Özet ve Giriş

Finansal piyasaların mikro saniyelerle ölçülen hızlara ulaştığı, veri akışının insan bilişsel kapasitesinin çok ötesine geçtiği modern çağda, algoritmik ticaret (algorithmic trading) bireysel ve kurumsal yatırımcılar için bir lüks olmaktan çıkıp bir zorunluluk haline gelmiştir. Sistematik ticaretin temel vaadi, insan psikolojisinin zayıflıklarını—korku, açgözlülük, tereddüt, yorgunluk ve bilişsel önyargıları—yatırım denkleminden çıkararak disiplinli, test edilebilir, tekrarlanabilir ve istatistiksel olarak geçerli bir getiri eğrisi yaratmaktır. Ancak, bu teknolojik ve matematiksel mükemmellik arayışı, paradoksal bir biçimde, sistemin en kritik anlarında yine “insan faktörü”nün devreye girmesiyle sekteye uğramaktadır. Literatürde ve saha deneyimlerinde sıkça karşılaşılan bu durum, sistemin en zorlu anlarında, yani “drawdown” (sermaye erimesi) dönemlerinde, operatörün sisteme manuel olarak müdahale etmesi, işlemleri kapatması veya stratejiyi tamamen durdurması şeklinde tezahür etmektedir.

Bu yazı algoritmik ticaret sistemlerinin performansında kritik bir kırılma noktası olan “manuel müdahale” olgusunu, davranışsal finans, niceliksel analiz, sistem mühendisliği ve nöroekonomi perspektiflerinden derinlemesine incelemektedir. Çalışmanın merkezinde, “Yeniden Başlamak” başlıklı yazımızdaki uyarıların ışığında Nisan 2025 döneminde Borsa İstanbul (BIST 100) endeksinde yaşanan ve “sistemi bilmenin, sisteme uymayı garantilemediğini” kanıtlayan çarpıcı bir vaka analizi yer almaktadır. Bu kişisel deneyim, sadece bir anı değil, teorik literatürdeki “Algoritma Tiksintisi” (Algorithm Aversion), “Yanılsamalı Kontrol” (Illusion of Control) ve “Miyopik Kayıp Tiksintisi” (Myopic Loss Aversion) kavramlarının canlı bir laboratuvar örneği niteliğindedir.

Yazı boyunca, sistematik stratejilerin takdire dayalı (discretionary) müdahalelerle nasıl bozulduğu, bu müdahalelerin matematiksel maliyeti (performance drag), algoritmik sistemlerin “siyah kuğu” olayları karşısındaki dayanıklılığı ve bu psikolojik tuzaklardan korunmak için kullanılabilecek teknik, mimari ve matematiksel “commitment device” (taahhüt aracı) mekanizmaları en ince detayına kadar tartışılacaktır. Hedefimiz, algoritmik ticaretle ilgilenen yatırımcılara sadece “neden müdahale etmemelisiniz” sorusunun cevabını vermek değil, aynı zamanda “müdahale etmemeyi teknik ve zihinsel olarak nasıl başarabilirsiniz” sorusuna somut, uygulanabilir, kodlanabilir ve matematiksel temellere dayanan çözümler sunmaktır.

Algoritmik Ticaretin Psikolojik Paradoksu

Algoritmik ticaretin yükselişi, piyasa etkinliğini artırmış, likiditeyi derinleştirmiş ve işlem maliyetlerini düşürmüştür. Bilgisayarlar, binlerce veriyi aynı anda işleyebilir, yorulmazlar, uyumazlar ve duygusal kararlar vermezler. Ancak, sistemlerin tamamen otonom hale gelmesi, yatırımcının rolünü aktif bir “oyuncu”dan pasif bir “teknik direktör”e veya “sistem operatörü”ne dönüştürmüştür. Bu rol değişimi, yatırımcı psikolojisinde beklenmedik bir yan etki yaratmıştır: Otomasyon Anksiyetesi. Yatırımcı, direksiyonu bir koda devrettiğinde, özellikle piyasa volatilitesi arttığında ve sermaye eğrisi aşağı yöneldiğinde hissettiği kontrol kaybı duygusuyla baş etmek zorundadır.

