Yönlendirici ve Betimleyici Piyasa Analizi: Quad-AI Gösterge Felcini Uygulanabilir Tek Bir Yol Haritasında Nasıl Çözer

1. Klasik Gecikmeli Göstergelerde Nedensel Faz Gecikmesi ve Grup Gecikmesi

Keskin bir trend dönüşünün hemen ardından neredeyse herhangi bir takdiri işlem grafiğini açtığınızda tanıdık bir zamanlama hatasıyla karşılaşırsınız. Fiyat haftalardır korunan kurumsal bir destek tabanını test eder, güçlü bir reddedilme mumu bırakır ve nihai dalga boyunun yüzde kırkını kat ederken, grafiğin altındaki hareketli ortalamalar ve momentum alt panelleri hâlâ aşağı yönü göstermeye devam eder. Gecikmeli çizgiler ancak asimetrik getiri-risk hareketinin büyük bölümü geride kaldıktan sonra yukarı kesişir ve yatırımcıyı tam kısa vadeli tükenme bölgesinin içine geç giriş yapmaya davet eder.

Bu zamanlama başarısızlığı kötü parametre seçiminin yol açtığı tesadüfi bir kusur değildir. Nedensel ayrık zamanlı filtrelerin durağan-dışı finansal fiyat serilerine uygulanmasının kaçınılmaz matematiksel sonucudur. Mum dizini t anında gelecekteki kapanış fiyatları P_t+1, P_t+2, ... henüz gerçekleşmemiştir. Yalnızca geçmiş mum kapanışlarından {P_t-k}_k≥0 hesaplanan her gösterge, filtrenin dürtü yanıtını h[k] göstermek üzere tüm k < 0 değerleri için h[k] = 0 nedensellik kısıtına uymak zorundadır.

Ayrık Zamanlı Fourier Dönüşümü (Oppenheim ve Schafer [8]) altında doğrusal ve zamanla değişmeyen bir filtre, normalleştirilmiş açısal frekansı ω ∈ (-π, π] (mum başına radyan cinsinden) olan bir girdi sinüzoitini karmaşık frekans yanıtı H(e^jω) = |H(e^jω)| e^jϕ(ω) üzerinden dönüştürür. Burada |H(e^jω)| yüksek frekanslı çalkantıyı bastıran genlik kazancını, ϕ(ω) ise sürekli faz kaymasını ifade eder. Frekans ω civarında yoğunlaşan yerel bir fiyat dalga paketi veya trend bükülmesi bu filtreden geçtiğinde, dalga zarfı zaman ekseninde grup gecikmesi τ_g(ω) = -dϕ(ω) / dω adı verilen kesin bir mum sayısı kadar gecikir. Bu transfer fonksiyonunu N mumluk bir Basit Hareketli Ortalama (0 ≤ k ≤ N - 1 için h[k] = 1/N) üzerinde değerlendirdiğimizde ilk yapısal kısıtımız ortaya çıkar:

Denklem (1) içindeki her terim canlı işlem ekranında doğrudan operasyonel bir sonuç doğurur. Tam sayı N mum cinsinden geriye dönük pencere uzunluğunu, Dirichlet oranı sin(ωN / 2) / [N sin(ω / 2)] genlik yumuşatmasını yönetir; doğrusal faz çarpanı e^{-jω(N - 1)/2} ise türevi alındığında her ω frekansında tam olarak (N - 1) / 2 mumluk sabit bir grup gecikmesi verir.

Bir 4h döviz veya kripto para grafiği üzerinde somut bir sayısal hesaplama yapalım. Bir SMA(20) filtresi (20 - 1) / 2 = 9.5 mumluk grup gecikmesi dayatır; bu da gerçek piyasa süresinde tam 38 saatlik gecikmeye karşılık gelir. Bir SMA(50) filtresi (50 - 1) / 2 = 24.5 mum, yani 98 saat (dört tam işlem gününden fazla) geriden gelir. Referans kabul edilen bir SMA(200) ise yapısal rejim değişimlerini 99.5 mum, yani 398 saat (üç döviz işlem haftasından uzun) gecikmeyle izler. EURUSD paritesi kurumsal bir destek bölgesinden dönüp kırk saat içinde 180 piplik bir itki hareketini tamamladığında, bir SMA(20) / SMA(50) kesişimi hareketin yarısından fazlası bittikten sonra dönüşü teyit edebilir.

