YAPAY ZEKA İLE FİYAT TAHMİNLEME

Bir emtianın gelecek fiyatını tahmin edebilmek mükemmel olmaz mıydı? Petrolün, altının, gümüşün fiyatının ne olacağını tahmin edebilmek ve buna göre planlama yapıp geleceğe yönelik hazırlık yapabilmek hem bireyler hem kurumlar için hayat kurtarıcı olabilirdi. Bir birey için bu tarz fiyat tahminlemeleri yapmak; 7/24 piyasa takibi, duygusal olma, yorulma, temel ihtiyaçlara zaman ayırma gibi birçok farklı etmenden kaynaklı neredeyse imkânsız bir durumdur. Ancak bir yapay zekâ için değil. Peki bir yapay zekâ nasıl fiyat tahminlemesi yapabilir?

Zaman Serisi Analizi: Yapay zekâ, fiyat tahminlemelerini gerçekleştirmek için genellikle zaman serisi verilerini analiz etmektedir. Zaman serisi, belirlenmiş bir zaman diliminde toplanan ardışık veri noktalarının dizisidir. Günlük hisse senedi fiyatları, aylık alış/satış verileri veya haftalık ekonomik göstergeler buna örnek olabilir.

Özellik Mühendisliği: Veri analizi sürecinde elde edilen ham verilerin işlenmesi ve bunlardan anlamlı özellikler çıkarma işlemidir. Örneğin, benzer olaylarda yaşanan geçmiş fiyat verilerinden hareketli ortalamalar, piyasada yaşanmış volatilite ölçümleri veya geçmiş işlem hacmi gibi ek özellikler çıkarılabilir.

Model Seçimi: Fiyat tahminlemesi için çeşitli makine öğrenimi ve derin öğrenme modelleri kullanılabilir. Bazı yaygın modeller şunlardır:

• Doğrusal Regresyon: Fiyat ile ilgili özellikler arasında doğrusal bir ilişki varsayan basit bir modeldir.
• Karar Ağaçları ve Rastgele Ormanlar: Daha karmaşık ve doğrusal olmayan ilişkileri yakalayabilen modellerdir.
• Tekrarlayan Sinir Ağları (RNNs)Uzun Kısa Süreli Bellek Ağları (LSTMs): Zaman serisi verilerini işlemek için özel olarak tasarlanmış derin öğrenme modelleridir.

Model Eğitimi ve Değerlendirme

1. Veri Toplama: İlk adım, fiyat tahminlemesi için gereken verilerin toplanmasıdır. Bu veriler genellikle tarihsel fiyat verileri, ekonomik göstergeler, geleneksel medya, yeni medya, bireylerin sosyal medya paylaşımları ve diğer ilgili kaynaklardan elde edilir.
2. Veri Ön İşleme: Toplanan tüm bu verilerin teyit edilmesi, temizlenmesi ve normalleştirilmesi sürecidir. Eksik veriler doldurulur, aykırı değerler çıkarılır ve veriler modelin girdi formatına uygun hale getirilir.
3. Özellik Seçimi: Ham verilerden gerek görülmeyen özelliklerin çıkarılması sürecidir. Bu adım, verinin özelliklerinin sadeleşmesi sebebiyle modelin performansını önemli ölçüde etkileyebilir.
4. Model Ön Eğitimi: Seçilen model, önceden belirlenmiş eğitim veri seti kullanılarak eğitime tabii tutulur. Modelin parametreleri optimize edilir ve model, veri setindeki kalıpları, olabilecek değişkenleri ve ortaya çıkabilecek anomalileri öğrenir.
5. Model Doğrulama ve Test: Geliştirilen modelin işlevselliği, doğrulama ve test veri setleri kullanılarak değerlendirilir. Modelin tahmin doğruluğunu ölçmek için çok çeşitli değişkenler kullanılmaktadır.

Spesifik bir örnek ile anlatacak olursak; bir havayolu şirketinin en önemli girdi maliyeti olan petrolün geleceğe yönelik fiyat tahminlemeleri o şirket için hayati önem taşımaktadır. Çünkü şirket en büyük girdi maliyetindeki fiyat değişimlerini, anomalileri, riskleri öngörebildiği zaman bunlardan kaçınabilmekte, hatta bu riskleri kendi avantajı için kullanabilmektedir. Bu tarz bir takip ve öngörü bir ekip için bile imkânsıza yakın derecede zor olmaktadır. Ancak TRK Technology’nin ürettiği A-TRK için hiç de zor değildir. Çünkü A-TRK, başka alanlarda yaptığı tüm başarılı geleceğe yönelik fiyat tahminlemeleri gibi petrol piyasasında da yüksek doğruluk oranıyla tahminlemeler yapmaktadır.