T.C.

ANKARA NVERSTES SOSYAL BLMLER ENSTTS LETME ANABLM DALI

GENETK ALGORTMALARLA PORTFY OPTMZASYONU

Yksek Lisans Tezi

Hayrettin Genel

Ankara 2004

T.C. ANKARA NVERSTES SOSYAL BLMLER ENSTTS LETME ANABLM DALI

GENETK ALGORTMALARLA PORTFY OPTMZASYONU

Yksek Lisans Tezi

Hayrettin Genel

Tez Danman Do. Dr. Yaln Karatepe

Ankara -2004

T.C. ANKARA NVERSTES SOSYAL BLMLER ENSTTS LETME ANABLM DALI

GENETK ALGORTMALARLA PORTFY OPTMZASYONU

Yksek Lisans Tezi

Tez Danman : Do. Dr. Yaln Karatepe

Tez Jrisi yeleri Ad ve Soyad

Do. Dr. Yaln Karatepe Do. Dr. Onur zsoy Do. Dr. A. Argun Karacabey

mzas
........................................ ........................................ ........................................

Tez Snav Tarihi: 27 Mays 2004

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.

Sci. USA, Vol. 96, August 1999, s. 9991

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

Computing in Science & Engineering, Vol. 3, No.3, 2001, s. 54

4

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

Finance, Vol 1, No. 2, December, 1994, s. 195

6

Farmer J. D., Lo, A. W., a.g.e., s. 9991

BRNC BLM MODERN PORTFY TEORS VE PORTFY OPTMZASYONU

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.

1.1. Yatrmn Risk ve Getirisi

1.1.1. Risk Nedir ?
Yatrm yaparken, araba srerken veya sokakta yrrken herkes risk altndandr. Finansal adan risk, bir yatrmdan elde edilen getirinin, beklenen getiriden farkl olmas olarak tanmlanmaktadr. Yatrm yapmann amac kazan elde etmektir. Ancak yatrmn sonucu gelecekte ortaya kacandan, elde edilen sonu beklenenden farkl olabilir, nk, yatrmn deerini pek ok faktr etkileyebilmektedir. Riskli bir yatrm sonucunda kii yatrmnn bir ksmn ya da tamamn kaybedebilir. Kiinin ne kadar risk stlenmeyi kabul edecei, o kiinin zellikleri ve hayat tarzna baldr. Risk tolerans yatrmcnn rahat bir ekilde stlenmeyi kabul edecei risk seviyesini gsterir. Eer borsada yatrm yapmsanz ve geceleri uyumakta zorluk ekiyorsanz, muhtemelen kabul edebileceinizden fazla risk stlenmisiniz demektir. Hisse senetlerine, bonolara veya farkl yatrm aralarna yatrm yapldnda aslnda zannedilenden daha fazla risk sz konusudur. yi bir yatrmcnn gz nnde bulundurmas ve hesaba katmas gereken ok eitli riskler mevcuttur. Risk eitleri aada daha detayl ekilde verilmitir.

1.1.2. Risk eitleri

Risk, yatrmcnn riski kontrol edebilme ve snrlandrma olanana gre iki temel kategoride ele alnmaktadr: 7 1. Sistematik Olmayan Risk (Firma Riski) 2. Sistematik Risk (Pazar Riski)

zam, Mustafa, Varlk Fiyatlama Modelleri Araclyla Dinamik Portfy Ynetimi, SPK, Yayn

No: 104, Ekim 1997, Ankara, s. 9-11

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.

1.1.3. Riskin llmesi

Risk anlalmas, tanmlanmas ve llmesi zor bir kavramdr. Genelde riski lmek iin bir yatrmn beklenen getirilerinin olaslk dalm, yani gerekleen getirinin beklenen getiriden farkllama miktar kullanlr. Olaslk dalmnn llmesinde ise varyans ve varyansn karekk olan standart sapma kullanlr.

(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.

1.1.4. Risk ve Beklenen Getiri likisi

Risksiz bir yatrmda beklenen getirinin elde edilmesi konusunda bir gvence sz konusudur. Yatrmclar riskli yatrm aralarna yatrm yaptklarnda ise beklenen getirinin elde edilememesi ya da yatrmn kaybedilmesi olasdr. Beklenen getirideki belirsizlik, yani yatrmn riski arttka, yatrmclarn talep edecekleri getiri oran da artacaktr. Yatrmclar daha fazla risk stlenmeyi ancak daha yksek getiri beklentisi ile kabul edecektir. Risk ve getiri arasnda bu genel ilikiyi gsteren piyasa dorusu aadaki ekilde gsterilmitir. (ekil 1.1). 8

zam, Mustafa, a.g.e, s. 13

Dk Risk
Getiri (%)

Normal Risk

Yksek Risk

Risksiz Getiri G Oran

Risk (%)

ekil 1.1 Risk Getiri Deiimi (Piyasa Dorusu)

ekilde G noktas risksiz getiri orann, piyasa dorusunun eimi ise risk birimi bana talep edilen ek getiriyi gstermektedir. Bu doru, risk ile getiri arasndaki genel ilikiyi aklamaktadr. Ancak, tm yatrmclarn riske kar duyarll ayn deildir. Baz kiiler iin kazandklar parann deeri yksek olduu iin riskten kanma eilimindedir. Dier yanda ise bir ksm insanlar daha yksek getiri beklentisiyle risk almaktan holanrlar. Yatrmclarn risk ve getiri tercihleri arasndaki iliki farkszlk (kaytszlk) erileri ile gsterilmektedir. (ekil 1.2). 9 Farkszlk erileri bir yatrmc iin farkl beklenen getiri ve riske sahip olmakla birlikte ayn dzeyde fayda salayan yatrmlar birletiren erilerdir. Bu eriler yatrmclarn aldklar risk karsndaki getiri beklentilerini gstermektedir. Grafikte ikisi u durumlar temsil etmek zere, risk-getiri deiimi karsnda drt yatrmc tipi gsterilmektedir.

zam, Mustafa, a.g.e, s. 14

10

Riske Tamamen Duyarsz Yatrmc

Tutucu Yatrmc

Getiri (%)

Riske Tamamen Duyarl Yatrmc

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.

