Professional Documents
Culture Documents
851
851
Hayrettin Genel
Ankara 2004
Hayrettin Genel
Ankara -2004
mzas
........................................ ........................................ ........................................
NDEKLER
NDEKLER ................................................................................................. EKLLER .................................................................................................... V TABLOLAR ................................................................................................ V GR ............................................................................................................. 1 BRNC BLM ........................................................................................... 5 MODERN PORTFY TEORS VE PORTFY OPTMZASYONU............... 5 1.1. Yatrmn Risk ve Getirisi .................................................................................. 6 1.1.1. Risk Nedir ? ................................................................................................... 6 1.1.2. Risk eitleri.................................................................................................. 6 1.1.2.1. Sistematik Olmayan Risk Unsurlar........................................................ 7 1.1.2.2. Sistematik Risk Unsurlar ....................................................................... 8 1.1.3. Riskin llmesi............................................................................................ 9 1.1.4. Risk ve Beklenen Getiri likisi ..................................................................... 9 1.1.5. eitlendirme ile Riskin Azaltlmas ........................................................... 12 1.2. Modern Portfy Teorisi .................................................................................... 14 1.2.1. Markowitz (Ortalama - Varyans) Modeli .................................................... 15 i
1.2.2. Markowitz Modeline Gre Optimal Portfyler ve Etkin Snr .................... 17 1.2.3. Markowitz Modeline Kstlarn Eklenmesi.................................................. 19 1.3. MPTye gre Portfy Optimizasyon Sreci.................................................... 21 KNC BLM ............................................................................................ 23 GENETK ALGORTMALAR VE KULLANIM ALANLARI .......................... 23 2.1. Genetik Algoritmalar........................................................................................ 24 2.2. Genetik Algoritmalarn almas................................................................... 25 2.2.1. Gsterim (Kodlama) .................................................................................... 26 2.2.2. Balang Populasyonunun Oluturulmas................................................... 26 2.2.3. Uygunluk Fonksiyonu.................................................................................. 27 2.2.4. Genetik lemler ........................................................................................... 28 2.2.4.1. Seim..................................................................................................... 28 2.2.4.2. aprazlama............................................................................................ 29 2.2.4.3. Mutasyon............................................................................................... 30 2.2.5. Yeni Bireylerin Deerlendirilerek Yeni Neslin Oluturulmas.................... 31 2.2.6. Biti .............................................................................................................. 32 2.3. Genetik Algoritmalarn zellikleri ................................................................. 32 2.3.1. Genetik Algoritmalarn Avantajlar ............................................................. 33 2.3.2. Genetik Algoritmalarn Dezavantajlar ........................................................ 35
ii
2.4. Genetik Algoritmalarn Finans Uygulamalar ............................................... 36 NC BLM ....................................................................................... 37 GENETK ALGORTMALAR LE PORTFY OPTMZASYONU: MKBDE BR UYGULAMA ......................................................................................... 37 3.1. Genetik Algoritmalarla Portfy Optimizasyonu............................................ 37 3.1.1. Optimizasyon Yntemleri ............................................................................ 37 3.1.2. Portfy Optimizasyon Problemi................................................................... 39 3.1.3. Genetik Algoritmalarn Kullanlma Sebepleri ............................................. 42 3.2. Gelitirilen Uygulama: Yntemler ve Varsaymlar ....................................... 43 3.2.1. Uygulama Gelitirme Ortam....................................................................... 43 3.2.2. Veri Seimi .................................................................................................. 43 3.2.3. Uygulama Admlar...................................................................................... 44 3.2.3.1. Veri Analizi........................................................................................... 44 3.2.3.2. Optimal Portfyn Oluturulmas ......................................................... 45 3.2.3.3. Elde Edilen Sonularn Deerlendirilmesi............................................ 46 3.3 Standart Markowitz Modeline Gre Portfy Optimizasyonu ....................... 47 3.4. Standart Markowitz Modeline Gre Genetik Algoritma Portfy Optimizasyonu.......................................................................................................... 47 3.4.1. zmlerin Kodlanmas............................................................................... 47 3.4.2. Balang Populasyonunun Oluturulmas................................................... 48
iii
3.4.3. Yeni Nesil in Aday Bireylerin Oluturulmas (Genetik lemler) ............ 49 3.4.3.1. Seim ve aprazlama............................................................................ 49 3.4.3.2. Mutasyon............................................................................................... 51 3.4.4. Yeni Nesle Aktarlacak Bireylerin Seilmesi .............................................. 52 3.5. Kstl (Geniletilmi) Markowitz Modeline Gre Genetik Algoritma Portfy Optimizasyonu.......................................................................................................... 53 3.5.1. zmlerin Kodlanmas............................................................................... 54 3.5.2. Balang Populasyonunun Oluturulmas................................................... 55 3.5.3. Yeni Nesil in Aday Bireylerin Oluturulmas (Genetik lemler) ............ 56 3.5.3.1. Seim ve aprazlama............................................................................ 56 3.5.3.2. Mutasyon............................................................................................... 57 3.5.4. Yeni Nesle Aktarlacak Bireylerin Seilmesi .............................................. 60 3.6. Portfy Optimizasyon Sonular...................................................................... 60 3.6.1. Standart Markowitz Modeline Gre Portfy Optimizasyonu ...................... 61 3.6.1.1. Genetik Algoritma in Kullanlan Parametreler .................................. 61 3.6.1.2. Genetik Algoritmann almasnn Test Edilmesi .............................. 61 3.6.1.3. Etkin Snr ............................................................................................. 61 3.6.1.4. Elde Edilen Optimal Portfylerin 2. 6 Aylk Dnemdeki Getirisi........ 63 3.6.2. Kstl Markowitz Modeline Gre Portfy Optimizasyonu ......................... 64 3.6.2.1. Genetik Algoritma in Kullanlan Parametreler .................................. 64 iv
3.6.2.2. Genetik Algoritmann almasnn Test Edilmesi .............................. 65 3.6.2.3. Etkin Snr ............................................................................................. 65 3.6.2.4. Elde Edilen Optimal Portfylerin 2. 6 Aylk Dnemdeki Getirisi........ 67 SONULAR VE DEERLENDRMELER ................................................... 68 KAYNAKA ................................................................................................ 70 ZET ........................................................................................................... 74 ABSTRACT ................................................................................................. 75
EKLLER
ekil 1.1 Risk Getiri Deiimi (Piyasa Dorusu) ................................................... 10 ekil 1.2 Yatrmc Farkszlk Erileri .................................................................... 11 ekil 1.3 eitlendirme ile Riskin Azaltlmas ........................................................ 13 ekil 1.4 ki Menkul Kymetli Portfyn Korelasyon Katsaysna Gre Riski........ 17 ekil 1.5 Etkin Snr Grafii.................................................................................... 18 ekil 1.6 (i) 3 Menkul Kymetten kisi ile Oluturulabilecek Portfylerin Etkin Snrlar (ii) Tm Portfyler iin Etkin Snr ..................................................... 21 ekil 1.7 Modern Portfy Teorisine Gre Yatrm Sreci....................................... 22 ekil 3.1 Genetik Algoritmada Portfylerin Gsterimi (Genetik Kod)................... 48 ekil 3.2 Genetik Algoritma aprazlama lemi..................................................... 50 ekil 3.3 Genetik Algoritma Mutasyon lemi......................................................... 51 ekil 3.4 Kstl Portfy Optimizasyonu Modelinde Portfylerin Gsterimi .......... 54 ekil 3.5 Kstl Portfy Optimizasyonu Modelinde aprazlama lemi ................ 57
vi
ekil 3.6 - Kstl Portfy Optimizasyon Modelinde Portfydeki En Dk Arla Sahip Hisse Senedinin Portfy D Bir Hisse Senedi ile Yer Deitirmesi....... 58 ekil 3.7 Kstl Portfy Optimizasyon Modelinde Portfye Dahil Hisseler Aras Mutasyon lemi ................................................................................................. 59 ekil 3.8 Standart Modele Gre Elde Edilmi Etkin Snr ...................................... 62 ekil 3.9 Etkin Portfylerin 2. Dnem Getirisi ........................................................ 63 ekil 3.10 Kstl Modele Gre Elde Edilmi Etkin Snr ........................................ 66 ekil 3.11 Etkin Portfylerin 2. Dnem Getirisi ...................................................... 67
vii
TABLOLAR
Tablo 2.1 Genetik Algoritmalarn alma Admlar ............................................. 25 Tablo 3.1 MKB-30 Hisse Senetlerinin 03.06.2002 - 31.12.2002 Tarihleri Arasndaki 6 Aylk Getirileri.............................................................................. 44 Tablo 3.2 MKB-30 Hisse Senetlerinin 02.01.2003 - 30.06.2003 Tarihleri Arasndaki 6 Aylk Getirileri.............................................................................. 46 Tablo 3.3 Test in Kullanlan rnek Portfy Kstlar .......................................... 64
viii
GR
Finansal piyasalarda yatrm kararlarnn iki temel boyutunu getiri ve risk oluturmaktadr. 1 Yatrm gelecekte belli bir getiri elde etme beklentisiyle yaplr. Ancak, finansal piyasalarda fiyatlar ok sayda llebilen ve llemeyen ekonomik, politik ve sosyal deikenin etkileimi ile olutuundan, finansal varlklarn fiyatlarn doru bir ekilde nceden tahmin etmek mmkn deildir. Dolaysyla, finansal piyasalarda yatrm kararlar nemli lde belirsizlik iermekte ve yatrmlardan beklenen getiri asndan nemli bir risk sz konusu olmaktadr. Finansal piyasalardaki bu kanlmas g belirsizlik ve risk, yatrmclarn aldklar finansal kararlarn baarsn dorudan etkilemektedir. Bu nedenle finansal piyasalarda yatrm yaparken doru kararlar alabilmenin ok zor bir i olduu aktr, aksi takdirde herkes kolaylkla zengin olabilirdi. Bu nedenle finans biliminde en nemli konulardan birisi, belki de en nemlisi, hangi yatrm kararlarnn doru olduunun belirlenmesi ve yatrm kararlarnn sonularnn ngrlebilmesidir. Finansal kararlarn sonularnn ne denli farkl olabileceine arpc bir rnek aada verilmitir. 2 Eer bir yatrmc, Ocak 1926 ylnda, en az riskli yatrm aralarndan biri olarak, bir aylk ABD Hazinesi bonosuna 1 dolar yatrm olsayd
Karan, Mehmet Baha, Yatrm Analizi ve Portfy Ynetimi, Gazi Kitabevi, Ankara, 2001, s. 131 Farmer J. D., Lo, A. W., Frontiers of Finance : Evolution and Efficient Markets, Proc. Natl. Acad.
