ATHENA

ATHENA, finansal piyasalarda işlem yapmadan önce bağlam üretmeyi hedefleyen, yapay zekâ destekli bir araştırma ve karar zekâsı platformudur. Bu vaka çalışması; çözmeye çalıştığı problemi, metodolojik yaklaşımı, teknoloji yığınını ve bugüne kadar doğrulanan çıktıları belgeler. Proje geliştirme aşamasındadır; burada yer alan ifadeler doğrulanmış durumu yansıtır.

Kısa Özet

ATHENA, ham fiyat ve piyasa verisini izlenebilir kanıtlara, kanıtları da gerekçeli bir karar bağlamına dönüştürmeyi amaçlar. Sistem, nicel finans, veri analizi ve yapay zekâ muhakemesini tek bir araştırma döngüsünde birleştirir. Çıktı bir alım-satım talimatı değil; hangi kanıtın hangi kararı desteklediğini açıklayan bir bağlamdır. Bu yaklaşım, karar destek süreçlerinde hız kadar izlenebilirliği de önceler.

Problem

Finansal piyasalarda karar vericiler genellikle iki uç arasında sıkışır: yetersiz veriyle hızlı karar vermek ya da çok sayıda gösterge arasında bağlamı kaybetmek. Üç sorun öne çıkar:

• Bağlam eksikliği: Rejim, yapı, momentum ve oynaklık gibi boyutlar ayrı ayrı izlenir; birbirleriyle ilişkisi çoğu zaman kurulmaz.
• Kanıtın izlenememesi: Bir yorumun hangi veriye, hangi varsayıma ve hangi tarihe dayandığı geriye doğru takip edilemez.
• Araç parçalanması: Veri işleme, modelleme ve yorumlama farklı araçlarda yürür; karar anında tek bir tutarlı resim oluşmaz.

ATHENA bu nedenle daha fazla sinyal üretmeyi değil, mevcut sinyalleri gerekçeli ve denetlenebilir bir karar bağlamına dönüştürmeyi hedefler. Problem tanımı, nicel finans pratiği ile veri bilimi disiplinini aynı çerçevede buluşturur.

Yaklaşım ve Metodoloji

ATHENA’nın metodolojisi dört ilkeye dayanır:

1. Önce piyasa durumu: Karar üretmeden önce piyasanın hangi rejimde olduğu, fiyat yapısı, momentum, oynaklık ve likidite koşulları değerlendirilir. Bu boyutlar tek bir sinyal yerine birbirleriyle ilişkili bir durum okuması oluşturur.
2. Kanıt zinciri: Her bulgu kaynağı, zamanı ve varsayımıyla birlikte kayıt altına alınır. Böylece bir yorumun nereden geldiği geriye doğru izlenebilir.
3. Muhakeme katmanı: Retrieval-augmented generation (RAG) ve araştırma ajanları, ilgili bağlamı getirir; bulgular karşılaştırılır ve çelişkiler açıkça işaretlenir. Yapay zekâ, kanıtı gizleyen bir kara kutu olarak değil, gerekçelendirme katmanı olarak konumlanır.
4. Karar bağlamı: Süreç, bir işlem sinyaliyle değil; gerekçesi, sınırları ve belirsizlikleri yazılı bir karar bağlamıyla kapanır.

Bu ilkeler, gözlem, hipotez, test ve değerlendirme adımlarından oluşan sürekli bir araştırma döngüsü içinde işler. Nicel finans yöntemleri veri analiziyle, veri analizi de yapay zekâ muhakemesiyle beslenir; hiçbir katman diğerinin yerine geçmez.

Teknoloji Yığını

ATHENA dört katmanlı bir mimari üzerine tasarlanmıştır. Katmanların sınırları belgelenmiştir; katman içi teknoloji seçimleri aşağıda belirtildiği şekilde tamamlanacaktır.

• Veri katmanı: Ham fiyat ve piyasa verisinin toplanması, normalizasyonu ve saklanması. Veri kaynakları ve veritabanı: [Tolga tarafından doldurulacak].
• Zekâ katmanı: Piyasa durumu ile rejim, yapı, momentum, oynaklık ve likidite boyutlarının hesaplanması. Python tabanlı veri analizi; kullanılan kütüphaneler: [Tolga tarafından doldurulacak].
• AI katmanı: RAG, araştırma ajanları ve muhakeme akışı. Model sağlayıcı, vektör deposu ve orkestrasyon araçları: [Tolga tarafından doldurulacak].
• Karar katmanı: Kanıtların ağırlıklandırılması, karar bağlamının üretilmesi ve kayıt altına alınması.

Python, veri analizi ve nicel finans hesaplamalarının ortak dilidir; ancak depolama, model erişimi ve dağıtım tercihleri bu vaka çalışmasında bilinçli olarak açık bırakılmıştır. Kaynak kodu özel bir depoda tutulmaktadır.

Sonuçlar ve Etki

Sağlanan (doğrulanmış):

• Veriden karara uzanan dört katmanlı sistem mimarisi ve akışı belgelendi.
• Kanıt, muhakeme ve karar bağlamı birbirinden ayrıştırıldı; her adımın izlenebilir olması tasarım ilkesi haline getirildi.
• Proje, nicel finans ve yapay zekâ muhakemesini aynı araştırma döngüsünde birleştiren bir referans model sundu.

Hedeflenen:

• Karar bağlamının tutarlılığını ve tekrarlanabilirliğini ölçmek.
• Kanıt kalitesini geriye dönük değerlendirmelerle sınamak.
• Araştırma süresini kısaltırken gerekçelendirme kalitesini korumak.

Henüz doğrulanmayan: Niceleyici performans sonuçları (geri test, sinyal kalitesi, karar süresi) bu sayfada paylaşılmamaktadır. Ölçülebilir çıktılar doğrulandığında eklenecektir: [Tolga tarafından doldurulacak].