Ön Değerlendirme

Bu yazı, Bitcoin piyasasında makine öğrenmesiyle üretilen saatlik getiri tahminlerinin işlem maliyetleri hesaba katıldığında gerçekten ekonomik değer taşıyıp taşımadığını inceleyen akademik bir çalışmadan hazırlanmıştır. İncelenen çalışma, Machine Learning-Based Bitcoin Trading Under Transaction Costs: Evidence From Walk-Forward Forecasting başlığını taşımaktadır ve arXiv üzerinde ön baskı olarak yayımlanmıştır.

Çalışmanın ana sorusu oldukça kritiktir: Bir model Bitcoin’in bir sonraki saatlik getirisini bir miktar tahmin edebiliyorsa, bu tahmin doğrudan kârlı bir işlem stratejisine dönüşür mü? Araştırmanın cevabı temkinlidir. Bulgulara göre tahminlerde zayıf da olsa kullanılabilir bilgi vardır; fakat bu bilgi, işlem maliyetleri ve aşırı al-sat davranışı kontrol edilmeden hızla eriyebilir.

Bu nedenle çalışma, “hangi makine öğrenmesi modeli daha iyi tahmin yapıyor?” sorusundan çok daha pratik bir noktaya odaklanır: Tahminler ne zaman işleme dönüştürülmeli, ne zaman yok sayılmalıdır?

Bu içerik yatırım tavsiyesi değildir. Çalışmada raporlanan sonuçlar geçmiş veriye, belirli işlem maliyeti varsayımlarına ve simülasyon kurallarına dayanır. Canlı piyasada likidite, emir defteri derinliği, kayma, fonlama oranları, borsa koşulları ve risk yönetimi sonucu değiştirebilir.

Yeni bir akademik çalışma, Bitcoin saatlik verileri üzerinde XGBoost, LSTM ve iTransformer modellerini karşılaştırıyor. Yaklaşık 70 bin saatlik BTC/USDT verisiyle yapılan 27 katlı walk-forward testlerde, modeller bazı durumlarda işlem maliyeti öncesi pozitif sinyal üretiyor. Fakat basit işaret tabanlı stratejiler, 10 baz puanlık işlem maliyeti eklendiğinde başarısız oluyor. Araştırmanın en önemli bulgusu, maliyet-duyarlı işlem filtresinin zayıf tahminleri işleme çevirmeyerek aşırı al-sat sorununu azaltması ve seçili XGBoost yapılandırmalarında yeniden pozitif performans sağlamasıdır.

Problem Ne?

Finansal piyasalarda tahmin yapmak ile bu tahmini kârlı bir işlem stratejisine dönüştürmek aynı şey değildir. Bir model fiyatın bir sonraki saatte az da olsa yukarı gideceğini tahmin edebilir. Fakat bu beklenti işlem ücreti, spread, slippage ve pozisyon değiştirme maliyetini karşılamıyorsa, işlem açmak ekonomik olarak anlamsız hale gelir.

Bu problem özellikle saatlik kripto para işlemlerinde daha belirgindir. Bitcoin piyasası sürekli açıktır, volatilitesi yüksektir ve fiyatlar kısa vadede çok gürültülü hareket eder. Bir tahmin modeli sık sık yön değiştirirse, her pozisyon değişimi maliyet üretir. Böylece modelin brüt performansı iyi görünse bile net performansı hızla negatife dönebilir.

Çalışmanın temel sorusu şudur: XGBoost, LSTM ve iTransformer gibi makine öğrenmesi modelleri saatlik BTC/USDT getirilerini tahmin ettiğinde, bu tahminler işlem maliyetlerinden sonra anlamlı bir stratejiye dönüşebilir mi?

Yöntem Ne Öneriyor?

Çalışma üç farklı tahmin mimarisini karşılaştırır: XGBoost, LSTM ve iTransformer.

XGBoost, tablo verileri üzerinde güçlü çalışan ağaç tabanlı bir makine öğrenmesi yöntemidir. Zaman bilgisini doğrudan sıra olarak işlemez; bu nedenle geçmiş getiriler, teknik göstergeler ve volatilite özellikleri gibi mühendislik yapılmış değişkenlere dayanır.

