Herkesin tartıştığı şey
Son zamanlarda yazılım dünyasında sürekli bir hız yarışı var. Herkes hangi aracın daha hızlı kod yazdığını ya da hangi modelin daha iyi sonuç verdiğini konuşuyor. Bir grup insan sadece teorik bilgi peşinde koşarken diğer taraf sürekli bir şeyler inşa etme derdinde. Özellikle finansal piyasalar ve borsa verileriyle uğraşan kitle arasında büyük bir hareketlilik var. Otomasyon araçları artık sadece basit işleri değil yatırım stratejilerini bile yönetmeye başladı. İnsanlar artık saatler süren analizleri saniyeler içinde yapan sistemler kurmak istiyor. Bu durum sadece bir merak değil aynı zamanda bir zorunluluk haline geldi. Çünkü piyasa verisi beklemeyi sevmiyor. Veri akışı o kadar hızlı ki manuel işlemlerin artık hiçbir anlamı kalmadı. Herkes kendi küçük ajanlarını kurup piyasadaki hareketleri takip etmeye çalışıyor. Bu süreçte en çok dikkat çeken şey ise yapay zeka etiketine olan yoğun ilgi. İnsanlar artık sadece okumakla yetinmiyor kendi çözümlerini üretmek istiyor.
Asıl mesele hızın kendisini yönetmek
Asıl mesele hıza yetişmek değil hızın kendisini yönetebilmek. Bir konunun popülaritesi arttıkça oradaki bilgi kirliliği de artıyor. Finansal verileri işlerken kullandığımız modellerin sadece teoride kalması büyük bir hata. Ben kendi projelerimde hep şunu gördüm. Eğer bir araç pratik bir sorunu çözmüyorsa o araç sadece bir oyuncaktan ibaret. Trading stratejilerini LLM tabanlı çözümlerle birleştirmek aslında çok mantıklı bir adım. Çünkü piyasa verisi düzensiz ve karmaşık. Bu veriyi işlemek için sadece Python bilmek yetmiyor aynı zamanda verinin dilinden anlamak gerekiyor. Bir geliştirici olarak kendi sistemimi kurarken odaklandığım tek şey veriyi en hızlı şekilde işleyip anlamlı bir sonuca ulaşmaktı. Kod yazarken en basit yolu seçmek her zaman en iyisidir. Karmaşık kütüphaneler yerine kendi küçük agent yapılarımı kurmayı tercih ediyorum.
Sistemimi kurarken yaşadığım en büyük zorluk verinin temizlenmesiydi. BIST verilerini çekerken karşılaştığım eksik satırlar veya hatalı fiyat etiketleri modelin yanlış karar vermesine neden oluyordu. Bu sorunu aşmak için veriyi işlemeye başlamadan önce bir doğrulama katmanı ekledim. Eğer gelen veri beklediğim formatta değilse sistem onu otomatik olarak reddediyor. Bu basit kontrol mekanizması sayesinde modelimin çöp veriyle eğitilmesini engelledim.
def validate_and_process(data):
if not isinstance(data, list) or len(data) == 0:
return None
return [price * 1.05 for price in data if price > 0]
Bu kod parçası gelen ham veriyi kontrol edip sadece pozitif değerleri işleyerek yüzde beşlik bir artış uyguluyor. Veri doğrulama adımını listenin içine dahil ederek hatalı verilerin hesaplama sürecine girmesini engelledim. Bu tarz basit ve hızlı fonksiyonlar büyük sistemlerin temelini oluşturuyor.
Kendi hattımda ne gördüm
Kendi gözlemlerim bana net bir tablo sunuyor. Yapay zeka etiketinde sadece bir gün içinde on tane yazı dolması aslında her şeyi özetliyor. Bu inanılmaz bir hız. Karşılaştırma yapmak gerekirse otomasyon konusu yirmi yedi nokta dört günde aynı seviyeye ulaşırken borsa konusu sekiz günde bu noktaya geliyor. Bu rakamlar bana yapay zekanın diğer tüm alanlardan katbekat hızlı ilerlediğini kanıtlıyor. Finans ve teknoloji etiketlerinin beş ile altı gün bandında dolması ise insanların trading ve BIST odaklı otomasyon araçlarına olan ilgisinin LLM tabanlı çözümlerle kesiştiğini gösteriyor. Dev.to üzerinde yüz elli ve yüz otuz sekiz alkış alan yazıları incelediğimde insanların teoriden ziyade inşa etme odaklı ve yapay zeka entegreli pratik çözümler aradığını net bir şekilde görüyorum. İnsanlar artık hazır bir çözümden ziyade kendi sistemlerini nasıl kuracaklarını öğrenmek istiyor. Bu veriler yalan söylemiyor. Eğer bir alan bu kadar kısa sürede bu kadar çok içerik ürettiriyorsa orada kesinlikle öğrenilmesi ve üzerine inşa edilmesi gereken büyük bir oyun alanı var demektir.
