Topluluk modelleri neden tek modelleri geçer?

Çünkü modeller kısmen farklı hatalar yapar ve ortalama almak, paylaşmadıkları kısmı giderir. Karesel hatada ağırlıklı ortalama, ortalama üyesinden hiçbir zaman kötü olmaz ve üyeler ne kadar ayrışırsa o kadar kazanır. Her dönemde en iyi üyeyi geçmesi kesin değildir, ama hangi modelin en iyi olacağını önceden bilme gereğini ortadan kaldırır. Üyeler birbirinin neredeyse kopyasıysa kazanç küçülür.

Bernstein Online Aggregation (BOA) nedir?

Wintenberger'in (2017) tanıttığı, tahminleri çevrim içi birleştiren bir yöntemdir. Her sonuçtan sonra her modelin kaybını birleşik tahminin kaybıyla karşılaştırır. Bir modelin ağırlığı, birleşime karşı biriktirdiği üstünlükle üstel olarak artar; bu üstünlüklerin karelerine dayanan ikinci dereceden bir terim ise düşülür. Böylece istikrarlı beceri, dalgalı beceriden daha çok güven kazanır. Garantisi, verinin nasıl üretildiğine dair hiçbir model varsaymadan, sınırlı ve dışbükey kayıpların her dizisi için geçerlidir.

Topluluk ağırlıkları eşit mi olmalı, öğrenilmiş mi?

Eşit ağırlıklar güçlü bir kıyas noktasıdır, çünkü kısa bir geçmişten tahmin edilen ağırlıklar kendi gürültülerini ekler; tahmin birleştirme bilmecesi budur. Öğrenilmiş ağırlıklar, bazı modeller sürekli daha iyiyse ya da beceri zamanla modeller arasında yer değiştiriyorsa işe yarar. Çevrim içi yöntemler ikinci duruma yanıt verir: eski kanıtı unutmak ağırlıkların değişimi izlemesini sağlar, küçük bir taban da gözden düşen bir modelin yeniden yükselebilmesine izin verir.

Opulence Alpha kaç modeli birleştiriyor?

En fazla dokuz sesi: CatBoost, LSTM ve kantil tahmin modelleri, bir sektör modeli ve adil değer motorundan türetilen beş ses. 1 ve 5 günlük vadelerde daha az ses konuşur, çünkü değerleme seslerinden üçü yalnızca 21 ve 63 günlük vadede tahmin yapar. En son modeli, ayrılmış veri üzerinde çalışan ayrı istatistiksel kapıyı geçemeyen bir ses her gün puanlanmaya devam eder, ancak yayımlanan tahminleri etkilemez.

SSS · Topluluk tahmini

Topluluk tahmini (ensemble forecasting) nedir?

26 Eyl 2026 tarihinde platformun koduna karşı gözden geçirildi

Topluluk tahmini, birkaç modelin ya da tek bir modelin birkaç çalıştırmasının tahminlerini, genellikle ağırlıklı ortalamayla tek bir tahminde birleştirir. Farklı modeller kısmen farklı hatalar yaptığı için birleşim, tipik bir üyeden daha isabetli ve daha istikrarlı olma eğilimindedir; üyeler arasındaki fark da ne kadar ayrıştıklarını gösterir.

Neden önemli

Hiçbir model her dönemde en iyisi değildir. Her model kendine özgü biçimde yanılır ve öne geçen model piyasalar değiştikçe değişme eğilimindedir; tek bir modele dayanmak, kazananı önceden seçmek demektir. Ortalama almak, modellerin paylaşmadığı hataların bir kısmını giderir. Karesel hatada ağırlıklı ortalamanın kaybı, üyelerin ağırlıklı ortalama kaybından, üyelerin bu ortalamaya uzaklıklarının karelerinin ağırlıklı ortalaması çıkarılarak bulunur (Krogh ve Vedelsby, 1995). Bu yüzden birleşim hiçbir zaman ortalama üyeden kötü olmaz ve üyeler ayrıştıkça daha çok kazanır. En iyi üyeyi geçmesi garanti değildir; bir modelin neredeyse kopyası olan modeller de pek bir şey katmaz.

Nasıl çalışır

Tahminleri birleştirme fikri, iki tahminin iyi ağırlıklandırılmış bir karışımının ikisinden de küçük hata varyansına sahip olabileceğini gösteren Bates ve Granger'a (1969) dayanır. Ağırlıklar eşit olabilir, geçmiş hatalardan tahmin edilebilir ya da ikinci bir model tarafından öğrenilebilir; buna istifleme (stacking) denir. Uygulamada basit ortalamayı geçmek zordur, çünkü tahmin edilen ağırlıkların da kendi hataları vardır: tahmin birleştirme bilmecesi, yani forecast combination puzzle (Stock ve Watson, 2004). Çevrim içi birleştirme ise ağırlıkları her sonuçtan sonra günceller. Bernstein Online Aggregation (Wintenberger, 2017), her modeli birleşik tahmine karşı biriktirdiği üstünlüğe göre ağırlıklandırır ve bundan, bu üstünlüklerin karelerine dayanan bir cezayı düşer; böylece dalgalı beceri, istikrarlı beceriden daha az güven kazanır. Ortalama kaybı, geriye dönüp bakıldığında en iyi üyesininkine yaklaşır.

