2026'da, sıradan biri nasıl kantitatif işlem yapmaya başlar?

Bu makaleyi okumak için 75 Dakika

Doğru sırayla, 0'dan İstatistik, Olasılık, Doğrusal Cebir ve diğer temel araçları öğrenerek kendi stratejik üstünlüğünüzü inşa edin.

Orjinal Başlık: Yarın Sıfırdan Başlasaydım Nasıl Bir Nicel Çalışan (Quant) Olurdum

Orjinal Yazar: gemchanger, coldvision Kurucusu

Çeviri, Notlar: MrRyanChi, insiders.bot

2026'da, Nicel Alım Satım Her Alım Satımcının Temel Yetkinliği Haline Geldi

Geçen hafta, Hong Kong Üniversitesi Yapay Zeka ve Yönetim Derneği'nin (@camo_hku) davetlisi olarak, Ajan Çağı'ndaki para kazanma yöntemlerini paylaşmak için iletişimde bulundum. Tüm etkinliğin sonunda, en büyük kazancım şey oldu:

Yapay Zeka Çağı = Teknoloji Eşitliği Çağı

Geçmişte, nicel birimler sadece küçük bir kuruluşun ayrıcalığıydı. Şimdi ise, sayısız stüdyo hatta birey, nicel stratejiler geliştirmeye katılıyor ve sürekli getiri elde ediyor. Başka bir deyişle, nicelin doğasını hala anlamıyorsanız, piyasada ciddi bir dezavantajla karşı karşıya kalabilirsiniz.

Bugün OpenClaw'ın hakim olduğu bir ortamda, herkes nicel alım satım yaparak para kazanabilir. Ancak bunun için iki ön şarta ihtiyaç vardır.

İlk olarak, altyapıdır, ki bu da @insidersdotbot olarak, Ajan ve algoritma odaklı işlem platformu, veritabanı ve Yetenekler üzerinde çalışmaya çalıştığımız şeydir. Tam sürüme dayalı Ajan tabanlı backtest özelliği aynı zamanda bu ekosistemin bir parçası olacaktır.

İkinci ve en önemlisi, birey olarak, mimari yetenek ve strateji tasarım yeteneğidir. Strateji %100 doğru olmak zorunda değildir, ancak kesinlikle benzersiz, ustaca ve başkalarının farkına varmadığı büyük fırsatları yakalayabilen bir yapıya sahip olmalıdır.

Tek yapmanız gereken, size özgü bir stratejiye + harika bir altyapıya sahip olmak; Vibe Kodlama'nın sağladığı güçle, servet özgürlüğüne yaklaşmış olursunuz.

Ve strateji ve mimariyi öğrenme konusunda @gemchange_ltd'ın bu orijinal makalesi, şimdiye kadar gördüğüm en kapsamlı bir "nicel alım satım bilgi haritası". Pazarı tahmin etmek amacıyla, üst düzey bir kuantum (nicel alım satım uzmanı/Quant) olmanın gerektirdiği her parçayı, doğru öğrenme sırasına göre anlaşılır bir şekilde anlatıyor.

Onu okuduktan sonra, hatta bir acemi bile olsan, nasıl kuantitatif ticarete başlayacağını ve kendi stratejini nasıl tasarlayacağını anlayabileceksin.

Eğer bir piyasa tahmincisiysen, bu senin okuman gereken makale.

Eğer diğer varlıkların tüccarıysan, bu makalenin birçok fikri geneldir, eminim onlardan büyük fayda sağlayabilirsin.

Orijinal metin oldukça yoğun ve akademiktir. Polymarket'a yeni başlayan ya da hiç matematik geçmişi olmayan kullanıcıların bile anlayabileceği şekilde, birçok yeniden yazma ve eklemeler yaptım. Karmaşık matematik konularından hiçbir şey anlamadığınızı varsayarak, size 20 adet tamamen Çinceden oluşan açıklamalı çizimler ekledim ve her bir kavramı açıklamama yardımcı olacak en açıklayıcı, en sade benzetme ve gerçek hayattan örnekler kullandım.

Eğer tahmin piyasasında uzun vadeli olarak para kazanmak istiyorsan, kumarbaz olmaktansa, bu makale senin için bir başlangıç noktasıdır.

Ayrıca, bu makale Agent yapısına optimize edilmiştir. Tam olarak insiders.bot platformunun hem gerçek kişilere hem de AI tüccarlara nasıl optimize edildiği gibi. Bu nedenle, bu makaleyi OpenClaw, Manus, Claude veya herhangi bir AI'ınıza beslemenizi ve hemen kendi kantitatif modelinizi oluşturmaya başlamanızı öneririm.

Giriş: Ticaret mi Yapıyorsunuz, Kumar mı Oynuyorsunuz?

Öncelikle sana bir soru sormak istiyorum.

Polymarket'te "Trump Seçimi Kazanır" sözleşmesini gördünüz ve YES fiyatı 0,52 dolar. Onun kazanma olasılığını daha yüksek görüyorsunuz, bu yüzden 520 dolar harcayarak 1000 adet YES hissesi aldınız.

Siz ticaret yaptığınızı düşünüyorsunuz. Ancak aslında sadece kumar oynuyorsunuz. Çünkü şu sorulara cevap vermediniz:

* Sizin %52'niz nasıl hesaplandı?

* Bilgi kaynağınız diğer piyasa katılımcılarından daha mı iyi?

* Yarın bir haber çıktığında, olasılık tahmininiz nasıl güncellenmeli?

* "Neyse ki yanıldığımda" durumunda iflas etmemek için ne kadar pozisyon almalısınız?

Bu sorulara, "hiss" ile değil, matematikle cevap verilmelidir.

2025 yılında, önde gelen kantitatif işlem şirketlerinde (Jane Street, Citadel, HRT) yeni başlayan bir kantitatif analistin yıllık maaşı 300.000 ile 500.000 dolar arasındadır. Finansal alanda yapay zeka ve makine öğrenme yönlü işe alım %88 artmıştır. Bu, bu şirketlerin matematikçileri sevmesinden değil, matematiğin gerçekten daha doğru bir değerleme modeli aracılığıyla para kazanabilmesinden kaynaklanmaktadır.

Ve işte Polymarket, tüm kantitatif finansın temel kavramlarını mükemmel bir şekilde birleştiren bir ticaret pazarıdır: olasılık teorisi, bilgi teorisi, çözümlemeli optimizasyon, tamsayı programlama, hepsi gereklidir.

Bölüm 1: Olasılık, Belirsizlik Dünyasının Tek Dili

Çoğu insan kantitatif ticaret hakkında büyük bir yanlış anlama içindedir. Onlar kantitatif ticaretin "hisse seçme" olduğunu, belirli bir olay hakkında özel bir içgörüye sahip olduğunu düşünürler.

Aslında böyle değil.

Kantitatif ticaretin özü = Saf matematik.

Daha da spesifik olarak, aradığınız şey şudur:

* İstatistiksel olarak ilişki

* Fiyatlandırmanın etkin olmayışı

* Yapısal üstünlük.

Bu üstünlüklerin varlığı, çünkü piyasa insanlardan oluşan karmaşık bir sistemdir ve insanlar her zaman sistemsel hatalar yaparlar.