Riske Tamamen Duyarsz Yatrmc: Farkszlk erisi risk eksenine paralel

olan byle bir yatrmc iin yatrm kararlar beklenen getiri dzeyine gre belirlenmektedir. Belirli bir getiri dzeyi, riskten bamsz olarak, ayn fayday salad iin, bu getirinin hangi risk dzeyinde saland nemli deildir. Riske tamamen duyarl ya da tamamen getiriye odaklanm (riske tamamen duyarsz) yatrmc tipleri gereki deildir. Gerek hayatta yatrmclarn risk-getiri tercihleri bu iki u noktann arasnda yer alr:

Tutucu Yatrmc: Tutucu bir yatrmc asndan yatrmn riski beklenen

getirisine gre daha nemlidir. Bunun sonucu olarak, bu tip bir yatrmc, kk bir risk artn ancak daha byk bir getiri art karlnda kabullenecektir.

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.

1.1.5. eitlendirme ile Riskin Azaltlmas

Belirsizlik ortamnda srekli dalgalanmakta olan finansal piyasalarda bireysel ve kurumsal yatrmclarn gvencesi eitlendirmedir. eitlendirme, her ne kadar riski sfrlayp zarardan kurtulmay garantilemese de, riski minimize etmek suretiyle uzun vadeli finansal hedeflere ulamada nemli bir aratr. eitlendirmenin mant ou kez btn yumurtalar ayn sepete koymamak olarak ifade edilmektedir. eitlendirme ile yukarda bahsedilen sistematik olmayan riski elimine etmek mmkndr. Bu durumda iyi eitlendirilmi bir portfy sadece sistematik riskten kaynaklanan riske sahip olacaktr (ekil 1.3). Dolaysyla da yatrmclar aslnda sadece sistematik riski stlenmeyi kabul edeceklerdir. Bu nedenle, finansal yatrm srecinde mevcut yatrm aralarndan uygun bir portfy oluturulmaldr. 12

Risk (%)

Sistematik Olmayan Risk

Sistematik Risk 1 N

Menkul Kymet Adedi

ekil 1.3 eitlendirme ile Riskin Azaltlmas

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

Ertuna, . zer, Yatrm ve Portfy Analizi (Bilgisayar Uygulama rnekleriyle), Boazii

niversitesi, 1991, s. 16

13

1.2. Modern Portfy Teorisi

Modern portfy teorisi (MPT), rasyonel bir yatrmcnn, riskini minimize edip beklenen getirisini maksimize edecek ekilde portfyndeki varlklarn optimum oranlarn semesine dayanr. Gnmz piyasalarnda, MPT aratrmaclar ve portfy yneticileri tarafndan riskinin izlenmesi ve portfyn getirisinin deerlendirilmesi amacyla kullanlmaktadr. Modern Portfy Teorisi; piyasada bilgilerin nasl deerlendirildii,

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. Markowitz (Ortalama - Varyans) Modeli

Yatrmn tarihesini 1952den ncesi ve sonras olmak zere iki blme ayrmak mmkndr. Bu tarihte Chicago niversitesi Ekonomi blmnde doktora rencisi olan Harry Markowitz doktora tezi ile Modern Portfy Teorisinin temelini atmt. Markowitzin o tarihte yaynlam olduu makale 12 o kadar nemli idi ki, Markowitz 1990 ylnda aratrmalar ve gnmz yatrmclarnn yaklamlarna uzun soluklu etkileri nedeniyle Ekonomi dalnda Nobel dlne layk grld. Modern Portfy Teorisi ncesinde de yatrmclar riski tartmlard, ancak onu lmek iin herhangi bir aralar olmamt. MPT, ekonomistlerin ve yatrmclarn piyasay bir btn olarak anlamalarna ve yatrm frsatlarn analiz etmelerine imkan salamtr. Daha nce, portfy ynetiminde esas arlk bireysel varlk seimi zerindeyken, Markowitzle beraber risk-getiri deiimi temelinde varlklarn birbirleriyle ilikileri ortaya konarak portfyn tmnn deerlendirilmesine imkan salanmtr. Markowitz, portfydeki menkul kymetler arasndaki korelasyonlar nedeniyle rasgele yaplacak bir eitlendirmeyle riskten kanmann mmkn olamayacan belirtmitir. Ancak, portfy riskinin, portfy oluturan varlklarn riskinden daha az olabileceini ve sistematik olmayan riskin sfrlanabileceini gstermitir. Markowitz modeline gre portfyn beklenen getirisi ve riski aadaki ekilde hesaplanmaktadr.