Davranışsal finans literatürü, insanların algoritmaların hatalarına karşı insan hatalarına kıyasla çok daha az toleranslı olduğunu göstermektedir. Berkeley Dietvorst ve ekibinin (2015) yaptığı çığır açan çalışmalar, insanların bir algoritmanın hata yaptığını gördükten sonra, o algoritma insanlardan istatistiksel olarak daha iyi performans gösterse bile, onu kullanmaktan vazgeçme ve manuel kontrole dönme eğiliminde olduklarını ortaya koymuştur. Bu olgu, “Algoritma Tiksintisi” (Algorithm Aversion) olarak adlandırılır ve algoritmik trade süreçlerinde yaşanan drawdown dönemlerinde sistemin kapatılması veya manuel müdahale edilmesi davranışının temelindeki en güçlü psikolojik mekanizmadır. Yatırımcı, algoritmanın kusursuz olmasını bekler; oysa ticaret, olasılıkların yönetimidir ve kayıplar (drawdownlar) sürecin doğal bir parçasıdır. Algoritma hata yaptığında (veya piyasa koşulları gereği zarar ettiğinde), yatırımcı bu durumu bir “arıza” olarak algılar ve “düzeltmek” için devreye girer. Ancak bu müdahale, genellikle stratejinin uzun vadeli beklenti değerini (expectancy) bozan bir eylemdir.

Vaka Analizi: #Basit Sistemi ve Nisan 2025 Sendromu

Yazının omurgasını ve çıkış noktasını oluşturan vaka, Borsa İstanbul BIST 100 endeksi üzerinde çalışan trend takipçi robotum #Basit ile yaşadığım, dürüstlükle belgelediğim kişisel deneyimimdir. Bu vaka, teorik bilginin pratik uygulama sırasındaki psikolojik baskı altında nasıl eriyebileceğini bizzat yaşayarak göstermesi açısından benim için eşsiz bir ders oldu.

• Sistemin Doğası ve Hazırlık Sürecim:Algoritmayı geliştirirken titiz bir süreç izledim. Sistemimi test ettim, optimize ettim, robustness (dayanıklılık) testlerinden geçirdim ve walk-forward analizlerini yaptım. 1 Mart 2024 itibarıyla paylaştığım sonuçlarda, sistemimin endeksin “al-tut” getirisine (5.500 puan) kıyasla yaklaşık üç kat daha fazla getiri (15.000 puan) ürettiğini gördüm. Kağıt üzerinde ve geriye dönük testlerde her şey “mükemmel” görünüyordu. Kendime güvenim tamdı.
• Piyasa Koşulları ve Tetikleyici Olay:Nisan 2025’te, BIST 100 endeksinde yaşanan makroekonomik belirsizlikler (örneğin ABD kaynaklı gümrük vergisi haberleri ve faiz politikaları) piyasada sert bir geri çekilmeye (drawdown) neden oldu. Sistemim, daha önce backtestlerde defalarca test ettiğim ve tolere ettiğim seviyelere kadar bir düşüş yaşadı. Bu, teoride sistemin parçası olan normal bir dalgaydı.
• Davranışsal Hatam (The Behavioral Gap):Ancak ben, sistemimin matematiksel sağlamlığına rağmen, o anın duygusal yoğunluğu altında “bu defa toparlanamayacağına” inandım. Egom, korkum, beklentilerim, “bu sefer farklı olacak” düşüncesi… Hepsi aynı anda devreye girdi. Tüm rasyonel hazırlığımı bir kenara iterek, manuel müdahale ettim ve işlemleri kapattım.
• Sonuç ve Maliyet: Piyasa, algoritmalarımın öngördüğü veya tolere ettiği şekilde “V” tipi bir dönüş yaparak toparlandı ve sistemim kaldığı yerden kâr üretmeye devam etti. Ancak ben, pozisyonları kapattığım için bu yükselişi dışarıdan izlemek zorunda kaldım. “Sistem kazandı, ben kaybettim.” Bu itirafım, algoritmik ticarette başarının sadece “kod yazmak” değil, o koda sadık kalacak “zihinsel sermayeyi” yönetmek olduğunu acı bir şekilde bana kanıtladı.

Bu yazı; bu tür “davranışsal kaymaları” minimize etmek için gereken zihinsel çerçeveyi ve teknik altyapıyı inşa etmek üzerine kurgulanmıştır.