ve 1996 yl Aralk ayna kadar her ay sonundaki mevcut paray tekrar yatrmaya devam etseydi 1 dolarlk yatrm bu sre sonunda 14 dolara km olacakt. Bunun yerine ok daha riskli bir yatrm arac olarak bu 1 dolar S&P 500e yatrlm olsayd, ayn 71 yllk srete getiri ok daha fazla bir deer olan 1370 dolar olacakt. imdi bu yatrmcnn, her ay banda bir sonraki ayda bu iki yatrm aracndan hangisinin daha ok getirisi olacan tahmin edebileceini ve balangtaki 1 dolarlk yatrmn her ay getirisi yksek olan yatrm aracna yatrdn varsayalm. Byle bir mkemmel ngr durumunda balangta yaplm olan 1 dolarlk yatrm acaba Aralk 1996da ne kadara ular? Sonu olduka arpcdr: Tam tamna 2,296,183,456 dolar!. Finansal piyasalarda byle mkemmel ngrlerde bulunma ve doru kararlar alma imkan olmamas gereine ramen, bu rnek, yatrm kararlarnn sonucu ne kadar deitirebileceini aka gstermektedir. Tabi yukarda verilen rnein tersini, yani getiri yerine yatrmn ksmen ya da tamamen deerini kaybedebilecei rnekler vermek de mmkndr. Bu nedenle yatrm kararlarnn belirlenmesi sadece sezgisel olarak yaplamaz ve gelimi ve gvenilir hesaplama tekniklerinin kullanlmas gerekir. Modern ekonominin en nemli zellii ekonomik aktivitenin geleneksel endstri sektrnden hizmet sektrne kaym olmasdr. Hizmet sektrnde de son yllarda zellikle de finansal hizmetler gelime kaydetmitir. Enformasyon ve iletiim teknolojilerindeki gelimeler bu dnmde ok nemli bir rol oynamtr. Gelien biliim teknolojileri finansal kaynaklara eriimi ve bilgi paylamn kolaylatrmtr. Ayrca, son yllarda karmak finansal rnlere olan olaanst talep art, bu rnlerin analizi ve kullanlmas iin yeni tekniklerin gelimesine yol amtr. Bunun sonucu olarak da, biliim teknolojileri ekonomik ve finansal sistemlerde modelleme, analiz ve karar verme srelerinin nemli bir paras haline gelmitir. Bundan yirmi yl nce, finansal mhendislik, finansal matematik ve hesaba dayal finans teknikleri yaygn olarak bilinen terimler deildi. Ancak, gnmzde 2
btn bu alanlar her birinin kendi dergi, konferans ve profesyonel rgtlerinin var olduu popler akademik disiplinler haline gelmilerdir. 3 Bu disiplinler, mhendislik ve matematik gibi alanlarda yaygn olarak kullanlmakta olan yntemleri finans alanndaki problemlere uygulamaktadrlar. Hzla gelimekte olan biliim teknolojileri de bu tr uygulamalara ivme kazandrm ve bu disiplinler iin itici bir g olmutur. Gnmzn biliim teknolojilerinin varm olduu nokta ve yaygn kullanm ise uzman sistemler, bulank mantk, yapay sinir alar ve genetik algoritmalar gibi yeni nesil akll hesaplama sistemlerinin gelimesine imkan salamtr. Bilgisayar mhendislii biliminin bir alan olarak bu tr akll hesaplama yntemleri insanlarn karar verme srecini modellemeye almaktadr. Bu yntemler esnek olup yeni durumlara adapte olabilmekte ve gemi tecrbelerden renebilmektedirler. En nemlisi de bu yntemler, klasik yntemlerle zlemeyen problemlere zm retebilmektedirler. 4 Bu yntemlerin finans alannda uygulanmasyla beraber dinamik finansal sistemlerin modellenmesi ve kontrolnde kullanlmas, finansal sre ve davranlarn karmak modellerini anlamamz kolaylatrmtr. Finans alannda en kk gelimelerin dahi ok nemli kazanmlara dntrlebilecei gerei bu yntemlerin deerini ortaya koymaktadr. Genetik algoritmalar, bahsedilen akll hesaplama teknikleri arasnda basit ve gl olmalaryla n plana kmaktadrlar. Genetik algoritmalarn artan ekilde eitli finansal problemlere uygulanmas sonucu olduka mit verici sonular elde edilmi ve genetik algoritmalar, dier akll hesaplama yntemleriyle beraber,
Haugh, Martin B., Lo, Andrew W., Computational Challenges in Portfolio Management, IEEE
Drake, Adrian E., Marks, Robert E., Genetic algorithms in economics and finance: Forecasting
stock market prices and foreign exchange- A review, In Shu-Heng Chen (Ed.) Genetic Algorithms and Genetic Programming in Computational Finance, 2000, s. 29
geleneksel istatisksel yntemlerin gelitirilmesine veya bu yntemlerin yerine gemeye aday olmutur. 5 Bu ynyle, gelecek vadeden bir aratrma alan olarak, finansal piyasalara artk biyolojik bir ereveden baklmaya balanmtr: 6 Piyasalar, aralar, kurumlar ve yatrmclar bir ekonomik seim kuramna (law of economic selection) gre etkilemekte ve dinamik olarak gelimektedirler. Bu bak asna gre finansal aktrler optimum davranmasalar da rekabet etmekte ve oluan koullara adapte olmaktadrlar. Bu tezin amac, portfy optimizasyon probleminin ve genetik algoritmalarn incelenerek, genetik algoritmalarn portfy seimi problemine uygulanlabilirliinin aratrlmas ve test edilmesidir. 1. blmde Modern Portfy Teorisi, 2. blmde ise genetik algoritmalar anlatlacaktr. 3. blmde ise nceki iki blmde anlatlm teorik altyap dorultusunda genetik algoritmalarn portfy seiminde kullanlmas ele alnacak ve MKB verileri kullanlarak yaplm olan rnek bir uygulama almas anlatlacaktr. Son blmde ise yaplan alma ile ilgili sonular ve deerlendirmeler zetlenecektir.
Feldman, Konrad and Treleaven, Philip, Intelligent systems in finance, Applied Mathematical
20. yzyln balarnda gelimeye balayan yatrm bilimi balangta menkul kymetlerin bireysel olarak ele alnarak incelenmesi ve seilmesine odaklanmt. 1950lerin ortalarnda Markowitz tarafndan temelleri atlan Modern Portfy Teorisi (MPT) ise yatrm bilimine yeni bir bak as getirmitir. Yatrm kararlar alnrken, menkul kymetleri tek tek ele almak yerine piyasay bir btn olarak ele alan MPT, yatrmclar iin sistematik bir yaklam ortaya koymutur. Modern portfy teorisi rasyonel bir yatrmcnn portfydeki varlklarn oranlarn portfyn beklenen getirisini maksimize ederken riskini en aza indirecek ekilde setii varsaymna dayanr. Gnmzde yatrm portfylerinin oluturulmas ve portfydeki varlklarn belirlenmesi en nemli yatrm kararlar olarak kabul edilmektedir. Portfy ynetimi, uzun dnemli yatrm amalarna ulaabilmek iin, yatrmcnn getiri beklentisi ve risk tercihi ile planlanan yatrm sresi dorultusunda mevcut fonlarn menkul kymetlere en uygun ekilde datlmasn ve oluturulan portfyn gelien koullar dorultusunda gncellenmesini amalamaktadr. Dolaysyla, yatrmclar riski ve getiriyi nasl leceklerini ve beklenti ve tutumlarna en uygun yatrm kombinasyonlarn nasl seeceklerini bilmek zorundadrlar.
zam, Mustafa, Varlk Fiyatlama Modelleri Araclyla Dinamik Portfy Ynetimi, SPK, Yayn
Sistematik olmayan risk, menkul kymetin veya ilgili firmann kendine has zelliklerinden kaynaklanmaktadr. Bu tr riskler firmann ynetim zellikleri, tketici tercihleri, iklim koullar gibi unsurlardan ortaya kar. Grev, yangn veya baka bir tabi afetin meydana gelmesi, satlarn dmesi gibi durumlar bu tr risklere rnektir. Bu tr risklerin tm firmalar iin ayn anda ortaya kmas olas deildir. Dolaysyla, sistematik olmayan risk, eitlendirme ile ortadan kaldrlabilir. Bu nedenle, rasyonel ve bilgilendirilmi bir yatrmc iin bu tr bir risk nemli deildir. te yandan, baz durum ve olaylar tm firmalar ayn anda etkileyebilir. Bu ekilde, menkul kymete veya ilgili firmaya dsal olan unsurlardan kaynaklanan riskler sistematik riski olutururlar. Sistematik riskin temel kaynaklar ekonomik, politik ve sosyal gelimelerdir. Enflasyon, sava ve deien faiz oranlar gibi olaylar sadece belli bir firma veya endstriyi deil, tm ekonomiyi etkileyecektir. Dolaysyla, bu tr risklerden eitlendirme ile kanmak mmkn deildir. Ancak, her menkul kymetin veya ilgili firmann sistematik risk unsurlar ile etkileimi ayn olmayacandan sonuta oluan risk arl farkl olacaktr. Bir menkul kymetin riski sistematik ve sistematik olmayan risklerin toplamdr. Sistematik ve sistematik olmayan risk unsurlar da kendi iinde alt blmlere ayrlabilir. 1.1.2.1. Sistematik Olmayan Risk Unsurlar 1. Riski: Bir firmann faaliyet gelirleri retim fonksiyonu ve sat hacmine bal olarak gerekleir. Ancak, firmann muhtemel gelirlerinin zaman iindeki dalm, firmann alt alandan kaynaklanan belirsizlikler ierebilir. Firmann gelir akmndaki bu belirsizlik firmann durumunu, dolaysyla da ilgili menkul kymet fiyatlarn olumsuz etkileyecektir. 2. Finansal Risk: Firmalar z kaynakla finansman yannda borlanma ile finansman yoluna da gidebilir. Byle bir durumda, borlu firma yeterli gelir elde edemezse borlarn anapara ve faizlerini deyemeyebilir. Bu durum, hem hisse senedi sahipleri, hem de bor verenler iin bir risk unsurudur. 7
3. Likidite Riski: Likidite bir yatrm aracnn fazla maliyete katlanlmadan piyasada her an, kolaylkla alnp satlabilmesi demektir. Eer sz konusu bir yatrm iin piyasa likit deil ise yatrmc yatrmn satp elde etmek istedii fonlar elde edemeyebilir ya da elde etme sresi uzayabilir. 4. Ynetim Riski: Firmalarn nlerine kan frsatlar deerlendirebilmeleri gl bir ynetim kadrosunun varl ile mmkndr. Eer ynetim kadrosu firma iin oluan frsatlar deerlendirebilecek beceriye sahip deil ve firma kt ynetiliyorsa, bu durum firmay olumsuz etkileyecek, dolaysyla da beklenen getirilerde nemli azalmalar olacaktr. Gelimi borsalarda ilem gren hisse senetlerinin ait olduu firmalardaki ynetici deiikliklerinin birok durumda hisse senetlerinin fiyatlarn da etkilemesi bu riskin varln gstermektedir. 1.1.2.2. Sistematik Risk Unsurlar 1. Piyasa Riski: Menkul kymet fiyatlar ilgili firmann durumundan bamsz olarak ksa dnemde dalgalanabilmektedir. Bu dalgalanmalarn temel sebebi yatrmclarn menkul kymetlerle ilgili beklenti ve davranlarndaki deiimlerdir. Beklenti ve davranlardaki bu deiimler baz somut unsurlardan kaynaklanabilecei gibi tamamen psikolojik unsurlardan da kaynaklanabilir. 2. Faiz Oran Riski: Faiz oranlarndaki deimeler menkul kymet fiyatlarn pek ok ynden etkileyebilir. Her menkul kymet iin etkisi farkl oranlarda olmakla birlikte, faiz oranlar dtnde genelde tm menkul kymetlerin fiyatlar ykselmekte, ykseldiinde ise dmektedir. 3. Enflasyon Riski: Enflasyon satn alma gcn azaltacandan yatrmcnn gelecekte elde edecei mal ve hizmetlerin reel tutarn, dolaysyla da cari menkul kymet fiyatlarn etkileyecektir.
(R
i =1
R) 2 Pi (1.1)
: Standart Sapma
n : Menkul kymetin farkl getirileri
R : Menkul Kymetin ortalama getirisi Ri : Menkul kymetin i.nci getirisi Pi : i.nci getirinin gerekleme olasl
Standart sapma kldke olaslk dalm, dolaysyla da risk azalr; standart sapma bydke de beklenen getirinin riski de artar. Riskin llmesi iin ounlukla varyans veya standart sapma kullanlmakla birlikte baka l birimleri de kullanlabilmektedir.
Dk Risk
Getiri (%)
Normal Risk
Yksek Risk
Risk (%)
10
Tutucu Yatrmc
Getiri (%)
Giriken Yatrmc
Risk (%)
ekil 1.2 Yatrmc Farkszlk Erileri Riske Tamamen Duyarl Yatrmc: Bu tr bir yatrmc, yatrm kararlarn
sadece risk dzeyine gre belirlemektedir. Dolaysyla da, belirli bir risk dzeyi, getiri ne olursa olsun ayn fayday salamaktadr. Bu durum, getiri eksenine paralel farkszlk erisiyle gsterilmektedir.
11
Giriken Yatrmc: Tutucu yatrmcnn aksine olas bir getiri art iin daha
byk miktarlarda risk stlenme eiliminde olan yatrmc tipidir. Bu tr bir yatrmc iin elde edilecek getiri riskten daha nemlidir. Gereki olmayan u yatrmc tipleri dikkate alnmazsa, yatrmclarn ayn fayda dzeyini koruyabilmeleri iin risk-getiri deiimi gerekli grlmektedir. Normal bir yatrmc daha fazla bir riski ancak daha fazla bir getiri beklentisi ile kabul edecektir. Ne kadar bir riski kabul edebilecei yatrmc iin nemli bir karardr. Herkesin risk kabul etme derecesi farkldr ve kiinin risk tolerans sabit olmayp yaam boyunca deime eilimindedir. Genellikle kiiler yalandka emeklilik gibi zorunluluklar nedeniyle doal olarak daha az risk stlenme eiliminde olurlar. Elde edilmek istenen getiri ve bu getiri iin kabul edilebilecek riski belirlemek iin yatrmc mmkn olan en dk risk beklentisi ile mmkn olan en yksek getiri beklentilerini dengelemek durumundadr. Risk ve getiri arasndaki doru dengeye ulamak yatrmcnn finansal hedeflerine ulamasn salarken geceleri de rahat uyuyabilmesine olanak verecektir.
Risk (%)
Sistematik Risk 1 N
Portfy ynetiminde ama, yatrmcnn getiri beklentileri ve riske kar tutumu dorultusunda, portfye dahil edilecek varlklar ve bu varlklarn oranlarna karar vermek ve gelien koullarla birlikte portfy gncellemektir. 10 Geleneksel portfy ynetiminde riskin birden fazla menkul kymete datlmas amalanmtr. Bu ama dorultusunda 10 farkl menkul kymetten oluturulmu bir portfyn 2 menkul kymet ieren bir portfye gre 5 kat daha az riskli olduu kabul edilmitir. Geleneksel portfy ynetiminde iyi bir eitlendirme yaplabilmesi iin portfye dahil edilecek menkul kymetlerin farkl endstrilerden seilmesi ngrlmtr. Ancak, portfye dahil edilen menkul kymetlerin getirileri arasndaki ilikiler ele alnmadan sadece portfydeki menkul kymet says arttrlarak riskin azaltlabilecei kabul edilmitir. Modern portfy teorisi ile beraber bu yaklam geerliliini yitirmitir.