B(G p ) = B(Gi ).ai

i =1
N N

(1.2.1)

2 = Cov (i, j ).ai .a j (1.2.2) p

i =1 j =1

12

Markowitz, Harry M., Portfolio Selection, Journal of Finance, 7 (1), 1952, s. 77-91

15

N: Portfydeki menkul kymet says

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)

i : i menkul kymetinin standart sapmas ij : i ve j menkul kymetlerinin getirileri arasndaki korelasyon

Korelasyon, iki deikenin birlikte hareket etme eilimini gsterir ve 1 ile +1 arasnda (1 ij +1) deer alr. Eer korelasyon 0 aarsa iki deiken ayn ynde hareket etme eilimindedir. Korelasyon katsaysnn negatif olmas ise iki deikenin ters ynde hareket etme eilimini gsterir. ki deiken arasndaki korelasyonun 0 olmas ise bu deikenlerin arasnda herhangi bir iliki olmadn gsterir. Buna gre, birden fazla menkul kymetten oluan bir portfyde menkul kymetler arasndaki korelasyon katsays +1den kk olmas durumunda, portfyn riski, portfydeki menkul kymetlerin risklerinin arlkl toplamndan kk olacaktr. Negatif korelasyon katsaylarnn olmasnn durumunda ise sfr riske sahip bir portfy elde edebilmek mmkndr. ki menkul kymetli bir portfyde korelasyon katsaysna gre riskin deiimi aadaki ekilde verilmitir: (ekil 1.4)

16

Getiri (%)

= -1 = +1 -1 < < +1

A
Risk (%)
ekil 1.4 ki Menkul Kymetli Portfyn Korelasyon Katsaysna Gre Riski

1.2.2. Markowitz Modeline Gre Optimal Portfyler ve Etkin Snr

Markowitz modelinde yatrmcnn belli bir beklenen getiriyi elde edebilmek iin kabul edecei riski minimize etmeye alt kabul edilir. Beklenen getirinin B (G p ) olarak kabul edildii bir durumda, bu problem matematiksel olarak aadaki gibi formle edilebilir:
min Cov (i, j ).ai .a j (1.4.1)
i =1 j =1 N N

(i) B (G p ) = B(Gi ).ai (1.4.2)

i =1

(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 Getiri (%) Olas Portfyler

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.

1.2.3. Markowitz Modeline Kstlarn Eklenmesi

Teorik olarak ok fazla ilgi ekmesine ramen, standart Markowitz modeli gerek dnyadaki portfy optimizasyon probleminin karmakln yeterince temsil etmez. Standart Markowitz modelinde sadece beklenen getiri ve bte kstlar ile aa sat imkan olmamas kstlar mevcuttur. Modeli zenginletirmek ve daha gereki uygulamalarda kullanabilmek iin baz kstlarn eklenmesi gereklidir. Modele eklenebilecek kstlarn bazlar aada verilmitir:

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

Yukardaki kstlarn eklenmesiyle oluturulan modelin matematiksel ifadesi aada gsterilmitir:

min Cov (i, j ).ai .a j
i =1 j =1 N N

(1.5.1) (1.5.2) (1.5.3)

(i) B(G p ) = B(Gi ).ai

i =1

(ii) ai = 1
i =1

(iii) ai 0 (iv) z i [0,1] (v)

i =1,.....,N

(1.5.4)

i =1,.....,N (1.5.5) (1.5.6)

z
i =1

= K 1 K N

(vi) d i ai y i i =1,.....,N (1.5.7) (vii) ai z i m i=1,......,N (1.5.8)

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.

1.3. MPTye gre Portfy Optimizasyon Sreci

Modern Portfy Teorisi normatif bir teoridir. 13 Pozitif teoriler gerek yatrmc davranlarn ele alrken, normatif teoriler yatrmclarn nasl davranmas gerektiini belirtir. Bu ynyle, normatif bir teori olarak MPT optimum portfy oluturmak amacyla yatrmcnn takip etmesi gereken standart veya normal davran aklamaktadr.

13

Fabozzi, Frank J., Gupta, Francis, Markowitz, Harry M., The Legacy of Modern Portfolio Theory,

The Journal of Investing, Volume 11, Number 3, Fall 2002, s. 7

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

KNC BLM GENETK ALGORTMALAR VE KULLANIM ALANLARI

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.

2.1. Genetik Algoritmalar

Bilim adamlarnn evrimsel yaklam bilgisayar teknolojilerinde kullanmaya almas olduka eskiye dayanmaktadr. Bilgisayar teknolojileri ve evrim yaklamnn birletirilmesi iin ilk denemeler 1950lerin sonunda ve 1960larn banda yaplmtr. Ancak, ilk denemeler o gnlerdeki biyolojik evrim yaklamna uygun olarak mutasyon ilemine ok fazla baml olmalar nedeniyle ok fazla baarl olmamtr. 15 1960l yllarn ortalarnda John Holland mutasyon ilemine eleme ve aprazlama ilemlerini ekleyerek zor problemlerin doal seim prensibi dorultusunda zlebilmesine imkan salayacana inand bir programlama yntemi gelitirmitir. Bu almasyla Holland genetik algoritmalar alannn kurucusu saylmtr. Daha sonra dnyada bu alanda alan pek ok aratrmac Hollandn orijinal yntemine dayanan pek ok deiik yntem gelitirmiler ve pek ok farkl alana uygulamlardr. 16 Gnmzde, evrimsel yaklam temel alan bilgisayar tabanl problem zme ve optimizasyon tekniklerinin tm evrimsel algoritmalar ad altnda ele alnmaktadr. Evrim tabanl yntemler olarak, bireylerden oluan bir populasyonun belli bir dnmden geirilmesi ve en iyi olan bireylerin varlklarn devam ettirmesine dayanan balca evrimsel algoritma teknikleri, genetik algoritmalar, genetik programlama, evrim stratejileri, snflandrma sistemleri ve evrimsel programlama olarak sralanabilir. 17

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.