Bölüm 1: Drawdown Psikolojisinin Anatomisi ve Nöroekonomik Temelleri

Drawdown, bir ticaret hesabının zirve değerinden (peak) dip değerine (trough) kadar olan düşüşü ifade eder ve her ticaret stratejisinin, en başarılı olanların bile, kaçınılmaz bir parçasıdır. Ancak insan beyni, evrimsel süreçte finansal kayıpları istatistiksel bir veri (variance) olarak değil, hayati bir tehdit olarak algılamaya programlanmıştır. Bu bölümde, drawdown sırasında devreye giren ve yatırımcıyı manuel müdahaleye zorlayan bilişsel önyargıları (cognitive biases) ve nöroekonomik süreçleri inceleyeceğiz.

1.1. Kayıptan Kaçınma (Loss Aversion) ve Amigdala’nın Rolü

Davranışsal finansın kurucuları Daniel Kahneman ve Amos Tversky’nin “Beklenti Teorisi”nde (Prospect Theory) tanımladığı Kayıptan Kaçınma ilkesi, insanların kayıpların yarattığı acıyı, eşdeğer miktardaki kazançların yarattığı hazdan yaklaşık iki ila iki buçuk kat daha yoğun hissettiğini belirtir. Algoritmik ticarette bu durum, ölümcül bir hataya yol açar: Sistemi erken kapatmak.

Bir sistem drawdown’a girdiğinde, beyindeki korku merkezi olan Amigdala aktif hale gelir. Amigdala, “savaş ya da kaç” tepkisini tetikler. Finansal piyasalarda “kaçmak”, pozisyonu kapatmak ve nakde dönmektir. Amigdala devreye girdiğinde, mantıklı düşünme, uzun vadeli planlama ve istatistiksel analizden sorumlu olan Prefrontal Korteks baskılanır (Amigdala Hijack). Yatırımcı, backtest sonuçlarını, Sharpe oranını veya sistemin geçmişteki toparlanma performansını o an için unutur. Tek odak noktası, mevcut acıyı (kaybı) durdurmaktır. “Korktum, manuel müdahale ettim” ifadesi, bu nörolojik baskınlığın en net özetidir.

1.2. Miyopik Kayıp Tiksintisi (Myopic Loss Aversion)

Richard Thaler ve Shlomo Benartzi (1995) tarafından geliştirilen Miyopik Kayıp Tiksintisi, kayıptan kaçınma dürtüsünün, portföyü sık sık kontrol etme alışkanlığıyla birleştiğinde nasıl felakete yol açtığını açıklar.

Algoritmik traderlar, sistemlerinin uzun vadeli beklentisi (positive expectancy) pozitif olsa bile, eğer hesap bakiyelerini gün içinde defalarca veya her saat başı kontrol ederlerse, kısa vadeli piyasa gürültüsüne (noise) maruz kalırlar. Piyasalar kısa vadede rastgeledir ve düşüşler sıktır. Sık kontrol, yatırımcının kayıpla karşılaşma olasılığını artırır. Her görülen kayıp, beyinde bir acı sinyali oluşturur. Bir süre sonra bu kümülatif acı, yatırımcının risk toleransını tüketir ve sistemi kapatma kararı almasına neden olur. Nisan 2025’teki deneyimimde, sürekli ekrana bakarak “kendimi görmek”, miyopik bir bakış açısının sonucudur. Uzun vadeli trendin (hipermetrop bakış) yerini, anlık fiyat hareketlerinin yarattığı stres almıştır.

1.3. Kontrol Yanılsaması (Illusion of Control)

İnsanlar, özellikle belirsizlik ve stres altındayken, olayların sonuçlarını kontrol edebileceklerine veya etkileyebileceklerine dair gerçekçi olmayan bir inanca kapılırlar. Buna Kontrol Yanılsaması denir. Algoritmik ticarette bu durum, yatırımcının “Piyasa şu an çok kötü, robot bunu göremiyor, ben müdahale edip sermayeyi korumalıyım” veya “Bu haber çok önemli, robot bunu bilemez” düşüncesiyle kendini gösterir.

Araştırmalar, kontrol yanılsamasına sahip traderların performansının, piyasanın rastlantısallığını kabul edenlere göre daha düşük olduğunu göstermektedir. Yatırımcı, sistemin matematiksel modelinden “daha akıllı” olduğunu düşündüğü anda (override tuşuna bastığında), aslında istatistiksel avantajı (edge) yok etmekte ve sonucu şansa bırakmaktadır. Yazımda belirttiğim “Sistemden daha akıllıyım duygusu kapıda kaldı” ifadesi, bu yanılsamanın farkına varılmasının ve terkedilmesinin önemini vurgular. Manuel müdahale, genellikle kaosu kontrol etme arzusunun bir ürünüdür, ancak piyasa kaosu kontrol edilemez, sadece yönetilebilir.