10
niversitesi, 1991, s. 16
13
yatrmclarn nasl davrand, yatrmclarn davranlarnn fiyat oluumlarn nasl etkiledii ve bu ilikilerin nasl nicelletirilebileceiyle uraan bir dizi teorik yapya dayanr: 11 a) Btn yatrmclar rasyonel dnrler. Yatrmclar, verilen her risk dzeyi iin yksek getirileri dk getirilere ya da verilen her getiri dzeyi iin dk riski yksek riske tercih ederler. b) Yatrmclar her yatrm, belli bir elde tutma dnemi sonunda nihai refahlarna katkda bulunacak, olaslk dalmna sahip getirileriyle alglarlar. c) Yatrmclarn risk tahminleri beklenen getirideki deimeyle orantldr. d) Yatrmclar, yatrm kararlarn yalnzca beklenen getiri ve riske gre alrlar. e) Sermaye piyasas olduka etkindir. Menkul kymet fiyatlarn etkileyen btn bilgiler sratle, tamamen ve doru olarak menkul kymet fiyatlarna yansyacak ve herhangi bir anda piyasa dengede olacaktr.
11
Karain, A. Gltekin, Sermaye Piyasas Analizleri, SPK, Yayn No: 4, Ankara, 1986, s. 121
14
(1.2.1)
12
Markowitz, Harry M., Portfolio Selection, Journal of Finance, 7 (1), 1952, s. 77-91
15
B (G p ) : Portfyn beklenen getirisi B (Gi ) : i menkul kymetinin beklenen getirisi ai : i menkul kymetinin portfydeki arl
a j : j menkul kymetinin portfydeki arl
2 p : Portfyn varyans
Cov(i,j) : i ve j menkul kymetlerinin beklenen getirilerinin kovaryans Kovaryans, herhangi bir tesadfi deikenler grubunun birlikte hareket etme eilimini, yani, iki tesadfi deiken arasndaki sezgisel balanty ler. Herhangi iki menkul kymetin kovaryans menkul kymetlerin tek tek standart sapmalar ile iki menkul kymet arasndaki korelasyon katsays ile arplmasyla elde edilebilir:
Cov(i, j ) = i j ij (1.3)
16
Getiri (%)
= -1 = +1 -1 < < +1
A
Risk (%)
ekil 1.4 ki Menkul Kymetli Portfyn Korelasyon Katsaysna Gre Riski
(ii)
a
i =1
=1
(1.4.3) (1.4.4)
(iii) ai 0 i =1,.....,N
Yukardaki birinci kst elde edilecek getrinin beklenen getiriye eit olmasn ifade eder. kinci kst ise bte kst olarak bilinir ve btn menkul kymetlerin
17
arlklarnn toplamnn %100e eit olmasn gerektirir. Arlklarn 0dan byk olmasn belirten nc kst ise aa sat ilemlerinin olmadn gsterir. Bu modele gre, eer bir portfye girmesi muhtemel btn menkul kymetlerin beklenen getirilerini, risklerini ve korelasyonlarn biliyor isek, bu bilgileri kullanarak herhangi bir portfyn beklenen getirisini ve riskini hesaplayabiliriz. Hesaplanan bu portfyler ierisinde optimal olanlar ise iki ekilde tanmlanabilir: 1. Belli bir risk seviyesi iin en yksek getiriye sahip olan portfyler 2. Belli bir beklenen getiri iin en dk riske sahip portfyler Bu iki tanm da birbirine eittir ve ayn optimal portfy kmesini olutururlar. Birinci tanm olas her risk seviyesi iin, ikinci tanm ise olas her beklenen getiri oran iin optimal portfyleri oluturur. Optimal portfyler risk getiri uzaynda etkin snr oluturur (ekil 1.5).
Olanaksz Portfyler D
Risk (%)
ekil 1.5 Etkin Snr Grafii
18
Grafikte D-Y erisinin altnda kalan taral alan geerli yatrm ortamnda oluturulabilecek portfylerin oluturduu risk-getiri uzayn gstermektedir. Bunun dnda kalan blgede portfy oluturmak olanakszdr. Taral alandaki her noktada ise, o noktaya karlk gelen risk ve beklenen getiriye sahip en az bir portfy oluturulabilir. Ulalabilir alann stn evreleyen D-Y erisi ise etkin snr oluturur. Etkin snr zerindeki portfyler hem belli bir beklenen getiri iin en dk riske sahip olmalar, hem de belli bir risk iin en yksek beklenen getiriye sahip olmalar nedeniyle optimaldirler ve en iyi eitlendirilmi portfylerdir. Etkin snr yatrmclar iin ok nemlidir. Btn yatrmclar en yksek getiriyi elde ederken en az riski stlenmek istedikleri iin etkin snr zerinde yer alan bir portfye yatrm yapacaklardr. nk etkin snr zerindeki bir portfy dier tm portfylere stn olacaktr.
En az arlk kst (buy-in threshold): Oluturulacak portfye dahil edilecek bir menkul kymetin arlnn ok kk olmamasn salamak iin belirtilen portfye dahil edilen tm menkul kymetlerin arlklarnn en az deerini belirtir.
Portfydeki maksimum farkl menkul kymet adedi (cardinality constraint): Portfy ynetimini kolaylatrmak amacyla portfye en fazla belli bir adet menkul kymetin dahil olabilmesi istenebilir.
Portfydeki menkul kymetler iin en az ve en ok arlk kstlar: Bu ksta gre portfyde yer alacak menkul kymetlerin arlklar iin alt ve st snr belirtilebilir. 19
(ii) ai = 1
i =1
i =1,.....,N
(1.5.4)
z
i =1
= K 1 K N
Modeldeki ilk kst standart modeldekiyle ayndr. Drdnc kst ilgili menkul kymetin portfye dahil olup olmadn belirtmektedir. ( z i = 0 ise menkul kymet portfye dahil deil, z i = 1 ise menkul kymet portfye dahildir). Beinci kst portfye dahil olabilecek maksimum menkul kymet adedini (K ) belirtmektedir. Altnc kst herhangi bir menkul kymet iin belirtilmi olan en dk ( d i ) ve en yksek ( y i ) portfy arlklarn gstermektedir. (Farkl deerler belirtilmedii durumlarda d i = 0 ve y i = 1 dir). Yedinci kst ise portfye dahil edilecek bir menkul kymetin minimum arln ( m ) gstermektedir. Eer sz konusu menkul kymet portfye dahil ise en az arl m , dahil deilse arl 0 olacaktr. Optimizasyon modeline bu kstlarn eklenmesi etkin snr doal olarak deitirecek ve oluturulan etkin snr kesikli yapda olabilecektir. Kstlarn etkin snr nasl etkilediini aklamak iin menkul kymet arasndan iki tanesini seerek oluturulabilecek portfylerin etkin snrlar ve byle bir kstla oluabilecek tm portfylerin etkin snr grafii aadaki ekilde gsterilmitir (ekil 1.6):
20
C Getiri (%)
Getiri (%)
Risk (%)
Risk (%)
(i)
(ii)
ekil 1.6 (i) 3 Menkul Kymetten kisi ile Oluturulabilecek Portfylerin Etkin Snrlar (ii) Tm Portfyler iin Etkin Snr Sonuta oluan etkin snr grafiine bakldnda, etkin snr erisinin kesikli olduu ve en yksek ve en dk beklenen getiri deerleri arasnda yer alan baz beklenen getiri deerleri iin tanml olmad grlmektedir. Tanmsz olan bu beklenen getiri seviyelerinde ayn riske sahip daha yksek beklenen getiri elde etmek mmknken ayn getiriye sahip daha az riskli bir portfye ulamak mmkn deildir, dolaysyla da bu noktalar doal olarak etkin snr zerinde deildirler.
13
Fabozzi, Frank J., Gupta, Francis, Markowitz, Harry M., The Legacy of Modern Portfolio Theory,
21
MPTye gre yatrm sreci aadaki ekilde gsterilmitir (ekil 1.7). Yatrmc belirledii beklenen getiri ve risk tahminleri ile portfy kstlarn kullanarak optimal portfylerden oluan etkin snr oluturduktan sonra yatrm tercihleri dorultusunda yatrm yapaca optimal portfy seer.
ekil 1.7 Modern Portfy Teorisine Gre Yatrm Sreci MPTde portfy optimizasyonu iin gerekli girdileri oluturan parametrelerin (beklenen getiri, risk) doru tahmin edilmesinin nemi ok byktr. Bu parametrelerdeki - zellikle de beklenen getirideki - kk deiimlerin optimal portfydeki menkul kymet arlklar zerinde nemli etkileri olabilir. 14 Portfy kstlar ise oluturulacak portfy ile ilgili yatrmcnn zel tercihlerini yanstmaktadr. Optimizasyon ilemi iin eitli aralar ve yntemler kullanlabilir. Yatrm iin belirlenen ama fonksiyonu, kullanlan optimizasyon modeline gre uygun ekilde kodlanr ve yukardaki girdiler kullanlarak etkin snr elde edilir. Son olarak, yatrmcnn risk ve getiri konusundaki tutumunu gsteren farkszlk erisinin etkin snra teet olduu noktadaki portfy, optimal portfy olarak seilecektir.
14
Chopra V K, Ziemba WT, The effect of errors in means, variances and covariances on optimal
portfolio choice, Journal of Portfolio Management, Vo.19, No. 2, Winter 1993, s. 6-11
22
Biliim teknolojilerindeki nemli gelimelerle birlikte yapay zeka ve makine tabanl renme teknikleri son yllarda yaygn olarak kullanlmaya balamtr. nsanolunun idrak kapasitesinin snrl ve karar vermede tutarsz olmas nedeniyle, artk bilgisayarlar, yatrm strateji ve tercihlerinin belirlenmesinde, portfy oluturulmas ve optimizasyonunda nemli bir yere sahiptirler. Bilgisayarlar kullanlarak, pek ok yatrm alternatifi, finansal senaryo veya portfy hzl bir ekilde oluturularak deerlendirilebilmekte ve optimize edilmektedir. Finansal ortamn arklarnn hzl dnd ve piyasalarn dinamik bir ekilde deitii ve dnt gnmzde, finansal yatrm olanaklarnn gerek zamanl olarak belirlenebilmesi ve alternatiflerin hzl bir ekilde deerlendirilebilmesi iin genetik algoritmalar nemli bir zm alternatifi sunmaktadr. Byle durumlarda en iyiye yakn bir zme hzl bir ekilde ulamak, en iyi sonuca ok uzun bir srede ulaabilmekten ok daha nemlidir. Genetik algoritmalar, insann karar alma yeteneinin bilgisayarlar
kullanlarak benzetilmesine dayanan bir tr yapay zeka tekniidir. Genetik algoritmalar zor problemleri, bir balang aday zm kmesinin tekrarlanan bir sre kullanlarak evirilmesi yoluyla, zm uzayndaki daha iyi zmlere ulamaya alarak zmeye alrlar.
15
Holland, J. H., Genetic Algorithms, Scientific American, 1992, s.44 Drake, a.g.e, s. 30 Beasley, David, AI FAQ/genetic, http://www.faqs.org/faqs/ai-faq/genetic/part2/section-1.html,
16
17
(15.08.2003)
24
Yukarda sralanan evrimsel algoritma teknikleri ierisinde en yaygn ve kullanl olan genetik algoritmalardr. Genetik algoritmalar karmak bir zm uzay olan problemleri zmek iin evrimsel yaklam kullanan rasgele aramaya dayal bulusal (heuristic) bir zm tekniidir.
1 2 3 4 5 6 7 8
Gsterim (kodlama) ynteminin belirlenmesi Balang populasyonunun (ilk nesil) oluturulmas Balang populasyonundaki her bireyin performansnn ama fonksiyonuna gre hesaplanmas Yeni neslin oluturulmasnda kullanlacak bireylerin seilmesi Seilmi bireylere genetik ilemlerin uygulanarak yeni neslin elde edilmesi Yeni neslin bireylerinin performanslarnn uygunluk fonksiyonuna gre hesaplanmas Biti koulu salanmamsa 4. adma dnlmesi Biti koulu salanmsa en iyi bireyin sonu olarak dnlmesi Tabloda gsterilen genetik algoritma admlar genel olarak verilmitir. Bu
admlar deiik problemler iin deiik ekilde uygulanabilir. Ancak her durumda, bu admlar genetik algoritmalarn temel bileenlerine dayanmaktadr. 18 Bu temel
18
25
bileenler yukardaki admlar dorultusunda aadaki blmlerde detayl olarak ele alnacaktr.
26
ilgili zel bilgi veya durumlar mevcut ise, bu durum zm uzay kmesini snrlandracak ekilde balang populasyonunu oluturmada kullanlabilir. 19 Genetik algoritmada kullanlacak populasyon byklnn belirlenmesi iin net kurallar yoktur. Populasyon bykl problemin yapsna gre belirlenmelidir. Genetik algoritmann almasnda sonraki admlarn daha verimli olabilmesi iin, balang populasyonunun olas zmlerin nemli bir blmn kapsayacak ekilde farkl zmler barndracak kadar geni olmas gereklidir. Ancak, populasyonun byk olmas daha ok eitlilik salayarak daha salam sonular verirken, genetik algoritmann almas iin ihtiya duyulan kaynak gereksinimini artracaktr.20
optimizasyonuna problemine en iyi veya en iyiye yakn bir zm en ksa srede ve en kolay ekilde bulabilmektir. 21 Bunu gerekletirmek iin genetik algoritmalar varolan zm alternatiflerinin performansn bir uygunluk (ama) fonksiyonu kullanarak lerler ve daha iyi zm alternatiflerine ulamaya alrlar. Uygunluk fonksiyonu (fitness function), zm aday bireylerin
kromozomlarn (kodlanm dizileri) uygunluk deerini gsteren rakamsal bir deere eletirir. Hesaplanan uygunluk deeri, bireyin ama fonksiyonuna gre deerini, dolaysyla da zme yaknln gstermektedir. Finansal problemlerde ama fonksiyonu kr veya beklenen getirinin maksimizasyonu ya da zarar veya riskin minimizasyonu eklinde formle edilebilir. rnein, ama (fonksiyonu) borsada yaplan yatrmn krn maksimize etmek iin
19
Feldman, Konrad and Treleaven, Philip, a.g.e, s. 201 Drake, a.g.e, s. 36 Pereira, Robert, Genetic Algorithm Optimisation for Finance and Investement, Latrobe University
20
21
27
varolan rnek piyasa verilerini kullanarak en uygun alm satm kurallarn belirlemek olabilir. Veya optimal portfy seimi problemi ele alndnda, ama, portfydeki varlklarn arlklarnn belirli bir beklenen getiri dzeyindeki riski minimize edecek ekilde belirlenmesi olacaktr.