2.2. Genetik Algoritmalarn almas

Tipik bir genetik algoritma, genetik algoritmalara zel sreleri ieren baz admlardan oluur. rnek bir genetik algoritmann alma admlar aadaki tabloda verilmitir (Tablo 2.1).

Tablo 2.1 Genetik Algoritmalarn alma Admlar

Adm Yaplan lem

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

Michalewicz, Z., Heuristic Methods for Evolutionary Computation Techniques, Journal of

Heuristics, Vol.1, No.2, 1995, s. 177

25

bileenler yukardaki admlar dorultusunda aadaki blmlerde detayl olarak ele alnacaktr.

2.2.1. Gsterim (Kodlama)

Genetik algoritmalar zme ulamak iin problemlerin olas zmlerinin gsterimlerini kullanrlar. Bu nedenle, herhangi bir (optimizasyon) problemin genetik algoritmalar ile zlebilmesi iin, ncelikle, aday zmlerin uygun ekilde kodlanmas gerekmektedir. Kodlanm aday zmler, snrl bir deer kmesinden veya alfabeden deer alabilen gen dizilerinden olumaktadr. Aday zmleri temsil eden bu gen dizileri kromozomlar oluturmaktadr. Bu durumda, genler aday zmlerin zelliklerini, genlerden oluan her bir kromozom da problemin aday bir zmn (birey) gstermektedir. Tm problemler iin uygun tek bir gsterim ekli yoktur. ou zaman aday zmler, Holland tarafndan ilk olarak kullanld gibi, zmn her bir elemannn 1 veya 0 deeri alabildii ikil deerlerin kullanld sabit uzunluklu diziler olarak kodlanr. Ancak, kullanlan gsterim iin uygun genetik ilemler tanmland srece zm adaylarnn gsterimi iin bir zmn snrl bir dizi olarak kodlanmasna imkan veren herhangi bir gsterim de kullanlabilir. rnein, uygulamaya bal olarak, baz problemler iin zm parametrelerinin daha uygun ifade edilebilmesi nedeniyle tam say veya gerel saylarn kullanlmas da mmkndr. Genel olarak ise, gsterim ve zmlerin kodlanmas iin diziler, aa yaplar, listeler veya herhangi bir nesne kullanlabilir.

2.2.2. Balang Populasyonunun Oluturulmas

Genetik algoritmalar, zm admlarna belirlenen gsterim ekline uygun kodlanm bireylerden oluan bir balang populasyonu oluturarak balarlar. Balang populasyonunu oluturan bireyler (kromozomlar) rasgele veya zlecek probleme zg zel bilgiler kullanlarak kodlanrlar. zm aranan problem ile

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

2.2.3. Uygunluk Fonksiyonu

Genetik algoritmalarn kullanmann nihai amac karmak bir

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

School of Business Discussion Papers, 2000, s. 4

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.

2.2.4. Genetik lemler

Genetik algoritmalarn, zm uzaynda en iyi sonucu veren zm arama sreci nemli genetik ilem kullanlarak gerekletirilmektedir: 1. Seim 2. aprazlama 3. Mutasyon Bu genetik ilemler kullanlarak balangta rasgele oluturulmu bir problem zm adaylar populasyonu ardk ilemlerle en iyi veya en iyiye yakn zmleri ieren populasyona evirilmeye allmaktadr. Genetik algoritmann almas srasnda bir sonraki nesil, varolan neslin bu ilemler kullanlarak deitirilmesi ile elde edilmektedir. Genetik algoritmalarn gc bu ilemlerden gelmektedir.
2.2.4.1. Seim

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

ACM, Vol. 37, No. 3, March, 1994, s. 113

25

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

Topics, University Computing, Volume 15, Issue 4, 1993, s. 170

27

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.

2.2.5. Yeni Bireylerin Deerlendirilerek Yeni Neslin Oluturulmas

Genetik ilemlerin mevcut nesle uygulanmasyla oluturulan yeni bireylerden hangilerinin yeni nesle aktarlaca, bu yeni bireylerin uygunluk fonksiyonuna gre elde edilen deerleri kullanlarak belirlenirler. Yeni bireyler kullanlarak mevcut nesilden, yeni neslin oluturulmasnda iki temel yaklam mevcuttur. 29 Basit (generational) yntemde, her yeni nesilde, mevcut neslin tamam, yeni oluturulan bireylerden en iyi uygunluk deerlerine sahip bireylerle yenilenir. Dengeli (steady state) yntemde ise yeni bireylerden, iyi uygunluk deerine sahip olanlar, bataki neslin zayf bireyleri ile deitirilerek yeni nesil oluturulur. Basit yntemde, yeni nesil oluturulurken, mevcut nesildeki yksek performansa sahip bireylerin aprazlama ve mutasyon ilemleri srasnda deitirilerek kaybolmas ve yeni neslin performans daha dk bireylerden olumas riski sz konusudur. Bu problemi gidermek iin elitizm kullanlabilir.30 Elitizm, performans en iyi bireyle (bireyler) temsil edilen o ana kadarki en iyi zmn korunarak, deitirilmeksizin bir sonraki nesle aktarlmasn salar.