Dikdörtgen pencere gecikmesinin farkında olan uygulayıcılar, sıklıkla Sonlu Dürtü Yanıtlı (FIR) hareketli ortalamalardan α = 2 / (N + 1) yumuşatma katsayılı y_t = α P_t + (1 - α) y_t-1 Üstel Hareketli Ortalama gibi özyinelemeli Sonsuz Dürtü Yanıtlı (IIR) filtrelere geçer. Ancak H_EMA(z) = α / [1 - (1 - α)z^-1] z-dönüşümünü alıp açılmış fazının ω frekansına göre türevini hesapladığımızda, üstel ağırlıklandırmanın da nedensellik bariyerinden neden kaçamadığı açıkça görülür:

Denklem (2) içinde α ∈ (0, 1) cari kapanış fiyatına (P_t) verilen ağırlığı gösterirken, (1 - α) önceki tüm kapanışlar boyunca üstel bellek sönümlenmesini yönetir. Kalıcı yönlü trendleri taşıyan düşük frekans bandında (ω → 0) τ_g,EMA(ω) değerlendirildiğinde kesir sadeleşerek (1 - α) / α ifadesine iner; standart α = 2 / (N + 1) parametreleştirmesi altında bu değer bir SMA(N) filtresiyle birebir aynı olan (N - 1) / 2 mumluk gecikmeye eşittir.

Ardışık bağlanan osilatörler bu gecikmeyi daha da katlar. Bir EMA(20) (α = 2/21 ≈ 0.0952) düşük frekanslı trendlerde 9.5 mum gecikme taşır. Wilder'ın klasik RSI(14) göstergesi yukarı ve aşağı mum değişimlerini α = 1/14 ≈ 0.0714 özyinelemeli ağırlığıyla yumuşatır; (1 - α) / α = 13 / 1 eşitliği çözüldüğünde RSI(14) filtresinin bir EMA(27) ile birebir aynı düşük frekans grup gecikmesini, yani tam 13.0 mum gecikmeyi barındırdığı görülür. Benzer biçimde MACD(12, 26, 9), 5.5 mum gecikmeli bir EMA(12) filtresinden 12.5 mum gecikmeli bir EMA(26) filtresini çıkarır ve bu farkı üçüncü bir 9 mumluk EMA tetikleme aşamasından geçirerek tam momentum bükülürken 4.0 ekstra mum yumuşatma gecikmesi ekler. Her betimleyici alt panel fiyatın birkaç mum önce ne yaptığını raporlar; kurumsal emir defterlerinin gelecekteki hareketi nerede sınırladığını asla göstermez.

2. Çoklu Doğrusal Bağlantı, Efektif Rank Çöküşü ve Gerçek Zamanlı Veri Kurcalama

Tek bir gecikmeli osilatör yatay ve dalgalı piyasalarda hatalı savrulma kayıpları ürettiğinde, yatırımcılar nedenselliğin kendisini nadiren sorgular. Bunun yerine birinciyi "filtrelemek" için ikinci bir gösterge, ikinciyi teyit etmek için üçüncü bir gösterge ekler ve kısa sürede tek ekranda altı ila on betimleyici alt panel biriktirirler: RSI(14), Stochastic(14, 3, 3), CCI(20), Williams %R(14), MACD(12, 26, 9) ve Bollinger %B(20). Görsel olarak altı farklı renkteki eğri, birbirinden bağımsız altı analitik oy varmış izlenimi uyandırır.

Doğrusal cebir bu bağımsızlığın bir yanılsama olduğunu ortaya koyar. Bu yığındaki her gösterge birebir aynı kayan açılış, yüksek, düşük ve kapanış fiyatları penceresinden hesaplanmaktadır. Şekil 1, klasik eşdoğrusal gösterge yığınının işaret işleme topolojisini 4CastMachine AI içindeki çok kipli hiyerarşik mimariyle karşılaştırmaktadır.