Seim, mevcut populasyondaki hangi bireylerin genetik ilemlere tabi tutularak yeni nesillerin oluturulmasnda kullanlacan belirler. Mevcut populasyon ierisinden seilen bu bireyler yeni neslin atalar olmaktadr. Seim srasnda, zme daha yakn bireylerin daha yksek olaslkla seilmesi hedeflenir. Ancak, seim algoritmas sadece en iyi bireyleri seerse, populasyon ksa bir srede bu bireye yaknsayacaktr. Bu nedenle, seim algoritmas en iyileri semeye ynlendirilmeli, ancak, en iyi olmayp da genetik adan faydal olabilecek bilgi tayan bireyleri de seebilmelidir. 22
22
Pareira, a.g.e, s. 16
28
Holland tarafndan kullanlan rulet tekerlei (rulet-wheel) yntemi olarak adlandrlan ilk seim yntemi adaylarn olaslk dalmna gre seilmesine dayanyordu. Buna gre herhangi bir adayn seilme ans, onun btn populasyon iindeki performansna gre rasgele belirlenmektedir. Bylelikle performans yksek olan adaylarn ans daha yksek olmaktadr. Ancak bu yntem kk populasyonlarda, rasgele seim nedeniyle oransal olarak ok sayda kt performansa sahip zm adaynn seilebilmesine sebep olabilmektedir.23 Rulet-tekerlek yntemindeki bu sorunu gidermek zere bir ok alternatif yntemler nerilmitir. Bu alternatiflerden en yaygn bilinen ve kullanlan turnuva seimi yntemidir. Turnuva seiminde mevcut populasyondan, nce iki veya daha fazla aday seilir ve seilen adaylarn oluturduu grup ierisinden de performans en iyi olan aday seilir. Bu yntemin temeli en iyi olan yaar ilkesine (survival of the fittest) dayanmaktadr. Bylece mevcut populasyonun en kt bireyinin bir sonraki neslin atas olmas nlenmi olur. 24
2.2.4.2. aprazlama
Seim algoritmas sonucunda belirlenen, mevcut populasyon ierisinde greceli olarak daha iyi performansa sahip olup en iyi zme daha yakn olmas muhtemel adaylar, aprazlama ilemi ile birletirilerek yeni bireyler oluturulur. Bu ekilde, zm uzaynn aratrlmas sreci rasgele olmayp, mevcut genetik bilgi dorultusunda en iyi sonuca gtrecek ekilde ynlendirilmi olur. 25 Seim ileminde olduu gibi aprazlama ileminde de alternatif yntemler mevcuttur. En ok kullanlan yntem tek noktadan aprazlama (single-point
23
Mitchell M., An Introduction to Genetic Algorithms, The MIT Press, Cambridge, MA, 1996, s. 167 Goldberg, David E., Genetic and Evolutionary Algorithms come of age, Communications of the
24
Pareira, a.g.e, s. 6
29
crossover) olsa da, iki noktadan aprazlama, ok noktadan aprazlama ve homojen aprazlama (uniform crossover) yntemleri de kullanlabilmektedir. 26 Noktal aprazlama ileminde aprazlama iin seilen iki zm adaynn karlkl deerlerinin (genlerinin) aprazlama noktas/noktalarna gre dei tokuu yaplr. Homojen aprazlamada ise yeni bireyin genleri rasgele olarak aprazlamaya katlan bireylerin (anne ve baba) genlerinden gelir. aprazlama ilemi sonucunda her iki atann (anne ve baba) ksmi zelliklerine sahip yeni bir birey (child) elde edilmi olur. aprazlama ilemi her zaman yaplmayabilir. aprazlama nceden belirlenmi bir olaslk yzdesine bal olarak rasgele (stokastik) olarak yaplr.
2.2.4.3. Mutasyon
Mutasyon ileminde seilen bir bireyin genetik bilgisi, kullanlan kodlama sistemine uygun ekilde rasgele olarak deitirilir. rnek olarak, ikili kodlama sistemi ile kodlanm bir bireyin 1 olan bir geninin 0a veya 0 olan bir geninin 1e dntrlmesi verilebilir. Mutasyon ile var olan populasyona yeni genetik bilgi eklenmi olur. Bu populasyonun eitliliini arttrarak, aprazlamann tersine, algoritmann alma srecini rasgele bir ekilde zm uzaynn yeni alanlarna ynlendirir. Mutasyon ilemi, genetik algoritmalara yerel alt optimumlarda taklp kalmama ve yeni ve daha nceden fark edilmemi zmlere ulaabilme zellii kazandrmaktadr.27
26
Beasley, D., Bull, D.R., & Martin, R.R., An Overview of Genetic Algortihms: Part 2, Research
Pareria, a.g.e., s. 7
30
Mutasyon, seim ve aprazlama ile beraber uygulandndan yalnzca zm uzaynn verimli bir ekilde aratrlmasn salamakla kalmaz, ayn zamanda zm aday kmesinin eitliliinin kaybolmamas iin gvence salam olur. 28 Mutasyon da aprazlama gibi nceden belirlenmi bir olaslk yzdesine gre rasgele olarak yaplr. Mutasyonlar optimal zme ulama asndan faydal da olabilirler faydasz da olabilirler. Bu nedenle, populasyonun genetik bilgisinin bir anda ok fazla deimemesi iin mutasyon olasl dk tutulur.
28
Goldberg, David E., a.g.e, s. 114 Beasley, D., Bull, D.R., Martin, R.R., An Overview of Genetic Algortihms: Part 1, Fundamentals,
29
(15.08.2003)
31
Bylece her yeni nesil, en azndan bir nceki nesildeki en iyi bireyi iermi olur ve olas zmn performansnn sonraki nesillerde azalmas mmkn olmaz.
2.2.6. Biti
Genetik algoritmann alma dngsnn sona erip, zme ulalabilmesi iin nceden belirlenmi bir k koulunun salanm olmas gerekir. k koulunun salanmas (termination) durumdan birinin gereklemesi ile olabilir: 31 1) Tatmin edici bir sonuca ulalm olmas 2) Genetik algoritmann belli bir zme yaknsamas 3) nceden belirlenmi en fazla nesil saysna ulalmas Genetik algoritma belli bir zme yaknsadnda nesli oluturan tm bireyler benzerdir ve genetik algoritmann admlarnn tekrarlanmas sonucu deitirmez. En fazla nesil says ise genetik algoritmann yaknsamad baz problemlerde sresiz olarak almasn engellemek amacyla belirlenir. Genetik algoritma, sonuca ulamad, yaknsamad veya en fazla nesil saysna ulamad durumlarda seim, aprazlama ve mutasyon ilemlerini kullanarak yeni nesillerin oluturulmasna devam eder.
31
Lankhorst,
Marc
M.,
Genetic
algorithms
in
data
analysis,
Online
Resource
32
ok geni bir zm uzay Birden fazla optimum noktas Ama fonksiyonunun trevinin alnamyor olmas Ama fonksiyonundaki sreksizlikler Verilerin dorusal (lineer) olmamas Verilerde nemli oranda hata pay (noise) olmas Verilerin istikrarsz (nonstationary) olmas
Genetik algoritmalarn optimal ya da optimale yakn sonulara ulaabilme zellii ve gc yukarda da bahsedildii gibi genetik ilemlerin (seim, aprazlama ve mutasyon) kullanlmasndan gelmektedir. Seim ileminde performans daha iyi olan bireylerin seilme sans yksek olsa da btn bireylerin seilme ans mevcuttur. Bu da zm uzaynn aratrlmas srecinin daha geni bir alanda srdrlmesiyle ilk bakta zm iin uygun grlmeyen zm alanlarnn daha detayl aratrlmas sonucunda ok daha iyi sonulara ulalabilmesine imkan salamaktadr. Seilen bireylerin aprazlanmas ile aday zm kmesinde olmayan yeni bireylerin elde edilmesi mmkn olmaktadr. Bu ekilde mevcut genetik bilginin
32
Pereira, a.g.e., s. 15
33
kombinasyonlaryla daha iyi zmlere ulalmaya allmakta, zm uzayn aratrma sreci dahi iyi sonular elde edilmesi olas alanlara doru ynlendirilmektedir. Mutasyon ise arama srecini rasgele olarak farkl ynlerde gelitirerek zm uzaynn farkl blgelerinin kefedilmesine olanak salamaktadr. Ancak, zm uzayndaki arama srecinin genel gidiini ok fazla bozmamak amacyla mutasyon olasl ve oran genelde dk tutulur. Bylece zm uzaynda srdrlen genel arama sreci devam ederken, mutasyon ile zm uzaynn hi kefedilmemi blmleri de arama srecine katlm olur. Genetik algoritmalarnn dier optimizasyon tekniklerinin aksine yerel minimumlarda taklp kalma ihtimali ok daha azdr. Bunun sebebi seim, aprazlama ve mutasyon ilemlerinin rasgele olarak gerekletiriliyor olmasdr. Genetik algoritmalarn zme olduka hzl ulaabilmesi almalarnn dorudan (explicit) ve dolayl (implicit) paralellik iermesi sayesindedir. Dorudan paralellik genetik ilemlerin ayn anda btn bir populasyona uygulanmas nedeniyle zm uzaynn paralel bir ekilde aratrlmas demektir. Dolayl paralellik ise bir bireyin performansnn deerlendirilmesinde ama fonksiyonu kullanlrken bireyin tm zelliklerinin (genlerinin) ayn anda deerlendiriliyor olmas demektir. Bu paralellikler zm uzaynn farkl blgelerinin ayn anda aratrlmasn salayarak byk bir verimlilik salam olurlar. Bu verimlilii sayesinde genetik algoritmalar optimal sonuca dier tekniklere gre ok daha hzl yaknsarlar. Ancak burada hz ve ulalan sonucun doruluu (accuracy) arasnda bir tercihin sz konusu olduunu belirtmek gereklidir. Genetik ilemler anlatlrken deinildii gibi aprazlama iin farkl yntemler kullanlabilmektedir. Ayrca aprazlama ve mutasyon nceden belirlenmi olaslklara gre rasgele olarak gerekletirilmektedir. Kullanlan aprazlama yntemi ve aprazlama ile mutasyon olaslk yzdelerinin seimi hz ve doruluk arasndaki tercihi etkilemektedir. Son olarak, kk deiikliklerle farkl problemlere kolaylkla uygulanabilen esnek bir yntem olmas genetik algoritmalarn cazibesini arttrmaktadr. 34
Hazrlanm
olan
bir
genetik
algoritma
programnn
yeni
bir
probleme
uyarlanabilmesi iin ou zaman problemin uygun ekilde kodlanmas ve uygunluk fonksiyonunun doru bir ekilde formle edilmesi yeterlidir. Ayrca, zlecek problemle ilgili zel bilgiler genetik algoritma tarafndan kolaylkla kullanlabilir ve genetik algoritmalar baka yntemlerle beraber kullanlabilirler.
33
Pereira, a.g.e., s. 17
35
yaknsayabilir. Buna erken (prematre) yaknsama denilmektedir. Ayrca ok kstl ve yksek dzeyde dorusal olmayan (highly non-lineer) problemlerde ise hi yaknsamayabilir. Genetik algoritmalarn yaknsamamas yukarda bahsedilen parametreler iin uygun deerlerin seilmemesine bal olabileceinden, problem iin uygun deerlerin seilmesiyle bu sorun ortadan kaldrlabilir. Ancak, problemin zelliklerinden kaynaklanan yaknsamama durumlarnda yaplacak pek bir ey olmayabilir.