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

University Computing, Volume 15, Issue 2, 1993, s. 64

30

Beasley, David, AI FAQ/genetic, http://www.faqs.org/faqs/ai-faq/genetic/part6/section-6.html,

(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.

2.3. Genetik Algoritmalarn zellikleri

Genetik algoritmalar basit ama olduka gl bir zm arac sunmalar ve kolayca bir bilgisayar programna dntrlebilmeleri nedeniyle gerek problemlerin zmnde olduka yaygn olarak kullanlmaktadrlar. Aadaki blmlerde genetik algoritmalarn avantajlar ve dezavantajlar srasyla ele alnacaktr.

31

Lankhorst,

Marc

M.,

Genetic

algorithms

in

data

analysis,

Online

Resource

http://www.ub.rug.nl/eldoc/dis/science/m.m.lankhorst/, (15.08.2003), s.13

32

2.3.1. Genetik Algoritmalarn Avantajlar

Genetik algoritmalar, klasik yntemlerle zm elde edilemeyen karmak problemlere, en iyi ya da en iyiye yakn sonularn, hzl bir ekilde elde edilmesi iin kullanlabilen kolay uygulanabilir, gl bir optimizayon tekniidir. Genetik algoritmalarn bu avantajlar aada anlatlmtr. 32 Genetik algoritmalar, gerek hayatta karmza kan pek ok problemde olduu gibi, aadaki zelliklerden bir veya daha fazlasna sahip olup klasik yntemlerle zlmesi g olan problemlerin zmnde kullanlabilir:

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.

2.3.2. Genetik Algoritmalarn Dezavantajlar

Genetik algoritmalarn bir nceki blmde anlatlan avantajlar yannda, genetik algoritmalarn belli bir probleme uygulanmasnda karlalan tasarm zorluklar ile zme ulamada yaanabilecek glkler nedeniyle baz dezavantajlar da sz konusudur. 33 Kullanlan kodlama sistemi, seim, aprazlama ve mutasyon yntemleri, aprazlama ve mutasyon olaslklar, uygunluk fonksiyonunun formlasyonu ve biti koulunun belirlenmesi gibi parametrelerin, genetik algoritmalarn hz ve sonuca ulama yetenei zerinde ok nemli bir etkisi vardr. Ancak, bu parametrelerin belirlenmesinde her probleme uygulanabilecek genel kurallar mevcut deildir ve bu parametrelerin doru olarak belirlenmesi imkansz olmasa da olduka zor bir konudur. Bu nedenle, bu seimlerin problem zelliklerine en uygun olacak ekilde yaplmasna allmal ve daha iyi zmlere ulaabilmek iin bu tercihler de optimize edilmelidir. Bu amala, ou kez parametrelerin eitli deerler kullanlarak denenmesi gerekmektedir. Ayrca, genetik algoritmalarn daha nce uygulanm olduu problemlerden yararlanmak yol gsterici olacaktr. Genetik algoritmalarn en nemli kst optimal sonuca ulama garantisinin olmamasdr. zellikle, klasik yntemlerle zm elde edilemeyen problemler sz konusu olduunda elde edilen sonucun optimal olup olmadn belirlemek gtr. Genetik algoritmalar en iyi zme ulaamadan genelde yerel en iyi olan bir zme

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.

2.4. Genetik Algoritmalarn Finans Uygulamalar

Dinamik olarak srekli deiim ierisinde olan gnmz finansal piyasalarnda baarl olabilmek iin gl aralar kullanlmas gerei aktr. nsann snrl kavrama kapasitesine sahip olmas ve karar vermede tutarsz olabilmesi bilgisayar teknolojilerinin kullanmn zorunlu klmaktadr. Genetik algoritmalar bilgisayar teknolojisinin gcyle birletiinde, kararlarn ve stratejilerin ok daha hzl bir ekilde doru olarak belirlenebilmesi iin olduka nemli avantajlar sunmaktadr. Genetik algoritmalar finans alannda pek ok problemin zmnde kullanlabilecek uygun bir tercihtir. Genetik algoritmalar ama fonksiyonu odakldr. Finans problemlerinde genel olarak, ama fonksiyonlar tahmin etme gcne veya bir kyaslama sonucuna bal getirilerdeki gelimeleri ierir. Dolaysyla, kullanlan ara ve problemler arasnda mkemmel bir eleme mevcuttur. Bu ynyle, genetik algoritmalar; finansal tahminlerin yaplmas, alm satm stratejilerinin belirlenmesi, nakit ak ynetimi, opsiyon fiyatlamas, portfy ynetimi, mteri kredi deerliliinin belirlenmesi gibi pek ok finans probleminde baarl bir ekilde kullanlmtr.