Kantitatif finans dünyasında, tüm sorunlar sonunda bir soruya indirgenebilir: Oran ne kadar, ve bu oran bana karşı ne kadar avantaj sağlıyor?

Dolayısıyla öncelikle, "olasılık"ın doğasını derinlemesine anlamanız gerekmektedir.

Şartlı Düşünme: Mutlak Doğru ve Yanlışa Veda

Sıradan insanlar bir sorunu düşünürken, genellikle mutlak doğru ve yanlışı kullanmayı tercih ederler. Bir şey ya olur ya da olmaz.

Ancak bir kantitatif analistin düşünme şekli koşullu olacaktır.

Onlar şöyle soracaklardır: Belirli bazı bilgilere sahipken, bu olayın gerçekleşme olasılığı nedir?

"Belirli bilgilere sahipken olasılık" koşullu olasılıktır.

Layman terms ile anlatmak gerekirse: Yeni bir ipucu elde ettiğinizde, orijinal olasılıklar nasıl değişir?

Biraz kafa karıştırıcı mı geldi? Bir Polymarket örneğine bakalım.

Fiyatı bugün yükselecek mi diye bir \"belirli bir token\" işlemi yapmayı düşünüyorsunuz. Geçmiş veriler, bu tokenin her gün yükselme olasılığının %60 olduğunu gösteriyor. Bu temel olasılıktır (Baz Oran). Ancak, bugün bu tokenin işlem hacmi geçmiş ortalamayı aştıysa, yükselme olasılığı %75'e çıkacaktır.

O %75'lik koşullu olasılık, gerçek "sinyal"dir. O yalnızca %60 ise, o sadece gürültüyle dolu arka plan verisidir.

Daha açıklayıcı bir örnek verelim. Yağmur yağma olasılığı %30. Ama gökyüzü artık kapkara mı? Yağmur yağma olasılığı muhtemelen %85'e yükselecektir. "Kapkara bulutlar" sizin koşullu bilginizdir, bu bilgi sayesinde olasılık tahmininiz %30'dan %85'e zıplar. İşte koşullu olasılığın özü budur.

Bayes Teoremi: İnançlarınızı Anlık Olarak Nasıl Güncellersiniz

Bayes Teoremi, kuantitatif ticaretin ruhudur. Cevapladığı soru şudur: Yeni veriler elde ettiğinizde, mevcut inançlarınızı nasıl güncellemelisiniz?

Formülü şöyledir:

P(A|B) = P(A∩B) / P(B)

* P(A|B): B'nin meydana geldiği bilindiğinde, A'nın meydana gelme olasılığı

* P(A∩B): A ve B'nin aynı anda meydana gelme olasılığı

* P(B): B'nin meydana gelme olasılığı

Bayes Teoreminin mantıksal özü şudur:

* Önce bir tahmininiz var (mesela: Bu olayın %50 olasılıkla gerçekleşeceğini düşünüyorum).

* Aniden, yeni bir kanıt görürsünüz (mesela: Olumlu bir haber çıktı).

* Kendinize iki soru sorarsınız: Eğer bu olay gerçekten gerçekleşecekse, bu haberi çıkaran olasılık ne kadardır? Eğer bu olay hiç gerçekleşmeyecekse, bu haberi çıkaran olasılık ne kadardır?

* Bu iki sorunun cevabına göre, tahmininizi ayarlarsınız (örneğin: %50'den %58'e yükseltirsiniz).

Bir Polymarket senaryosuyla başlayalım.

Modeliniz, belirli bir piyasanın adil fiyatının $0.50 olması gerektiğini hesaplar (yani bu olayın gerçekleşme olasılığının %50 olduğunu düşünüyorsunuz). Bu sizin önyargılı inancınızdır.

Aniden, bir ani haber ortaya çıkar. Ekonomik veriler beklenenden %3 daha iyi çıktı.

Bayes'in Teoremi'ni kullanarak yeni inancınızı kesin olarak hesaplayabilirsiniz. Varsayalım ki %58 çıktı. Bu durumda yeni adil fiyatınız $0.58 olacaktır.

Pazarda, bu tür olasılık güncellemelerini en hızlı ve en doğru şekilde yapan kişi, çoğu parayı alır. Bu nedenle birçok milyon dolar harcamak isteyen niceliksel ekipler, düşük gecikmeli sistemler oluştururlar. Hızlı olmayı sevdikleri için değil, çünkü 0.1 saniye önce daha çok para kazanmayı sağlar.

Eğer temeli sağlam atmak istiyorsanız, Harvard Üniversitesi'nin ücretsiz Introduction to Probability (Olasılık Teorisi Girişi) kitabını okuyabilirsiniz, ilk 6 bölüm yeterlidir. Sonra Python kullanarak 10.000 defa para atma simüle eden bir kod yazmayı deneyin ve büyük sayılar yasasının nasıl çalıştığını gözlemleyin.

Beklenen Değer ve Varyans: En İyi İki Arkadaşınız

İşlem yaparken, her şeyden önemli olan iki sayı vardır.

Beklenen Değer (Expected Value, EV), güveninizdir.

Bir işlemin beklenen değeri pozitifse, bu uzun vadede işlemi yeterince sık tekrarlarsanız kesinlikle para kazanacağınız anlamına gelir.

Varyans (Variance), riskinizdir.

Size, "uzun vadede" o parayı kazanmadan önce ne tür dalgalanmalar yaşayacağınızı söyler.

Örneğin, bir stratejiniz olduğunu varsayalım; her bir işlemin beklenen getirisi $2, ancak standart sapma $50. Bu, her ne kadar ortalama olarak her işlemde $2 kazanıyor olsanız da, tek bir işlemin sonucunun -100 dolardan +100 dolara kadar ciddi şekilde dalgalanabileceği anlamına gelir. Eğer başlangıç sermayeniz sadece $200 ise, belki de "uzun vadede" gelmeden önce üç kez sert bir şekilde zarar ederek elenebilirsiniz.

Kelly Kriteri: Bahis Miktarını Bilimsel Olarak Belirleme

Ortalama ve varyansı bildiğimize göre, iyi bir fırsatla karşı karşıya kaldığımızda ne kadar satın almalıyım? Her şeyimi riske atmalı mıyım?

Kesinlikle hayır. Burada Kelly Kriteri'ni tanıtmamız gerekiyor.

Kelly Kriteri, size şunun hakkında bilgi verir: Verilen bir kazanma oranı ve oran altında, paranızın hangi yüzdesini bahse koymalısınız ki paranız en hızlı şekilde büyüsün, ancak iflas etmeyin.

Eğer sonuç %20 çıkarsa, bu demektir ki en fazla paranızın %20'sini bahse koyabilirsiniz.

Gerçek hayatta, kazanma oranını genellikle yanlış tahmin ettiğimiz için (60% kazanma şansınız olduğunu düşünürken, aslında belki de sadece %55'tir), önde gelen yatırımcılar genellikle "Yarı Kelly" (Half Kelly) kullanır, yani Kelly Kriteri'nin hesapladığı sonucun yarısıyla bahse girerler. Bu, sermaye dalgalanmasını büyük ölçüde azaltabilir ve aynı zamanda kazanma hızının çoğunu korur.

