FoldAlpha – Yapay zekayla yatırım stratejilerini doğrulayın, doğal dille otomatik bildirimler alın

Yapay zeka yatırımı, herkesin ilgisini çekmiyor mu?

X ya da Threads'e bakınca, yapay zekayla yatırım denemesi deneyimlerini paylaşan gerçekten çok fazla gönderi var. Bir kodlama ajanına yaptırırsanız yatırım stratejisini de tık diye oluşturup çalıştırabiliyor. Muhtemelen çoğu kişi ilk olarak yapay zekadan hisse seçmesini istemekle başlıyordur.

Ama bu yaklaşımın yapısal sınırları var. Yapay zeka muhakemesine dayalı yatırım bilimsel olarak doğrulanması zor bir yöntem. Yapay zeka geçmiş verileri zaten öğrenmiş durumda olduğu için, “2020 Mart dönemindeki haberlere bakıp hisse seç” deseniz bile bunun pek anlamı yok — çünkü sonucu zaten biliyor. Sonuçta bunu canlıda çalıştırıp gerçek getiriyi takip etmekten başka çare kalmıyor ve önceden getiriyi tahmin etmenin bir yolu olmuyor.

Bunu fark edince ilgi doğal olarak quant yaklaşımına — faktör bazlı tarama, veri temelli backtest — kayıyor. Yatırımı ciddi biçimde sistematik hale getirmek istiyorsanız doğru yöntem bu diye düşünüyorum.

Ama veri düşündüğünüzden daha zor

Quant yatırım yapmak için veri gerekiyor. Kore piyasası için günlük mum verisi, finansal tablolar ve yatırımcı akışı verilerinin 10 yıldan uzun süreli geçmişine sahip olmanız lazım ki backtest anlamlı olsun. Elbette bir kodlama ajanına verirseniz toplama işini de yapıyor. Ama ücretsiz ve tek seferlik veri çekmenin düşündüğünüzden daha fazla sınırı var. API çağrı limitleri, veri tutarlılığı, kotasyondan çıkarılan hisselerin işlenmesi gibi şeyleri hesaba katınca epey emek istiyor.

Bunun üzerine backtest motoru, bunu her gün çalıştıracak schedule job, bildirimler ve sonrasında otomatik alım satıma bağlamak derken yapılacak iş oldukça artıyor.

Bu yüzden bu ortamı önceden kurup, doğal dille kolay kullanılabilir hale getirerek FoldAlpha'yı geliştirdim.

Şunları yapabiliyor

• Doğal dil backtest: “PBR 0.5 ve altı, faaliyet kâr marjı %10 ve üzeri hisselerle çeyreklik yeniden dengeleme” gibi bir stratejiyi doğal dille tanımlarsanız, ajan bunu SQL'e çevirip 10 yıllık backtest çalıştırıyor. CAGR, MDD, Sharpe Ratio ve KOSPI'ye göre fazla getiri otomatik hesaplanıyor.
• Schedule job + Telegram bildirimi: “Her gün sabah 9'da sert yükselme potansiyeli olan hisseleri analiz et” gibi bir koşul kaydederseniz, sistem bunu her gün otomatik çalıştırıp sonucu Telegram üzerinden gönderiyor.
• Finansal veri soru-cevap: Finansal tabloları, hisse fiyatlarını ve yatırımcı akışı verilerini doğal dille sorgulayıp analiz edebilirsiniz.

Ben de bu verilerle Kore ve ABD piyasalarında aylık ve çeyreklik bazda hisse seçip yeniden dengeleme yaparak fiilen yatırım yapıyorum. Getirilerin olağanüstü olduğunu söyleyemem ama bireyin uygulayabileceği en mantıklı ve en nesnel yöntem olduğunu düşünüyorum.

Yapay zeka önerili yatırım da elbette mümkün

Haberler, bilanço raporları, “HBM value chain faydalanıcı hisseleri”, “Trump tarifelerinden faydalanacak hisseler” — çevremde de neredeyse herkes böyle yatırım yapıyor.

Bunu da tabii ki yapabilirsiniz. Schedule job olarak “Her gün bugünün sert yükselme potansiyeli olan hisselerini haber bazlı analiz et” kaydı bırakırsanız, ajan gerçek zamanlı haberleri arayıp analiz ederek her gün öneri üretir ve ertesi gün gerçekten yükselip yükselmediğini takip edebilirsiniz. Şu anda bu senaryoyu canlıda çalıştırıp sonuç biriktiriyorum.

Şimdilik canlı öneri sonuçlarını biraz daha gözlemledikten sonra, burayı otomatik alım satıma bağlamayı bir sonraki adım olarak düşünüyorum. Korea Investment & Securities API temelinde ilk kurulum biraz karmaşık ama anahtar kaydını yaptıktan sonra işlemi göndermek çok zor görünmüyor.

Haber tabanlı strateji yatırımına da bilimsel yaklaşmak için bir haber arşivi oluşturmak gerekiyor; ancak geçmiş haberleri geriye dönük toplamak Bloomberg için bile kolay bir iş olmayabilir. Bunu uzun vadede çözmeyi planlıyorum.

Nasıl yaptım

Doğal olarak vibe coding ile yaptım. Claude Code, Codex ve Cursor'ı çeşitli şekillerde kullanıyorum. Ama vibe coding ile her şeyi yapmak “tık diye” olmuyor. Özellikle LLM ajan runtime'ı — harness oluşturma kısmında oldukça derine inmem gerekti.

Başlangıçta vibe coding'in ortaya çıkardığı ajan, intent classifier + 9 araçtan oluşan karmaşık bir pipeline'dı; hem latency yüksekti hem de ölçeklenmiyordu. Kısa süre önce yayımlanan Claude Code ve Codex CLI gibi kodlama ajanlarının mimarisini analiz edip, LLM'in her adımda doğrudan karar verdiği single-loop hafif bir yapı olarak yeniden tasarlayınca latency 2 katın üzerinde düştü. Bu süreci teknik rapor haline getirdim ve runtime kodunu da açık kaynak olarak yayımladım.

Teknoloji yığını:

• Frontend: Next.js (Vercel)
• Backend: Fastify (Node.js)
• LLM ajan runtime'ı: Python, özel geliştirme — single-loop ajan deseni
• Hisse veri DB'si: Oracle Autonomous DB (Kore piyasası günlük verileri, finansallar, yatırımcı akışı için 10 yıllık veri)
• Kullanıcı verisi: Supabase (PostgreSQL)
• Haber arama: Brave Search API
• LLM: Gemini / GPT / Claude (BYOK — kullanıcı kendi API anahtarını kullanır)

Altyapı: tamamen ücretsiz katman

• Vercel: frontend hosting
• Supabase: kullanıcı DB'si + kimlik doğrulama
• Oracle ADB: hisse veri DB'si (Always Free)
• Oracle Cloud: 1 VM instance — operasyon ve geliştirme sunucularının ikisini de burada çalıştırıyorum
• Cloudflare: alan adı + CDN

Tek maliyet alan adı satın alma ücreti. Operasyon ve geliştirmeyi tek instance üzerinde portları ayırarak çalıştırıyorum.

Bağlantılar

• Servis: https://app.foldalpha.com/about
• Ajan runtime'ı (açık kaynak): https://github.com/sbyoun/finllm-agent
• Ajan runtime teknik raporu: https://github.com/sbyoun/finllm-agent/…

Geri bildirimlere açığım.