36

NC BLM GENETK ALGORTMALAR LE PORTFY OPTMZASYONU: MKBDE BR UYGULAMA

3.1. Genetik Algoritmalarla Portfy Optimizasyonu

3.1.1. Optimizasyon Yntemleri
Optimizasyon yntemleri eldeki bir probleme en iyi zm bulmaya alrlar. Optimizasyon problemlerinde problemin zelliine bal olarak pek ok alternatif yntem vardr. Gnmzde kullanlan optimizasyon yntemleri genel olarak snfta ele alnabilir: 34 hesap tabanl (calculus based), sralama (numaralandrma) tabanl (enumeration based) ve rasgele arama (random search) yntemleri. Hesap tabanl yntemler optimizasyon problemlerinde olduka fazla allm ve kullanlmtr. Hesap tabanl yntemler dolayl ve dorudan yntemlerden oluur. Bu yntemler fonksiyonun trevinin kklerinin fonksiyonun en kk ve en byk deer veren noktalar olmasndan yararlanr. Dolayl yntemlerde ama fonksiyonunun trevi sfra eitlenerek sonuca ulalmaya allr. Dorudan yntemlerde (tepe trmanma vs.) yerel eim (gradient) dorultusunda hareket

34

Lankhorst, Marc M., a.g.e., s. 7

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.

3.1.2. Portfy Optimizasyon Problemi

Portfy optimizasyon probleminin zorluu modele dahil edilen kstlara ve portfyn byklne baldr. 36 Klasik Markowitz modelinde olduu gibi aa sat ilemine izin verilmeyen portfy optimizasyon problemi geleneksel olarak karesel (quadratic) programlama problemi olarak gsterilmektedir.

35

Goldberg, David E., Genetic Algorithms in Search, Optimization and Machine Learning, Addison-

Wesley, USA, 1989, s.7

36

Schyns, M., Crama, Y., Simulated Annealing for Complex Portfolio Selection Problems, European

Journal of Operatioanl Research, Volume 150, Issue 3, November 2003, s. 549

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

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
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

Buna gre, arlk znrlnn A ve portfydeki hisse senedi

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) =

30! 109! 1,28 10 20 20!.10! 9!.100!

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

3.1.3. Genetik Algoritmalarn Kullanlma Sebepleri

Genetik algoritmalarn finansal modelleme uygulamalar iin uygun olmas ve kstl portfy optimizasyonu probleminin zmnde gl bir tercih olarak ne kmas ve bu almada kullanlmasnn 3 temel sebebi vardr: 41 Genetik algoritmalar ama odakldr. Finansal problemler de bir ama fonksiyonu ile ifade edilebilirler. Bu adan problem zm arac ile hedef problemler arasnda tam bir uyum sz konusudur Genetik algoritmalar nitelikleri gerei niceldirler, dolaysyla da parametre optimizasyonu iin ok uygundurlar. Genetik algoritmalarn en yaygn kulanm alan ok parametreli fonksiyon optimizasyonudur. 42 Pek ok problem gibi kstl portfy optimizasyonu da, girdi parametrelerinin karmak bir fonksiyonunun optimizasyonu olarak formle edilebilir. Genetik algoritmalar klasik yntemlerde salanmas mmkn olmayan pek ok kstn eklenmesine ve esneklie imkan verir. Bu zellikleri sayesinde hzl bir ekilde uygun zmlere ulaabilmesi, ulalan zmlerin kalitesi, yeni kstlarn kolayca eklenebilmesi ve ama fonksiyonunun kolaylkla deitirilebiliyor olmas nedeniyle genetik algoritmalar kstl portfy optimizasyonu probleminin zmnde nemli ve olduka uygun bir zm alternatifi olarak deerlendirilmi ve almada kullanlmtr.

40

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
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

Forrest, Stephanie, Genetic Algorithms, Computing Surveys Vol. 28:1, 1996, s. 79

42

3.2. Gelitirilen Uygulama: Yntemler ve Varsaymlar

3.2.1. Uygulama Gelitirme Ortam
Bu almada uygulama gelitirme ortam olarak, her trl hesaplamann kolayca yaplabilmesi, kolay kullanlabilir ve adapte edilebilir olmas ve grafik destei nedeniyle MS Excel kullanlmtr. Genetik algoritma program MS Excel makrosu olarak kodlanmtr. 43 Uygulamann altrld test ortam olarak ise Intel Pentium IV ilemcili, 256 MB bellee sahip standart bir masast bilgisayar kullanlmtr.

3.2.2. Veri Seimi

Gnmz koullar ierisinde mevcut zellikleri nedeniyle MKBde yaplan yatrmlar ou kimse tarafndan kumar olarak alglanmaktadr. Bu nedenle yaplan almalarn sonularnn tutarl olabilmesi ve bilimsel bir deeri olmas iin MKB30 hisse senetleri kullanlmtr. 03.06.2002 ile 31.12.2002 tarihleri arasnda gerekleen MKB-30 hisse senetlerinin birinci 6 aylk gnlk 2. seans kapan fiyatlar gelitirilen modelde girdi olarak kullanlm, elde edilen sonularn deerlendirilmesinde ise 02.01.2003 ile 30.06.2003 tarihleri arasndaki ikinci 6 aylk dnem iin gereklemi olan hisse senedi getirileri kullanlmtr. 44

43

http://ffusco.altervista.org/software/genetic/ (15.08.2003) http://www.imkb.gov.tr/ (15.08.2003)

44

43

3.2.3. Uygulama Admlar

3.2.3.1. Veri Analizi

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

Uygulama, http://www.baskent.edu.tr/~gurayk/kisiseloptimization.pdf (15.18.2003)

46

Kolb Robert W, Rodriguez Ricardo J, Finansal Ynetim, SPK , Yayn No: 35, Temmuz 1996, s.