Opulence Alpha nasıl uygular

Opulence Alpha her hisse tahmininde en fazla dokuz model sesini birleştirir: CatBoost, LSTM ve kantil tahmin modelleri, bir sektör modeli ve adil değer motorundan türetilen beş ses. Her ses her vadede konuşmaz. Bernstein Online Aggregation ağırlıkları her vade için ve her piyasa rejimi, oynaklık rejimi ve sektör bileşimi için ayrı belirler; kanıtı az olan bir bileşim daha geniş bir tahmine yaslanır. Her ses her gün, ardından gelen getirilerle sıra korelasyonuna göre puanlanır. Eski kanıtın etkisi azalır; küçük bir sabit pay da öğrenilen hiçbir ağırlığın sıfıra inmemesini sağlar. Tahminleri birlikte hareket eden sesler, korelasyonları oranında indirimli sayılır. Birleşim ağırlıklı bir ortalamadır; sesler arasındaki ayrışma ortalamada kaybolmaz, belirsizliği genişletir.

Hangi modeller, nasıl birleştiriliyor →

İlgili kavramlar

Olasılıksal tahminOlasılıksal tahmin tek bir beklenen sayı yerine kalibre edilmiş aralıklarla olası getirilerin bir dağılımını yayımlar; böylece bir pozisyon belirsizliğine göre boyutlandırılabilir.Bilgi katsayısıBilgi katsayısı (IC), bir sinyalin hisseleri ne kadar iyi sıraladığını ölçer: her tarihte hisseler arasında sonraki getirilerle korelasyonunun ortalaması.Uyumsal tahminUyumsal tahmin, her tahmini belirli kapsama oranlı aralıklara dönüştürür; genişlik varsayılan bir dağılımdan değil, modelin ölçülmüş hatalarından gelir.Piyasa rejimi tespitiPiyasa rejimi tespiti, stratejiler ve risk uyum sağlayabilsin diye piyasanın mevcut durumunu — oynaklık, kredi, likidite, politika, iş döngüsü — sınıflandırır. Dokuz eksen ve gizli yarı-Markov modeli bunu nasıl yapar.

Tüm kavramlar →Her piyasa rejiminde sektörlerin davranışı →

Sorular

Topluluk modelleri neden tek modelleri geçer?: Çünkü modeller kısmen farklı hatalar yapar ve ortalama almak, paylaşmadıkları kısmı giderir. Karesel hatada ağırlıklı ortalama, ortalama üyesinden hiçbir zaman kötü olmaz ve üyeler ne kadar ayrışırsa o kadar kazanır. Her dönemde en iyi üyeyi geçmesi kesin değildir, ama hangi modelin en iyi olacağını önceden bilme gereğini ortadan kaldırır. Üyeler birbirinin neredeyse kopyasıysa kazanç küçülür.
Bernstein Online Aggregation (BOA) nedir?: Wintenberger'in (2017) tanıttığı, tahminleri çevrim içi birleştiren bir yöntemdir. Her sonuçtan sonra her modelin kaybını birleşik tahminin kaybıyla karşılaştırır. Bir modelin ağırlığı, birleşime karşı biriktirdiği üstünlükle üstel olarak artar; bu üstünlüklerin karelerine dayanan ikinci dereceden bir terim ise düşülür. Böylece istikrarlı beceri, dalgalı beceriden daha çok güven kazanır. Garantisi, verinin nasıl üretildiğine dair hiçbir model varsaymadan, sınırlı ve dışbükey kayıpların her dizisi için geçerlidir.
Topluluk ağırlıkları eşit mi olmalı, öğrenilmiş mi?: Eşit ağırlıklar güçlü bir kıyas noktasıdır, çünkü kısa bir geçmişten tahmin edilen ağırlıklar kendi gürültülerini ekler; tahmin birleştirme bilmecesi budur. Öğrenilmiş ağırlıklar, bazı modeller sürekli daha iyiyse ya da beceri zamanla modeller arasında yer değiştiriyorsa işe yarar. Çevrim içi yöntemler ikinci duruma yanıt verir: eski kanıtı unutmak ağırlıkların değişimi izlemesini sağlar, küçük bir taban da gözden düşen bir modelin yeniden yükselebilmesine izin verir.
Opulence Alpha kaç modeli birleştiriyor?: En fazla dokuz sesi: CatBoost, LSTM ve kantil tahmin modelleri, bir sektör modeli ve adil değer motorundan türetilen beş ses. 1 ve 5 günlük vadelerde daha az ses konuşur, çünkü değerleme seslerinden üçü yalnızca 21 ve 63 günlük vadede tahmin yapar. En son modeli, ayrılmış veri üzerinde çalışan ayrı istatistiksel kapıyı geçemeyen bir ses her gün puanlanmaya devam eder, ancak yayımlanan tahminleri etkilemez.

Kaynaklar

Bates, J. M. & Granger, C. W. J. (1969). The Combination of Forecasts. Operational Research Quarterly, 20(4), 451–468.
Krogh, A. & Vedelsby, J. (1995). Neural Network Ensembles, Cross Validation, and Active Learning. Advances in Neural Information Processing Systems 7, 231–238.
Stock, J. H. & Watson, M. W. (2004). Combination Forecasts of Output Growth in a Seven-Country Data Set. Journal of Forecasting, 23(6), 405–430.
Wintenberger, O. (2017). Optimal learning with Bernstein Online Aggregation. Machine Learning, 106(1), 119–141.

Araştırma yöntemleri hakkında eğitim içeriğidir. Yatırım tavsiyesi değildir.