"Yapay zeka yatırım ajanlarına" alım-satım kararlarını tamamen emanet etmek için henüz erken. Bunun nedeni teknolojinin yetersiz olması değil, sorunun yapısının buna uymaması.
-
Yatırım kararı yalnızca mevcut bilginin bir fonksiyonu değildir. Hisseye ve geleceğe dair kişinin inançları ile beklentileri de işin içine girer (Tesla almak, finansal tablolara değil otonom sürüşün önünün açılacağı inancına yapılmış bir bahistir). LLM, mevcut bilgi üzerinden akıl yürüten bir sistemdir; bu yüzden çıktısı bir bahis değil, "mevcut bilgi özetinin al/sat cümlesi olarak paketlenmiş" hâli olur. Üslubunda kesinlik vardır ama bunun dayanağı olan inanç yoktur. Aynı veri ve aynı soruyla her seferinde farklı yanıtlar üretmesi gibi bir tekrarlanabilirlik sorunu da vardır.
-
Bu, quant’ların daha önce düştüğü tuzağa benzer. Quant’ın kendisi tuzak değildir (iyi quant’lar para kazanır); sorun, geçmiş ve mevcut veriye göre optimize edilmiş kuralları geleceğe yönelik bahislere otomatik olarak uygulamanın sınırlarıdır — overfit ve rejime bağımlılık asıl meseledir. LLM ajanlarında kurallar ağırlıkların içinde gizlidir, opaktır ve tekrarlanabilir de değildir; bu yüzden aynı tuzağa daha kötü koşullarda düşerler.
-
Bu nedenle yapay zekaya uygun rol karar vermek değil, malzeme sağlamaktır. Bilgi toplama, düzenleme, tutarlı hesaplama ve yoğunlaşma teşhisine kadar olan kısım yapay zekanın işidir; geleceğe inanıp tetiğe basmak ise insanın işidir. Yatırım hatalarının önemli bir kısmı inançtan değil, malzemeden kaynaklanır (çeşitlendirme yanılgısı, ortalama getiri ile gerçekleşen bileşik getiriyi karıştırma). Malzeme doğruysa inanç kendi rolünü oynar.
-
Bu human-in-the-loop ilkesini araç tasarımına taşıyınca yön netleşir. Sayısal hesaplamaları LLM’ye bırakmak yerine deterministik kurallarla sabitlemek; "300 milyona ne zaman ulaşır?" sorusuna bir tarihle değil olasılık dağılımıyla yanıt vermek; gelecekteki getiri ve volatilite gibi varsayımsal değerleri aracın kendisinin doldurması yerine insanın girmesini sağlamak; değerlendirmeye girdi olacak malzemeyi (yoğunlaşma, ETF’nin efektif maruziyeti vb.) doğru biçimde ortaya koymaya odaklanmak. Danışmanlık değil, teşhis.
2 yorum
Açık kaynak yapay zeka ajanlarına kıyasla, bu hizmete para ödeyip abone olmamı gerektirecek ne tür teknik değerler var acaba?
Keskin soru için teşekkürler. Açıkçası açık kaynak ajanlarla doğrudan kurulabilecek çok şey var; özellikle ABD’de borsaya kote hisselere ait herkese açık verileri sorgulama gibi işler, çıplak Claude veya Perplexity ile de büyük ölçüde ikame edilebiliyor. Bu yüzden bu tür “veri sorgulama”yı sattığımız değer olarak görmüyorum.
Para ödeyip kullanmaya değer noktaları daraltırsak yaklaşık üç tane var.
Sayıları LLM değil, sunucu deterministik kurallarla hesaplıyor. Aynı soruya aynı yanıt geliyor; bileşik getiri ve projeksiyon değerleri her konuşmada dalgalanmıyor. Yazıda bahsedilen yeniden üretilebilirlik sorununu araç katmanında engelleyen kısım bu.
Hesaplama sırasında fark edilmeden oldukça fazla emek isteyen işleri üstleniyor. Örneğin ETF look-through, VOO, QQQ ve doğrudan elde tutulan AAPL’deki çakışmaları toplam varlıklar bazında efektif maruziyet olarak topluyor; safça yalnızca ticker yoğunluğuna bakarsanız, geniş tabanlı tek bir ETF yanlışlıkla “her şeyi ona yatırmış” gibi okunur. Bunu doğru şekilde bağlayıp sürdürmek başlı başına iş. Monte Carlo FIRE projeksiyonu da benzer.
Çıplak LLM’in yapısal olarak göremediği eksen. Gerçek portföy durumum (çıplak Claude/Perplexity varlıklarımı göremez) ve jeonse depozitosu, KRX altını, borsaya kote olmayan hisse gibi ABD’de işlem görmeyen varlıkları da çoklu para birimiyle tutarlı biçimde değerleme kısmı. Risk eğilimi ve hedefleri de konuşmanın ötesinde hatırlıyor.
Özetle bu, “daha iyi yatırım kararı veren bir ajan” değil; bu malzeme katmanını kurup bakımını yapmadan Claude/ChatGPT’ye doğrudan bağlayıp kullanmanızı sağlayan değer. Kendisi kurup sürdürecek biriyseniz abonelik almanız şart değil; defter özelliği zaten ücretsiz, analiz katmanının değer katıp katmadığını kullanıp değerlendirmeniz en doğrusu olur.