36
34
37
edilerek yerel optimuma ulalmaya allr. Bu tr yntemlerin kullanlmasnda iki temel sorun vardr. lk olarak bu yntemler zm uzaynn aratrlmaya baland noktaya yakn en iyi zm oluturan yerel optimumlarda taklabilir. kinci olarak hesap tabanl yntemlerde optimize edilen fonksiyonunun trevinin alnabilmesi gereklidir. Ancak gerek hayattaki problemlerin zm uzay genelde sreksiz ve dzensizdir, bu nedenle de ama fonksiyonlarnn trevi alnamaz. Sralama tabanl yntemler (dinamik programlama, dal ve snr yntemi vs.) ama fonksiyonunun en iyi deerini zm uzayndaki noktalarn her birini srasyla deerlendirerek bulmaya alr. Bunun iin zm uzaynn belli aralklarla ayrlarak (discretization) zm uzaynda olas zm noktalarnn belirlenmesi gereklidir. zm algoritmas ama fonksiyonunun deerini zm uzayndaki her bir nokta iin srayla hesaplar. Bu yntemin kolayl cazip olsa da, olduka verimsizdir. ou gerek problem iin zm uzay tmnn aratrlmasnn mantkl olmayaca kadar byktr. Rasgele arama yntemleri ise zm uzaynn aratrlaca ynn rasgele seilmesine dayaldr. Rasgele aratrma sonucunda elde edilen en iyi sonular kaydedilerek seilen arama amac dorultusunda arama sreci yeni bir dorultuda ynlendirilir. Bu tr yntemler, hesap tabanl yntemlerin aksine, trev bilgisi gerektirmemeleri, ama fonksiyonu ile ilgili bir kstlamalarnn olmamas ve hatal bilgiler ierebilen (noisy) ayrk (disjoint) bir zm uzayn aratrabilmeleri nedeniyle gerek problemlerin zm iin olduka kullanldrlar. Ancak, bu tr rasgele yntemlerin uygun bir zaman dilimi ierisinde en iyi zm bulma konusunda garantisi yoktur. Dolaysyla aratrma srecinin verimli bir ekilde ynlendirilmesi zerinde durulmas gereken nemli bir konudur. Bu nedenle, Genetik Algoritmalar, Benzetimli Tavlama (Simulated Annealing) ve Yasakl Arama (Tabu Search) gibi rasgele aramaya dayal teknikler bulusal yntemler (heuristics) kullanarak rasgele arama srecini daha akll hale getirmeyi amalarlar. Bylece bu yntemler dier yntemlerle zlemeyen problemlere tutarl ve en veya en iyiye yakn kabul edilebilir sonularn ksa bir srede elde edilmesini salarlar.
38
Rasgele aramaya dayal bulusal bir yntem olarak genetik algoritmalar klasik optimizasyon yntemlerinden ayran 4 zellii vardr: 35
Genetik
algoritmalar
parametreleri
deil
parametrelerin
kodlanm
gsterimlerini kullanrlar. Herhangi bir fonksiyonu optimize etmek iin parametrelerin sonlu elemanl bir alfabeden oluturulan sonlu diziler kullanlarak kodlanmas yeterlidir.
Genetik algoritmalar zm uzayn bir tek noktadan deil, bir grup noktadan aratrr. Bylece yerel en iyi sonulara taklmadan en iyi sonuca hzl bir ekilde ulama ans artm olur.
Genetik algoritmalar zme ulamak iin sadece ama fonksiyonunu kullanrlar, trev veya baka ek bilgi gerektirmezler. Dolaysyla da pek ok problemde kolaylkla kullanlabilirler.
Genetik algoritmalar nceden belirlenmi (deterministic) kurallara gre deil, olasla bal (probabilistic) kurallara gre alrlar. Bu zellik genetik algoritmalara baka yntemlerle ulalamayan zmlere ulaabilme imkan vermektedir.
35
Goldberg, David E., Genetic Algorithms in Search, Optimization and Machine Learning, Addison-
Schyns, M., Crama, Y., Simulated Annealing for Complex Portfolio Selection Problems, European
39
Portfy optimizasyonu probleminin en basit formu olan bu durumda dorusal programlama veya trev-arama (gradient-search) gibi geleneksel optimizasyon yntemlerine dayanan zel algoritmalar kullanlarak kolayca zm elde edilebilir. 37 Kstl portfy optimizasyon modeli ise karmak tamsayl (tam say ve gerel sayl) dorusal olmayan programlama (mixed integer non-linear programming) problemidir ve klasik algoritmalar ile zlemez. 38 Blm 1.2.3de de gsterildii gibi kstlarn eklenmesi etkin snr sreksiz ve baz noktalarda tanmsz hale getirebilmektedir. Bu kstlarn dahil edildii bir kstl portfy modelinde ama fonksiyonunun trevi alnamayacandan hesap tabanl yntemlerle sonulara ulamak mmkn deildir. Sralama tabanl yntemler ise portfyn byklne bal olarak ok uzun zaman alabilir. Olas portfy alternatiflerin okluunu grebilmek iin H tane hisse senedi ieren bir piyasada P hisse senedi ieren bir portfy oluturulduunu varsayalm. Bu durumda oluturulabilecek farkl portfy kombinasyonlarnn adedi aadaki gibi hesaplanr: C (H , P ) = H! (3.1) P!.(H P)!
imdi de portfydeki hisse senedinin arlklarnn znrlnn de A olduunu kabul edelim. (A=100 iin hisse senetlerinin arlklarnn %1in kat olmas gerekir). Portfy oluturan hisse senetlerinin arlklarnn toplam %100 olmaldr. Bu durum, toplam arln (%100) portfydeki hisse senetlerine datld kombinasyonel bileim (combinatorial composition) problemi olarak ele
37
Proceedings of Second International Conference On Artificial Intelligence Applications on Wall Street, Software Engineering Press, April, 1993, s. 149
38
Chang T. J., Meade N., Beasley J.E., Sharaiha Y. M., Heuristics for Cardinality Constrained
Portfolio Optimisation, Computers & Operations Research, Vol. 27, Issue 13, 2000, s. 1271
40
alnabilir. 39
adedinin P olduu bir durumda portfydeki hisse senetlerinin alabilecekleri farkl arlk deerlerinin says, C ( A + P 1, P 1) = ( A + P 1)! (3.2) A!.(P 1)!
olarak hesaplanr. Yukardaki formller gz nnde bulundurulduunda H hisse senedinden oluan bir yatrm ortamnda, arlk znrl A olacak ekilde, P hisse senedi ieren farkl portfy adedi T: T = C (H , P ) C ( A + P 1, P 1) = H! ( A + P 1)! (3.3) P!.(H P)! ( P 1)!.A!
dir. Bu durumda, 30 hisse senedi iin arlklar %1in katlar olacak ekilde 10 hisse senedi ieren toplam portfy says aadaki kadardr:
T = C (30,10) C (109,9) =
Varsaylan yatrm ortamnn olduka kk olmasna ramen olas portfy adedi olduka fazladr. Bu kadar ok alternatifi teker teker deerlendirmek gnmz bilgisayar teknolojileri dnldnde yllar srebilir. Hesap tabanl ve sralama tabanl klasik optimizasyon yntemleri portfy iin belirlenen kstlar salayabilen zmlere ulamakta zorlanrken, rasgele aramaya dayal bulusal yntemler karmak kstlar veya ama fonksiyonlar belirlendii
39
Busetti, Franco, Metaheuristic Approaches To Realistic Portfolio Optimisation, M.S. Thesis, June
2000, s.2
41
durumlarda bile en iyi ya da en iyiye yakn kabul edilebilir sonulara hzl bir ekilde ulaabilirler. 40
40
Proceedings of Second International Conference On Artificial Intelligence Applications on Wall Street, Software Engineering Press, April, 1993, s. 149
41
Leinweber, David J. and Arnott, Robert D., Quantitative and computational innovation in
investment management, The Journal of Portfolio Management, Vol.21, No. 2, Winter, 1995, s. 12
42
42
43
44
43
Yaplan almada gelitirilen modelde beklenen getiri ve risk deerlerinin hesaplanmas iin 03.06.2002 ile 31.12.2002 tarihleri arasnda gerekleen MKB-30 hisse senetlerinin 6 aylk gnlk 2. seans kapan fiyatlar kullanlmtr.
Tablo 3.1 MKB-30 Hisse Senetlerinin 03.06.2002 - 31.12.2002 Tarihleri Arasndaki 6 Aylk Getirileri
MKB-30 AKBNK AKENR AKGRT AKSA ALARK ARCLK DOHOL DYHOL ENKAI EREGL FINBN FROTO GARAN HURGZ IHLAS Getiri 44,68% -8,28% 8,43% 31,70% 5,78% 51,27% 7,70% 27,24% 17,93% 19,77% 46,90% 6,89% 4,57% 22,20% 40,36% Risk 46,41% 40,83% 43,94% 43,08% 37,35% 46,65% 63,37% 68,80% 32,16% 42,21% 53,20% 42,01% 54,06% 53,63% 74,84% MKB-30 ISCTR KCHOL MIGRS NETAS PETKM PTOFS SAHOL SISE TCELL TRKCM TNSAS TOASO TUPRS VESTL YKBNK Getiri -23,37% 24,18% 28,88% 7,11% 16,41% 8,63% 15,16% 22,31% 48,38% 29,50% -16,56% -18,89% 24,53% 20,19% -44,00% Risk 49,67% 41,57% 40,79% 42,91% 47,43% 45,22% 37,14% 46,04% 51,91% 38,06% 46,76% 44,14% 42,80% 45,64% 72,90%
Hisse senetlerinin beklenen getirilerinin hesaplanmas iin belirtilen dnem iin 6 aylk gnlk getiriler hesaplanm, gnlk getirilerin toplam da 6 aylk dnem iin beklenen getiri olarak bulunmutur. Hisse senetlerinin riski iin ise yine bu 6 aylk dnemdeki gnlk getirilerin standart sapmas kullanlmtr. (Tablo 3.1) Hisse senetlerinin katldklar portfyn riskine olan katklarn
hesaplayabilmek iin de belirtilen 6 aylk dilim iin hazrlanm olan gnlk kapan deerlerinin kovaryans hesaplanmtr. 44
Bu hesaplamalarn tm MS Excele aktartlm olan veriler ve MS Excelde mevcut olan fonksiyonlar kullanlarak yaplmtr. 45
3.2.3.2. Optimal Portfyn Oluturulmas
Yukarda elde edilen beklenen getiri, risk ve kovaryans deerleri genetik algoritma programnda girdi olarak kullanlm ve portfy optimizasyonu bu deerler dorultusunda genetik algoritma program ile yaplmtr. Genetik algoritma programnda, her biri bir portfy temsil eden bireylerden oluan bir balang populasyonu ile balanp, genetik ilemlerin uygulanmasyla her yeni nesilde daha iyi zmleri seerek optimal zme ulalmaya allmtr. Bu almada populasyonlar oluturan bireyler olas portfyleri temsil ettii iin birey veya portfy deimeli olarak kullanlabilse de ayn anlam ifade etmektedir. Genetik algoritmann yaknsamas, dolaysyla almasnn durdurulmas karar kullancya braklmtr. Ancak yaplan testlerde genetik algoritma 100 ila 200nc nesil arasnda yaknsamtr. Genetik algoritma ile elde edilen portfylerin beklenen getirilerinin hesaplanmas iin portfydeki hisse senedi arlklar ile hisse senetlerinin beklenen getirileri kullanlmtr. Oluturulan portfylerin risklerinin hesaplanmas iin ise kovaryans matris yntemi 46 kullanlmtr. Bu ynteme gre oluturulan bir portfyn riskini hesaplamak iin kovaryans matrisini satr ve stn arlklaryla arpp, oluan arlkl kovaryans deerlerini toplamak yeterlidir.
45
Kkkocaolu, Gray, Optimal Portfyn Seimi ve MKB Ulusal-30 Endeksi zerinde Bir
Kolb Robert W, Rodriguez Ricardo J, Finansal Ynetim, SPK , Yayn No: 35, Temmuz 1996, s.
226
45
Yaplan almada birinci ncelik genetik algoritmalarn kullanlan girdi bilgileri dorultusunda kstlar karlayan optimal bir portfye ulaabilirliinin gsterilmesidir. Bu amala kullanlan veri seti ve kstlar iin etkin snr grafii izilerek optimal portfyler kmesi elde edilmi ve elde edilen sonular yorumlanmtr. Genetik algoritmann belirtilen parametrelerle altrlmasndan sonra oluturulan herhangi bir portfyn performansnn llebilmesi amacyla ise, oluturulan portfyn 02.01.2003 ile 30.06.2003 tarihleri arasndaki ikinci 6 aylk dnem iin gereklemi olan hisse senedi getirileri kullanlmtr (Tablo 3.2). Oluturulan portfydeki hisse senedi arlklar ile hisse senetlerinin getirilerinin arplmasyla, bu zaman diliminde oluturulmu portfye yatrm yaplm olunsayd ne kadar getiri elde edilecei hesaplanmtr.
Tablo 3.2 MKB-30 Hisse Senetlerinin 02.01.2003 - 30.06.2003 Tarihleri Arasndaki 6 Aylk Getirileri
MKB-30 AKBNK AKENR AKGRT AKSA ALARK ARCLK DOHOL DYHOL ENKAI EREGL FINBN FROTO GARAN HURGZ IHLAS Getiri 20,50% -7,17% 9,81% -0,32% 16,58% 17,19% -4,37% -0,41% 22,45% 20,75% 33,51% 28,00% -3,96% 2,48% 24,49% Endeks MKB-30 ISCTR KCHOL MIGRS NETAS PETKM PTOFS SAHOL SISE TCELL TRKCM TNSAS TOASO TUPRS VESTL YKBNK Getiri 13,06% -9,21% 2,24% 18,97% 35,06% -29,02% 4,42% 15,65% 6,24% 9,26% 8,32% 34,20% 30,97% 18,25% 23,92% 2,99%
46
47
http://www.solver.com (15.08.2003)
47
olacak ekilde kodlanmasdr. Bilindii gibi genetik algoritmalarda zmlerin kodlanmasnda genel olarak ikili deerler kullanlmakla baka alternatifler de kullanlabilmektedir. Bizim almamzda probleme daha uygun olduu iin aday bireylerin kodlanmasnda gerel saylar kullanlmtr. Buna gre N hisse senedi ieren bir yatrm ortamnda portfy oluturulduu bir durumda, her bir olas portfy bir birey olarak ele alnm ve portfydeki hisse senetlerinin arlklar da bu hisse senedinin genetik kodu olarak kabul edilmitir. Bu durumda her bir bireyin genetik kodu (DNAs) ierdii N hisse senedinin arlk deerlerinden (genlerden) olumaktadr. Her birey iin genlerin toplam deeri (DNA) 1e eit, her genin deeri ise 0 ile 1 aras (0 Arlk N 1) bir deerdir. Portfylerin bu ekilde kodlanmas aadaki ekilde gsterilmitir.
