SSS · Uyumsal tahmin

Uyumsal tahmin (conformal prediction) nedir?

26 Eyl 2026 tarihinde platformun koduna karşı gözden geçirildi

Uyumsal tahmin, herhangi bir tahmin modelini belirtilen bir kapsama oranına sahip tahmin aralıklarına dönüştüren yöntemdir. Modelin ayrılmış kalibrasyon verisindeki hataları, her aralığın ne kadar geniş olması gerektiğini belirler; amaç, sonuçların seçilen bir payının (örneğin %90'ının) ortalamada aralığa düşmesidir. Normal ya da başka bir dağılım varsaymaz. Tek varsayımı, yeni verinin kalibrasyon verisine benzemesidir.

Neden önemli

+%3'lük bir nokta tahmini, −%10'un olası olup olmadığı hakkında hiçbir şey söylemez. Modelin kendi varsayımlarından türetilen aralıklar ise kalın kuyruklu ve oynaklığı değişen hisse getirileri için çoğu zaman fazla dardır. Uyumsal tahmin, varsayımın yerine ölçümü koyar: her aralık, modelin ayrılmış verideki hatalarının gerektirdiği kadar geniştir ve tutup tutmadığı sonradan kontrol edilebilir.

Nasıl çalışır

Bölünmüş uyumsal tahminde model, verinin bir bölümünde kurulur ve ayrı, daha sonraki bir kalibrasyon kümesinde puanlanır. Her yeni aralık, bu kalibrasyon hatalarının yüksek bir kantili kadar genişletilir. Küçük örneklem düzeltmesi, veri değiştirilebilir (exchangeable) olduğunda ortalamada en az %90 kapsama sağlar (Vovk, Gammerman ve Shafer, 2005). Uyumsallaştırılmış kantil regresyonu düşük ve yüksek kantil modellerinden başlar; böylece daha riskli durumlar daha geniş bant alır (Romano, Patterson ve Candès, 2019). Piyasalar değiştiği için uyarlamalı uyumsal çıkarım (adaptive conformal inference), her ıska ya da isabetten sonra hedef düzeyi yeniden ayarlar (Gibbs ve Candès, 2021).

Opulence Alpha nasıl uygular

Opulence Alpha'nın getiri aralığı modeli uyumsallaştırılmış kantil regresyonu kullanır. Gradyan artırmalı karar ağaçları (XGBoost), her hissenin ortalama hisseye göre getirisinin 5., 50. ve 95. yüzdeliklerini 1, 5, 21 ve 63 işlem günlük vadede tahmin eder. Ardından uyumsal düzeltme her bandı, kendi genişliğiyle orantılı olarak %90 kapsamaya doğru genişletir ya da daraltır. Bu düzeltme, son altı ayın (63 günlük vadede son on iki ayın) sonucu belli olmuş tahminleri üzerinde kurulur ve yalnızca bu aylardan önceki veriyle eğitilmiş modelleri kullanır. Kullanılan modeller daha sonra bu aylar da dahil tüm veriyle yeniden eğitilir; bu yüzden %90 bir kesinlik değil, sonraki sonuçlarla kontrol edilmesi gereken bir hedeftir. Adil Değer sayfası, nakit akışı değeri üç aylık modelin fiyat aralığının altına düşen şirketleri ayrı tutar.

Bugünün adil değerleri ve ayrı tutulan şirketler →

İlgili kavramlar

Olasılıksal tahminOlasılıksal tahmin tek bir beklenen sayı yerine kalibre edilmiş aralıklarla olası getirilerin bir dağılımını yayımlar; böylece bir pozisyon belirsizliğine göre boyutlandırılabilir.İleriye doğru doğrulamaİleriye doğru doğrulama bir stratejiyi kullanılacağı gibi sınar: yalnızca geçmişle eğitilir, görülmemiş bir sonraki dönemde test edilir, sonra ileri kaydırılıp tekrarlanır.Bilgi katsayısıBilgi katsayısı (IC), bir sinyalin hisseleri ne kadar iyi sıraladığını ölçer: her tarihte hisseler arasında sonraki getirilerle korelasyonunun ortalaması.
Tüm kavramlar →Her piyasa rejiminde sektörlerin davranışı →

Sorular

Uyumsal tahmin aralığı güven aralığından nasıl farklıdır?

Güven aralığı, bir hissenin ortalama getirisi gibi sabit bir büyüklüğe ilişkin belirsizliği anlatır. Uyumsal tahmin aralığı ise bir sonraki tekil sonuçla ilgilidir. Genişliğini varsayılan bir dağılımdan değil, modelin ayrılmış verideki ölçülmüş hatalarından alır; bu yüzden herhangi bir tahmin modelinin etrafına kurulabilir.

%90'lık bir uyumsal aralık, hisse getirilerinin her zaman %90'ını kapsar mı?

Hayır. %90 her hisse için değil, çok sayıda tahmin üzerinden ortalamada geçerlidir ve yalnızca yeni veri kalibrasyon verisine benzediği sürece tutar. Piyasalar her zaman böyle davranmaz. Opulence Alpha'nın modelleri de kalibrasyon aylarını içeren veriyle yeniden eğitilir. 2026 boyunca her tarihte yalnızca o gün bilinen veriyle yapılan kontrolde, modelin önceki bir sürümünün bantları sonuçların yaklaşık %85–86'sını kapsadı. Her ay son sonuçlarla yeniden kalibre etmek bu oranı %88,3–88,6'ya çıkardı. Kapsama varsayılmaz, ölçülür.

Uyumsallaştırılmış kantil regresyonu (CQR) nedir?

Romano, Patterson ve Candès'in (2019) tanıttığı bir uyumsal tahmin biçimidir. Modeller sonucun düşük ve yüksek bir kantilini tahmin eder. Ardından ayrılmış verideki hatalar, bu bandı belirtilen kapsamaya ulaşana dek genişletir ya da daraltır. Kantil modelleri her duruma ayrı tepki verdiği için riskli hisseler, durağan olanlardan daha geniş bant alır.

Kaynaklar

  • Vovk, V., Gammerman, A. & Shafer, G. (2005). Algorithmic Learning in a Random World. Springer.
  • Romano, Y., Patterson, E. & Candès, E. (2019). Conformalized Quantile Regression. Advances in Neural Information Processing Systems (NeurIPS) 32.
  • Gibbs, I. & Candès, E. (2021). Adaptive Conformal Inference Under Distribution Shift. Advances in Neural Information Processing Systems (NeurIPS) 34.

Araştırma yöntemleri hakkında eğitim içeriğidir. Yatırım tavsiyesi değildir.