1. Bölüm Sonrası Ödev (Günde 2 Saat, Yaklaşık 3-4 Hafta Sürecek):

1. Okuma: Blitzstein & Hwang'ın "Girişe Olasılık" kitabını okuyun (Harvard tarafından ücretsiz PDF sürümü sağlanmaktadır, bağlantı: http://probabilitybook.net[[1」(https://stat110.hsites.harvard.edu/)).

2. Kodlama Egzersizi 1: 10.000 kez para atma simüle edin ve "Büyük Sayılar Yasası"nı görsel olarak doğrulayın.

3. Kodlama Egzersizi 2: Bir Bayes güncelleyici uygulayın: Prior olasılığı ve olabilirlik fonksiyonunu girin, Posterior olasılığı çıktı olarak alın.

2. Bölüm: İstatistik = Gürültü Dedektörünüz

Olasılık dilini öğrendikten sonra, bir sonraki adım "verileri dinlemeyi" öğrenmektir.

İşte istatistik.

İstatistiğin bize verdiği ilk ders şudur: Sinyal gibi görünen çoğu şey aslında gürültüdür.

Varsayım Testi ve Çoklu Karşılaştırma Tuzağı

Varsayalım bir ticaret robotu yazdınız, geri test verileri gösteriyor ki yılda %15 kar elde etmiş. Bu doğru mu, yoksa şans mı işte?

Bu noktada bir p-değeri hesaplamanız gerekecek: Eğer bu strateji aslında çöp bir strateji ise (tamamen şansa dayalı), %15 getiri elde etme olasılığı nedir? İstatistik size bu olasılığın ne kadar düşük olduğunu söyleyebilir (örneğin, %5'ten düşük).

Ancak burada, çoklu karşılaştırma sorunu (Çoklu Karşılaştırmalar Problemi) adı verilen büyük bir tuzak var.

Hayal edin, 1.000 maymuna her birinin 100 kez dart atmalarını sağlıyorsunuz. Tamamen şansa bağlı olarak, bazı maymunların ardışık olarak bullseye vurabileceği birkaç maymun mutlaka olacaktır, sanki "Dart Ustası" gibi görünecektir. Ancak buna dayanarak onları yatırım yöneticisi olarak işe almayacaksınız, değil mi?

İşlem stratejisi yazmak da aynı şekildedir. Eğer bilgisayarınızla tarihsel verileri çalıştırmak için 1.000 rastgele strateji oluşturursanız, tamamen şansa bağlı olarak yaklaşık 50 stratejinin iyi para kazanabileceği görünecektir.

Yeni başlayan her birey, buldukları "etkili stratejileri" ciddi şekilde abartır. Size şunu sorunsuz bir şekilde söyleyebilirim, yazdığınız ilk 10 strateji muhtemelen sadece şanslı maymunlardır.

Çözüm nedir? Belirginlik eşik değerinizi artırmak için Bonferroni düzeltmesini kullanmanız gerekir veya hata keşif oranını (FDR) kontrol etmeniz gerekir. Basitçe söylemek gerekirse, eğer 100 stratejiyi test ettiyseniz, belirginlik eşik değeriniz artık 0.05 olmayacak, bunun yerine 0.05/100 = 0.0005 olacaktır. Bu şekilde şansın getirdiği yanıltıcı sinyalleri filtreleyebilirsiniz.

Regresyon Analizi: Getiri Kaynağınızı Ayırma

Lineer regresyon finansal dünyanın temel aracıdır. Nicel işlemde, strateji getirinizi genel piyasa performansıyla karşılaştırırsınız.

Buradaki α (Alfa) aralık terimi, sizin aşırı getirinizdir. Bu, genel piyasa performansıyla açıklanamayan ve sadece kişisel yeteneklerinizle kazandığınız paradır.

Bir örnek verelim. Diyelim ki stratejiniz bu yıl %20 kazandı. Ancak eğer tüm piyasa gözlerini kapatıp alsaydı %18 kazanabilirdi, o zaman teknik puanınız (Alfa) aslında sadece %2 olur.

Daha da kötüsü, eğer stratejiniz sadece "trendi takip etmeye" dayanıyorsa, o zaman genel piyasa oynaklığı çıkarıldıktan sonra, Alfa'nız sıfır hatta negatif olabilir. Bu da sözde "ticaret üstünlüğünüzün" aslında sürüklemeyle gizlenmiş olduğunu gösterir.

Finansal verilerde, özellikle dikkate alınması gereken bir konu daha var: Veriler arasında genellikle otokorelasyon (bugünkü fiyatın dünle ilişkili olması) ve heteroskedastisite (volatilitenin sabit olmaması) bulunmaktadır. Bu nedenle regresyon sonuçlarınızı düzeltmek için Newey-West standart hatalarını kullanmanız gerekmektedir, aksi halde istatistiksel testleriniz aşırı iyimser sonuçlar verecektir.

Maksimum Olabilirlik Tahmini (MLE): Tersine Mühendisliğin Sanatı

Bir üst düzey kuruluşun bir kuantum matematikçisi "bir modeli ayarladıklarından" bahsederken neredeyse her zaman anlattığı şey, Maksimum Olabilirlik Tahmini (MLE) hakkındadır.

MLE'nin prensibi aslında oldukça anlaşılır, bu, bir tür "tersine mühendislik"tir.

Bir örnek verelim. Bir gölette 2 metre çapında bir su birikintisi gördünüz. Dün gece ne kadar yağmur yağdığını bilmek istiyorsunuz. Size farklı yağmur miktarlarının ne kadar su birikintisi yapacağını söyleyen bir "yağmur modeliniz" var.

MLE'nin yaptığı şey, tersine doğru çıkarmaktır: Bir 2 metrelik bir su birikintisi gördüyseniz, tüm olası yağmur miktarları arasında, hangi yağmur miktarının bu kadar büyük bir su birikintisine neden olma olasılığı en yüksektir?

Volatiliteye bir GARCH modeli sığdırmak veya pazar fiyatlarına dayalı olarak opsiyon fiyatlandırma yapmak gibi olsun, MLE temel bir araçtır.

Ticarette de durum aynıdır. Pazardaki opsiyon fiyatlarını gördünüz (su birikintisi), gelecekteki volatilite beklentilerini tersine çevirmek istersiniz (yağmur miktarı). MLE, size mevcut fiyatı en iyi açıklayan gizli parametreyi bulmanıza yardımcı olur.

Bir örnek olarak, gerçek varlık fiyat verilerini indirmeyi deneyebilirsiniz (örneğin Python'ın yfinance kütüphanesini kullanarak). Bunların normal dağılıma uygun olup olmadığını test edin.

Spoiler Uyarısı: Kesinlikle uygun değil. Gerçek dünya, Kalın Kuyruklar (Fat Tails) ile doludur, yani aşırı olayların normal dağılım tahmininden çok daha sık gerçekleştiği durumlar. Bir t-distribution uydurmak için MLE kullanarak, gerçek riskin neye benzediğine bir göz atın.