M göstergeli bir çalışma alanında ne kadar bağımsız bilginin hayatta kaldığını kesin biçimde ölçmek için, T mum boyunca değerlendirilen M adet standartlaştırılmış gösterge zaman serisini Z ∈ ℝ^{T × M} matrisinde toplayalım (T > M olmak üzere her sütun sıfır ortalamaya merkezlenmiş ve birim varyansa ölçeklenmiştir). Z matrisinin tekil değerlerini σ₁ ≥ σ₂ ≥ ... ≥ σ_M ≥ 0 ile gösterelim ve normalleştirilmiş tekil değer dağılımını p_k = σ_k / ∑_j=1^M σ_j olarak tanımlayalım. Kayan nokta yuvarlamaları ve küçük doğrusal olmayan terimler tam cebirsel rank eksikliğini engellediğinden, klasik tam sayı matris rankı sütunlar yüzde doksan ilişkili olduğunda bile neredeyse her zaman rank(Z) = M sonucunu verir. Roy ve Vetterli [11], Shannon spektral entropisi üzerinden sürekli Efektif Rank (erank) ölçütünü tanımlayarak bu kusuru çözmüştür:

Denklem (3) açıldığında, her bir p_k ∈ [0, 1] ağırlığı gösterge panelinin k-ıncı dikgen temel bileşeni tarafından taşınan nükleer norm genlik payını ölçer; H(p) ise doğal logaritmik birim (nat) cinsinden Shannon entropisidir. H(p) değerinin üstelini almak entropiyi yeniden doğal [1, M] ölçeğine taşır: eğer M göstergenin tamamı birbirine dikgen ise (p_k = 1/M), H(p) = ln M ve erank(Z) = M olur; eğer M göstergenin tamamı birbirinin skaler katı ise (p₁ = 1, p_k>1 = 0), H(p) = 0 ve erank(Z) = 1 değerini alır.

Altı göstergeli bir referans şablonunu (M = 6: RSI(14), Stochastic(14, 3), CCI(20), Williams %R(14), MACD(12, 26, 9) ve Bollinger %B(20)) adım adım inceleyelim. Tekil değerler σ = (3.90, 1.14, 0.42, 0.24, 0.18, 0.12) ve toplamları ∑ σ_j = 6.00 olsun. Spektral ağırlıklar p = (0.650, 0.190, 0.070, 0.040, 0.030, 0.020) değerlerini alır. -p_k ln p_k terimlerinin toplamı 1.094 nat verir; dolayısıyla erank(Z) = exp(1.094) ≈ 2.99 bulunur ki bu değer altı panelin yarısından bile azdır. On osilatörlü momentum şablonlarında erank(Z) değeri 1.8 ile 2.5 boyut aralığına düşer ve iki ağır operasyonel tuzak yaratır:

• Trend Tükenmesinde Yanıltıcı Güven: Uzamış bir fiyat hareketinin geç evresinde fiyat, her filtrenin kendi grup gecikmesini (τ_g,m) temizlemesine yetecek kadar mesafe kat etmiştir. On osilatörün tamamı aynı anda yeşile döner. Eşdoğrusal on paneli birbirinden bağımsız kanıtlar gibi değerlendirmek, algılanan log-olasılığı M / erank(Z) ≈ 4× ila 5.5× oranında şişirir ve tam likidite ortalamaya dönerken yatırımcıyı aşırı büyük hacimli işlemlere çeker.
• Bükülme Bölgelerinde Garanti Edilmiş Zıt İşaretli Felç: Fiyat kurumsal destek veya direnci test edip dönmeye başladığında, göstergeler τ_g,(1) < τ_g,(2) < ... < τ_g,(M) sıralaması boyunca ardışık olarak yön değiştirir. Hızlı Stochastic 3. mumda yükselişe döner, CCI 10. mumda sıfırı yukarı keser, RSI(14) 13. mumda nötr kalır ve MACD ile EMA(50) 25. muma kadar düşüş göstermeyi sürdürür. En uygun giriş penceresi boyunca gösterge yığını kendi kendisiyle çelişir.

