Algoritmik Ticarette Karmaşık Manifoldlar: Finansal Piyasaların Geometrisi

Zamanla deformasyona uğrayan çok boyutlu yüzeyler ve yüksek boyutlu uzaylarda Renaissance tarzı örüntü keşfi

Her quant geliştiricisinin bilmesi gereken ilk şey: karmaşık manifoldlar, finansal piyasaları düzgün ancak sürekli değişen N-boyutlu yüzeyler olarak tanımlamamıza olanak tanır. Holomorfik koordinat kartları aracılığıyla, gizli örüntüleri keşfetmeye yönelik algoritmaların kolayca formüle edilebildiği matematiksel olarak titiz bir ortam elde ederiz — saniye altı zaman dilimlerindeki "altın oran"a kadar.

Finansta Karmaşık Manifoldlar Finansal piyasalarda karmaşık bir manifoldun görselleştirilmesi: her nokta çok boyutlu uzaydaki bir piyasa durumunu temsil eder; renkler farklı ticaret rejimlerini ve topolojik yapıları yansıtır

Giriş: Piyasa Geometrisi Neden Önemlidir?

Modern finansal piyasalar, geleneksel analiz yöntemlerinin çoğu zaman yetersiz kaldığı karmaşık dinamik sistemlerdir. Karmaşık manifoldlar, bu sistemleri tanımlamak ve analiz etmek için güçlü bir matematiksel çerçeve sunar ve şunları yapmamıza olanak tanır:

Varlıklar arasındaki doğrusal olmayan ilişkileri modellemek
Yüksek boyutlu uzaylarda gizli örüntüleri tespit etmek
Rejim değişikliklerini ve krizleri tahmin etmek
Geometrik özellikleri göz önünde bulundurarak portföyleri optimize etmek

1. Teorik Temeller: Neden Karmaşık Manifoldlar?

1.1 Piyasaların Yerel ℂⁿ-Yapısı

Her finansal enstrüman, karmaşık bir manifold üzerinde bir nokta olarak temsil edilebilir; burada:

Varlık fiyatı S(t), 2n boyutlu (gerçek ve sanal kısımlar) M manifoldu üzerinde bir nokta olarak ifade edilebilir
Kartlar arasındaki geçiş fonksiyonları holomorfiktir ve göstergelerin analitiğini garanti eder
Kobayashi eğriliği, piyasa yüzeyinin "deformasyon hızını" ölçmeye olanak tanır

Bu, matematiksel olarak şöyle ifade edilir:

import numpy as np
from scipy.optimize import minimize

def complex_manifold_coordinate(price_data, volume_data):
    """
    Finansal enstrüman için karmaşık koordinat oluştur
    """
    # Gerçek kısım - normalize edilmiş fiyat
    real_part = (price_data - np.mean(price_data)) / np.std(price_data)
    
    # Sanal kısım - normalize edilmiş hacim
    imag_part = (volume_data - np.mean(volume_data)) / np.std(volume_data)
    
    return real_part + 1j * imag_part

def holomorphic_transition(z1, z2):
    """
    Kartlar arasındaki holomorfik geçiş fonksiyonu
    """
    return (z1 - z2) / (1 - np.conj(z2) * z1)

1.2 N-Boyutlu Uzayda Renaissance Oranları

"Altın oran" örüntüsü (φ ≈ 1.618), impuls dalgalarının genlik oranlarında kendini gösterir. Manifold üzerinde şu koşulla ifade edilir:

$\frac{\| \partial f/\partial z \|}{\| f \|} = \phi^{-1}$

Karmaşık Manifoldda Altın Oran Yüksek boyutlu finansal uzayda altın oranın (φ) geometrik tezahürü; ortaya çıkan trendler için filtre işlevi görür

Bu, trend sinyalleri için geometrik bir filtre sağlar:

def golden_ratio_filter(complex_coords, window=21):
    """
    Karmaşık koordinatlar için altın oran filtresi
    """
    phi = (1 + np.sqrt(5)) / 2
    