İkinci Bölüm Sonu Ödevi (Yaklaşık 4-5 Hafta Sürecek):

1. Okuma: Wasserman'ın "All of Statistics (İstatistiğin Tümü)" kitabının 1 ila 13. bölümlerini okuyun. (CMU'nun ücretsiz PDF sürümü: https://www.stat.cmu.edu/~brian/valerie/617-2022/0%20-%20books/2004%20-%20wasserman%20-%20all%20of%20statistics.pdf)

2. Programlama Alıştırması 1: Yfinance kullanarak gerçek hisse senedi getirileri verilerini indirin, bu verilere normal dağılım testi uygulayın (Spoiler: Muhtemelen reddedilecek ve getirilerin normal dağılıma uymadığını gösterecek). Daha sonra en büyük olabilirlik kestirimi (MLE) kullanarak bir t dağılımı uygunlaştırın ve ikisinin farkını karşılaştırın.

3. Programlama Alıştırması 2: statsmodels kütüphanesini kullanarak bir hisse senedi portföyü için Fama-French üç faktör regresyonu yapın.

4. Programlama Alıştırması 3: Bir Permutasyon Testi uygulayın: Tarihi 10.000 kez rasgele karıştırın, karıştırma sonrası performansı gerçek performansla karşılaştırın.

Bölüm 3: Lineer Cebir, Nicel Finansın Altında Yatan Motoru

Birçok insan lineer cebirin sıkıcı olduğunu düşünür, sadece bir dizi matris işlemidir. Ancak aslında, bu, tüm nicel finans dünyasının makinesini çalıştırır.Yatırım portföyü oluşturma, temel bileşen analizi (PCA), sinir ağları, kovaryans tahmini, faktör modeli, hepsi buna dayanır.

Hatta, bir kırsal efsanesine göre,% 30 yıllık getiri ile gerçekten Warren Buffett'ı yenenBüyük Madalyon Fonu, temelde lineer cebire dayalı Markov modelini kullanır.

Eğer matrisleri düşünürken akıcı değilseniz, bir kuantum bilgisayar olamazsınız.

Kovaryans Matrisi: Varlıklar Arasındaki Etkileşimi Anlama

Bir kovaryans matrisi Σ (Sigma), her bir varlığın diğer tüm varlıklara göre nasıl hareket ettiğini yakalar.

Eğer 500 pazarda işlem yapıyorsanız, bu matris 500×500 boyutunda olacak ve 125,250 benzersiz girdi içerecektir. Her bir girdi size şunu söylemektedir: "Varlık A yükseldiğinde, Varlık B'nin yükselme eğilimi var mı, yoksa düşme eğilimi mi, yükselme veya düşme ne kadar büyük."

Ve tüm portföyün varyansı, son derece zarif bir matematiksel ifadeye çözülebilir:

σ²_p = w^T Σ w

* w sizin pozisyon ağırlık vektörünüzdür

* Σ kovaryans matrisidir

Bu kuadratik formül, Markowitz yatırım portföyü teorisinin çekirdeğidir, risk yönetiminin çekirdeğidir, her şeyin çekirdeğidir.

Yani, eğer ilgili birden fazla piyasa üzerinde aynı anda işlem yapıyorsanız (\"Trump seçimi kazanır\" ve \"Cumhuriyetçiler Senato'yu kazanır\" gibi), genel riskiniz sadece her piyasanın riskini toplamak değildir. Bunların arasındaki ilişkiyi düşünmeniz gerekir. Kovaryans matrisi de, size bu konuda yardımcı olan bir araçtır.

Özdeğer Ayrışımı ve PCA: Gizli İtici Güçleri Bulma

Özdeğer ayrışımını (Eigendecomposition) ve Principal Component Analysis (PCA) kullanmaya başladığınızda, dünyayı algılama şekliniz değişecektir.

PCA'yı açıklamak için şu benzetmeyi kullanabiliriz: Bir kişinin vücut yapısını tanımlamanız gerektiğini düşünün, boyunu, kilosunu, kollarının uzunluğunu, bacaklarının uzunluğunu, omuz genişliğini vb. onlarca veriyi kaydedebilirsiniz. Ancak aslında, bu verilerin çoğu birbiriyle ilişkilidir (uzun boylu insanlar genellikle uzun bacaklara sahiptir). PCA'nın amacı, bu onlarca karmaşık veriyi, birkaç temel \"gizli etiket\"e yoğunlaştırmaktır, örneğin: \"Genel vücut büyüklüğü\" ve \"şişmanlık derecesi\".

Mali piyasalarda durum aynıdır. 500 tokenin fiyat hareketini gözlemliyorsanız, sadece ilk 5 \"gizli etiket\" (özellik vektörü), piyasanın %70'lik dalgalanmasını açıklayabilir. Geri kalan her şey, genellikle gürültüdür.

Siz, 500 tokenin her birinin ne yaptığını anlamanıza gerek yoktur. Sadece bu 5 \"gizli itici güçü\" anlamanız yeterlidir (örneğin: genel piyasa duygusu, faiz oranı değişiklikleri, belirli yarış pistinin popülaritesi vb.). Bu boyut indirgeme sihrinin kendisidir.

Eğer yeterince zamanınız varsa, MIT'den Gilbert Strang'in Lineer Cebir dersini açıkça derslerini izlemenizi öneririz. Sonra Python kullanarak S&P 500'ün getirisine bir PCA ayrışımı yapın ve ilk birkaç ana bileşenin ne olduğunu kendi gözlerinizle görün.

Görüntüleyeceksiniz, ilk ana bileşen neredeyse \"tüm piyasanın yükseliş ve düşüşü\"ne eşittir.

Üçüncü Bölüm Sonrası Ev Ödevi (Yaklaşık 4-6 Hafta):

1. Video İzleme: Gilbert Strang'in MIT 18.06 Lineer Cebir tüm derslerini izleyin, hiçbir bölümü atlamadan. (MIT OpenCourseWare ücretsiz izleme: https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/video_galleries/video-lectures/)

2. Okuma: Strang'ın "Lineer Cebir'e Giriş" kitabını okuyun, kitaptaki alıştırmaları yapın. (Kitabın resmi websitesi: https://math.mit.edu/~gs/linearalgebra/)

3. Programlama Egzersizi 1: S&P 500'ün getiri verileri üzerinde PCA (Temel Bileşen Analizi) analizi yapın, özdeğer spektrumunu (her bir ana bileşenin ne kadar varyansı açıkladığı) çizin ve en önemli 3 ana bileşeni belirleyin.

4. Programlama Egzersizi 2: Markowitz Ortalama-Varyans Optimizasyonunu sıfırdan uygulayın.

Chapter 4: Calculus and Optimization, The Language of Change

Calculus is the language of "change." In the financial markets, everything is changing: prices, volatility, correlations, the entire probability distribution shifts in seconds.

Calculus is used to describe and leverage these changes.

Derivatives and Taylor Expansion: Simplifying the Complex

Derivatives appear in every backpropagation of a neural network and in the calculation of every option's "Greeks."

In quantitative trading, we often use Taylor expansion for approximate calculations. Fundamentally, derivatives provide the necessary input for Taylor expansion.

