Merhaba. Kişisel portföyümü yönetmek için oyuncak proje olarak başlayıp zamanla kapsamı büyüyerek 31 LLM ajanlı bir sistem kurmuş bir öğrenci geliştiriciyim.
Başlangıçta kullanıcı toplamak için B2C hisse öneri web servisi olarak tasarlamıştım. Ancak yüksek API iletişim maliyetleri ve faydanın doğrulanması sorunlarına çarptım. Bu yüzden kullanıcı kazanımını (pazarlama) bırakıp, tüm UI/UX’i kaldırdıktan sonra kendi gerçek yatırım hesabımı (10 milyon won) doğrudan bağlayarak yapay zekanın tüm kararları ve işlemleri kendi başına yürüttüğü bir pipelinea pivot edip işletiyorum.
Bu süreçte kafa yorarak kurduğum mimariyi ve teknik deneme-yanılma deneyimlerimi GeekNews okurlarıyla paylaşmak istiyorum.
🧠 Sistem mimarisi: 6 aşama, 31 ajanın çapraz doğrulaması
Bu sistem (K-Agent Alpha), tek bir prompt değil, tamamen yukarıdan aşağıya (Top-Down) yatırım yaklaşımını taklit eden bir Multi-Agent röle pipelineı olarak çalışıyor. Yaklaşık 1 saat boyunca sıralı şekilde yürütülüyor.
-
Portföy ve psikoloji analizi (Phase 0~1):
- KIS (Korea Investment & Securities) API ile gerçek bakiyeyi çekiyor ve önceki işlemlerin kazanma oranını analiz ederek geri bildirim döngüsünü destekliyor.
- Volatilite (VIX), döviz kuru, KOSPI hareketleri gibi 5 göstergeye dayanarak piyasa duruşunu tanımlıyor.
-
Makroekonomi ekibi (Phase 2 - 7 ajan):
- Faiz, döviz kuru ve türev ürün ajanları FRED, Kore Merkez Bankası API’leri vb. üzerinden küresel likiditeyi analiz ediyor.
- Tek yönlü düşünmeyi engellemek için Base/Bull/Bear olmak üzere 3 senaryoyu zorunlu olarak üretmeleri için tasarlandı.
-
Endüstri/sektör ekibi (Phase 3 - 10 ajan):
- Sistemdeki en gelişmiş pipeline budur. Yabancı/kurumsal gerçek zamanlı fon akışı, sektör PER’i ve arama haberlerine dayanarak umut vadeden sektörleri tarıyor.
- LLM’lere özgü halüsinasyonu (olmayan hisseleri önermek) yakalamak için, kotasyondan çıkarılma durumu veya piyasa değeri yetersizliği gibi noktaları mekanik olarak filtreleyen bir Validator ajanı yerleştirildi.
-
Şirket analizi ve risk ekibi (Phase 4 - 8 ajan):
- DART finansal tablolarını, grafiklerini (teknik göstergeler) ve haberleri inceleyip adayları çıkarıyor. Risk yöneticisi açığa satış baskısını ve MDD’yi doğruluyor.
-
Nihai karar verici CIO (Phase 5 - 1 ajan):
- 30 ajanın (Gemini Flash) çıktıları, en akıllı tek model olan
gemini-3.1-pro-previewtarafından derleniyor. - Batık maliyet yanılgısı (Sunk Cost Fallacy) gibi hataları önlemek için mutlaka "yanılırsam Bear Case senaryosu" ve "yatırımın geçersiz sayılma koşulu" belirtilmesini zorunlu kılan bir 'Bounded Autonomy' prompt’u uyguladım. Burada üretilen JSON, Korea Investment & Securities API’me gönderiliyor.
- 30 ajanın (Gemini Flash) çıktıları, en akıllı tek model olan
💡 Sorun giderme: LLM’lerin bilişsel önyargıları ve trafik patlaması
Sistemi işletirken iki can yakıcı sorun yaşadım ve çözdüm.
- LLM zarar kesemiyor (disposition effect):
- Yapay zeka, kârdaki hisseleri biraz yükselince satmak isteyip zarardaki hisseleri ise "bir gün yükselir" diyerek elde tutan insan bilişsel önyargısını birebir yeniden üretti. Bunu engellemek için, dünkü ve bugünkü kararlar çeliştiğinde duruşun neden değiştiğini açıkça belirtmesini sağladım; ayrıca kendi geçmiş kazanma oranını değerlendirip buna itiraz etmesi (Red-Teaming) için mantığı revize ettim.
- 31 ajanın API trafiği sınırı (Rate Limit & Context Limits):
- 20~30 hisseyi derinlemesine analiz ederken token taşmaları veya harici API limitlerinin takılması sürekli yaşanıyordu. Sonunda finansal veriler, grafik göstergeleri gibi büyük veri yığınlarını
get_fundamental_batch_allgibi arka tarafta tek seferde paketleyip aktaran bir Batch işleme mimarisine dönüştürerek çalışma süresini 1 saatin altında kararlı hale getirdim.