LSTM, zaman serilerindeki geçmiş bilgiyi hafızada tutmak için tasarlanmış tekrarlayan sinir ağıdır. Bitcoin gibi ardışık fiyat verilerinde, yakın geçmişin yön ve volatilite bilgisini öğrenmeye çalışır.

iTransformer ise dikkat mekanizmasını kullanan daha modern bir zaman serisi mimarisidir. Klasik Transformer yaklaşımından farklı olarak zaman noktalarını değil, değişkenleri token gibi ele alır. Böylece fiyat, hacim, teknik göstergeler ve volatilite değişkenleri arasındaki ilişkileri öğrenmeye çalışır.

Ancak çalışmanın asıl yeniliği model mimarisinden çok işlem kuralındadır. Araştırmacılar, basit “tahmin pozitifse al, negatifse sat veya nakitte kal” yaklaşımının işlem maliyetleri karşısında kırılgan olduğunu gösterir. Bunun yerine maliyet-duyarlı işlem filtresi kullanılır. Bu filtre, tahminin büyüklüğü işlem maliyetini karşılayacak kadar güçlü değilse pozisyon değiştirmez.

Formüller Ne Anlatıyor?

Çalışmadaki formüller, Bitcoin getirisinin nasıl tahmin edildiğini, tahminin pozisyona nasıl çevrildiğini, işlem maliyetinin nasıl düşüldüğünü ve maliyet-duyarlı filtrenin hangi şartta işlem açtığını gösteriyor.

1. Tahmin hedefi: Bir sonraki saatlik log getiri

Modelin tahmin etmeye çalıştığı değişken, bir sonraki saatlik log getiridir:

Burada \(P_t\), Bitcoin’in \(t\) saatindeki kapanış fiyatını; \(P_{t+1}\), bir sonraki saatin kapanış fiyatını ifade eder. Model, \(t\) anına kadar mevcut olan bilgiyi kullanarak \(r_{t+1}\) değerini tahmin eder. Böylece gelecekteki veri yanlışlıkla modele verilmez.

2. Long-only pozisyon kuralı

Long-only yapıda model yalnızca Bitcoin’de uzun pozisyon veya nakit pozisyonu alır:

Bu formül basit bir işaret kuralıdır. Eğer model bir sonraki saat için pozitif getiri bekliyorsa sistem Bitcoin taşır. Tahmin sıfır veya negatifse sistem nakitte kalır.

3. Long-short pozisyon kuralı

Long-short yapıda negatif tahminler kısa pozisyona dönüştürülür:

Bu yapı daha agresiftir. Tahmin pozitifse long, negatifse short pozisyon alınır. Ancak pozisyon tersine döndüğünde işlem hacmi ve maliyet daha yüksek olur.

4. Net strateji getirisi: Tahmin yetmez, maliyet düşülür

Çalışmada işlem maliyeti sonrası net getiri şu şekilde hesaplanır:

Burada \(c=0.001\) olarak alınmıştır. Bu, pozisyon değişimi başına 10 baz puanlık işlem maliyeti anlamına gelir. Formülün ilk kısmı pozisyondan gelen getiriyi, ikinci kısmı ise pozisyon değiştirme maliyetini gösterir.

Bu formül çalışmanın ana fikrini açıkça gösterir: Model doğru yönde tahmin yapsa bile, çok sık pozisyon değiştirirse işlem maliyetleri getiriyi yok edebilir.

5. Maliyet-duyarlı işlem filtresi

Çalışmanın en önemli formülü, maliyet-duyarlı işlem filtresidir:

Burada \(pos_t^{*}\), tahminin işaretine göre önerilen yeni pozisyondur. \(pos_{t-1}\), mevcut pozisyondur. \(\lambda\), filtrenin ne kadar seçici çalışacağını belirleyen katsayıdır. Çalışmanın ana ayarında \(\lambda=2.0\) kullanılmıştır.

Bu formülün mantığı şudur: Tahminin mutlak büyüklüğü, pozisyon değiştirme maliyetini karşılayacak kadar güçlü değilse işlem yapılmaz. Yani sistem her küçük tahmini al-sat sinyali olarak görmez.

6. Filtre geçerse pozisyon güncellenir

Koşul sağlanırsa sistem yeni pozisyona geçer:

Koşul sağlanmazsa eski pozisyon korunur:

Bu iki formül, stratejinin en pratik tarafını anlatır. Model sinyal üretse bile, sinyal yeterince güçlü değilse sistem boş yere işlem yapmaz.

7. EGARCH volatilite özelliği

Çalışmada bazı deneylerde teknik göstergelere ek olarak EGARCH tabanlı volatilite özellikleri de kullanılır. EGARCH log-varyans denklemi şu şekilde verilir:

Bu formül, Bitcoin getirisindeki volatilite rejimini özetlemeye çalışır. Kripto piyasalarda volatilite kümelenmesi güçlü olduğu için, modelin güncel risk ortamını anlamasına yardımcı olabilecek ek değişkenler üretir. Ancak çalışmada EGARCH özelliklerinin her durumda sağlam ek katkı verdiği görülmemiştir.