M = 10 göstergeyi K = 6 zaman dilimiyle çarpmak aynı anda 60 betimleyici okuma üretir. Sullivan, Timmermann ve White [13], White'ın Reality Check bootstrap yöntemiyle 7846 teknik kuralı test etmiş ve çoklu arama düzeltmesinden sonra görünürdeki tarihsel kazançların örneklem dışında yok olduğunu göstermiştir. Harvey, Liu ve Zhu [4] ise Benjamini-Yekutieli Yanlış Keşif Oranı kontrolü altında 316 finansal faktörü değerlendirerek anlamlılık eşiğini |t| > 1.96 düzeyinden |t| > 3.0 düzeyine yükseltmiştir. Altmış canlı hücreyi yönlü bir önseziyi doğrulayan üç hücre bulana kadar taramak, cezalandırılmamış veri kurcalamadır (data snooping).

3. Heterojen Piyasa Ufukları ve Minimum İz (MinT) Uzlaştırması

Fazlalık yaratan osilatörleri kaldırmak daha derin bir güçlüğü açığa çıkarır: ham fiyat geometrisi farklı örnekleme ufuklarında çoğu zaman zıt yönlere işaret eder. Herhangi bir işlem seansında EURUSD paritesi 15m ve 1h grafiklerde dik biçimde yükselirken D ve W grafiklerde etkin bir alçalan kanalın içinde kalabilir. Biçimsel bir uzlaştırma olmadan zaman dilimleri arasında geçiş yapmak tereddüde veya savrulmalara yol açar.

Ölçekler arası bu gerilim, piyasaların farklı ufuklarda faaliyet gösteren katılımcıları bir araya getirmesinden kaynaklanır. Müller vd. [7] bu olguyu Heterojen Piyasa Hipotezi çerçevesinde formüle etmiştir: yüksek frekanslı piyasa yapıcılar 1m ile 15m emir defterlerine hâkim olurken, seans masaları 1h ve 4h boyunca envanter yönetir, swing CTA fonları D üzerinde yeniden dengelenir ve ülke varlık fonları veya kurumsal korunma masaları W ile M ölçeğinde hareket eder. Corsi [2], HAR-RV modelinde haftalık ve günlük volatilitenin gün içi varyansı asimetrik olarak koşullandırdığını göstermiş; Osler [9] ise banka emir defteri verilerinden kurumsal kâr-al ve zarar-durdur emirlerinin yapısal fiyat bölgeleri içinde kümelendiğini kanıtlamıştır.

Logaritmik getiriler iç içe geçmiş aralıklar boyunca toplamsal olarak birleştiğinden (bir D getirisi altı adet 4h getirisinin toplamına eşittir), gerçek gelecek getiriler y_t+h = S b_t+h ∈ ℝⁿ bağıntısını sağlar; burada b_t+h ∈ ℝ^m en ince ölçekli getiri vektörünü, S ∈ {0, 1}^{n × m} ise hiyerarşik toplama matrisini gösterir. Eşgüdümsüz tekil zaman dilimi tahminleri ŷ_h tutarlılık kısıtını ihlal eder (ŷ_h ≠ S β). Wickramasuriya, Athanasopoulos ve Hyndman [14] (Hyndman vd. [5] temelinde), Minimum İz (MinT) operatörünün tüm ufuklar genelinde toplam hata varyansını tr(Cov[y_t+h - ỹ_h]) minimize eden yegâne doğrusal yansız uzlaştırılmış tahmini verdiğini kanıtlamıştır:

Denklem (4) içinde ŷ_h ∈ ℝⁿ eşgüdümsüz çok ufuklu baz tahminleri üst üste yığar, S matrisi ỹ_h ∈ span(S) olacak biçimde tam zaman dilimleri arası tutarlılığı dayatır ve W_h = Cov[y_t+h - ŷ_h] pozitif tanımlı baz tahmin hata kovaryans matrisini temsil eder.