The essence of Taylor expansion is to simulate any complex function by fine-tuning a polynomial, thus modeling the relationship between x (key factor) and y (asset price).

Assume you need to draw a highly complex curved line, but you only have a ruler. What do you do?

First, you use a straight line to approximate a point on the curve (this is called a first-order approximation, Delta in options). Near this point, the line is similar to the curve.

Second, if you want a better approximation, you can slightly bend the line, turning it into a parabola (this is called a second-order approximation, Gamma in options).

The more times you bend, the closer your drawn line will be to that complex curve.

İşlem sırasında, bir opsiyonun fiyatı değişimi son derece karmaşık bir formüldür. Hesaplayamayız, bu yüzden Taylor serisini kullanırız ve onu birkaç basit parçaya böleriz:

Fiyat Yönü Etkisi (Delta) + Fiyat Eğriliği Etkisi (Gamma) + Zamanın Etkisi (Theta) + Oynaklığın Değişiminin Etkisi (Vega).

Konveks Optimizasyon: En İyi Çözümü Bulma

Quantitative finance'de, neredeyse tüm "eniyileme" problemleri konveks optimizasyon (Convex Optimization) problemlerine dönüştürülebilir. Örneğin: Verilen bir risk bütçesi durumunda, getiriyi en üst düzeye çıkarmak için sermayenin nasıl tahsis edileceği?

Hayal et: Gözlerin bağlı bir şekilde bir vadide bırakılırsın ve vadi tabanına (en iyi çözüm) gitmen istenir.

* Eğer bu vadi engebeliyse, muhtemelen vadinin yarısındaki bir çukura ulaşıp çıkamazsın (yerel optimum).

* Ancak bu kase şeklinde mükemmel bir vadiyse, sadece eğimin yönünde devam etmen (gradyan inişi), gözlerin kapalı olsa bile kesinlikle vadinin en altındaki tek en düşük noktaya ulaşabilirsin (global en iyi çözüm).

Eğer finansal bir problemi "kase" şeklinde bir matematiksel formüle dönüştürebilirseniz, bilgisayar anında sizin için en mükemmel cevabı bulabilir. İşte konveks optimizasyonun sizin için yaptığı şey budur. Orijinal yazar, Stanford Üniversitesi'nden Boyd ve Vandenberghe'nin ücretsiz bir ders kitabı olan "Convex Optimization"ı bahseder ve bu alandaki kutsal kitaptır. Python'ın cvxpy kütüphanesi, karmaşık optimizasyon problemlerini birkaç satır kodla çözmenizi sağlar.

Burada Andrew Ng'nin AI kursunu da tavsiye ederim, ilk birkaç bölümde gradyan inişi ve yerel/globel optimum hakkında konuşulacaktır. Konveks optimizasyonun gerekliliğini daha iyi anlamanıza yardımcı olacaktır. Bağlantı: https://www.youtube.com/watch?v=JPcx9qHzzgk

4. Bölüm Sonu Ödevi (Yaklaşık 4-5 Hafta Sürer):

1. Okuma: Boyd & Vandenberghe'nin "Convex Optimization" (Konveks Optimizasyon) kitabının 1. ila 5. bölümlerini okuyun. (Stanford ücretsiz PDF sürümü sunar: https://web.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf, kitabın ana sayfası: https://stanford.edu/~boyd/cvxbook/)

2. Programlama Egzersizi 1: Sıfırdan Gradyan Azalma Algoritmasını Uygulayarak Rosenbrock Fonksiyonunun Minimum Değerini Bulun. (Rosenbrock Fonksiyonu, en klasik optimizasyon test fonksiyonlarından biridir, basit görünse de aslında optimize etmesi zor, algoritma performansını çokça sınayan bir fonksiyondur.)

3. Programlama Egzersizi 2: Bir Yatırım Portföyü Optimizasyon Problemini çözmek için cvxpy kullanın ve işlem maliyeti kısıtlamasını ekleyin.

Beşinci Bölüm: Rastgele Türev, Veri Bilimcisinden Gerçek Bir Kavramcıya Dönüşüm

Rastgele Türevi öğrenmeden önce sadece 「Finansı Seven Bir Veri Bilimcisi」ydiniz. Onu öğrendikten sonra, gerçek bir kavramcı olursunuz.

Burada, sürekli zaman içinde rastgele değişkenliği nasıl modelleyeceğinizi öğreneceksiniz. Burada, ünlü Black-Scholes denklemini ilkelerinden türeterek, neden trilyon dolarlık türev piyasasının şu anda bu şekilde işlediğini gerçekten anlayacaksınız.

*Not 5.1: Black-Scholes Denklemi ve anlamı hakkında daha iyi bir anlayış kazanmak için önceki "Polymarket Likidite Manifestosu"na başvurabilirsiniz. Bağlantı: https://x.com/MrRyanChi/status/2033466480067747844

*Not 5.2: Neden Rastgele Türev (Itô calculus) ve normal türev farklıdır? Çünkü rastgele süreçte, ikinci derece Taylor terimi ortadan kalkmaz. Normal türevde, zaman aralığı sıfıra yaklaştığında ikinci derece terim önemsiz hale gelir. Ancak rastgele süreçte, Brownian hareketin özel özelliği (dW)² = dt nedeniyle, ikinci derece terim birinci derece büyüklüğe dönüşür, ihmal edilemez. Ayrıntılar için aşağıya bakınız.

Brownian Hareketi: Saf Rastgeleliğin Matematiksel İfadesi

Brownian Hareketi (veya Wiener süreci, W_t), sürekli zamanlı bir rastgele yürüyüştür.

Bir sarhoşun bir meydanda yürüdüğünü hayal edin. Her adımda, yönü tamamen rastgeledir. Yürüdüğü o eğri büğrü, hiçbir düzeni olmayan iz, Brownian Hareketi'ni oluşturur. Hisse senedi fiyatındaki sıçramalar, matematiksel olarak bu sarhoşun adımları olarak görülür.

Brownian Hareketinin birçok örneği vardır, bilimsel olarak, hava parçacıklarının hareketi de rastgeleye yakındır ve Brownian Hareketi olarak kabul edilir.

İşte her şeyi belirleyen bir keşif var: Brownian Hareketi'nde, zamanın ilerlemesi ve mesafenin karesi eşdeğerdir (yani (dW)² = dt). İşte bu özellik sayesinde rastgele türev, normal türevden farklılaşır.

Itō's Lemma: Stokastik Dünyanın Zincir Kuralı

Hisse Senedi Fiyatları genellikle Geometrik Brown Hareketi (GBM) ile modellenir:

dS_t = μS_t dt + σS_t dW_t

Çeviri: Fiyat Değişikliği = Beklenen Getiri Oranı Tarafından Getirilen Eğilim + Volatilite Tarafından Getirilen Rastgele Titreşim

Ve Itō'nun Lemması (Itō's Lemma), Stokastik dünyadaki zincir kuralıdır.

* Normal bir integralde (örneğin, düzgün bir şekilde seyreden bir aracın yolculuğunu hesaplarken), yalnızca hızı (birinci türevi) düşünmeniz gerekir.