8. XGBoost tahmin yapısı

XGBoost modelinde tahmin, birçok karar ağacının toplamı olarak yazılır:

Burada \(X_t\), modele verilen özellik vektörüdür. \(f_k\), her bir regresyon ağacını ifade eder. Model, birçok ağacın katkısını birleştirerek bir sonraki saatlik getiriyi tahmin etmeye çalışır.

XGBoost’un amaç fonksiyonu şu şekilde verilir:

Ağaç karmaşıklığını cezalandıran düzenlileştirme terimi ise şöyledir:

Bu yapı, modelin eğitim verisini aşırı ezberlemesini sınırlamaya çalışır.

9. LSTM’in hafıza kapıları

LSTM modeli, geçmiş bilgiyi saklamak veya unutmak için kapı mekanizmaları kullanır:

Burada \(f_t\) unutma kapısını, \(i_t\) giriş kapısını, \(o_t\) çıkış kapısını ifade eder. Bu kapılar, modelin geçmiş saatlerden hangi bilgiyi taşıyacağını ve hangisini zayıflatacağını belirler.

LSTM hücre güncellemesi ise şu şekilde verilir:

Bu formüller, LSTM’in fiyat serisindeki kısa vadeli hafıza etkilerini yakalamaya çalıştığını gösterir.

10. iTransformer: Değişkenleri token gibi ele alma

iTransformer mimarisi, klasik zaman serisi Transformer’larından farklı olarak girdiyi transpoze eder:

Burada \(L\), geçmiş pencere uzunluğunu; \(K\), değişken sayısını ifade eder. Bu dönüşümden sonra her değişken, kendi geçmişiyle birlikte bir token gibi ele alınır.

Gömme adımı şu şekilde verilir:

Dikkat mekanizması ise değişkenler arası ilişkiyi öğrenir:

Bu yapı, fiyat, hacim, teknik göstergeler ve volatilite değişkenleri arasındaki ilişkileri öğrenmeyi hedefler. Ancak çalışmada iTransformer’ın daha karmaşık olması, işlem maliyetleri altında otomatik olarak daha iyi ekonomik sonuç verdiği anlamına gelmemiştir.

11. Performans ölçütleri

Çalışmada yıllıklandırılmış bileşik getiri, volatilite, maksimum düşüş ve Sharpe oranı gibi ölçütler kullanılır.

Burada \(8760\), bir yıldaki saat sayısını ifade eder. Bu nedenle ölçütler saatlik strateji getirilerinden yıllıklandırılmış performans göstergeleri üretir.

12. Bootstrap karşılaştırması

Strateji karşılaştırmalarında iki stratejinin saatlik getiri farkı kullanılır:

Çalışma, bağımlı finansal zaman serilerinde klasik testlerin yanıltıcı olabileceğini dikkate alarak paired circular block-bootstrap yöntemi uygular. Bu yöntem, saatlik getirilerdeki seri bağımlılığı daha iyi korumayı amaçlar.

Grafik, Tablo ve Şema Ana Mesajı

PDF’teki ilk grafik, Bitcoin fiyat serisi ile saatlik log getirileri yan yana gösterir. Fiyat seviyesi uzun vadede büyük boğa ve ayı döngüleri yaşarken, saatlik getiriler sıfır etrafında dalgalanır ve güçlü volatilite kümelenmesi gösterir. Bu, modelin fiyat seviyesini değil getiriyi tahmin etmeye çalışmasının nedenini açıklar.

Walk-forward şeması, modelin nasıl test edildiğini gösterir. Her katmanda 12 aylık eğitim, 3 aylık doğrulama ve 3 aylık test dönemi kullanılır. Pencere her seferinde üç ay ileri kaydırılır ve toplam 27 dış örneklem test katmanı oluşur. Bu yapı, tek bir şanslı train/test ayrımına dayanmak yerine farklı piyasa rejimlerinde test yapmayı sağlar.

İşlem maliyeti grafiği, çalışmanın en çarpıcı mesajını verir. Maliyet yokken bazı modellerin brüt eğrileri iyi görünür. Ancak 10 baz puan işlem maliyeti eklenince naif işaret tabanlı stratejiler sert biçimde bozulur. Özellikle sık yön değiştiren stratejiler, işlem maliyeti nedeniyle hızla değer kaybeder.

