Parçalar
Her tahmin modelinin dört parçası var.
Özellikler (girdi). Modelin baktığı şeyler. Volatilite, momentum, hacim, kârlılık. Her hisse için her ay hesaplanan sayılar.
Hedef (çıktı). Tahmin etmeye çalıştığınız şey. Bizim durumumuzda bir sonraki ayın getirisi.
Ağırlıklar. Hangi özelliğin ne kadar önemli olduğu. Veriden öğrenilebilir ya da teoriden sabitlenebilir.
Kural. Özellikleri ağırlıklarla birleştirip bir skor üreten işlem.
Neden standartlaştırma şart
Bu adım atlanamaz ve sebebi basit.
Volatilite bir yüzde, hacim oranı bir kat, zirveye yakınlık bir orandır. Bunları doğrudan toplarsanız anlamsız bir sayı çıkar. Elmayla armutu toplamış olursunuz.
Standartlaştırma, her özelliği aynı ölçeğe getiriyor. “Bu hisse, o ayki diğer hisselere göre volatilitede nerede duruyor” sorusuna çevriliyor.
Kesitsel yapılması da ayrıca önemli. Yani her ay kendi içinde. Böylece piyasa genelinin oynak olduğu bir ay ile sakin bir ay karışmıyor.
Ağırlıklar: öğrenmek mi, sabitlemek mi
Modelin en kritik tasarım kararı bu.
Öğrenmek: veriden en iyi ağırlıkları bulmak. Avantajı, veriye uyması. Dezavantajı, o uyumun gürültüye de uyması ve örnek dışında bozulması.
Sabitlemek: ağırlıkları eşit tutmak, işaretleri teoriden almak. Avantajı, bozulacak parametre olmaması. Dezavantajı, teoriniz yanlışsa modeliniz de yanlış.
Biz ikinciyi seçtik. Sebebi, gerçek bağımsız gözlem sayımızın öğrenme için yetersiz olması.
Bu tercihin sonucu şuydu: kesitsel tahmin gücü 0,023’ten 0,072’ye çıktı, Sharpe oranı her test döneminde iyileşti ve önerdiği hisseler karakter değiştirdi. Heyecanlı küçük şirketler yerine sıkıcı, sakin isimler gelmeye başladı.
Model ne yapmıyor
Beklentiyi doğru kurmak için bunu net söylemek gerekiyor.
Fiyat tahmini yapmıyor. “Bu hisse 85 lira olacak” demiyor.
Kesinlik sunmuyor. Sadece bir sıralama üretiyor. Sıralamanın üstündekiler, ortalama olarak alttakilerden iyi performans gösterme eğiliminde. Her seferinde değil, ortalamada.
Tek tek doğru olmuyor. Modelin önerdiği hisselerin bir kısmı düşecek. Bu bir hata değil, tasarımın parçası. Kazanç, tek tek isabetten değil, çok sayıda küçük eğilimin toplamından geliyor.
Bağlamı bilmiyor. Bir şirketin başına gelen olağandışı bir şeyi görmez. Sayılara bakar, hikayeyi bilmez.
Bu son madde, modelin neden tek başına kullanılmaması gerektiğini açıklıyor. Model bir tarama aracı, karar verici değil.
İyi bir model neye benzer
Deneyimimizden çıkan ölçütler şunlar.
Az sayıda parametresi vardır. Ne kadar çok ayar, o kadar çok bozulma noktası.
Her parçasının bir gerekçesi vardır. “Bu özellik neden burada” sorusuna cevap veremiyorsanız, çıkarın.
Örnek dışı test edilmiştir. Ve o testte de çalışmıştır.
Farklı dönemlerde tutar. Tek bir dönemde muhteşem, diğerlerinde vasat bir model, muhtemelen o döneme uydurulmuştur.
Sınırları yazılıdır. Neyi yapmadığını, hangi varsayımlara dayandığını söyler.
Basit bir model kurmak isterseniz
Kendi başınıza denemek isterseniz, minimum kurulum şöyle.
İki üç özellik seçin. Volatilite ve bir momentum ölçüsü iyi bir başlangıç.
Her ayın sonunda hisseleri her özelliğe göre sıralayın ve sıra numarasını kullanın.
Sıraları teori yönünde toplayın: düşük volatilite iyi ise volatilite sırasını ters çevirin.
Toplam skora göre en iyi on hisseyi alın.
Sonraki ay ne olduğunu kaydedin ve tekrarlayın.
Bu kadarı bile bir modeldir ve size sürecin nasıl işlediğini öğretir. Karmaşıklık, sonuçları iyileştirmiyor, sadece hata yapma ihtimalini artırıyor.
Sıradaki
Bir sonraki yazıda modelin tahmin gücünü nasıl ölçtüğümüzü anlatıyoruz. Bilgi katsayısı, isabet oranı, Sharpe oranı ve hangisi neyi söylüyor.
Bu yazı bilgilendirme amaçlıdır, yatırım tavsiyesi değildir.