1.4. Sonallık Etkisi (Recency Bias) ve Algoritma Tiksintisi

Yatırımcılar, yakın geçmişteki olaylara, uzak geçmişteki verilerden ve genel istatistiklerden daha fazla ağırlık verme eğilimindedir. Buna Sonallık Etkisi (Recency Bias) denir. Bir sistem son 3 yıl boyunca istikrarlı bir şekilde kazandırmış olsa bile, son 1 ayda yaşanan %15’lik bir drawdown, yatırımcının zihninde “sistemin artık çalışmadığı” inancını pekiştirir.

Bu durum, Algoritma Tiksintisi (Algorithm Aversion) ile birleştiğinde yıkıcı olur. Dietvorst (2015), insanların algoritmaların hatalarını insan hatalarından daha ağır cezalandırdığını kanıtlamıştır. Bir insan trader hata yaptığında “kötü günündeydi” veya “piyasa zordu” denilerek hoş görülürken, bir algoritma zarar ettiğinde “model bozuk”, “piyasa değişti, algoritma uyum sağlayamıyor” denilerek sistem çöpe atılır. “Bu defa toparlanamayacağına inandım” cümlesi, recency bias’ın tipik bir örneğidir. Geçmişteki tüm toparlanmalar unutulmuş, sadece o anki düşüş gerçeği (recency) zihni kaplamıştır.

Psikolojik Kavram	Tanım	Algoritmik Ticaretteki Yansıması	Çözüm Yaklaşımı
Kayıptan Kaçınma	Kaybın acısının kazancın hazzından üstün olması.	Drawdown başladığında sistemi durdurma isteği.	Volatilite Hedeflemesi, Fraksiyonel Kelly.
Miyopik Kayıp Tiksintisi	Sık kontrol edilen portföylerde risk algısının bozulması.	Ekranı sürekli izleyerek her tick hareketine tepki verme.	Bilgi Diyeti (Information Diet), Raporlama sıklığını düşürme.
Kontrol Yanılsaması	Sonuçları etkileyebileceğine dair yanlış inanç.	“Piyasa kötü, ben müdahale etmeliyim” düşüncesi.	Müdahale Maliyeti Analizi, Kill Switch.
Algoritma Tiksintisi	Algoritmaların hatalarına karşı tahammülsüzlük.	İnsan hatasını “şanssızlık”, algo hatasını “bozukluk” sayma.	Backtest ve Walk-Forward güveni, Commitment.
Sonallık Etkisi	Yakın geçmişe aşırı önem atfetme.	Son birkaç zararı sistemin çöküşü olarak yorumlama.	Uzun vadeli Monte Carlo simülasyonları.

Bölüm 2: Müdahalenin Maliyeti: Sistematik vs. Discretionary Performans Analizi

Algoritmik bir sisteme manuel müdahale etmenin maliyeti sadece kaçırılan bir fırsat değil, aynı zamanda sistemin istatistiksel bütünlüğünün bozulmasıdır. Yatırımcılar genellikle “insan zekası” ile “yapay zekayı” birleştirmenin (hibrit model) en iyi sonuçları vereceğini düşünür. Ancak veriler, bu birleşimin genellikle “en kötü iki dünyanın toplamı” olduğunu ve ciddi bir “Performance Drag” (Performans Sürüklenmesi) yarattığını göstermektedir.

2.1. İnsan ve Makine Karşılaştırması: “Man vs. Machine” Bulguları

Man Group (dünyanın en büyük halka açık hedge fonu ve sistematik ticaretin öncüsü), 1996-2014 yılları arasındaki fon performanslarını incelediği “Man vs. Machine” başlıklı kapsamlı araştırmasında çarpıcı sonuçlara ulaşmıştır.

