Algoritmik Trade ve Backtest Süreçlerinde Survivorship Bias (Hayatta Kalma Yanlılığı)

Algoritmik trade dünyasında, geçmiş verilere dayalı strateji testlerinin (backtest) doğruluğu kritik öneme sahiptir. Ancak bu süreçte sıkça göz ardı edilen bir tuzak vardır: survivorship bias, yani hayatta kalma yanlılığı. Peki, nedir bu hayatta kalma yanlılığı ve backtest sonuçlarını nasıl etkiler? Gelin, bunu anlamak için detaylara inelim.

Survivorship Bias Nedir?

Hayatta kalma yanlılığı, sadece başarılı olmuş (hayatta kalmış) varlıkların analize dahil edilmesi sonucu, başarısız olanları göz ardı ederek yanıltıcı sonuçlara ulaşılmasıdır. Örneğin, bir hisse senedi endeksindeki strateji testlerinde iflas etmiş ya da borsadan delist edilmiş şirketler göz ardı edilirse, geçmiş performans gereğinden fazla iyimser görünebilir. Bu, risk ve getiri analizlerini yanlış yönlendirebilir.

Algoritmik Trade’de Survivorship Bias’ın Etkileri

Survivorship bias, algoritmik trade stratejilerinde birçok soruna yol açabilir:

• Yanıltıcı Getiri Tahmini: Sadece hayatta kalan hisselere odaklanmak, stratejinin geçmişte olduğundan daha başarılı göründüğü yanılsamasını yaratır.
• Riskin Yanlış Hesaplanması: Başarısız olmuş şirketlerin dahil edilmemesi, piyasanın gerçek risklerini hafife almanıza neden olabilir.
• Strateji Optimizasyonunda Hatalar: Eksik veri setine dayalı olarak yapılan optimizasyonlar, gerçekte uygulanabilir olmayan stratejilere yol açabilir.

Survivorship Bias’tan Kaçınma Yöntemleri

1. Eksiksiz Veri Setleri Kullananın
   Veri sağlayıcılarınızın, sadece aktif şirketleri değil, geçmişte işlem görmüş fakat artık borsada olmayan şirketleri de içerdiğinden emin olun. Örneğin, Türkiye’deki strateji testlerinizde BIST100 endeksindeki geçmiş tüm hisseleri, delist edilmiş olanları da kapsayacak şekilde analiz etmek kritik önemdedir.
2. Delist Verilerini Dahil Edin
   BIST veritabanları veya özel veri sağlayıcılar (örneğin Matriks Terminali), geçmişte işlem gören ancak artık aktif olmayan hisseleri içerebilir. Bu tür verileri kullanarak daha gerçekçi analizler yapabilirsiniz.
3. Out-of-Sample Testler Yapın

   Stratejilerinizi geliştirme sırasında kullanılan veri setiyle sınırlı kalmayın; performanslarını farklı bir zaman aralığında, yani Out-of-Sample testlerle değerlendirin. Bu yöntem, stratejinizin optimize edildiği piyasa koşulları dışında nasıl çalışacağını görmenizi sağlar ve aşırı uyum (overfitting) riskini azaltır. Daha sistematik bir yaklaşım için Walk Forward Analizi kullanılabilir. Bu yöntemle stratejiniz, geçmiş verilerden optimize edilip, daha önce görülmemiş farklı dönemlerde tekrar tekrar test edilerek performansı ölçülür.

   Walk Forward Analizi ile ilgili detaylı bir yazıyı daha sonra yayınlayacağım. Bu yazıda, yöntemin uygulama adımları, faydaları ve dikkat edilmesi gereken noktaları ele alarak, sağlam bir strateji oluşturma sürecine katkı sağlayacağım. Şimdilik, farklı veri aralıklarında test yapmayı strateji geliştirme sürecinizin temel bir parçası haline getirmenizi öneririm.

4. Daha Geniş Zaman Dilimlerini Kullanın
   Backtest süresini mümkün olduğunca uzun tutarak, piyasanın farklı dönemlerdeki davranışlarını göz önünde bulundurun. Örneğin, BIST30 üzerindeki stratejinizi 2000’li yılların başından itibaren test edin, böylece ekonomik krizler, ralliler ve durgunluk dönemlerini kapsayan bir analiz yapabilirsiniz.
5. Gerçekçi Varsayımlar Yapın
   Tüm algoritmalarınızı tasarlarken, piyasa koşullarının değişebileceğini, şirketlerin iflas edebileceğini ve volatilitenin artabileceğini göz önünde bulundurun.

   Örnek Olay: Survivorship Bias ve BIST100

    Durum Varsayımı:

   Bir trader, BIST100 endeksindeki hisselere dayalı bir algoritma geliştirmek istiyor. Backtest yaparken algoritmanın %90 yıllık getiri sağlayabileceğini öngörüyor. Ancak bu test sırasında sadece mevcut BIST100 hisseleri analiz ediliyor.

   Sorun Varsayımı:

   BIST100 endeksi, her yıl iki kez yeniden dengelenir. Bu süreçte kötü performans gösteren şirketler endeksten çıkarılır, yerine daha güçlü hisseler eklenir. Eğer geçmişte BIST100’de yer alıp şu anda endekste olmayan şirketler göz ardı edilirse, test sonuçları yanıltıcı olabilir. Bu durum, riskin olduğundan düşük, getirinin ise olduğundan yüksek görünmesine yol açabilir.

   Çözüm Önerisi:

   Trader, geçmişte BIST100’e dahil olan tüm hisseleri (delist edilenler ve çıkarılanlar dahil) dikkate alarak bir backtest yapar. Bu durumda, algoritmanın yıllık getirisi %50’ye düşer. Strateji hâlâ pozitif getiri sağlayabilse de, bu yöntemle risk ve getiri profili çok daha gerçekçi bir şekilde ortaya çıkar.

   Bu örnek üzerinden, hayatta kalma yanılgısının (survivorship bias) gerçekçi kararlar almak için neden göz önüne alınması gerektiği açıkça görülür.

   Sonuç

   Survivorship bias, algoritmik trade ve backtest süreçlerinde sıklıkla göz ardı edilen ancak strateji sonuçlarını ciddi şekilde bozabilen bir tuzaktır. Bununla başa çıkmak için doğru veri setlerine erişmek, out-of-sample testler yapmak ve gerçekçi piyasa varsayımları geliştirmek hayati önem taşır.

   Unutmayın, algoritmanızın kâğıt üzerinde mükemmel olması, gerçek dünyada da mükemmel olacağı anlamına gelmez. Gerçekçi bir test süreci, uzun vadede başarıya giden yolda en büyük rehberiniz olacaktır.