226

45

3.2.3.3. Elde Edilen Sonularn Deerlendirilmesi

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

3.3 Standart Markowitz Modeline Gre Portfy Optimizasyonu

Standart Markowitz modeline gre portfy optimizasyonunda geerli olan tek kst hisse senedi arlklarnn 0 veya daha byk olmas, yani aa sat ileminin olmad durumdur. Bu ekilde formle edilmi bir portfy optimizasyonu problemi, daha nce de bahsedildii gibi, gelitirilmi klasik yntemler kullanlarak zlebilir. Genetik algoritmalarn elde ettii sonularn optimal olduunu garanti etmek mmkn olmadndan, bu tr yntemlerle elde edilen optimal sonular genetik algoritma ile edilen optimizasyon sonularnn doruluunun llebilmesi iin kullanlabilir. Bu amala Markowitz modelinin standart formunda portfy optimizasyonu iin MS Excel zc 47 kullanlm ve elde edilen sonular genetik algoritma ile elde edilen sonula karlatrlmtr. Buradaki temel ama genetik algoritmalarn byle bir problemin zmnde kullanlabilirliini gstermektir. Microsoft Excel zc, Austin'deki Texas niversitesi'nden Leon Lasdon'n ve Clevaland State niversitesi'nden Allan Waren'n gelitirdii (Generalized Reduced Gradient - GRG2) dorusal olmayan en iyi hale getirme kodunu kullanr. Dorusal ve tamsay problemleri, deikenlerdeki snrlarla simpleks yntemini ve dal ve snr yntemini (branch-and-bound) kullanr.

3.4. Standart Markowitz Modeline Gre Genetik Algoritma Portfy Optimizasyonu

3.4.1. zmlerin Kodlanmas
Genetik algoritmalarla ilgili blmde bahsedildii zere, bir problemin genetik algoritmalarn zmnde kullanlabilmesi iin ilk nemli adm, oluturulacak zmlerin gsterimi ve genetik algoritma tarafndan ilenmeye uygun

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.

3.4.2. Balang Populasyonunun Oluturulmas

Balang populasyonunu oluturmak iin, populasyondaki her bir portfyn hisse arlklar 0 ile 1 arasnda gerel bir say olacak ekilde rasgele oluturulur, daha sonra bu arlklarn toplam 1e eit olacak ekilde leklendirilerek ilk nesil oluturulmu olur.

48

3.4.3. Yeni Nesil in Aday Bireylerin Oluturulmas (Genetik lemler)

Yeni bir neslin oluturulmas iin aday bireyler o anki mevcut populasyon bireylerinin aprazlanmas ve mutasyonu ile elde edilir. Bu ekilde elde edilen aday portfylerden oluan populasyondaki her bir portfyn performans deerlendirilerek (uygunluk fonksiyonuna gre) en iyi performansa sahip bireyler bir sonraki nesli oluturmak iin seilirler.
3.4.3.1. Seim ve aprazlama

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 1 Birey 2 B Gen B1

Arlk B1

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 1 Yeni Birey Gen 1

Arlk B1

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 1 Yeni Birey Gen 1

Arlk 1

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.

3.4.4. Yeni Nesle Aktarlacak Bireylerin Seilmesi

Yeni neslin oluturulmasnda basit (generational) yntem kullanlmtr. Buna gre, her yeni nesilde, mevcut nesli oluturan N bireyin tamam, yeni oluturulan bireylerden en iyi uygunluk deerlerine sahip bireylerle yenilenir. Bu amala, balangtaki N bireylik populasyondan genetik ilemler sonucunda elde edilen N ( N 1) + 1 aday bireyden sadece N tanesi yeni nesle aktarlacaktr. Genetik 2 algoritmann almas asndan aday bireylerden yeni nesle aktarlmak zere seilecek N birey, bu bireylerin temsil ettii portfylerin belli bir risk seviyesi iin beklenen getirinin en yksek olmas ya da belli bir beklenen getiri iin riskin en dk olmas olarak belirlenmi olan kritere gre performans hesaplanan aday portfylerin en iyi N tanesi olarak seilir. Portfy performanslar seilen optimizasyon trne (risk veya beklenen getiri) ve portfyn riski ve beklenen getirisine gre hesaplanr. Daha nce de bahsedildii gibi herhangi bir portfyn beklenen getirisini hesaplamak iin portfy arlklar portfydeki hisse senetlerinin beklenen getirileri ile arplarak toplanr. Portfy riskini hesaplamak iin ise portfy arlklar kovaryans matrisi ile arplarak toplanr.

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.

3.5.1. zmlerin Kodlanmas

Geniletilmi Markowitz modelinde bireylerin genetik kodunda (DNA) hisse senetlerinin arlk deerlerine ek olarak hisse senedinin portfye dahil olup olmadnn da bilinmesi gereklidir. Bu amala standart kodlamaya hisse senedinin portfye dahil olup olmadn gsteren ve 0 veya 1 deeri alabilen ilave bir alan eklenmitir. Bu alann 0 olmas ilgili hisse senedinin portfye dahil olmadn, 1 olmas ise portfye dahil olduunu gstermektedir. Eer bir hisse senedi portfye dahil deilse arl sfr olacaktr. Yeni genetik kodlama aadaki ekilde gsterilmitir. (ekil 3.4)

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

ekil 3.4 Kstl Portfy Optimizasyonu Modelinde Portfylerin Gsterimi

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.