DNA
Birey (Portfy)
Gen 1
Arlk 1
Gen 2
Arlk 2
Gen N
Arlk N
Hisse 1
Hisse 2
Hisse N
ekil 3.1 Genetik Algoritmada Portfylerin Gsterimi (Genetik Kod) Genetik algoritmann altrlmas srasnda herhangi bir andaki portfy populasyonu yukarda belirtilen ekilde kodlanm bireylerden olumaktadr.
48
Genetik algoritma optimizasyonu iin populasyon bykl, hzl yaknsamas ve iyi sonular almak iin yeterli olmas nedeniyle 10 bireylik (portfy) bir populasyon yeterli olmutur. Bu nedenle bir sonra neslin oluturulmasnda aprazlamaya katlacak bireyler iin herhangi bir seim algoritmas uygulanmam ve dolaysyla aday populasyonun bireyleri mevcut populasyonun tm bireylerinin ikili aprazlanmasyla elde edilmitir. Ancak yeni nesil oluturulurken, bir nceki neslin en iyi bireyi de herhangi bir deiiklie uramadan bir sonraki neslin seilecei, bir nceki neslin bireylerinin seme, aprazlama ve mutasyon ilemlerinden geirilmesi ile oluturulmu aday bireyler populasyonuna dahil edilmektedir. Bu durumda bir nceki neslin en iyi bireyi, aday bireyler populasyonunun en iyi N bireyi ierisinde yer alabilirse bir sonraki nesle de aktarlm olur. Yaplan bu elitizm uygulamasyla, her neslin en iyi bireyi korunarak, bir sonraki neslin en iyi portfynn performansnn en az bir nceki neslin en iyi portfy kadar olmas garanti edilmi olur. Bylece her nesilde bir nceki neslin en iyi zm korunmu ya da gelitirilmi olur, dolaysyla da genetik algoritmann en iyi ya da en iyiye yakn sonuca ulamas ve hzl bir ekilde yaknsamas salanm olur. Bu durumda, aprazlama ileminden sonra bir sonraki neslin oluturulaca aday bireyler populasyonu, bir nceki neslin en iyi zmn temsil eden birey de dahil olmak zere toplam
49
C ( N ,2) + 1 =
N ( N 1) + 1 (3.4) 2
bireyden oluur. (N=10 iin toplam 46 birey) aprazlama ilemi iin homojen aprazlama yntemi kullanlmtr. Buna gre iki portfyn (Genetik adan anne ve babann DNAlarnn) aprazlanmasyla yeni bir portfyn oluturulmasnda, yeni portfyn genleri rasgele seilmi olarak anne ya da babadan gelmektedir. Bu durumda yeni portfydeki her bir hisse senedinin arl anne ya da baba portfyndeki hisse senedinin arldr. Bylece her yeni portfy mevcut portfy populasyonunda var olan hisse senetlerinin (arl sfrdan byk olan hisse senetleri) kombinasyonlarndan biri olacaktr. aprazlama ileminin yapl aadaki ekilde gsterilmitir. (ekil 3.2)
Hisse 1 Birey 1 A Gen A1
Arlk A1
Hisse 2 Gen A2
Arlk A2
Hisse 3 Gen A3
Arlk A3
Hisse 4 Gen A4
Arlk A4
Hisse N Gen AN
Arlk AN
Hisse 2 Gen B2
Arlk B2
Hisse 3 Gen B3
Arlk B3
Hisse 4 Gen B4
Arlk B4
Hisse N Gen BN
Arlk BN
Hisse 2 Gen 2
Arlk A2
Hisse 3 Gen 3
Arlk A3
Hisse 4 Gen 4
Arlk B4
Hisse N Gen N
Arlk BN
ekil 3.2 Genetik Algoritma aprazlama lemi aprazlama ilemi sonucunda elde edilen yeni portfydeki hisse senetlerinin arlklar anne veya baba portfyden rasgele gelmi olduundan, genelde yeni portfydeki hisse senetlerinin arlklar oransal olarak deimi olur ve sonu olarak
50
yeni portfydeki arlklar anne veya baba portfydeki arlklardan farkl deerler alabilir.
3.4.3.2. Mutasyon
aprazlama ile elde edilen bireyler daha sonra mutasyon ilemine tabi tutulurlar. Bu almada kullanlan mutasyon ileminde her bir portfyde bir adet kaynak hisse senedi ve bir adet hedef hisse senedi seilir ve kaynak hisse senedinin portfy arlnn en fazla belirlenmi olan mutasyon oran kadar ksm hedef hisse senedine aktarlr (ekil 3.3).
Hisse K Gen K
Arlk K
Hisse L Gen L
Arlk L
Hisse N Gen N
Arlk N
Mutasyon
ekil 3.3 Genetik Algoritma Mutasyon lemi Mutasyon miktar sfrdan en fazla mutasyon oran kadar bir aralkta deien deerler alabilen bir gerel say olabilir. Mutasyon miktar sfr olduunda arlklar deimemi yani mutasyon yaplmam, mutasyon miktar sfrdan byk olduunda ise mutasyona katlan iki hisse senedinin arlklar mutasyon miktar kadar deitirilmi olur. aprazlama ilemi sonucunda elde edilen portfylerde hisse senetlerinin arlklar deiebilse de yeni portfyler sadece mevcut populasyondaki portfye dahil hisse senetlerinin kombinasyonundan olumaktadr. Mutasyon ileminde ise portfydeki hisse senetlerinin arlklar deiebildii gibi, arl sfr olup portfye dahil olmayan hisse senetlerinin portfye dahil olabilmesine olanak salanarak alternatif portfylerin deerlendirilmesi frsat da verilmi olur.
51
Mutasyon ilemi sonucunda herhangi bir hisse senedinin arlnn negatif olmas durumunda, aa sat ilemine izin verilmemesi nedeniyle hisse senedinin arl sfra eitlenir. Bu ekilde hisse senetlerinin arlklarnn srekli olarak sfra eit olmas ya da pozitif olmas salanm olur. aprazlama ve mutasyon ilemlerinden sonra portfydeki hisse senedi arlklar deimi olabileceinden, hisse senedi arlklarnn toplamlar byk olaslkla 1e eit olmayacaktr. Bu nedenle yeni arlklarn oluturulmas iin aprazlama ve mutasyon sonrasnda elde edilen arlklar toplamlar 1e eit olacak ekilde leklendirilir. Sonuta, genetik algoritmann yaknsamas durumu dnda, elde edilen portfyler bir nceki nesli oluturan portfylerden byk lde farkllk arz edecektir.
52
Portfy optimizasyon kriteri risk olarak seilmise, genetik algoritma ilk nesillerde riski belirlenen snrn altna drecek ekilde yeni nesilleri oluturur, risk hedefine ulaldktan sonraki nesillerde ise her yeni nesilde risk snr almadan beklenen getiri arttrlmaya allr. Bunu salamak iin ama fonksiyonunda riskin belirlenen seviyeden yksek olmas durumunda portfy performans riskin negatif deerini alr. Bu ekilde belirlenenden fazla risk iin bir tr ceza fonksiyonu kullanlm olur. Riskin belirlenen seviyenin stnde olmamas durumunda ise portfy performans portfyn beklenen getirisine eit olacaktr. Bylece risk kriteri salandnda getiri arttka portfyn performans dolaysyla da bir sonraki nesle aktarlma olasl artm olacaktr. Optimizasyon kriteri olarak beklenen getiri olarak seildii durumda ise genetik algoritma ncelikle belirlenen beklenen getiriye ulamaya alr, bu getiri seviyesi elde edildikten sonraki nesillerde ise her yeni nesilde beklenen getirinin altna dlmeden risk azaltlmaya allr. Bu kritere gre elde edilen getiri belirlenen seviyenin altna dmedii srece, dk risk yksek performans deeri alr, elde edilen getiri belirlenen getiri kriteri altna dt durumda ise belirlenen seviyenin altna dldke daha yksek bir negatif deer veren bir ceza fonksiyonu kullanlr. Aslnda her iki optimizasyon kriterinde yaplan ilemler benzerdir ve daha nce de bahsedildii gibi ayn sonular vermektedirler.
3.5. Kstl (Geniletilmi) Markowitz Modeline Gre Genetik Algoritma Portfy Optimizasyonu
Portfy optimizasyonunda kullanlabilecek kstlar genel kstlar ve hisse senedi kstlar olarak ikiye ayrlabilir. almada kullanlan modelde genel kstlar olarak N tane hisse senedinden K tanesinin seilmesi (K<=N) ve portfydeki bir hisse senedinin minimum arlk deeri; hisse senedi kstlar olarak da her hisse senedi iin minimum ve maksimum arlk deerleri kullanlmtr. Genel portfy kstlar portfyn ynetilebilir olmasn ve portfy ynetim maliyetlerinin azaltlmasn hedeflerken, hisse senedi kstlar da yatrmcnn 53
beklentilerini yanstmaktadr. Herhangi bir hisse senedi iin en az aln sfrdan byk olmas bu hisse senedinin oluturulacak portfye dahil olacan, en ok alnn sfra eit olmas ise oluturulacak portfye dahil edilmeyeceini gstermektedir. Bu tr kstlara sahip bir portfy optimizasyon problemi daha nce de deinildii gibi olduka karmak bir problem olup, klasik yntemler zlememekte bu nedenle genetik algoritma zmleri kullanlmaktadr.
DNA
Birey (Portfy)
Gen 1
0/1 Arlk 1
Gen 2
0/1 Arlk 2
Gen N
0/1 Arlk N
Hisse 1
Hisse 2
Hisse N
54
N hisse sendi ierisinden oluturulan bir portfydeki maksimum hisse senedi adedi K (K<=N) olmas durumunda bu portfydeki bu alanlarn toplam Kdan kk veya Kya eit olmaldr.
55
olabileceinden, portfyn pratikteki hisse senedi adedi en ok hisse senedi adedi deerinden az olabilir.
aprazlamaya katlacak bireylerin seiminde bu modelde de zel bir seim algoritmas kullanlmam, mevcut populasyondaki tm bireyler birbirleriyle aprazlanmlardr. aprazlama ilemi anne ve baba portfylerine dahil hisse senetlerine gre standart modelde olduu gibi homojen aprazlama yntemi kullanlarak yaplmaktadr. ncelikle eer bir hisse senedi hem anne hem de baba tarafndan temsil edilen portfylere dahil ise aprazlama ile elde edilen yeni bireyle temsil edilen portfye de dahil edilmektedir. Byle bir hisse senedinin arl rasgele olarak anne ya da babasnn arlna eit olacaktr. aprazlamaya katlan her iki portfyde de ortak olarak mevcut olan hisse senetlerinin yeni portfye de eklenmesinden sonra, anne ve baba portfylerinde geriye kalan ve ikisinden birinde portfye dahil hisse senetleri kmesinden yeni portfye dahil olacak hisse senedi saysn belirlenmi olan en fazla hisse senedi adedine (K) tamamlayacak kadar yeni portfye arlklaryla rasgele olarak aktarlr. (ekil 3.5) Sonuta, her iki portfyde de (anne ve baba) dahil olan hisse senetleri yeni oluturan portfye dahil olurken, her ikisinde de dahil olmayan hisse senetleri ise yeni oluturulan portfyde yer almayacaktr. Ancak, dier hisse senetleri anne ve babadan rasgele olarak eklenecei iin yeni portfyn ierii deimi olacaktr.
56
Hisse 2 Gen A2
1 Arlk A2
Hisse 3 Gen A3
1 Arlk A3
Hisse 4 Gen A4
0 0
Hisse N Gen AN
0 0
Hisse 2 Gen A2
1 Arlk B2
Hisse 3 Gen A3
1 0
Hisse 4 Gen A4
0 0
Hisse N Gen AN
1 Arlk BN
Hisse 2 Gen A2
1 Arlk A2
Hisse 3 Gen A3
1 Arlk A3
Hisse 4 Gen A4
0 0
Hisse N Gen AN
1 Arlk BN
ekil 3.5 Kstl Portfy Optimizasyonu Modelinde aprazlama lemi aprazlama ilemi sonucunda elde edilen yeni portfy anne ve baba portfy oluturan hisse senetlerinin birleim kmesinin K elemanl bir alt kmesi olarak oluturulmu olur.
3.5.3.2. Mutasyon
Standart modelde kullanlan mutasyon ileminin sonucunda portfye dahil hisse senetlerinin arlklar deiebilmesinin yannda portfye yeni hisse senetlerinin eklenebilmesi imkan da salanm oluyordu. Kstl modelde de mutasyon ilemi sonucunda ayn sonular elde edebilmek iin iki aamal bir mutasyon ilemi kullanlmtr.