Maliyet-duyarlı filtre grafiği ise farklı bir tablo sunar. XGBoost tahminleri doğrudan işleme çevrildiğinde sonuç zayıfken, yalnızca güçlü tahminlerde pozisyon değiştiren filtre kullanıldığında eğri belirgin şekilde daha stabil hale gelir.

Deneyler Nasıl Yapılmış?

Çalışmada BTC/USDT USD-margined futures saatlik OHLCV verileri kullanılmıştır. Ham örneklem 1 Aralık 2017’den 1 Ocak 2026’ya kadar uzanır. İlk ay, teknik göstergelerin oluşturulması için hazırlık dönemi olarak ayrılmıştır. Etkin modelleme dönemi 1 Ocak 2018’de başlar.

Veri setinde yaklaşık 70 bin saatlik gözlem vardır. Model hedefi bir sonraki saatlik log getiridir. Model sadece tahmin anına kadar bilinen bilgileri kullanır; böylece ileriye dönük veri sızıntısı engellenmeye çalışılır.

Üç özellik seti karşılaştırılmıştır. İlkinde yalnızca OHLCV değişkenleri vardır. İkincisinde teknik göstergeler eklenir. Üçüncüsünde teknik göstergelere EGARCH tabanlı volatilite değişkenleri de eklenir.

Üç model ailesi test edilir: XGBoost, LSTM ve iTransformer. Tüm modeller aynı walk-forward düzende, aynı işlem maliyeti varsayımı ve aynı işlem kuralları altında değerlendirilir. Bu nedenle çalışma, yalnızca tahmin hatasına değil, işlem maliyeti sonrası gerçekleşen strateji getirisine odaklanır.

Sonuçlar Ne Gösteriyor?

İlk sonuç nettir: Naif işaret tabanlı makine öğrenmesi stratejileri işlem maliyetleri altında başarısız olur. İşlem maliyeti yokken bazı modeller pozitif brüt performans üretir. Fakat 10 baz puan maliyet eklendiğinde sık al-sat yapan stratejilerin performansı çöker.

Örneğin çalışmada XGBoost long-only naif strateji, işlem maliyeti yokken pozitif performans üretirken, işlem maliyeti eklendiğinde yıllıklandırılmış performans ciddi biçimde negatife döner. iTransformer gibi daha sık pozisyon değiştiren modellerde maliyet etkisi daha ağırdır.

İkinci ana sonuç, maliyet-duyarlı filtrenin ciddi fark yaratmasıdır. Long-only XGBoost loss-best yapılandırmasında, baz strateji işlem maliyetleri altında yaklaşık -%64,00 ARC üretirken, maliyet-duyarlı filtreyle sonuç yaklaşık %65,40 ARC seviyesine çıkmıştır. Aynı örnekte işlem sayısı 10.619’dan 251’e düşmüştür.

Bu, çalışmanın en önemli dersidir: Modelin her küçük tahminine işlem açmak yerine, yalnızca maliyeti karşılayabilecek büyüklükteki tahminleri işleme çevirmek stratejinin ekonomik karakterini değiştirebilir.

Üçüncü sonuç daha temkinlidir. XGBoost, ekonomik performans açısından LSTM ve iTransformer’dan daha güçlü görünmektedir. Ancak bootstrap testleri, XGBoost’un istatistiksel olarak kesin ve sağlam biçimde diğer modellere üstün olduğunu göstermemektedir.

Teknik göstergeler bazı durumlarda performansı artırmıştır. Buna karşılık EGARCH tabanlı volatilite özellikleri her zaman tutarlı ek fayda sağlamamıştır. MSE ve MAE kayıp fonksiyonları arasındaki farklar da ikincil ve istatistiksel olarak kırılgan bulunmuştur.

Ayrıca en iyi maliyet-duyarlı stratejilerin buy-and-hold Bitcoin’e karşı Sharpe oranı açısından anlamlı ve kesin bir üstünlük kurduğu söylenememiştir. Yani çalışma, “makine öğrenmesi Bitcoin al-tut stratejisini kesin yener” demiyor. Daha sınırlı ama önemli bir sonuç veriyor: İşlem maliyeti dikkate alınmadan yapılan kısa vadeli ML stratejileri yanıltıcı olabilir; maliyet-duyarlı yürütme kuralı ise bu sorunu ciddi biçimde azaltabilir.

Bu Neden Önemli?