Karşı görüş ve sürdürülebilirlik
Tabii ki her şeyin bu kadar hızlı olması bazı riskleri de beraberinde getiriyor. Bazı arkadaşlar sadece hıza odaklanmanın içerik kalitesini düşürdüğünü savunuyor. Haklı oldukları noktalar var. Sürekli bir üretim döngüsü içinde kalınca insan ister istemez yüzeysel işler yapmaya başlıyor. Sürdürülebilir olmayan ve sadece popülerlik odaklı üretim yapmak uzun vadede geliştiriciyi tüketebilir. Hype peşinde koşmak bazen temel mühendislik prensiplerini unutturabiliyor. Ancak ben bu görüşe kısmen katılıyorum. Kaliteyi korumak tamamen geliştiricinin elinde. Eğer yaptığınız işin temelinde sağlam bir veri analizi ve mantıklı bir strateji varsa hız sizi bozmaz aksine sizi daha ileri taşır. Önemli olan hızlı üretirken temeli sağlam tutmak. Yüzeysel işler zaten zamanla eleniyor. Gerçekten işe yarayan ve pratik çözümler üretenler her zaman ayakta kalıyor.
Kendi sistemimi kurarken alternatif yöntemleri de denedim. Örneğin hazır API servislerini kullanmak yerine kendi verimi yerel sunucumda işleyip LLM ile sorgulamayı seçtim. Hazır servisler çok daha hızlı sonuç veriyor ancak maliyetleri ve veri üzerindeki kısıtlamaları uzun vadede projeyi hantallaştırıyor. Kendi yerel yapımı kurduğumda hem verinin gizliliğini korudum hem de işlem maliyetini neredeyse sıfıra indirdim. Bu tercih, hızın yanında kontrolün de bende kalmasını sağladı.
Bu nereye gidiyor
Gelecekte her geliştiricinin kendi ajanlarını inşa ettiği bir ekosisteme doğru gidiyoruz. Python ile BIST verilerini işlemek artık standart bir yetenek haline gelecek. LLM modellerini trading stratejilerine entegre etmek ise bu işin zirvesi olacak. Tek bir doğru strateji yok ama en doğru strateji veriyi en hızlı işleyen olmaktır. Bu ekosistemde hayatta kalmak için sürekli öğrenmek ve üretmek zorundasınız. Artık sadece bir alana odaklanmak yerine disiplinler arası çalışmak gerekiyor. Finansal okuryazarlık ile yazılım yeteneklerini birleştirenler piyasayı domine edecek. Bu süreçte yapay zeka sadece bir yardımcı değil aynı zamanda bir ortak haline geliyor. Kendi ajanlarınızı kurup onları eğitmek ve piyasa verileriyle test etmek yeni dönemin en büyük uğraşı olacak. Bu değişimden kaçmak yerine ona uyum sağlamak ve kendi sisteminizi kurmak en mantıklı yol.
Ne yapmalı
Bundan sonra ne yapmalı sorusunun cevabı çok net. Öncelikle kendi küçük veri setlerinizi oluşturarak işe başlayın. Python üzerinde basit veri işleme scriptleri yazın ve bunları zamanla geliştirin. İkinci adım olarak LLM modellerini kullanarak bu verileri nasıl anlamlandırabileceğinizi araştırın. Kendi ajanlarınızı kurun ve onları küçük ölçekli trading denemelerinde kullanın. Üçüncü olarak toplulukları takip edin ve orada paylaşılan pratik çözümleri inceleyin. Hangi araçların gerçekten işe yaradığını kendi gözlerinizle görün. Dördüncü adım olarak ise her zaman kendi kodunuzu yazın. Hazır kütüphanelere bağımlı kalmadan işin mantığını kavrayın. Veri yalan söylemez. Eğer bir alan ilginizi çekiyorsa ve orada bir hareketlilik varsa hemen üzerine inşa etmeye başlayın. Beklemek sadece fırsat kaçırmanıza neden olur. Hemen bugün küçük bir proje ile başlayın ve piyasanın hızına kendi hızınızla karşılık verin. Geleceği inşa etmek isteyenler için en iyi zaman şu andır.
Top comments (0)