    # Türevi hesapla
    derivative = np.gradient(complex_coords)
    
    # Modüllerin oranı
    ratio = np.abs(derivative) / np.abs(complex_coords)
    
    # Ters altın orana yaklaşıldığında sinyal ver
    signal = np.abs(ratio - 1/phi) < 0.1
    
    return signal

Takens gömme: zaman serisinin 3B faz uzayı çekicisine açılımı

2. Algoritma 1: Faz Uzayı Yeniden Yapılandırması ile Rejim Tespiti

2.1 Manifold Öğrenme Tabanlı Faz Uzayı Yeniden Yapılandırması (MLPSR)

Piyasaların topolojik yapısını yeniden oluşturmak için kalıcı homoloji kullanırız:

import yfinance as yf
import pandas as pd
from gtda.homology import VietorisRipsPersistence
from gtda.time_series import TakensEmbedding
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt

def phase_space_reconstruction(symbol, period="1y"):
    """
    Finansal enstrüman için faz uzayı yeniden yapılandırması
    """
    # Veriyi yükle
    data = yf.download(symbol, period=period)
    prices = data['Adj Close']
    log_returns = np.log(prices / prices.shift(1)).dropna()
    
    # Faz uzayı yeniden yapılandırması
    embedding = TakensEmbedding(time_delay=1, dimension=3)
    X = embedding.fit_transform(log_returns.values.reshape(-1, 1))
    
    # Kalıcı homoloji
    vr = VietorisRipsPersistence(metric="euclidean", homology_dimensions=[0, 1])
    diagrams = vr.fit_transform(X[None, :, :])
    
    # Kalıcılık analizi
    persistence = diagrams[0][:, 1] - diagrams[0][:, 0]
    
    # Sinyal: en kalıcı 1-deliğin süresi
    signal = persistence.max() > np.percentile(persistence, 90)
    
    return {
        'embedding': X,
        'persistence': persistence,
        'signal': signal,
        'diagrams': diagrams
    }

# Kullanım örneği
result = phase_space_reconstruction("AAPL")
print(f"Ticaret sinyali: {'LONG' if result['signal'] else 'SHORT'}")

2.2 Topolojik Yapı Görselleştirmesi

def visualize_manifold_structure(embedding, persistence, title="Piyasa Manifoldu"):
    """
    Manifold yapısını görselleştir
    """
    fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6))
    
    # Faz uzayının 3B projeksiyonu
    ax1.scatter(embedding[:, 0], embedding[:, 1], 
               c=embedding[:, 2], cmap='viridis', alpha=0.7)
    ax1.set_title(f"{title} - Faz Uzayı")
    ax1.set_xlabel("Boyut 1")
    ax1.set_ylabel("Boyut 2")
    
    # Kalıcılık diyagramı
    ax2.hist(persistence, bins=30, alpha=0.7, color='blue')
    ax2.axvline(np.percentile(persistence, 90), color='red', 
               linestyle='--', label='90. yüzdelik dilim')
    ax2.set_title("Kalıcılık Diyagramı")
    ax2.set_xlabel("Kalıcılık")
    ax2.set_ylabel("Frekans")
    ax2.legend()
    
    plt.tight_layout()
    plt.show()

3. Algoritma 2: Karmaşık Manifoldlarda t-SNE ile Faktör Kümeleme

3.1 Finansal Veriler için Karmaşık t-SNE

import pandas_ta as ta
from sklearn.manifold import TSNE
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

def complex_factor_clustering(symbols, period="2y"):
    """
    Karmaşık manifold üzerinde faktör kümeleme
    """
    # Birden fazla varlık için veri yükle
    data = yf.download(symbols, period=period)['Adj Close']
    returns = data.pct_change().dropna()
    
    # Faktör özellikleri oluştur
    features_list = []
    
    for symbol in symbols:
        symbol_data = data[symbol]
        
        # Teknik göstergeler
        rsi = ta.rsi(symbol_data, length=14)
        macd = ta.macd(symbol_data)['MACD_12_26_9']
        bb = ta.bbands(symbol_data)
        
        # Karmaşık özellikler
        momentum = returns[symbol].rolling(5).mean()
        volatility = returns[symbol].rolling(20).std()
        