Bu çalışma, finansal makine öğrenmesi tartışmalarında sık yapılan bir hatayı görünür hale getiriyor. Bir modelin tahmin hatasını azaltması, o modelin canlı işlemde para kazandıracağı anlamına gelmez. Özellikle saatlik kripto işlemlerinde küçük tahmin avantajları, işlem maliyetleri tarafından kolayca yok edilebilir.

Bu nedenle çalışmanın pratik mesajı, “daha karmaşık model kur” değil; “tahmini işleme çevirirken maliyeti hesaba kat” şeklindedir. XGBoost’un daha basit ve tablo tabanlı yapısının, bazı senaryolarda LSTM ve iTransformer gibi daha karmaşık sinir ağı mimarilerinden daha iyi ekonomik sonuç vermesi de bu mesajı güçlendirir.

Verianla açısından bu çalışma, yapay zekâ ve finans kesişiminde daha olgun bir bakış sunuyor. Yapay zekâ sistemleri yalnızca tahmin üretmekle değerlendirilmemeli; tahminlerin işlem maliyeti, pozisyon sıklığı, risk, drawdown ve dış örneklem dayanıklılığı altında neye dönüştüğü incelenmelidir.

Dikkat Noktaları

Bu çalışma yatırım tavsiyesi değildir. Sonuçlar geçmiş veriye dayalıdır ve gelecekte aynı sonuçların alınacağı anlamına gelmez.

Çalışmada yalnızca BTC/USDT kullanılmıştır. Sonuçların diğer kripto varlıklara, farklı borsalara veya farklı piyasa rejimlerine genellenip genellenemeyeceği ayrıca test edilmelidir.

İşlem maliyeti modeli oransaldır. Gerçek piyasalarda emir defteri derinliği, kısmi gerçekleşme, maker-taker ücret yapısı, değişken spread, slippage ve likidite kırılması gibi unsurlar daha karmaşık sonuçlar doğurabilir.

Çalışma fonlama oranları, emir defteri verileri, likidasyon verileri, duyarlılık verileri ve çapraz varlık sinyallerini kullanmamıştır. Bu değişkenler bazı kısa vadeli kripto stratejilerinde ek bilgi taşıyabilir.

En güçlü strateji bazı dönemlerde iyi performans verse de, fold-level analiz sonuçların her çeyrekte istikrarlı olmadığını gösterir. Performans belirli piyasa rejimlerinde yoğunlaşabilir.

Buy-and-hold karşılaştırmasında en iyi maliyet-duyarlı stratejiler Sharpe oranı açısından istatistiksel olarak kesin üstünlük kuramamıştır. Bu nedenle sonuçlar “ML kesin daha iyi” şeklinde yorumlanmamalıdır.

Sonuç

Bu akademik çalışma, Bitcoin’de makine öğrenmesiyle işlem stratejisi geliştirirken asıl sorunun yalnızca tahmin kalitesi olmadığını gösteriyor. Tahminlerde zayıf sinyal bulunabilir; fakat bu sinyal her saat pozisyon değiştirmeye zorlandığında işlem maliyetleri tarafından yok edilir.

Çalışmanın en güçlü bulgusu, maliyet-duyarlı işlem filtresinin basit ama etkili bir disiplin sağlamasıdır. Tahmin yeterince büyük değilse işlem yapılmaz. Bu sayede zayıf sinyallerin maliyetli işlemlere dönüşmesi engellenir.

Sonuç olarak, kısa vadeli kripto piyasalarında model karmaşıklığından önce işlem disiplini gelir. XGBoost, LSTM veya iTransformer gibi modeller faydalı olabilir; ancak tahminlerin ekonomik değeri, bu tahminlerin hangi maliyet eşiğinden sonra işleme çevrildiğine bağlıdır.

Kaynak ve Yöntem Notu

Bu içerik, Machine Learning-Based Bitcoin Trading Under Transaction Costs: Evidence From Walk-Forward Forecasting başlıklı akademik PDF incelenerek hazırlanmıştır. Metin birebir çeviri değildir. Çalışmanın amacı, yöntemi, temel formülleri, deney tasarımı, bulguları ve sınırlılıkları Verianla okurları için sadeleştirilmiş, özgün ve editoryal Türkçe ile yeniden anlatılmıştır.

Formüller, çalışmadaki temel matematiksel yapıya sadık kalınarak MathJax uyumlu LaTeX formatında verilmiştir. Yazı yatırım tavsiyesi, al-sat önerisi veya canlı işlem sistemi önerisi değildir.