* Ancak stokastik bir integralde (örneğin, çok sarsıntılı kötü bir yolda seyreden bir aracın yolculuğunu hesaplarken), çünkü yol yüzeyinin kendisi çok sarsıntılı (volatilite) olduğundan, bu sarsıntı aracın yolculuğunu önemli ölçüde değiştirecektir.

Bu nedenle Itō'nun Lemması bize şunu söyler: Rastgele değişiklikleri hesaplarken, yalnızca yönü (birinci terim) değil, “sarsıntı derecesini” (ikinci terim) de formüle eklemelisiniz. Eğer eklemezseniz, hesapladığınız fiyat yanlış olacaktır.

Black-Scholes ve Risk Nötr Fiyatlandırma

Itō'nun Lemmasını bir opsiyon fiyatına uygulayıp bir hedge yatırım portföyü oluşturduğunuzda, bir mucize gerçekleşir.

Türetilen Black-Scholes denkleminde, "beklenen fiyat hareketi"ni temsil eden o değişken, formülde birbirini ortadan kaldırır ve yok olur!

Bu ne anlama geliyor? Bu, bir opsiyonun fiyatının, bu hisse senedi için ileriye dönük yükseliş veya düşüş beklentinize hiçbir şekilde bağlı olmadığı anlamına gelir.

Yani, bir çağrı opsiyonu satın aldığınızı varsayalım. Opsiyonun fiyatının yüksek olmasının nedeni herkesin yükselişi beklemesidir diye düşünüyorsunuz. Yanlış! Mükemmel matematik modelinde, opsiyon fiyatı sadece bir şeye bağlıdır: Bu hisse senedinin gelecekte ne kadar sert dalgalanacağı. Sert bir şekilde yükselmesi mi yoksa sert bir şekilde düşmesi mi önemli değildir.

Bu kavramı gerçekten anladığınızda, bu duygu son derece etkileyicidir. Bu durum, neden aşırı derecede boğa bir tüccar ile aşırı derecede ayı bir tüccarın aynı opsiyon fiyatı üzerinde memnuniyetle ticaret yapabileceğini açıklar. Çünkü onların ticareti yönden ziyade volatiliteye dayanıyor.

Yunan Alfabesi (Yunanca): Riskin Boyutlarına Ayrıştırılması

Black-Scholes Fiyatlama Modeli ile risk, birkaç bağımsız boyuta kesin olarak ayrıştırılabilir. Bu boyutlar Yunan alfabesi harfleriyle adlandırıldığı için bunlara Greeks denir:

* Delta (Δ) - Fiyat Hassasiyeti: Dayanak varlık $1 değişirse, opsiyon fiyatı ne kadar değişir. Size doğrudan riski hedge etmek için ne kadar spot almanız gerektiğini söyler.

* Gamma (Γ) - Eğri Derecesi: Delta'nın değişim hızı. Size hedge pozisyonunuzu ne sıklıkta ayarlamamız gerektiğini söyler. Olay olasılığı yaklaşık %50 olduğunda, Gamma en yüksek ve risk en yüksektir.

* Theta (Θ) - Zaman Aşımı: Her gün opsiyonun ne kadar değer kaybettiği. Bunu opsiyonun her gün ödemek zorunda olduğu bir "kira" olarak düşünebilirsiniz.

* Vega (V) - Oynaklık Hassasiyeti: Oynaklık %1 değişirse, opsiyon fiyatı ne kadar değişir. Bu çoğu Wall Street türev ticaretinin asıl para kazandığı (veya kaybettiği) yerdir.

* Rho (ρ) - Faiz Hassasiyeti: Faiz oranlarındaki değişikliklerin fiyata etkisi. Genellikle etkisi küçüktür ve göz ardı edilebilir.

Chapter 5 Homework (Estimated Completion Time: 6-8 Weeks):

1. Reading: Read Shreve's "Stochastic Calculus for Finance II," which is the gold standard textbook in the field. (PDF Version: https://cms.dm.uba.ar/academico/materias/2docuat2016/analisis_cuantitativo_en_finanzas/Steve_ShreveStochastic_Calculus_for_Finane_II.pdf)

2. Alternative Textbook: If you find Shreve too challenging, you can read Arguin's "A First Course in Stochastic Calculus," which is more up-to-date and easier to read. (AMS Official Page: https://bookstore.ams.org/amstext-53/)

3. Türevleme Egzersizi 1: f(S) = ln(S) fonksiyonuna İto Lemması uygulayın, burada S Geometrik Brownian Hareket (GBM) modeline uymaktadır. Bu önemli −σ²/2 düzeltme terimini türetin. (Bu düzeltme terimi, log getiri ve sürekli bileşikleme arasındaki ilişkiyi anlamanın temelidir.)

4. Türevleme Egzersizi 2: Delta Hedgeleme argümanından yola çıkarak, Black-Scholes Kısmi Türev Denklemi'ni tam olarak türetin.

6. Programlama Egzersizi: Black-Scholes formülü fiyatlandırmasını sıfırdan uygulayın, ardından Monte Carlo simülasyonu ile fiyatlandırma yapın, iki sonucu karşılaştırın ve Monte Carlo'nun simülasyon sayısı arttıkça analitik çözüme yakınsadığını doğrulayın.

Altıncı Bölüm: Polymarket ve LMSR, Tahmin Piyasalarının Matematik Motoru

Şimdi, tüm matematik silahlarımızı alıp günümüzün en ilginç ticaret pazarlarından birine geri götürelim: Polymarket.

Polymarket'ın arkasındaki matematik, bu makalede bahsedilen her şeyi mükemmel bir şekilde birleştiriyor: olasılık teorisi, bilgi teorisi, çözümleme ve tamsayı programlama.

LMSR = Sinir Ağı Softmax'ı

Erken dönem tahmin piyasalarında, otomatik piyasa yapıcılar genellikle LMSR (Logaritmik Pazar Skor Kuralı) adı verilen bir mekanizma kullanır. Bu mekanizma, ekonomist Robin Hanson tarafından icat edilmiştir.

Maliyet fonksiyonu şudur: C(q) = b · ln(Σ e^(q_i/b)) burada:

* q_i bir sonucun açık pozisyon miktarıdır

* b likidite parametresidir (b ne kadar büyükse, pazar o kadar "kalın" olur ve fiyat büyük işlemlerle zor değiştirilir).

Bu maliyet fonksiyonuna göre, herhangi bir sonuç i için piyasa fiyatını hesaplayabiliriz:

p_i = e^(q_i/b) / Σ_j e^(q_j/b)

Eğer biraz makine öğrenmesinden anlıyorsanız, LMSR'nin fiyat hesaplama formülünü görünce hemen "Bu Softmax fonksiyonu değil mi!" diyeceksiniz!

Softmax Nedir? Varsayalım ki üç elmanız var, sırasıyla 100g, 50g ve 20g ağırlığındalar. Bu ağırlıkları "yüzde olasılık" olarak dönüştürmek istiyorsunuz. Softmax, bir "olasılık dönüştürücüsü" dır. Bu sayıları sadece toplamı 100% olan olasılıklara dönüştürmekle kalmaz, aynı zamanda farkı da büyütür. Biraz daha ağır olan elma, çok daha büyük bir olasılık payı alır.