57
lk aamada portfye dahil hisse senetleri kmesinden en dk arla sahip bir hisse senedi portfyden karlarak yerine portfy dndan bir hisse senedi rasgele seilerek portfye eklenir (ekil 3.6). Bylece, performans dk bir hisse senedi portfyden kartlm, yerine daha iyi performans gstermesi olas bir hisse senedi eklenmi olur.
Portfy D Hisseler
Hisse K+1 Gen K+1
0
Hisse K Gen K
Arlk K
Hisse L Gen L
0
Hisse N Gen N
0
Yeni Birey
Gen 1
Arlk 1
Portfy D Hisseler
Hisse K+1 Gen K+1
0
Hisse K Gen K
Arlk K
Hisse I Gen I
0
Hisse N Gen N
0
Yeni Birey
Gen 1
Arlk 1
ekil 3.6 - Kstl Portfy Optimizasyon Modelinde Portfydeki En Dk Arla Sahip Hisse Senedinin Portfy D Bir Hisse Senedi ile Yer Deitirmesi Mutasyon ileminin ilk aamas srasnda portfy kstlar da dikkate alnmaldr. Portfy kstlarnn ihlal edilmemesi iin portfyden karlacak hisse senedinin en az arlnn sfra eit olmas ve portfye dahil edilecek hisse senedinin ise en ok arlnn sfra eit olmamas gereklidir. Aksi takdirde portfyde olmas zorunlu bir hisse senedi portfyden karlm ve/veya portfyde olmamas gereken bir hisse senedi portfye dahil edilmi olur. kinci aamada ise portfye dahil hisse senetleri kmesinden iki adet hisse senedi rasgele seilerek, bu iki hisse senedi standart modeldeki mutasyon ilemine tabi tutulurlar. Yani en fazla mutasyon oran kadar bir arlk kaynak hisse senedinden hedef hisse senedine aktarlr (ekil 3.7). Bu aamada portfye dahil hisse senetlerinin arlklar deitirilmi olur. 58
Portfy D Hisseler
Hisse K Gen K
Arlk K
Hisse J Gen J
Arlk J
Hisse N Gen N
0
Yeni Birey
Gen 1
Arlk 1
Mutasyon
ekil 3.7 Kstl Portfy Optimizasyon Modelinde Portfye Dahil Hisseler Aras Mutasyon lemi Mutasyon ileminde ikinci aama her halkarda yaplmakla birlikte birinci aama rasgele bir deikene bal olarak belli bir olaslkla yaplr. Bu rasgele deikene bal olarak portfye dahil hisse senetleri deimi ya da deimemi olur. Bylece, mutasyonun birinci aamas portfydeki hisse senetlerinin deitirilmesine olanak salarken ikinci aama da portfydeki hisse senetlerinin arlklarnn deitirilebilmesini salar. Standart modelde olduu gibi aprazlama ve mutasyon ilemlerinden sonra portfy arlklar deimi olduklar iin yeni arlklarn kstlar karlayacak ekilde dzeltilmesi ve toplamlarnn 1e eit olacak ekilde arlklarnn belirlenmesi gereklidir. Ancak yeni belirlenen arlklarn kstlar karlayp karlamad da kontrol edilmelidir. ncelikle her hisse iin belirlenen en az arlklar ilk batan itibaren bu hisse senetlerine ayrlm olduundan, genetik algoritmann almas srasnda hisse senetlerinin arlklarnn o hisse senedi iin belirlenmi olan en az deerin altna dmesi mmkn deildir. Portfye dahil hisse senetleri sadece mutasyon ileminde deitii ve bir deiim gerekletiinde portfyden karlan hisse senedinin yerine yeni bir hisse senedi portfye dahil edildii iin en fazla hisse senedi kst da genetik algoritmann almas boyunca salanm olacaktr.
59
Portfye dahil hisse senetlerinin arlklarnn portfy iin belirtilmi olan en az genel hisse senedi arlk orannn stnde olmasn garantilemek iin bu deerin altndaki hisse senetlerinin arlklar (dolaysyla da negatif deere sahip arlklar da) sfra eitlenmektedir. Portfydeki bir hisse senedinin arlnn o hisse senedi iin belirlenmi olan arlktan ok olmas durumunda ise nce bu hisse senedinin arl en ok deere eitlenir ve arlklarn leklendirildii portfye dahil hisse senedi kmesinden kartlr ve geride kalan hisse senetlerinin arlklar datm iin kalan arlk zerinden yeniden hesaplanr. Bu ilem geride kalan hibir hisse senedinin en ok arlk deerini amamas salanncaya kadar tekrar edilir. Sonuta portfydeki her hisse senedinin arlnn en ok arlk deerini amamas salanm ve bu deeri geen arlklar da portfye dahil dier hisse senetlerine datlm olur. Hisse senetlerinin arlklarnn bu ekilde hesaplanmas ile hem kstlar salanm olur, hem de portfydeki hisse senetlerinin toplam arlnn 1e eit olmas garantilenmi olur.
iin kullanld varsaylarak, bir sonraki dnemde elde edilen getiri hesaplanarak, endeksin getirisi ile karlatrlmtr.
Standart Markowitz modeline gre optimizasyon iin genetik algoritma parametreleri olarak populasyon bykl 10, en fazla mutasyon oran da %5 olarak kullanlmtr.
3.6.1.2. Genetik Algoritmann almasnn Test Edilmesi
Standart Markowitz modeline gre Genetik Algoritma ile elde edilen optimizasyon sonularn karlatrmak iin standart modelde zm elde edilmesine olanak salayan MS Excel zc kullanlmtr. Kullanlan test verileri ile elde edilen optimal portfyler karlatrldnda Genetik Algoritmann MS Excel zc ile elde edilen sonulara en fazla on binde bir hata payyla ou kez de aynen ulat grlmtr. Hata paynn olduu durumlarda ise genetik algoritmay daha fazla nesil iin altrarak tam sonu elde etmek de mmkndr. Bu alternatif zm aralarnn performanslar karlatrldnda ise dorudan zme ulama yntemi olmas asndan MS Excel zcnn zme ok daha hzl ulaabildii, ancak Genetik Algoritmann da zme ulamak iin ok fazla zaman almad grlmtr. Genetik algoritma kullanlan test ortamnda 1 dakikalk 1 bir srede optimal sonuca ulamtr.
3.6.1.3. Etkin Snr
Genetik Algoritma (ve MS Excel zc) ile edilen optimal portfyler kmesinden elde edilen etkin snr aadaki ekilde gsterilmitir.
61
Etkin Snr 55% 50% 45% 40% Getiri 35% 30% 25% 20% 15% 25% 30% 35% Risk 40% 45% 50%
ekil 3.8 Standart Modele Gre Elde Edilmi Etkin Snr Elde edilen etkin snr grafiine gre sz konusu dnem iin (1. 6 aylk dnem) elde edilecek minimum riske sahip portfy %29,10 riske % 20 getiriye sahip portfydr. En yksek getiriye sahip portfy ise doal olarak en yksek getirili tek hisse senedini (Arelik) ieren %51 getiriye ve % 46 riske sahip portfydr. Etkin snr erisine baktmz zaman minimum risk dzeyi gz nnde bulundurulduunda MKBde yatrm yapmann riskinin, nispeten tutarl olan MKB30 hisse senetleri iin bile ok yksek olduu ve doal olarak piyasa riskinin yksek olduu aka grlmektedir. Bu adan Markowitz modeline gre teorik olarak sfr riskli bir portfy oluturmak mmkn olsa da pratikte MKBde byle bir portfy oluturmak mmkn deildir.
62
Elde edilen optimal portfylerin bir sonraki dnemde (2. 6 aylk dnem) yatrm iin kullanlm olduunu varsaymyla elde edilen getiri grafii ve bu getirilerin MKB-30 endeksinin getirisiyle karlatrlmas aadaki ekilde gsterilmitir.
MKB-30
Getiri
30%
32%
34%
36%
38% Risk
40%
42%
44%
46%
48%
ekil 3.9 Etkin Portfylerin 2. Dnem Getirisi ekle bakldnda her risk seviyesinde oluturulabilecek portfyler iin portfylerin getirisi MKB-30 endeksinin getirisinden (%2,99) ok daha fazla olduunu (%14-%17) grebiliriz. Bu durumda Genetik Algoritma portfy optimizasyonu modeline girdi olarak girilen 1. 6 aylk dnem verilerinden hesaplanm olan beklenen getiri, risk ve kovaryans bilgilerinin 2. dnem verilerini tahmin konusunda baarl olduu sonucuna varabiliriz. Genetik algoritma optimizasyonu girdi olarak kullanlan deerlere gre yapld iin doal olarak elde edilen portfylerin getiri performans bu deerlerin isabetli oluuna baldr.
63
Genetik algoritma parametreleri olarak yine populasyon bykl 10, en fazla mutasyon oran %5 olarak kullanlmtr. zme ulama sresi standart modelde olduu gibi kullanlan test ortam iin yaklak 1 dakika olarak gereklemitir. Kullanlan sistemin performansnn ok yksek olmad ve zlen problemin karmakl gz nnde bulundurulduunda genetik algoritmalarn bu tr problemlerde sonuca ulamadaki gc de grlm olur. Gelitirilen genetik algoritma uygulamada herhangi bir kstlar kmesi iin optimal portfylerin bulunmas amacyla kullanlabilir. Yaplan test almalarnda her trl kst kombinasyonu iin Genetik Algoritmann baarl bir ekilde sonuca ulaabildii grlmtr. Bu sonucun gsterilebilmesi ve sonularn tartlabilmesi iin rasgele belirlenmi bir kstlar kmesinin kullanld rnek bir alma yaplmtr. Kstl Markowitz modelinde rnek alma iin kullanlan genel kstlar ve hisse senedi kstlar aadaki tabloda verilmitir (Tablo 3.3).
64
Yukardaki tabloda yer alan hisse senetlerinden en az deeri sfrdan byk olan hisse senetleri oluturulan portfye mutlaka dahil olmas istenen hisse senetlerini, en fazla deeri sfr olan hisse senetleri de portfye dahil edilmemesi gereken hisse senetlerini gstermektedir.
3.6.2.2. Genetik Algoritmann almasnn Test Edilmesi
Kstl Markowitz modelinde optimal portfylerin elde edilmesinde MS Excel zc gibi klasik yntemler sonuca ulaamamaktadr. Genetik algoritmalarn gc ve etkinlii bu noktada ortaya kmaktadr. Her trl kstl portfy optimizasyon problemi uygun ekilde kodland ve programland takdirde genetik algoritmalar ile kolayca zlebilmektedir. Ancak, genetik algoritmalar rasgele aramaya dayal bulusal bir yntem olduklar ve kstl model iin optimal sonular elde edebileceimiz baka bir yntem olmad iin Genetik Algoritmann kstl model iin elde ettii sonularn optimal olduunu garanti etmek mmkn deildir. Standart modelde ise Genetik Algoritmann optimal sonulara ulaabildii gsterilmiti. Bu nedenle, Genetik Algoritmann kstl modelde de optimal sonulara ulalabildiini test edebilmek iin, standart modelde elde edilen optimal portfy verileri Genetik Algoritma iin kst olarak kullanlm, elde edilen sonular standart model sonularyla karlatrlmtr. Bu testler sonucunda kstl modele gre alan Genetik Algoritmann da ayn sonulara ulaabildii, dolaysyla da Genetik Algoritmann kstl modelde de optimal sonuca ulaabilme becerisi grlmtr.
3.6.2.3. Etkin Snr
Genetik algoritmann yukardaki tabloda gsterilen kstlarla altrlmas sonucunda elde edilen optimal portfyleri gsteren etkin snr grafii aada gsterilmitir (ekil 3.10). ekilde de grld gibi Genetik Algoritma kstl modelde etkin snr kmesi oluturan getiri ve risk deerlerine sahip etkin portfyleri baaryla bulabilmitir.
65
38%
40%
42%
ekil 3.10 Kstl Modele Gre Elde Edilmi Etkin Snr Kstl modele gre elde edilen etkin snr grafiini standart modele gre elde edilen grafikle karlatrdmzda modele eklenen kstlarn doal olarak elde edilen portfylerin riskini artrrken beklenen getirilerini drdn grmekteyiz. Her ne kadar gelitirilen genetik algoritmann portfy optimizasyonu probleminin zmnde ne kadar baarl olduu gsterilmi olsa da, daha nce de bahsedildii gibi kstl modelde elde edilen portfylerin optimal olduunu ispatlamak ok zordur. Ancak, elde edilen etkin snr grafii incelendiinde risk arttka getirinin artmas (veya getiri arttka riskin artmas) ve etkin snr zerindeki tm portfy kmelerinin deerlerinin birbirleriyle tutarl olmas elde edilen sonularn optimal ya da optimale yakn olduunu gstermektedir. Ayrca kstl modele gre elde edilen etkin snr grafiin, kstlarn okluuna ramen standart model etkin snr grafiinin ok altnda olmamas da sonularn olduka baarl, muhtemelen de optimal olduunu gstermektedir. 66
Kstl modelde kullanlan genel kstlar oluturulacak portfylerin daha kolay ynetilebilir olmasn hedeflerken, hisse kstlar, kullanlan beklenen getiri ve risk deerleri dnda yatrmcnn bir sonraki dnem iin beklentilerini yanstmaktadr. Bu kstlarn isabetli ngrleri yanstmas durumunda elde edilecek portfylerin performans da standart model portfylerinin performansndan daha iyi olacaktr. Kstl modele gre elde edilen optimal portfylerin bir sonraki dnemde (2. 6 aylk dnem) yatrm iin kullanlm olduunu varsaymyla elde edilen getiri grafii ve bu getirilerin MKB-30 endeksinin getirisiyle karlatrlmas aadaki ekilde gsterilmitir (ekil 3.11).