Bir D mumunun altı adet 4h mumunu topladığı iki düzeyli sayısal bir örneği ele alalım (S matrisi I₆ birim matrisinin üzerine [1, 1, 1, 1, 1, 1] satırını yerleştirir). Altı baz 4h tahmininin her birinin mum başına σ²_4h = 25 pip² varyansla (toplam varyans 150 pip²) +6.0 pip (∑ ŷ_4h,i = +36.0 pip) öngördüğünü, buna karşılık Günlük bölge modelinin daha sıkı bir σ²_D = 50 pip² varyansla ŷ_D = -60.0 pip öngördüğünü varsayalım. Ham uyuşmazlık δ = -96.0 piptir. Denklem (4), düzeltmenin 150 / (150 + 50) = %75'lik kısmını (-72.0 pip veya her 4h adımda -12.0 pip) gürültülü gün içi yola, %25'lik kısmını (+24.0 pip) ise Günlük tahmine tahsis ederek tutarlı ỹ_D = -36.0 pip hedefini üretir: üstteki arz bölgesine doğru gün içi bir test ve ardından düşüşün devamı.

4CastMachine AI bünyesinde dört uzman motor, 200+ sembol ve dokuz zaman dilimi (1m ile M arası) genelinde çok kipli sentezi yürütür:

1. Forecast AI: Her zaman diliminde kanalları, kamaları, harmonik oranları, mum formasyonlarını ve kurumsal emir kümelenme bölgelerini haritalar.
2. Sentiment AI: Dışsal metin verisi geriye dönük fiyat ortalamalarından önce ulaştığı için fiyat filtresi gecikmesini aşarak canlı finansal haber ajanslarını ve merkez bankası açıklamalarını gerçek zamanlı çözümler.
3. Synergy AI: Makro şok yoğunluğuna göre Forecast AI ve Sentiment AI motorlarını sürekli biçimde ağırlıklandırır (Synergy AI makalemize bakınız) ve tek bir Unified Strategic Insight 𝒰_t çıktısı üretir.
4. Navigator AI: Trend Hunter metodolojisinde ana yön eğilimini D zaman dilimine çıpalarken 4h ve altındaki grafikleri dönüş alternatifleriyle donatarak 𝒰_t çıktısını açık giriş bölgelerine, geçersiz kılma pivotlarına, hedef merdivenlerine ve senaryo oklarına izdüşürür.

4. 4CM-AI Charts Üzerinde Canlı Çok Ufuklu Yol Haritası Anatomisi (EURUSD D ve ETHUSD 4h)

4CM-AI Charts üzerinden alınan iki canlı yol haritası, hiyerarşik yönlendirmenin gösterge karmaşasını nasıl ortadan kaldırdığını göstermektedir. Her iki çalışma alanında da tek bir alt panel osilatörü veya hareketli ortalama şeridi yer almaz; dikey alanın %100'ü fiyat yapısına ve risk sınırlarına ayrılmıştır. Şekil 2, Forecast: Continuation of Down Trend | Current: Down Trend rejim etiketi altında spot 1.10241 seviyesindeki EURUSD Günlük (D) grafiğini göstermektedir.

Şekil 2 üzerinde fiyat, TP1 (1.18246) seviyesinden TP6 (1.11040) seviyesine kadar gerilemiş ve iç kırmızı trend çizgisinin alt mavi kanal sınırıyla kesiştiği 1.10241 noktasında sıkışmıştır. Klasik on osilatörlü bir kurulum 1.10241 seviyesinde aşırı satımdaki Stochastic ile düşüş yönlü SMA(50) filtresini birbirine düşürürken, Navigator AI çatallanan Green Arrows ile iki açık izleme kutusu (İşaret 3) yerleştirir: kanal desteğinden gelecek yükseliş yönlü bir tepki 1.14820 (TP3) seviyesine doğru toparlanma alanını açarken, desteğin altında gerçekleşecek bir Günlük kapanış hareketi TP7 (1.09555) ve TP8 (1.07320) hedeflerine taşır. Bilinçli bir mimari tercih olarak Navigator AI, D grafiğinde gölgeli bir Reverse Zone kutusu çizmez ve Günlük makro çıpaları doğrudan sınır teyitleri üzerinden yönetir.

Uygulama zaman dilimlerinde (4h ve altı) ise gün içi şoklar yerel bir eşiği tek bir seans içinde aşabilir. Şekil 3, spot 1750.79 seviyesinde işlem gören Ethereum (ETHUSD 4h) grafiğini Navigator AI motorunun iki senaryolu bir alternatif planla nasıl donattığını göstermektedir.