Piyasa fiyatlamasını yönlendiren formül ve herhangi bir yapay zekânın (örneğin ChatGPT) bir sonraki kelime tahminini yönlendiren formül, matematiksel olarak tamamen eşdeğerdir. Bu tesadüf değil. İki formülün de temel mantığı aynıdır: Karmaşık bir sayı kümesini, geçerli bir olasılık dağılımına zarif bir şekilde dönüştürmek.

Bu mekanizma birkaç son derece zarif özelliği garanti eder.

* Tüm olası sonuçların fiyatı her zaman 1'e eşittir, kesinlikle olasılık aksiyomuna tam olarak uyar. Fiyat her zaman 0 ile 1 arasındadır.

* Sonsuz likidite sağlayabilir (her zaman biriyle işlem yapabilirsiniz).

* Piyasa yapıcının muhtemel maksimum zararı sıkı bir şekilde n × ln(n) içinde kısıtlanmıştır, burada n = olası sonuçların sayısı.

Polymarket'ın CLOB Mekanizması: Teoriden Uygulamaya

Unutulmaması gereken bir nokta ise, LMSR'ın tahmin pazarı AMM'nin klasik teorik temeli olmasına rağmen, günümüzdeki Polymarket'ın CLOB (Merkezi Limitli Emir Defteri) mekanizmasını kullandığıdır.

Ayrıntılar için geçen yıl ekim ayında yazdığım bu makaleye göz atabilirsiniz: https://x.com/MrRyanChi/status/1977932511775760517

CLOB modunda, fiyat artık sabit bir matematiksel formül tarafından zorunlu olarak hesaplanmaz, ancak tamamen alıcı ve satıcıların piyasada (Alış ve Satış Emirleri ile) verdikleri emirler yoluyla belirlenir. Bu, geleneksel bir hisse senedi ticaret platformu veya Binance'in vadeli işlemler piyasası gibi çalışır.

Bu neden önemli? CLOB mekanizması altında, piyasa yapıcının rolü köklü bir şekilde değişir.

LMSR (Geleneksel AMM) ile CLOB (Polymarket şu anki) Arasındaki Temel Farklar:

* Fiyat Oluşumu: LMSR matematiksel formül tarafından otomatik olarak hesaplanır; CLOB alıcı ve satıcıların emirlerinin oyun teorisi sonucunda oluşur.

* Likidite Kaynağı: LMSR sistem likidite havuzundan otomatik olarak sağlanır; CLOB likiditeyi sağlamak için likidite sağlayıcılarının aktif emir girmesi gerekir.

* Likidite Sağlayıcı Rolü: LMSR'de uzman bir likidite sağlayıcı gerekmez; ancak CLOB'de likidite sağlayıcılar piyasanın hayati bileşenidir.

* Spread Kontrolü: LMSR'ın alış satış farkı sistem parametreleri tarafından belirlenir; CLOB'de spread, likidite sağlayıcılar arasındaki iç rekabet tarafından belirlenir.

* Hedge İhtiyacı: CLOB modunda, likidite sağlayıcılar tek yönlü riskle karşı karşıyadır ve karmaşık çapraz pazar hedge'i yapmak zorundadırlar.

Daha basit bir ifadeyle, LMSR modunda AMM likiditeyi otomatik olarak sağlar, sizin yapmanız gereken tek şey formülle işlem yapmaktır. Ancak CLOB modunda likidite tamamen likidite sağlayıcılardan gelir. Makul bir olasılığı kendiniz hesaplamalı (önceki bölümde bahsedilen Bayes güncellemesi ve istatistiksel modellemeyi kullanarak) ve bu olasılık etrafında alış ve satış emirleri girmelisiniz to capture the spread.

Polymarket'da olasılığı yanlış hesaplarsanız veya ilgili riskleri doğru şekilde hedge etmezseniz, likidite sağlayıcılarınız daha akıllı kantitatif fonlar tarafından anında alınır ve çiğnenirsiniz.

Bölüm 7: Avcılar İçin Mesleki Yol Haritası ve Araç Kutusu

Eğer bu sistemi mesleğiniz haline getirmek veya kendi kantitatif ekibinizi oluşturmak istiyorsanız, bu endüstrinin ekosistemini anlamanız gerekir.

Dört Anahtar Rol

* Kantitatif Araştırmacı (Quant Araştırmacı): Desenleri bulmak, tahmin modelleri oluşturmak için büyük miktarda veride çalışan kişi. Onlar yüksek düzeyde matematik ve istatistik yeteneklerine sahipler. Polymarket bağlamında, bunlar olasılık modeli oluşturur ve bir kontratın "makul fiyatını" belirleme konusunda karar verir.

* Kantitatif Geliştirici (Quant Geliştirici): Altyapıyı oluşturan kişi. C++ , Rust veya Python konularında uzman olanlar, düşük gecikmeli işlem sistemleri oluştururlar. Polymarket bağlamında, bunlar API'lerle entegre edilecek işlem motorunu oluştururlar ve emirlerin milisaniyeler içinde gönderilip yürütülmesini sağlarlar.

* Nicel Ticaretçi (Quant Trader): Fonları yöneten, riski kontrol eden ve anlık kararlar alan kişi. Gelirleri en yüksek varyansa sahiptir. Polymarket'te, aynı anda birden fazla pazarda likidite sağlayan, anlık olarak fiyat farklarını ve pozisyonları ayarlayan kişilerdir.

* Risk Niceliği (Risk Quant): Takımın bekçisi. Model doğrulaması, aşırı durumlarda maksimum zararı hesaplama (VaR) ve stres testinden sorumludur.

Üst Düzey Kuruluşların Maaş Seviyeleri

* Üst Düzey Şirketler (Jane Street, Citadel, HRT gibi): Yeni girenlerin yıllık maaşı $300K ila $500K üzeri olabilir; kıdemli çalışanların yıllık maaşı $1M ila $3M üzeri olabilir; yıldız ticaretçiler $3M ila $30M üzeri alabilir.

* Orta-Üst Düzey Şirketler (Two Sigma, DE Shaw gibi): Yeni girenlerin yıllık maaşı $250K ila $350K; kıdemli çalışanların maaşı $575K ila $1.2M arasında.

*Not: Jane Street'in 2025'in ilk yarısında ortalama çalışan maaşı yıllık olarak $1.4 milyona kadar çıkmıştır.

Önerilen Okuma Listesi (Öğrenme Sırasına Göre)

* Olasılık ve İstatistik - Blitzstein & Hwang "Introduction to Probability": Koşullu olasılık, Bayesci, dağılım

* İstatistik İleri Düzey - Wasserman "All of Statistics": Hipotez testi, regresyon, MLE

* Lineer Cebir - Strang "Introduction to Linear Algebra": Matris, özdeğer, PCA

* Optimizasyon Teorisi - Boyd & Vandenberghe "Convex Optimization": Konveks optimizasyon teorisi ve uygulama

* Rastgele Kalkülüs - Shreve "Stochastic Calculus for Finance II": Brown hareket, Itô lemmaları, BS modeli

* Kuantitatif Finans - Hull'un Options, Futures, and Other Derivatives kitabı: Türev Fiyatlama Manzarası

* Uygulamalı Strateji - Ernest Chan'in Quantitative Trading kitabı: Backtestten Canlı Ticarete Cazibe Çukurlarından Kaçış Rehberi

Kapanış: Daha Erken Bilseydim Keşke Diyeceğim 3 Şey

Makalenin sonunda, orijinal yazar derinlemesine üç anlayış paylaştı. Bu aynı zamanda tüm Polymarket işlemcilerine iletmek istediğim bir tavsiyedir.

