Sinir ağı risk yönetimi

Python ile Nicel Risk Yönetimi

Jamsheed Shorish

Computational Economist

Gerçek zamanlı portföy güncelleme

Risk yönetimi
- Tanımlı risk ölçüleri (VaR, CVaR)
- Tahmini risk ölçüleri (parametrik, tarihsel, Monte Carlo)
- Optimize portföy (örn. Modern Portföy Teorisi)
Yeni piyasa bilgisi => portföy ağırlıklarını güncelle
- Sorun: portföy optimizasyonu maliyetli
- Çözüm: $\text{ağırlıklar} = f(\text{fiyatlar})$
- $f$’yi gerçek zamanlı değerle
- $f$’yi ara sıra güncelle

Sinir ağları

Sinir Ağı: $\text{çıktı} = f(\text{girdi})$
- Nöron: işlev içindeki birbirine bağlı işlem düğümü
İlk olarak 1940’lar-1950’lerde geliştirildi
2000’ler başı: sinir ağlarının “büyük veri”ye uygulanması
- Görüntü tanıma, işleme
- Finansal veriler
- Arama motoru verileri
Derin Öğrenme: Makine Öğreniminin parçası olarak sinir ağları
- 2015: Google, Python için açık kaynak TensorFlow derin öğrenme kütüphanesini yayımladı

Sinir ağı yapısı

Katmanlar: bağlı işlem nöronları
- Girdi katmanı

sinir ağının girdi katmanı

Sinir ağı yapısı

Sinir ağı yapısı
- Girdi katmanı
- Gizli katman

sinir ağının gizli katmanı

Sinir ağı yapısı

Sinir ağı yapısı
- Girdi katmanı
- Gizli katman
- Çıktı katmanı
Eğitim: girdi ve çıktı arasındaki ilişkiyi öğrenme

girdi, gizli ve çıktı katmanlarının görüntüsü

Sinir ağı yapısı

Sinir ağı yapısı
- Girdi katmanı
- Gizli katman
- Çıktı katmanı
Eğitim: girdi ve çıktı arasındaki ilişkiyi öğrenme
- Varlık fiyatları => Girdi katmanı

varlık fiyatlarının sinir ağına girdi olarak aktığı görüntü

Sinir ağı yapısı

Sinir ağı yapısı
- Girdi katmanı
- Gizli katman
- Çıktı katmanı
Eğitim: girdi ve çıktı arasındaki ilişkiyi öğrenme
- Varlık fiyatları => Girdi katmanı
- Girdi + gizli katman işlemesi

sinir ağındaki ağırlık kenarları görüntüsü

Sinir ağı yapısı

Sinir ağı yapısı
- Girdi katmanı
- Gizli katman
- Çıktı katmanı
Eğitim: girdi ve çıktı arasındaki ilişkiyi öğrenme
- Varlık fiyatları => Girdi katmanı
- Girdi + gizli katman işlemesi
- Gizli + çıktı katman işlemesi

gizli katmandan çıktı katmanına ağırlıkların görüntüsü

Sinir ağı yapısı

Sinir ağı yapısı
- Girdi katmanı
- Gizli katman
- Çıktı katmanı
Eğitim: girdi ve çıktı arasındaki ilişkiyi öğrenme
- Varlık fiyatları => Girdi katmanı
- Girdi + gizli katman işlemesi
- Gizli + çıktı katman işlemesi
- Çıktı => portföy ağırlıkları

çıktı katmanının portföy ağırlıkları olarak gösterimi

Portföy optimizasyonu için sinir ağları kullanımı

Eğitim
- Çıktıyı mevcut “en iyi” portföy ağırlıklarıyla karşılaştır
- Amaç: çıktı ile ağırlıklar arasındaki “hata”yı en aza indirmek
- Hata küçükse => ağ eğitildi
Kullanım
- Girdi: yeni, görülmemiş varlık fiyatları
- Çıktı: yeni varlık fiyatları için tahmin edilen “en iyi” portföy ağırlıkları
- En iyi ağırlıklar = risk yönetimi

Python’da sinir ağı oluşturma

Keras: sinir ağları/derin öğrenme için üst düzey Python kütüphanesi
Daha fazla bilgi: Keras ile Derin Öğrenmeye Giriş

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Dense

model = Sequential()
model.add(Dense(10, input_dim=4, activation='sigmoid'))
model.add(Dense(4))

Ağı Python’da eğitme

Tarihsel varlık fiyatları: training_input matrisi
Tarihsel portföy ağırlıkları: training_output vektörü
Modeli derleyin:
- belirtilen hata minimizasyonu ('loss')
- belirtilen optimizasyon algoritması ('optimizer')
Modeli eğitime uydurun
- epochs: iç parametreleri güncelleyen eğitim döngüsü sayısı

model.compile(loss='mean_squared_error', optimizer='rmsprop')

model.fit(training_input, training_output, epochs=100)

Python’da risk yönetimi

Kullanım: yeni (örn. gerçek zamanlı) varlık fiyatları sağlayın
- Yeni vektör new_asset_prices girdi katmanına verilir
Yeni fiyatlarda model.predict() ile ağı değerlendirin
- Sonuç: predicted portföy ağırlıkları
Zamanla yeterli veri birikince => ağı yeniden eğitin
- Ağı geçmiş veride test edin => geriye dönük test (backtesting)

# new asset prices are in the vector new_asset_prices
predicted = model.predict(new_asset_prices)

Haydi pratik yapalım!

Python ile Nicel Risk Yönetimi