ETHUSD Ekim sonunda yükselen mavi kamasını aşağı kırdıktan ve 4 Kasım günü 2425 seviyesinden reddedildikten sonra (İşaret 1), Navigator AI geçersiz kılma sınırını pembe Sell zone 2006.49 - 2103.97 bandının (İşaret 2) hemen üzerindeki Pivot = 2103.97 (Bearish Below 2103.97) seviyesine çıpalamıştır. Cari spot fiyat yeşil Profit zone içinde S2 = 1750.79 seviyesinde (İşaret 3) bulunduğundan, grafik geçersiz kılma sınırının tam 353 dolar altında taze açığa satış kovalanmaması konusunda anında uyarı verir: disiplinli uygulama ya 2006.49 - 2103.97 bölgesine doğru bir geri çekilmeyi bekler ya da mevcut açık pozisyonları S3 = 1658.38, S4 = 1577.85 ve S5 = 1514.32 hedeflerine doğru iz süren stopla taşır. Tersine, teyitli bir 4h kapanışı 2103.97 seviyesini geri alırsa mavi Reverse zone (İşaret 4) alternatif yükseliş rotasını Dashed Arrows aracılığıyla R3 = 2173.22, R4 = 2255.78 ve R5 = 2319.35 hedefleri boyunca çoktan haritalamıştır.

5. Koşullu Stokastik Yönlendirme ve İnsan Gözetimli Denetim Yetkisi

Yalnızca simetrik Kök Ortalama Karesel Hatayı (RMSE) minimize etmek üzere eğitilen modeller yatırımcıları yarı yolda bırakır; çünkü finansal piyasalar keskin biçimde asimetrik ve yola bağımlı kayıp fonksiyonları dayatır. Ortalama noktasal hata küçük görünse bile, 2103.97 seviyesinde stoplu bir ETHUSD satış pozisyonu fiyat 1658.38 hedefine düşmeden önce bir mum fitili 2108.00 seviyesine dokunduğu anda kalıcı bir -1.0 R stop-out kaybına uğrar.

Bertsimas ve Kallus [1] ile Lepenioti vd. [6], noktasal tahmin ile yönlendirici (preskriptif) analitik arasındaki sınırı matematiksel olarak formüle eder. Synergy AI durumu X = 𝒰_t, stokastik gelecek fiyat yörüngesi Y ve asimetrik işlem kaybı c(z; Y) altındaki uçuş planı demeti z = (𝒵_entry, P_pivot, {TP_j}, z_rev) ∈ 𝒵 verildiğinde, yönlendirici optimizasyon şu problemi çözer:

Burada z*(x) gözlemlenen X = x koşulu altındaki tam bilgili (oracle) optimal politikayı, ẑ(X) Navigator AI tarafından çizilen yönlendirici yol haritasını, z̄ koşulsuz durağan referans politikayı ve 𝒫 ∈ [0, 1] ise Yönlendiricilik Katsayısını gösterir.

Bu farkı Şekil 3 (ETHUSD 4h) üzerinde sayısal olarak doğrulayalım. Gecikmeli bir EMA(20)/EMA(50) kesişimi, 2103.97 geçersiz kılma sınırına karşı (280.09 USD risk) satış yönünü geç kalarak S1 = 1823.88 yakınında teyit eder ve S3 = 1658.38 hedefi (165.50 USD getiri) için yalnızca 0.59 R sunarak başabaş noktası için %62.9 kazanma oranı şart koşar. Buna karşılık Navigator AI motorunun Sell zone içindeki 2040.00 geri çekilme planı, 2103.97 seviyesine kadar yalnızca 63.97 USD riske ederken S2 = 1750.79 hedefinde 289.21 USD (+4.52 R) ve S3 = 1658.38 hedefinde 381.62 USD (+5.97 R) yakalar; böylece başabaş eşiğini yalnızca %18.1 kazanma oranına indirir.