3.5.2. Balang Populasyonunun Oluturulmas

Genetik algoritmann altrlmasnda ilk populasyon yukarda standart Markowitz modeli iin anlatld ekilde rasgele oluturulur, ancak bu ilem srasnda portfy kstlar da dikkate alnr. lk olarak, minimum arl sfrdan byk olan hisse senetleri oluturulacak portfye dahil edilir, maksimumu sfra eit hisse senetleri ise portfyden karlr. Kalan hisse senetleri arasndan portfye dahil olacak hisse senedi adedine ulalacak kadar hisse senedi portfye rasgele olarak dahil edilir. Bu ilem sonucunda N hisse senedi arasndan K hisse senedi kmesinden oluan portfyler elde edilmi olur. Hisse senetleri iin girilmi sfrdan byk en az arlklar ilgili hisse senetlerine datlm kabul edilerek en az arlklar toplam dnda kalan arlk portfye dahil olmas muhtemel hisse senetleri arasnda rasgele datlr. Dolaysyla hisse senetlerinin gerek arl istenen minimum arl ile o hisse senedine datlm olan arln toplamna eit olacaktr. Bu ilemler srasnda, oluturulan arlklarn toplamnn 1e eit olacak ekilde leklendirilmesi nedeniyle, sonuta her bir hisse senedinin arl o hisse senedi iin girilmi olan minimum ve maksimum deerler arasnda bir deer alm olur. Portfye dahil olacak en fazla hisse senedi adedi deeri, portfydeki toplam hisse senedi saysnn st snrn belirttii iin bir hisse senedinin portfye dahil olmas onun arlnn sfrdan byk olmasn gerektirmez. Buna gre genetik algoritma uygulamas asndan portfydeki toplam hisse senedi adedi her zaman iin belirlenmi en ok hisse senedi adedi deerine eit olurken, elde edilen portfyde uygulama asndan portfye dahil olsa da arl sfr olan hisse senetleri

55

olabileceinden, portfyn pratikteki hisse senedi adedi en ok hisse senedi adedi deerinden az olabilir.

3.5.3. Yeni Nesil in Aday Bireylerin Oluturulmas (Genetik lemler)

3.5.3.1. Seim ve aprazlama

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 1 Birey 1 A Gen A1

0 0

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 1 Birey 2 B Gen A1

1 Arlk B1

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 1 Yeni Birey Gen A1

0 0

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.

Portfye Dahil Hisseler

Hisse 1 Hisse I Gen I
Arlk I

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

Portfye Dahil Hisseler

Hisse 1 Hisse L Gen L
Arlk I

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

Portfye Dahil Hisseler

Hisse 1 Hisse I Gen I
Arlk I

Portfy D Hisseler
Hisse K Gen K
Arlk K

Hisse J Gen J
Arlk J

Hisse K +1 Gen K+1

0

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.

3.5.4. Yeni Nesle Aktarlacak Bireylerin Seilmesi

Yeni nesle aktarlacak bireylerin seilmesi iin kullanlan yntem ve kullanlan uygunluk fonksiyonu, blm 3.4.4.de anlatlan standart modelde kullanlan yntemle ayndr. Yani, yeni oluturulan portfylerden en iyi uygunluk deerine sahip N tanesi yeni nesli oluturur. Ayrca, bir nceki blmde de anlatld gibi genetik algoritma ilemleri srasnda kstlar dikkate alndndan, elde edilen aday bireyler ve dolaysyla da her nesildeki populasyonu oluturan bireyler belirlenmi olan kstlar karlarlar.

3.6. Portfy Optimizasyon Sonular

Yukarda anlatlan yntemlere gre elde edilen portfy optimizasyonlar iin sonular iki ekilde deerlendirilmitir. ncelikle optimizasyon yaplan dnem iin (1. 6 aylk dnem) elde edilen risk ve getiriler hesaplanarak etkin snr bulunmutur. Daha sonra belirlenmi bu portfyn bir sonraki dnemde (2. 6 aylk dnem) yatrm 60

iin kullanld varsaylarak, bir sonraki dnemde elde edilen getiri hesaplanarak, endeksin getirisi ile karlatrlmtr.

3.6.1. Standart Markowitz Modeline Gre Portfy Optimizasyonu

3.6.1.1. Genetik Algoritma in Kullanlan Parametreler

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

3.6.1.4. Elde Edilen Optimal Portfylerin 2. 6 Aylk Dnemdeki Getirisi

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.

GA 20% 18% 16% 14% 12% 10% 8% 6% 4% 2% 0% 28%

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

3.6.2. Kstl Markowitz Modeline Gre Portfy Optimizasyonu

3.6.2.1. Genetik Algoritma in Kullanlan Parametreler

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).

Tablo 3.3 Test in Kullanlan rnek Portfy Kstlar

Genel Portfy Kstlar En Kk Hisse Senedi Oran En ok Hisse Adedi Hisse Senedi Kstlar AKBANK ARELK DOGAN YAYIN ENKA NAAT PETKM SABANCI TURKCELL TUPRAS En Az 0% 0% 0% 12% 10% 0% 0% 8% 1% 7 En Fazla 10% 20% 0% 24% 25% 0% 0% 25%

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

Etkin Snr 40% 38% 36% 34%

Getiri

32% 30% 28% 26% 24% 30% 32% 34% 36%

Risk

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

3.6.2.4. Elde Edilen Optimal Portfylerin 2. 6 Aylk Dnemdeki Getirisi

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/

(15.08.2003) Heuristics and Artificial Intelligence in Finance and Investment,

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