- 20~30 hisseyi derinlemesine analiz ederken token taşmaları veya harici API limitlerinin takılması sürekli yaşanıyordu. Sonunda finansal veriler, grafik göstergeleri gibi büyük veri yığınlarını
📊 Yapay zekanın gerçekten ürettiği log örneği
Bu süreç tamamlandığında yapay zeka aşağıdaki gibi oldukça derin seviyede bir strateji raporu (log) üretiyor.
(Yapay zekanın dün yazdığı gerçek makroekonomik teşhis logundan bir bölüm)
"PPI (üretici fiyat endeksi) toparlanma büyüklüğü (%2,43), CPI’ı (%2,0) aşarken şirketlerde marj sıkışması (Margin Squeeze) gerçeğe dönüşüyor...
Vadeli işlem piyasası -1112.61 ile derin bir backwardation durumunu kaydediyor.
Petrol fiyatının 100 doları aşması ve döviz kurunun 1.520 won’un üzerine çıkmasıyla 'Sudden Stop' evresine giriş görünürlüğü artıyor.
→ Nakit oranı %34 seviyesine kadar ciddi biçimde yükseltildi. Çok yönlü düşük değerleme cazibesi öne çıkan gemi inşa ekipmanları sektörü portföye eklendi."
💻 Çalışma sonuçları ve logları izleme
Henüz tüm kaynak kod, güvenlik anahtarlarım ve gerçek hesap mantığımla iç içe geçtiği için bunu açık kaynak olarak hemen git clone ile çalıştırılabilir şekilde yayımlayamıyorum (ileride temel prompt’ları ve pipeline’ı düzenleyip GitHub’a yüklemeyi planlıyorum).
Bunun yerine, bu 31 prompt pipeline’ının gerçekten her gün 1 saat tartışıp nasıl karar logları (çıktılar) ürettiğini değerlendirmeniz için özel bir Telegram kanalı bağladım.
- Bu bir landing page, e-posta toplama ya da pazarlama amacı taşımıyor.
- İnsan müdahalesi olmadan %100 LLM tarafından otomatik üretilen kurumsal düzeyde yatırım raporları ve bunun sonucundaki gerçek zamanlı işlem kayıtları (gerçek hesap bağlantılı) her gün saat 15:05’te yayın akışıyla yükleniyor.
👉 Gerçek zamanlı yapay zeka karar logu (rapor) kanalı: t.me/K_Agent_Alpha
Şu anda multi-agent sistemler veya prompt engineering ile ilgilenenler inceleyip, mimari ya da yapay zekanın karar hatalarını düzeltme konusunda sert tavsiyeler veya teknik geri bildirimler verirse gerçekten çok memnun olurum!
8 yorum
Ah ah..
Aman...
LLM'lerin akıl yürütme süresi olduğu için gerçek zamanlı alım satıma ya da HFT gibi yüksek frekanslı işlemlere tepkileri yavaştır. En azından yalnızca 5 dakikalık mum grafiği bazında kullanılabilirler. Ayrıca birden fazla LLM modelini birbirine bağlamak da yeteneği mutlaka artırmaz. Bunun yerine yaklaşık 5 LLM ile, mantıkta ya da LSTM modelinde yakalanamayan piyasa veya topluluk analizlerini, yani coşku mu korku mu gibi duygusal analizleri üstlenmelerini sağlamak daha iyidir; bunun yanında advanced PPO, CNN, LSTM (geçmiş grafik verisi analizi) gibi derin öğrenme modelleri ve kullanıcının kendi analiz mantığına dayalı alım satım yöntemleri ensemble olarak birleştirilmelidir. Çok kısa vadeli işlemler için LSTM, CNN gibi derin öğrenme modelleri daha uygundur.
Bu kısmı yeterince dikkate alıyoruz. Bu yüzden, yüksek frekanslı alım satımdan kaçınmak için seans kapanışındaki kapanış fiyatına yönelik işlem yapmaya çalışıyoruz.
Biraz daha ipucu vereyim: küçük LLM modellerini SFT(NTR) ince ayarıyla belirli bir alan için özelleştirilmiş hale getirebilir, bunları yerelde çalıştırıp API tarafında ise yalnızca tek bir büyük dil modeli kullanabilirsiniz! 7B ya da 3B civarındaki modelleri belirli analiz amaçlarına özel hale getirirseniz daha iyi sonuçlar alabilirsiniz. Ah! SFT(NTR) yaparken AI Hub'ı aktif biçimde kullanırsanız veri seti oluşturmak daha kolay olur. (Ben de buna benzer bir şey yapmıştım ^^;)
Bu arada mutlaka bir iki ay boyunca backtesting yapmak gerekir. Aksi halde LLM garip işler yapıp varlıklarınızı eritmesine tanık olabilirsiniz. (dipten alıp tepeden satma)
Oldukça sofistike bir halüsinasyon yığını yapmışsınız... Piyasa tahmin edilemez. Yaptığınız şeyle varlıklarınız iki katından fazla artarsa yanıldığımı kabul ederim.
Halüsinasyon da olabilir. Bu yüzden ben de izlemeyi düşünüyorum. Kendi paramı ortaya koyduğum için düzenli olarak güncelleme yapmam gerekecek. Bir tür deney.