Sheridan ve Verplank [12] ile Parasuraman, Sheridan ve Wickens [10] tarafından tanımlanan dört otomasyon aşamasına (Bilgi Toplama, Bilgi Analizi, Eylem Seçimi ve Eylem Uygulaması) izdüşürüldüğünde, gösterge yığınları insanı LoA 1 bilişsel aşırı yükünde bırakırken kapalı kara kutu botlar kırılgan LoA 10 otonom uygulamasına sıçrar (açıklanabilirlik makalemize bakınız). ForecastCity havacılık yardımcı pilotu (co-pilot) optimumunu hedefler: Quad-AI 1. ve 2. aşamaları otomatikleştirir, 3. aşamayı LoA 4 ile 5 düzeyinde yürütür ve 4. aşamadaki sermaye taahhüdü yetkisini AI Strategy Studio ile Virtual Accounts üzerinden insan denetçiye ayırır.

6. Betimleyici Gösterge Yığınları, Kapalı Otonom Botlar ve Quad-AI Yönlendirici Yol Haritaları

Sıkça Sorulan Sorular

Hakemli Akademik ve Sektörel Kaynaklar

1. [1]Bertsimas, D., & Kallus, N. (2020). From predictive to prescriptive analytics. Management Science, 66(3), 1025-1044. https://doi.org/10.1287/mnsc.2018.3253
2. [2]Corsi, F. (2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, 7(2), 174-196. https://doi.org/10.1093/jjfinec/nbp001
3. [3]Ehlers, J. F. (2001). Rocket Science for Traders: Digital Signal Processing Applications. New York: John Wiley & Sons.
4. [4]Harvey, C. R., Liu, Y., & Zhu, H. (2016). ...and the cross-section of expected returns. The Review of Financial Studies, 29(1), 5-68. https://doi.org/10.1093/rfs/hhv059
5. [5]Hyndman, R. J., Ahmed, R. A., Athanasopoulos, G., & Shang, H. L. (2011). Optimal combination forecasts for hierarchical time series. Computational Statistics & Data Analysis, 55(9), 2579-2589. https://doi.org/10.1016/j.csda.2011.03.006
6. [6]Lepenioti, K., Bousdekis, A., Apostolou, D., & Mentzas, G. (2020). Prescriptive analytics: Literature review and research challenges. International Journal of Information Management, 50, 57-70. https://doi.org/10.1016/j.ijinfomgt.2019.04.003
7. [7]Müller, U. A., Dacorogna, M. M., Davé, R. D., Olsen, R. B., Pictet, O. V., & von Weizsäcker, J. E. (1997). Volatilities of different time resolutions - Analyzing the dynamics of market components. Journal of Empirical Finance, 4(2-3), 213-239. https://doi.org/10.1016/S0927-5398(97)00007-8
8. [8]Oppenheim, A. V., & Schafer, R. W. (2009). Discrete-Time Signal Processing (3rd ed.). Upper Saddle River, NJ: Prentice Hall.
9. [9]Osler, C. L. (2003). Currency orders and exchange rate dynamics: An explanation for the predictive success of technical analysis. The Journal of Finance, 58(5), 1791-1820. https://doi.org/10.1111/1540-6261.00588
10. [10]Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics - Part A, 30(3), 286-297. https://doi.org/10.1109/3468.844354
11. [11]Roy, O., & Vetterli, M. (2007). The effective rank: A measure of effective dimensionality. Proceedings of the 15th European Signal Processing Conference (EUSIPCO 2007), 606-610.
12. [12]Sheridan, T. B., & Verplank, W. L. (1978). Human and Computer Control of Undersea Teleoperators. Technical Report, MIT Man-Machine Systems Laboratory, Cambridge, MA.
13. [13]Sullivan, R., Timmermann, A., & White, H. (1999). Data-snooping, technical trading rule performance, and the bootstrap. The Journal of Finance, 54(5), 1647-1691. https://doi.org/10.1111/0022-1082.00163
14. [14]Wickramasuriya, S. L., Athanasopoulos, G., & Hyndman, R. J. (2019). Optimal forecast reconciliation for hierarchical and grouped time series through trace minimization. Journal of the American Statistical Association, 114(526), 804-819. https://doi.org/10.1080/01621459.2018.1448825