• Risk Ayarlı Getiri: Çalışma, sistematik stratejilerin (özellikle makro fonlarda) risk ayarlı getirilerde (Sharpe Oranı) discretionary (insan kararlı) yöneticilere kıyasla daha iyi performans gösterdiğini veya en azından onlarla başa baş gittiğini ortaya koymuştur.
• Kriz Yönetimi: En kritik bulgu, sistematik fonların kriz dönemlerinde (örneğin 2008 Finansal Krizi veya volatilite şokları) duygusal kararlardan arınmış olmaları sayesinde daha iyi risk yönetimi sergiledikleridir. İnsan yöneticiler kriz anlarında “donup kalma” (paralysis) veya “panik satışı” yapma eğilimindeyken, algoritmalar önceden tanımlanmış kurallar çerçevesinde (örneğin short pozisyon açarak veya nakde geçerek) soğukkanlılıkla hareket etmiştir.
• Alpha Kaynağı: Discretionary yöneticilerin getirilerinin önemli bir kısmının aslında bilinen risk faktörlerine (beta) maruz kalmaktan kaynaklandığı, sistematik yöneticilerin ise daha saf ve korelasyonsuz “alpha” üretme potansiyeline sahip olduğu görülmüştür.

2.2. Manuel Müdahalenin Somut Maliyeti: Zach Oakes Verisi

“Sisteme küçük bir dokunuş”un maliyeti nedir? Zach Oakes tarafından yapılan ve algoritmik ticaret topluluklarında referans kabul edilen bir analiz, bu soruyu net bir rakamla yanıtlamaktadır. Oakes’in verilerine göre, sistematik bir stratejiye yapılan manuel müdahaleler (örneğin, kârı erken almak veya stop’u manuel tetiklemek), tamamen otomatik çıkışlara kıyasla kontrat başına ortalama 85 Dolar maliyet yaratmaktadır.

Bu, 1000 işlemlik bir seride 85.000 Dolar‘lık devasa bir “davranışsal maliyet” (behavioral cost) anlamına gelir. Yatırımcı, müdahale ederken “zarardan kurtulduğunu” veya “kârı cebine koyduğunu” zannederken, aslında sistemin uzun vadeli beklenti değerini (Expectancy) aşağı çekmektedir. Bu durum, “Implementation Shortfall” (Uygulama Açığı) kavramının psikolojik bir versiyonudur: Teorik model ile gerçekleşen hesap bakiyesi arasındaki fark, teknik kaymalardan (slippage) değil, davranışsal kaymalardan (behavioral slippage) kaynaklanmaktadır.

2.3. BIST 100 Nisan 2025 Vakasının Analizi

Bahse konu yazıda detaylandırdığım BIST 100 deneyimi, bu teorik kayıpların pratiğe dökülmüş halidir. Buradaki temel ders şudur: Algoritmalar, piyasadaki “aşırı tepki” (overreaction) ve “yetersiz tepki” (underreaction) gibi davranışsal anormallikleri sömürmek (exploit) üzere tasarlanır. Yatırımcı manuel müdahale ettiğinde, sömürmeye çalıştığı o “duygusal kalabalığın” bir parçası haline gelir ve avantajını kaybeder.

2.4. Drawdown Sırasında “Akıllı” Müdahale Miti

Birçok trader, “Seçim var, piyasa karışık, sistemi durdurayım” veya “Savaş çıktı, robot bunu bilemez” gibi gerekçelerle sistemlerini geçici olarak durdurmanın (pause) “akıllıca” bir risk yönetimi olduğunu düşünür. Ancak bu, “Piyasa Zamanlaması” (Market Timing) yapmaya çalışmaktır ve araştırmalar bunun sürdürülebilir olmadığını göstermektedir.

1. Fiyatlama Hızı: Algoritmalar genellikle fiyat hareketlerine (momentum, volatilite, kırılma) dayalıdır. Bir haber (örneğin savaş haberi) piyasaya düştüğünde, bu bilgi milisaniyeler içinde fiyata yansır. İnsanın haberi okuyup, yorumlayıp, terminali açıp sisteme müdahale etmesi, genellikle çok geç kalmış bir eylemdir. Fiyat zaten o haberi iskonto etmiştir.
2. Toparlanma Dinamiği: Drawdown’lar genellikle en karamsar anlarda sona erer. En büyük kayıpların yaşandığı günlerin hemen ardından, en büyük, en hızlı ve en kârlı yükseliş günleri (run-up) gelir. Sistemi drawdown’ın dibinde kapatan bir yatırımcı, sistemin kayıpları telafi ettiği o hızlı yükseliş evresini kaçırır. Bu da sermaye eğrisinin “testere” (whipsaw) olmasına ve kalıcı zarara yol açar.

Bölüm 3: Niceliksel Risk Yönetimi ve Matematiksel Modeller

Psikolojik baskıyı azaltmanın en bilimsel yolu, pozisyon büyüklüğünü (position sizing) ve risk yönetimini “hisler”e değil, matematiksel modellere dayandırmaktır. Mezkur yazımda geçen “para yönetimini matematiğe devretmek” ifadesi, bu bölümün temelidir.