GA 35% 30% 25% Getiri 20% 15% 10% 5% 0% 31% 33% 35% 37% Risk
MKB-30
39%
41%
43%
ekil 3.11 Etkin Portfylerin 2. Dnem Getirisi ekli incelediimizde kstl modelden elde edilen portfylerin
performanslarnn, standart model portfylerinin performansndan ok daha iyi olduunu, dolaysyla da kstl modelde kullanlan kstlarn bir sonraki dnem iin baarl ngrleri temsil ettiini syleyebiliriz.
67
SONULAR VE DEERLENDRMELER
Bir yatrm portfy oluturulurken, portfydeki menkul kymet arlklarnn belirlenebilmesi sadece sezgisel olarak yaplamaz; modern, gl ve gvenilir optimizasyon tekniklerinin kullanm gereklidir. Bu almada genetik algoritmalarn optimal portfyn bulunmas problemine uygulanabilirlii incelenmitir. Bu amala, Modern Portfy Teorisi ve Genetik Algoritmalarn teorik olarak ele alnmasndan sonra, genetik algoritmalar ile MKB30 hisse senetlerinin verileri kullanlarak istenen kstlar salayan optimal portfylerin bulunduu bir rnek alma anlatlmtr. Bir nceki blmde sonular verilmi olan testler genetik algoritmalarn, klasik yntemlerle sonu elde etmenin mmkn olmad en karmak portfy optimizasyon problemlerinde bile sonuca ulamada ne kadar hzl ve baarl olduunu gstermitir. Genetik algoritmalarn basitlii ve esneklii ok nemli bir avantajdr. Bu adan problemdeki deiiklikler, nceki blmlerde de gsterildii gibi, gsterim, genetik ilemler ve uygunluk fonksiyonunda yaplacak kk deiikliklerle genetik algoritmaya kolaylkla yanstlabilir. rnein, bu almada gelitirilmi olan genetik algoritmada kullanlm olan kstl portfy optimizasyon modeli, alm satm maliyetleri gibi yeni kstlarn eklendii daha gereki bir portfy optimizasyon modeline dntrlebilir.
68
Bu almada elde edilen sonular nda, genetik algoritmalarn, kullanlan veriler ve kstlar dorultusunda optimal portfyleri bulma konusunda ok baarl olduu, hatta, bu konuda benzersiz olduu sylenebilir. Ancak, doal olarak elde edilen portfylerin performans girdi olarak kullanlan veri ve kstlara baldr. Kullanlan verilerin ve kstlarn doru ngrlere dayanmas genetik algoritmalarn almas dnda bir olgu olup tamamen yatrmn yatrm sanat ksm olarak deerlendirebilir. Bu adan, eer yatrm aralar konusunda doru olduuna inandnz ngrlere ve verilere sahipseniz, genetik algoritmalar, uygun yatrm aralarndan oluan optimal portfyn oluturulmasnda size yardmc olarak yatrm hedeflerinize ulamanz salayacaktr. Aslnda, bu almada kullanlm olan genetik algoritma modeline girdi olarak kullanlan verilerin elde edilmesinde de genetik algoritmalar kullanlabilir. Bu almada ama genetik algoritmalarn portfy optimizasyonunda kullanlabilirliini gstermek olduundan bu konu ele alnmamtr. Ancak, finansal verilerin tahmin edilmesi amacyla genetik algoritmalarn kullanlmasna literatrde pek ok baarl rnek mevcuttur. Bu adan yaplan alma byle bir genetik algoritma veri modeli ile entegre edilerek gelitirilebilir. Sonu olarak, genetik algoritmalar, pek ok alanda olduu gibi, finans alannda da olduka dikkat ekici faydalar salama potansiyeline sahip nemli bir hesaplama yntemidir. Bu alanda yaplan aratrma ve almalar olduka mit verici olmakla birlikte, bu almalar henz gelime aamasnda olup, daha yaplabilecek pek ok ey mevcuttur.
69
KAYNAKA
Kitaplar
Brigham, Eugene F., Finansal Ynetimin Temelleri, Ankara niversitesi Yaynlar, No: 212-213, Ankara, 1999 Ertuna, . zer, Yatrm ve Portfy Analizi (Bilgisayar Uygulama rnekleriyle), Boazii niversitesi, 1991 Goldberg, David E., Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, USA, 1989 Holland, John H., Adaptation in Natural and Artificial Systems, MIT Press, Cambridge, 1992 Karan, Mehmet Baha, Yatrm Analizi ve Portfy Ynetimi, Gazi Kitabevi, Ankara, 2001 Karain, A. Gltekin, Sermaye Piyasas Analizleri, SPK, Yayn No: 4, Ankara, 1986 Kolb Robert W, Rodriguez Ricardo J, Finansal Ynetim, SPK , Yayn No: 35, stanbul, Temmuz 1996 Lankhorst, Marc M., Genetic algorithms in data analysis, Online Resource : http://www.ub.rug.nl/eldoc/dis/science/m.m.lankhorst/ (15.08.2003) Markowitz, Harry M., Mean-variance Analysis in Portfolio Choice and Capital Markets, Oxford: Basil Blackwell, 1987 Markowitz, Harry M., Portfolio Selection: Efficient Diversification of Investments, Oxford: Basil Blackwell, 1992 70
Mitchell M., An Introduction to Genetic Algorithms, The MIT Press, Cambridge, MA, 1996 zam, Mustafa, Varlk Fiyatlama Modelleri Araclyla Dinamik Portfy Ynetimi, SPK, Yayn No: 104, Ankara, Ekim1997
Makaleler
Beasley, D., Bull, D.R., Martin, R.R., An Overview of Genetic Algortihms: Part 1, Fundamentals, University Computing, Volume 15, Issue 2, February 1993, 58-69 ftp://ralph.cs.cf.ac.uk/pub/papers/GAs/ga_overview1.ps (01.06.2003) Beasley, D., Bull, D.R., Martin, R.R., An Overview of Genetic Algortihms: Part 2, Research Topics, University Computing, Volume 15, Issue 4, 1993, s. 170-181 ftp://ralph.cs.cf.ac.uk/pub/papers/GAs/ga_overview2.ps (01.06.2003) Busetti, Franco, Metaheuristic Approaches To Realistic Portfolio Optimisation, M.S. Thesis, June 2000, http://www.geocities.com/francorbusetti/Metaheuristic.pdf (01.06.2003) Chang T. J., Meade N., Beasley J.E., Sharaiha Y. M., Heuristics for Cardinality Constrained Portfolio Optimisation, Computers & Operations Research, Vol. 27, Issue 13, 2000, s. 1271-1302 Chopra V K, Ziemba WT, The Effect of Errors in Means, Variances and
Covariances on Optimal Portfolio Choice, Journal of Portfolio Management, Vol. 19, No. 2, Winter 1993, s. 6-11 Drake, Adrian E., Marks, Robert E., Genetic algorithms in economics and finance: Forecasting stock market prices and foreign exchange- A review, In Shu-Heng Chen (Ed.) Genetic Algorithms and Genetic Programming in Computational Finance, 2000, s. 29-54 Farmer J. D., Lo, A. W., Frontiers of Finance : Evolution and Efficient Markets, Proc. Natl. Acad. Sci. USA, Vol. 96, August 1999, s. 99919992 71
Feldman, Konrad and Treleaven, Philip, Intelligent systems in finance, Applied Mathematical Finance, Vol 1, No. 2, December 1994, s. 195-207 Forrest, Stephanie, Genetic Algorithms, Computing Surveys Vol. 28:1, 1996, s. 7780 Freedman R, DiGiorgio R, A Comparison of Stochatic Search Heuristics for Portfolio Optimization, Proceedings of Second International Conference On Artificial Intelligence Applications on Wall Street, Software Engineering Press, April, 1993, s. 149-151 Goldberg, David E., Genetic and Evolutionary Algorithms come of age, Communications of the ACM, Vol. 37, No. 3, March 1994, s. 113-119 Gupta, Francis; Fabozzi, Frank J.; Markowitz, Harry M., The Legacy of Modern Portfolio Theory, The Journal of Investing, Fall 2002, Volume 11, No. 3, s. 7 22 Haugh, Martin B., Lo, Andrew W., Computational Challenges in Portfolio Management, IEEE Computing in Science & Engineering, Vol. 3, No.3, 2001, s. 5459 Holland, John H., Genetic Algorithms, Scientific American, 1992, s. 44-50 Jobst N. J., Horniman M. D., Lucas C. A., Mitra G., Computational Aspects of Alternative Portfolio Selection Models in the Precense of Discrete Asset Choice Constraints, Quantitative Finance, Vol. 1, No. 5, September 2001, s. 489-501 Kkkocaolu, Gray, Optimal Portfyn Seimi ve MKB Ulusal-30 Endeksi zerinde Bir Uygulama, http://www.baskent.edu.tr/~gurayk/kisiseloptimization.pdf (01.06.2003) Leinweber, David J. and Arnott, Robert D., Quantitative and computational innovation in investment management, The Journal of Portfolio Management, Vol.21, No. 2, Winter 1995, s. 8-15 Markowitz, Harry M., Portfolio Selection, Journal of Finance, 7 (1), 1952, s. 77-91 72
Michalewicz, Z., Heuristic Methods for Evolutionary Computation Techniques, Journal of Heuristics, Vol.1, No.2, 1995, s.177-206 Pereira Robert, Genetic Algorithm Optimisation for Finance and Investement, Latrobe University School of Business Discussion Papers, 2000 http://www.latrobe.edu.au/business/research/dps/downloads/dps00/a00-02.pdf (01.06.2003) Schyns, M., Crama, Y., Simulated Annealing for Complex Portfolio Selection Problems, European Journal of Operatioanl Research, Volume 150, Issue 3, November 2003, s. 546-571
nternet Adresleri
Beasley, David, AI FAQ/genetic, http://www.faqs.org/faqs/ai-faq/genetic/
http://www.geocities.com/francorbusetti/ (15.08.2003) stanbul Menkul Kymetler Borsas, http://www.imkb.gov.tr/ (15.08.2003) MS Excel Solver, www.solver.com (15.08.2003) Software: (15.08.2003) The Genetic Algorithms Archive, http://www.aic.nrl.navy.mil/galist/ (15.08.2003) Genetic Algortihms, http://ffusco.altervista.org/software/genetic/
73
ZET
Finansal piyasalarda yatrm kararlar nemli lde belirsizlik iermekte ve yatrmlardan beklenen getiri asndan nemli bir risk sz konusu olmaktadr. Belirsizlik ortamnda srekli dalgalanmakta olan finansal piyasalarda bireysel ve kurumsal yatrmclarn gvencesi eitlendirme ile portfy oluturulmasdr. Geleneksel portfy ynetiminde her bir menkul kymet tek tek ele alnm ve riskin birden fazla menkul kymete datlmas amalanmtr. Modern Portfy Teorisi (MPT) ise yatrm bilimine yeni bir bak as getirerek, menkul kymetleri tek tek ele almak yerine piyasay bir btn olarak ele alan sistematik bir yatrm yaklam ortaya koymutur. Genetik algoritmalar, insann karar alma yeteneinin bilgisayarlar kullanlarak benzetilmesine dayanan bir tr yapay zeka tekniidir. Genetik algoritmalar zor problemleri, bir balang aday zm kmesinin tekrarlanan bir sre kullanlarak evrimletirilmesi yoluyla, zm uzayndaki daha iyi zmlere ulamaya alarak zmeyi amalar. Bu almada genetik algoritmalarn kstl portfy optimizasyon problemine uygulanabilirlii incelenmitir. Bu amala, Modern Portfy Teorisi ve Genetik Algoritmalarn teorik olarak ele alnmasndan sonra, genetik algoritmalar ile MKB30 hisse senetlerinin verileri kullanlarak istenen kstlar salayan optimal portfylerin bulunduu bir rnek alma anlatlmtr.
74
ABSTRACT
Due to the inherent uncertainty of the investment decisions in financial markets, there is considerable risk regarding the expected returns. In such volatile, ever changing financial markets the assurance for individual and institutional investors is diversification and portfolio construction. Traditional portfolio management was focused on analyzing and selecting individual assets wtih the aim of distributing risk among a number of assets. Modern portfolio theory brought a new systematic approach to investment with a focus on the whole market rather that the individual assets. Genetic algorithms is an artificial intelligence technique based on the simulation of human decision process by using computers. Genetic algorithms are used to solve hard problems by evolving an initial population through a repeated process with the aim of reaching better solutions in the solution space. In this thesis, we investigate the applicability of genetic algortihms to the problem of constrained portfolio optimization. After a theoretical overview of Modern Portfolio Theory and Genetic Algorithms, a case study of finding optimal portfolios with satisfying the requested constaints using the MKB-30 stocks daily return data is presented.
75