1. Tahmin Hatası Asıl Düşmanındır

Birçok insan full Kelly formülünü kullanmayı, veya kısıtsız Markowitz optimizasyonunu, veya yüzlerce özellikle dolu bir makine öğrenme modelini tercih eder. Bunlar sonunda aynı nedenle başarısız olurlar: Gürültüyle dolu tarihi verilere aşırı uyum sağlama.

Matematik, mükemmel bir parametre durumunda mükemmeldir. Ancak gerçekte, asla mükemmel parametrelere sahip olamazsınız. Teorik ve pratik arasındaki uçurum her zaman tahmin hatasıdır.

En üst düzey kantitatif yatırımcılar, en karmaşık modelleri kullananlar değil, hata üzerinde saygıyı sürdürenlerdir. Finansal pozisyonlarını (tam Kelly yerine yarı Kelly ile) bilinçli olarak küçültürler, modelleri basitleştirirler (30 yerine 3 ana özellik kullanırlar) ve kısıtlamalar eklerler.

2. Araçlar Demokratikleşti, Ancak "Güvence" Edilmedi

Bugün, herkes ücretsiz olarak PyTorch indirebilir. Herkes Polymarket'ın API'sine erişebilir. Teknoloji bir gereklilik olsa da artık yeterli değildir.

Gerçek ticaret avantajı (Kenar), benzersiz verilerde, benzersiz modellerde veya benzersiz yürütme yeteneğinde bulunur. Başkalarından daha fazla Python kütüphanesine sahip olmaktan ibaret değildir.

Bu, neden @insidersdotbot'un güncellemelerini tam bir ay ertelediğimizi açıklar; akıllı paranın havuzunu geliştirmek ve daha iyi PNL hesaplama algoritmaları (örneğin resmiye göre daha doğru Split gelir hesaplama modeli gibi) konusunda öncelikle ilerlemek için. Çünkü benzersiz veriler ve modeller, gerçekten daha fazla kazanmanıza yardımcı olabilir veya zararı karlılığa dönüştürebilir.

Polymarket'te Bu Ne Anlama Gelir?

Anlamına gelir ki başkalarının sahip olmadığı bir bilgi kaynağını bulmanız gerekebilir (örneğin, belirli bir alanın uzman ağı), veya başkalarının sahip olmadığı bir model geliştirmeniz gerekebilir (örneğin, birden fazla pazarın anlık olarak ilişkilendirilmesini işleyebilen fiyatlandırma motoru), veya başkalarının sahip olmadığı bir yürütme kabiliyetine sahip olmanız gerekebilir (örneğin, çapraz pazar hedge işlemlerini 10 milisaniyede tamamlayabilen bir ticaret sistemi).

3. Matematik Gerçek Çit

Yapay Zeka size kod yazmanızda yardımcı olabilir, hatta işlem stratejileri önerisinde bulunabilir. Ancak, neden Itô lemmasının bir terimi fazla olduğunu çıkarabilmek, Risk Nötral Ölçü altında indirgenmiş fiyatın Martingale olduğunu kanıtlayabilmek, bir portföy piyasasında konveks gevşeme nın ne zaman sıkı olduğunu değerlendirebilmek.

Bu derin matematiksel sezgi, "yaratıcı avantaj yaratan köpük balon balığı" ile "başkalarının avantajından yararlanan köpük balon balığı" arasındaki temel ayrım noktasıdır. Ve ödünç alınan avantajın süresi geçicidir.

Piyasanın geleceğini tahmin etme, geleneksel opsiyon piyasasının 1973'te geçirdiği dönüşümü yaşıyor. Titiz matematiksel modelleri, oynaklık fiyatlandırması ve karmaşık arbitraj algoritmalarını en önce bu pazara entegre edebilenler, en büyük karı götürecektir.

Sezgiye dayalı bahislere son verin. Olasılığı öğrenmeye gidin, kod yazmaya gidin, matematik çitinizi oluşturmaya gidin.

Tam Teçhizat

Python Teknoloji Yığını

Veri İşleme: pandas, polars (Polars, büyük veri kümelerini işlerken pandas'tan 10 ila 50 kat daha hızlı)

Sayısal Hesaplama: numpy, scipy

Makine Öğrenimi (Tablo Verileri Yönü): xgboost, lightgbm, catboost

Makine Öğrenimi (Derin Öğrenme Yönü): pytorch

Optimizasyon Çözümü: cvxpy

Türev Ürün Fiyatlandırma: QuantLib (Endüstriyel düzeyde kitaplık, C++ ile altta yatan güçlü performans)

İstatistiksel Analiz: statsmodels

Backtesting Çatısı: NautilusTrader

Backtesting Çatısı (Daha Basit ve Kullanıcı Dostu Seçenek): backtrader, vectorbt (Beginner için uygun)

Quant Research Platform: Microsoft Qlib (GitHub'da 17000'den fazla yıldıza sahip, yapay zeka odaklı)

Reinforcement Learning Trading: FinRL (GitHub'da 10000'den fazla yıldıza sahip)

C++ ve Rust

C++ Kullanılan Kütüphaneler: QuantLib, Eigen, Boost

Rust tarafı: RustQuant opsiyon fiyatlandırması için kullanılabilir, NautilusTrader Rust + Python karma mimari kullanır (altta hızı garanti etmek için Rust çekirdek kullanılır, üst katmanda Python API araştırma yapmayı kolaylaştırır).

Veri Kaynağı

Ücretsiz olanlar: yfinance, Finnhub (dakikada 60 istek sınırı), Alpha Vantage

Orta Fiyatlı: Polygon.io (aylık 199 dolar, 20 milisaniyenin altında gecikme), Tiingo

Kurumsal düzeyde olanlar: Bloomberg Terminal (yaklaşık yılda 32000 dolar), Refinitiv, FactSet

Blockchain Verisi: Alchemy (ücretsiz paket seçeneği sunar, geçmiş arşiv verilerine erişimi destekler)

Bunların dışında, @insidersdotbot yakında API'sını açık kaynak yapacak. Hazır bir Akıllı Para veri tabanı ve ticaret işlevselliği içerecektir. Haberleri almak için çan simgesine tıklamayı unutmayın.

Çözümleyiciler

Gurobi: Ticari amaçlı en hızlı karma tamsayılı çözümleyici, öğrenciler ve akademik kullanıcılar ücretsiz lisans için başvurabilir. Birleşik arbitraj türü sorunları çözmek için vazgeçilmezdir.

Google OR-Tools: Ücretsiz çözümleyiciler arasında en güçlü olanı.

PuLP / Pyomo: Python modelleme arabirimi, çeşitli çözümleyicileri tanımlamak ve çağırmak için kullanılır.