3.1. Volatilite Hedeflemesi (Volatility Targeting)

Bu yöntem, portföyün riskini (oynaklığını) sabit tutmayı amaçlar. Piyasa volatilitesi (örneğin ATR, VIX veya BIST 30 oynaklığı) arttığında, sistem otomatik olarak pozisyon büyüklüğünü küçültür; volatilite azaldığında ise artırır.

• Formül: Hedef Volatilite / Mevcut Volatilite = Pozisyon Katsayısı
• Örnek: Hedefiniz yıllık %15 volatilite olsun. Eğer BIST 100’ün o anki volatilitesi %30’a çıkarsa (Nisan 2025 gibi kriz anlarında), sistem otomatik olarak pozisyon büyüklüğünü yarıya (%15/%30 = 0.5) indirir.
• Psikolojik Fayda: Bu, yatırımcının “piyasa çok tehlikeli, manuel müdahale edip küçülmeliyim” deme ihtiyacını ortadan kaldırır. Çünkü sistem zaten bunu yapmış, “defansif” moda geçmiştir. Yatırımcı, sistemin riskleri yönettiğini bildiği için drawdown anlarında daha huzurlu olur. AQR ve Man Group araştırmaları, volatilite hedeflemesinin kuyruk risklerini (tail risk) azalttığını ve Sharpe oranını iyileştirdiğini kanıtlamıştır.

3.2. Kelly Kriteri ve Fraksiyonel Kelly

Kelly Kriteri İle Sermaye Yönetimi başlıklı yazıda detaylı olarak işlediğimiz konuyu burası için kısaca özetleyelim. Kelly Kriteri uzun vadeli büyümeyi maksimize eden optimal bahis miktarını hesaplar. Ancak “Saf Kelly” (Full Kelly), çok büyük drawdown’lara (%50+) yol açabilir ki bu da psikolojik olarak yönetilemez.

Bu nedenle, profesyonel algoritmik traderlar genellikle Yarım Kelly (Half-Kelly) veya Fraksiyonel Kelly (Kelly/4) kullanır.

• Formül: f* = (bp – q) / b (f: sermaye oranı, b: oranlar, p: kazanma olasılığı, q: kaybetme olasılığı).
• Uygulama: Hesaplanan optimal f değerinin yarısını veya çeyreğini riske atmak, getiriden bir miktar feragat ederek varyansı (oynaklığı) ve drawdown derinliğini karesel olarak azaltır. Bu, yatırımcının “iflas etme” (ruin) korkusunu minimize eder ve stratejiye sadık kalmasını kolaylaştırır.

3.3. İflas Riski (Risk of Ruin) Tabloları

Yatırımcı, stratejisinin kazanma oranı (win rate) ve risk/ödül oranına (R:R) göre “iflas riskini” (Risk of Ruin) önceden hesaplamalıdır.

Win Rate	Risk/Reward (1:1)	Risk of Ruin (% risk per trade: 2%)
40%	1.5	%14.2
50%	1.5	%0.8
45%	2.0	%0.1
55%	1.0	%0.0

Tablo: Basitleştirilmiş Risk of Ruin senaryoları.

Yatırımcı, elindeki sistemin “İflas Riski”nin %0’a yakın olduğunu (matematiksel kesinlik) bilirse, drawdown sırasında yaşanan korku yerini istatistiksel güvene bırakır. “Şu an kaybediyorum ama matematiksel olarak batmam imkansız, sadece istatistiksel bir sapma yaşıyorum” diyebilmek, disiplinin temelidir.

3.4. Anti-Martingale Stratejileri

Anti-Martingale, kazandıkça riski artıran, kaybettikçe azaltan bir yaklaşımdır. Bu, kumarbazların kullandığı Martingale’in (kaybettikçe riski artır) tam tersidir.

• Uygulama: Sistem drawdown’a girdiğinde (sermaye azaldığında), %1 veya %2’lik sabit risk kuralı (Fixed Fractional) gereği, açılan pozisyonların parasal büyüklüğü (Lot/Kontrat) otomatik olarak küçülür.
• Psikolojik Etki: “Kaybettikçe küçülen” bir sistem, yatırımcıya “sistem kendini koruyor” mesajı verir ve manuel olarak kapatma dürtüsünü azaltır. Trend takip eden stratejilerde bu yaklaşım hayati önem taşır.