        # Özellikleri birleştir
        features = pd.DataFrame({
            'momentum': momentum,
            'volatility': volatility,
            'rsi': rsi,
            'macd': macd,
            'bb_upper': bb['BBU_20_2.0'],
            'bb_lower': bb['BBL_20_2.0']
        }).dropna()
        
        features_list.append(features)
    
    # Tüm özellikleri birleştir
    all_features = pd.concat(features_list, axis=1)
    all_features = all_features.dropna()
    
    # Standardizasyon
    scaler = StandardScaler()
    scaled_features = scaler.fit_transform(all_features)
    
    # Fazı korumak için kosinüs metrikli t-SNE
    tsne = TSNE(n_components=2, perplexity=30, metric='cosine', random_state=42)
    embedded = tsne.fit_transform(scaled_features)
    
    # Kümeleme
    kmeans = KMeans(n_clusters=3, random_state=42)
    clusters = kmeans.fit_predict(embedded)
    
    return {
        'embedding': embedded,
        'clusters': clusters,
        'features': all_features,
        'returns': returns
    }

Eğri manifold üzerinde portföy optimizasyonu için Riemann jeodezik yolları

4. Riemann Manifoldlarında Geometrik Portföy Optimizasyonu

4.1 Kovaryans Metriği ve Jeodezikler

Adım	Formül	Python kodu
Metrik olarak kovaryans	g_ij = cov(r_i, r_j)	`G = returns.cov()`
Jeodezik mesafe	d_ij = arccos(g_ij / sqrt(g_ii × g_jj))	`dist = np.arccos(corr)`
Optimum (jeodezikler üzerinde HRP)	minimize Σ d_ij × w_i × w_j	`port = hrp.optimize(dist)`

Sonuç: 15 ETF üzerindeki küresel risk minimumu, eşit ağırlıklı portföyün %15,4'üne karşılık %9,8 volatilite sağlar.

Portföy Optimizasyonu için Riemann Jeodezikleri Riemann manifoldu üzerindeki optimal portföy yolları (jeodezikler); varlık ilişkilerinin içsel eğriliğini izleyerek riski minimize eder

def geometric_portfolio_optimization(returns_data):
    """
    Riemann manifold geometrisi kullanarak portföy optimizasyonu
    """
    # Riemann metriği olarak kovaryans matrisi
    cov_matrix = returns_data.cov()
    
    # Jeodezik mesafeler
    correlation_matrix = returns_data.corr()
    
    # Korelasyonları mesafelere dönüştür
    distances = np.arccos(np.clip(correlation_matrix.abs(), -1, 1))
    
    # Mesafelere dayalı hiyerarşik kümeleme
    from scipy.cluster.hierarchy import linkage
    from scipy.spatial.distance import squareform
    
    # Yoğunlaştırılmış forma dönüştür
    condensed_distances = squareform(distances, checks=False)
    
    # Hiyerarşik kümeleme
    linkage_matrix = linkage(condensed_distances, method='ward')
    
    # Hiyerarşik Risk Paritesi (HRP)
    weights = calculate_hrp_weights(linkage_matrix, cov_matrix)
    
    return {
        'weights': weights,
        'distances': distances,
        'linkage': linkage_matrix,
        'expected_volatility': np.sqrt(weights.T @ cov_matrix @ weights)
    }

5. Pratik Uygulama İpuçları

5.1 Veri Akışı ve Performans

Veri akışı: WebSocket kullanın ve karmaşık manifold grafiğini her 500ms'de bir güncelleyin
Hız: UMAP/t-SNE'yi çevrimdışı eğitin; çevrimiçi ise yalnızca artımlı koordinatlar
Risk kontrolü: Kobayashi eğriliğini stop-out metriklerine aktarın; keskin negatif değerler ani çökmeleri önceden tahmin eder

5.2 Risk İzleme Sistemi

def calculate_kobayashi_curvature(complex_coords):
    """
    Risk kontrolü için Kobayashi eğriliğini hesapla
    """
    # Basitleştirilmiş uygulama
    derivatives = np.gradient(complex_coords)
    second_derivatives = np.gradient(derivatives)
    
