Neden işe yarıyor
Mantık, çeşitlendirmeyle aynı.
Her modelin kendi hataları var. O hatalar birbirinden bağımsızsa, birleştirdiğinizde kısmen götürüyorlar.
Sinyaller aynı yönde toplanıyor, hatalar rastgele dağıldığı için eriyor.
Bu, portföyde varlık çeşitlendirmesinin model tarafındaki karşılığı. Aynı matematik.
Şartı: modeller farklı olmalı
Kritik nokta bu ve genelde atlanıyor.
Beş model kurdunuz ama hepsi aynı verilerden aynı yöntemle türedi. Hataları da benzer olacak. Birleştirmenin faydası çok az.
Fayda, modeller gerçekten farklı olduğunda ortaya çıkıyor. Farklı özellikler, farklı yöntemler, farklı zaman ufukları.
Bizim denememiz
Üç stratejimizin sıralamalarını birleştirmeyi denedik. Her strateji hisseleri sıralıyor, sonra sıraların ortalamasını alıyoruz.
Sonuç marjinal ve karışık çıktı. Bazı dönemlerde küçük iyileşme, bazılarında yok.
Sebebi büyük ölçüde şu: stratejilerimiz yeterince farklı değildi. Hepsi aynı fiyat ve hacim verisinden türüyordu. Ortak bir gürültü kaynağını paylaşıyorlardı.
Bu, birleştirmenin sınırını gösteriyor. Farklı isimler taşıyan ama aynı veriden beslenen modeller, gerçekte farklı değil.
Zaten birleştirme yapıyoruz
İlginç olan şu: aslında kompozit skorumuzun kendisi bir birleştirme.
Altı farklı özelliği standartlaştırıp topluyoruz. Her biri ayrı bir zayıf tahminci. Toplamları, tek tek her birinden güçlü.
Tahmin gücümüzün 0,023’ten 0,072’ye çıkması, bu birleştirmenin sonucu.
Yani birleştirme bizde işe yaradı, sadece model seviyesinde değil özellik seviyesinde.
Bu bir ders: birleştirmeyi hangi seviyede yaptığınız önemli. Farklılık nerede varsa, birleştirme orada fayda üretiyor.
Ağırlıklandırma sorunu
Modelleri birleştirirken hangisine ne kadar ağırlık vereceğiniz ayrı bir soru.
Eşit ağırlık en basit ve genelde şaşırtıcı derecede iyi. Çünkü ağırlık öğrenmek, yine parametre tahmin etmek demek ve aynı aşırı uyum riskini taşıyor.
Geçmiş performansa göre ağırlıklandırmak cazip ama tehlikeli. Ortalamaya dönüş yazımızda anlattığımız gibi, geçmişte en iyi olan gelecekte de en iyi olmuyor.
Ne zaman denenmeli
Birleştirme şu koşullarda mantıklı.
Modelleriniz gerçekten farklı veri kaynaklarından besleniyorsa.
Farklı zaman ufuklarına bakıyorlarsa.
Hangisinin daha iyi olduğuna karar veremiyorsanız. Birini seçmek yerine ikisini de kullanmak, seçim hatası riskini azaltıyor.
Ve şu koşullarda faydasız: modelleriniz aynı veriden aynı mantıkla türüyorsa.
Basit bir test
Birleştirmenin işe yarayıp yaramayacağını önceden anlamanın kolay yolu var.
Modellerinizin tahminleri arasındaki korelasyona bakın.
Korelasyon yüksekse (mesela 0,9 üstü), birleştirmeden fayda beklemeyin.
Düşükse, birleştirme muhtemelen iyileştirme sağlar.
Bu tek kontrol, birleştirme denemesi yapmadan önce size cevabı veriyor.
Sıradaki
Bir sonraki yazıda sınıflandırma metriklerine geçiyoruz. Modeliniz “yükselecek mi” sorusunu cevaplıyorsa, başarısını nasıl ölçersiniz.
Bu yazı bilgilendirme amaçlıdır, yatırım tavsiyesi değildir.