilenen portföylerini hedge fonlara tahsis etmeye başladılar.
Bu bölümde alfa ve beta kavramları tanıtılmaktadır. Beta, sistematik riski temsil eder ve bir yatırımın piyasa hareketlerine duyarlılığını ölçer; beta 1.0, genel piyasa ile aynı risk seviyesini gösterir. Alfa, bir portföy veya yatırım stratejisi tarafından betasına dayalı olarak beklenenin ötesinde üretilen fazla getiriyi temsil eder. Alfa genellikle yöneticinin getiri sağlama becerisinin bir ölçüsü olarak kabul edilir.
Riskten korunma fonu yöneticileri, uzun/kısa hisse senedi, olaya dayalı, küresel makro ve göreli değer gibi çeşitli yatırım stratejilerini kullanarak pozitif alfa üretmeyi amaçlar. Her stratejinin kendine özgü özellikleri vardır ve risk yönetimine farklı bir yaklaşım gerektirir. Örneğin, uzun/kısa hisse senedi stratejileri, hem yükselen hem de düşen fiyatlardan kar elde etmek için hisse senetlerinde hem uzun hem de kısa pozisyon almayı içerir. Olaya dayalı stratejiler, belirli kurumsal olaylara odaklanırken, küresel makro stratejiler, makroekonomik eğilimler ve jeopolitik gelişmelere dayalı pozisyon almayı içerir. Göreceli değer stratejileri, ilgili menkul kıymetler arasındaki fiyat farklılıklarından yararlanmaya çalışır.
Bu bölüm aynı zamanda riskten korunma fonu performans değerlendirmesiyle ilgili zorlukları ve sınırlamaları da ele almaktadır. Riskten korunma fonlarındaki şeffaflığın olmaması, performanslarının doğru bir şekilde ölçülmesini zorlaştırır ve Sharpe oranı ve bilgi oranı gibi geleneksel performans ölçütleri, resmin tamamını yakalamayabilir. Araştırmacılar, riskten korunma fonu performansını ve riskini daha iyi değerlendirmek için Omega oranı ve düşüşe dayalı ölçütler gibi alternatif ölçütler geliştirdiler.
Ek olarak, bölüm, hedge fonları seçerken gerekli özenin gösterilmesinin önemini vurgulamaktadır. Yatırımcıların bir fonun yatırım stratejisini, risk yönetimi uygulamalarını, geçmiş performansını ve fon yöneticisinin deneyimini ve geçmiş performansını kapsamlı bir şekilde değerlendirmesi gerekir. Uygun durum tespiti, yatırımcıların risk iştahı ve yatırım hedefleri ile uyumlu fonları belirlemesine yardımcı olur.
Bu bölüm, her biri politikalarına kendi düşüncelerini ve gündemlerini getiren hükümetler, merkez bankaları ve politikacılar gibi çeşitli varlıkları içeren finans dünyasının dinamiklerini tartışarak sona eriyor. Bu dinamik doğa, küresel makro stratejistlerin merkez bankacılarının değişen paradigmalarını tahmin etmek için yalnızca makroekonomide değil, aynı zamanda siyasette de uzmanlığa sahip olmasını gerektirir. Yönetilen vadeli işlemler stratejileri ve sıkıntılı sabit getirili menkul kıymetler, riskten korunma fonu endüstrisinde, fırsatları etkili bir şekilde belirlemek ve kullanmak için her biri özel bilgi, araştırma ve analiz gerektiren iki özel yaklaşım olarak sunulur.
Genel olarak bu bölüm, koruma fonlarının özelliklerini, yatırım stratejilerini, ücret yapısını, performans değerlendirmesini ve zorluklarını kapsayan kapsamlı bir genel bakış sunar. Riskten korunma fonlarıyla ilişkili benzersiz özellikleri ve riskleri vurgulayarak, bu alternatif yatırım araçlarını göz önünde bulunduran yatırımcılar için risk yönetiminin ve durum tespitinin öneminin altını çiziyor.