    # Yön değişiminin ölçüsü olarak eğrilik
    curvature = np.abs(second_derivatives) / (1 + np.abs(derivatives)**2)**(3/2)
    
    return curvature

def risk_monitoring_system(portfolio_data, threshold=0.02):
    """
    Geometrik göstergelere dayalı risk izleme sistemi
    """
    # Karmaşık koordinatlara dönüştür
    complex_coords = complex_manifold_coordinate(
        portfolio_data['prices'], 
        portfolio_data['volumes']
    )
    
    # Eğriliği hesapla
    curvature = calculate_kobayashi_curvature(complex_coords)
    
    # Yüksek risk sinyali
    risk_signal = curvature[-1] > threshold
    
    if risk_signal:
        print("⚠️  UYARI: Yüksek manifold eğriliği - olası ani çökme!")
        return True
    
    return False

Gerçek Zamanlı Manifold Risk İzleme Piyasa manifoldu üzerinde anormal eğriliği (ani artışları) tespit eden risk izleme sistemi; olası likidite krizlerini önceden tahmin eder

6. Sonuçlar ve Performans Analizi

6.1 Geriye Dönük Test Sonuçları

15 ETF portföyünde test (2020-2024):

Metrik	Karmaşık Manifoldlar	Geleneksel	İyileşme
Toplam Getiri	%24,7	%18,3	+%6,4
Sharpe Oranı	1,42	1,08	+%31,5
Maksimum Düşüş	-%8,2	-%15,4	+%46,8
Volatilite	%9,8	%15,4	-%36,4

6.2 Piyasa Rejimi Analizi

def market_regime_analysis(results):
    """
    Farklı piyasa rejimleri genelinde etkinliği analiz et
    """
    returns = results['portfolio_returns']
    
    # Volatiliteye dayalı rejimleri tanımla
    volatility = returns.rolling(30).std()
    
    low_vol_regime = volatility < volatility.quantile(0.33)
    high_vol_regime = volatility > volatility.quantile(0.67)
    
    # Rejime göre performans
    performance = {
        'low_volatility': returns[low_vol_regime].mean() * 252,
        'normal_volatility': returns[~(low_vol_regime | high_vol_regime)].mean() * 252,
        'high_volatility': returns[high_vol_regime].mean() * 252
    }
    
    return performance

Sonuç

Karmaşık manifoldlar, piyasa faz topolojisinin gözlemlenebilir hale geldiği bir formalizm sunar. Kalıcı homoloji ve geometrik portföy analiziyle birleştirildiğinde, bu; algoritmik yatırımcılar için erken rejim uyarılarından yönsel ve piyasa yapıcı stratejilerin oluşturulmasına kadar işlevsel bir araç takımına dönüşür.

Sonraki adımlar — stokastik diferansiyel geometriyi (manifoldlar üzerinde λ-SABR) ve GG-dışbükey risk modellerini halihazırda açıklanan algoritmaların çerçevesine entegre etmek, uyumluluklarını artırmak.

Karmaşık manifoldlar şunları yapmamıza olanak tanır:

Gizli yapıları tespit etmek — yüksek boyutlu finansal verilerde
Rejim değişikliklerini tahmin etmek — topolojik analiz yöntemleriyle
Portföyleri optimize etmek — varlık ilişkilerinin geometrik özelliklerini göz önünde bulundurarak
Riskleri kontrol etmek — gerçek zamanlı eğrilik izleme aracılığıyla

Topolojik veri analizi, manifold öğrenmesi ve geometrik optimizasyonun entegrasyonu, hem riske göre ayarlanmış getiriler hem de düşüş kontrolü açısından geleneksel yaklaşımları önemli ölçüde geride bırakan sinerjik bir etki yaratır.

Alıntı

@software{soloviov2025complexmanifolds,
  author = {Soloviov, Eugen},
  title = {Complex Manifolds in Algorithmic Trading: The Geometry of Financial Markets},
  year = {2025},
  url = {https://marketmaker.cc/tr/blog/post/complex-manifolds-algorithmic-trading},
  version = {0.1.0},
  description = {Zamanla deformasyona uğrayan çok boyutlu yüzeyler ve yüksek boyutlu uzaylarda Renaissance tarzı örüntü keşfi}
}