Bölüm 5: “Sistem Kırıldı mı?” Yoksa “Normal Drawdown mı?”: İstatistiksel Ayrım

Yatırımcıların en büyük ikilemi şudur: “Sistemi ne zaman kapatmalıyım?” Bu sorunun cevabı “para kaybedince” değil, “istatistiksel sınırlar aşılınca” olmalıdır.

5.1. Monte Carlo Simülasyonları

Sistemin geçmiş verisine (backtest) dayanarak binlerce farklı senaryo (alternatif tarihçeler) üreten Monte Carlo simülasyonları, sistemin “en kötü durum” (worst-case) senaryosunu belirler.

• Örnek: Backtest’te Maksimum Drawdown %15 görünebilir. Ancak Monte Carlo simülasyonu, %95 güven aralığında %25’lik bir drawdown’ın “mümkün” olduğunu gösterebilir.
• Kural: Eğer canlı piyasada yaşanan drawdown, Monte Carlo simülasyonunun öngördüğü en kötü %5’lik dilimin (örneğin %25) altındaysa, bu “normal” bir süreçtir. Sistem çalışmaya devam etmelidir. Eğer drawdown %30’a ulaşırsa, o zaman sistemin “piyasa uyumunu yitirdiği” (alpha decay) bilimsel olarak söylenebilir ve sistem kapatılmalıdır.

5.2. Walk-Forward Analizi ve “Overfitting” Kontrolü

Sistemin aşırı optimize edilip edilmediğini anlamak için Walk-Forward Analizi yapılmalıdır. Eğer sistem, eğitim verisinde (in-sample) mükemmel, test verisinde (out-of-sample) berbat sonuçlar veriyorsa, “Overfitting” vardır.

5.3. Alpha Decay (Strateji Çürümesi) Testi

Her stratejinin bir ömrü vardır. Alpha Decay, stratejinin piyasa tarafından öğrenilmesi veya piyasa yapısının değişmesi sonucu kârlılığın azalmasıdır. Sistemin kapatılma kriteri, “performansın hareketli ortalamasının (örneğin 6 aylık), tarihsel ortalamanın 2 standart sapma altına düşmesi” gibi nesnel bir kurala bağlanmalıdır.

Sonuç: Disiplinin Mühendisliği

Algoritmik ticaret yolculuğu, sadece bir yazılım geliştirme süreci değil, aynı zamanda derin bir karakter gelişimi ve psikolojik yönetim sürecidir. Mezkur yazıda bahse konu edilen Nisan 2025 deneyimi, sektördeki en sofistike fon yöneticilerinin bile karşılaştığı evrensel bir gerçeği vurgular: Piyasadaki en büyük risk (edge), algoritmanızda değil, aynada gördüğünüz kişidedir.

Drawdown dönemlerinde sisteme müdahale etme isteği, insanın hayatta kalma içgüdüsünün (kayıptan kaçınma) finansal piyasalara yanlış uygulanmasıdır. Bu içgüdüyle sadece “irade” yoluyla savaşmak zordur ve çoğu zaman başarısızlıkla sonuçlanır. Çözüm, iradeyi denklemden çıkarmaktır.

Teknolojiyi (VPS, Webhook, Otomatik Risk Yönetimi, Kilitli Arayüzler) ve matematiği (Kelly Kriteri, Volatilite Hedeflemesi, Monte Carlo) kullanarak kendimizi “direğe bağlamak”, Sirenlerin (piyasa gürültüsünün) bizi kayalıklara (manuel hatalara) çekmesini engellemenin tek yoludur. Unutulmamalıdır ki, başarılı bir algoritmik trader, piyasayı yenen kişi değil, kendi dürtülerini yönetebilen kişidir. Ve en iyi yönetim, yönetmek zorunda kalmayacak sistemleri kurmaktır.

“Bir stratejinin dayandığı bütün istatistiksel temeller, siz ‘override’ tuşuna bastığınız anda çöker.”

Bu yazıda çöküşü önlemek için gerekenleri yani savaş meydanındaki zırhın tarifini size yapıyor gözüksemde bütün söylediklerimin öncelikle kendime olduğunu unutmayın. Şimdi sıra, hep beraberr bu zırhı giyip, algoritmalarımıza güvenerek piyasanın dalgaları arasında disiplinle yol almak var.