Finansal piyasalardaki veri analizi, doğru ve zamanında anomali tespiti yapmak kadar önemli bir görev taşımamaktadır. Zaman serisi verileri içerisinde ortaya çıkan anormal değerler, yatırım kararlarını etkileyebilir, risk yönetimini zorlaştırabilir ve hatta finansal kayıplara yol açabilir. Borsa İstanbul’da işlem gören hisse senetleri, döviz çiftleri, altın ve petrol gibi emtialar ile kripto para piyasaları, anlık fiyat dalgalanmalarını sergileyen dinamik zaman serilerine örnektir. Bu makalede, finans sektöründe kullanılan otomatik anomali algılama yöntemlerini, matematiksel temelleri ve uygulamalı örneklerini detaylı şekilde inceleyeceğiz.
Anomali Tespitinin Tanımı ve Finansal Önemi
Anomali tespiti (outlier detection), zaman serisi içerisinde beklenen davranıştan önemli ölçüde sapan veri noktalarını belirleyen süreçtir. Finansal bağlamda bu sapamalar, piyasa şoklarından, teknik arızalardan, manipülasyondan veya dış olaylardan kaynaklanabilir. Örneğin, bir hisse senedinin normalde günlük yüzde 2 oranında dalgalandığını varsayalım. Aniden yüzde 15’lik bir fiyat hareketi görülmesi, anomali olarak işaretlenebilir. Bu tür anormal hareketler, yatırımcıların alarm durumuna geçmesine ve risk yönetimi protokollerinin devreye girmesine neden olur.
Finansal anomalilerin türleri çeşitlidir. Noktasal anomaliler (point anomalies), tek bir veri noktasının diğerlerinden sapmasıdır. Bağlamsal anomaliler (contextual anomalies) ise, veri noktasının bağlamında anormal olmasıdır; örneğin, pazartesi günü 10 milyon liralık işlem hacmi normal olabilirken, tatil gününde bu hacim anormaldır. Kolektif anomaliler (collective anomalies) ise, birbirlerine yakın birkaç veri noktasının topluca anormal davranışıdır.
İstatistiksel Yöntemler: Z-Skor ve Modifiye Z-Skor
En eski ve en basit anomali tespiti yöntemi Z-skor analizidir. Bir veri noktasının Z-skoru, o noktanın ortalamadan kaç standart sapma uzakta olduğunu gösterir. Z-skor hesaplanması şöyledir:
Z = (X – μ) / σ
Burada X veri noktası, μ ortalama, σ ise standart sapmadır. Geleneksel olarak, |Z| > 3 olan değerler anomali olarak işaretlenir. Ancak finans sektöründe bu yöntemi kullanan analitikler dikkatli olmalıdırlar çünkü finansal veriler sıklıkla normal dağılım (Gaussian distribution) göstermez. Bunun yerine ağır kuyruklar (heavy tails) içerirler; yani, istatistiksel olarak beklenen düzeyde daha fazla aşırı değer ortaya çıkar.
Bu sorunu çözmek için modifiye Z-skor kullanılır:
Modified Z = 0.6745 * (X – median) / MAD
MAD (Medyan Mutlak Sapma), merkezi eğilim ölçüsüdür ve medyandan mutlak sapmalar medyani anlamına gelir. Bu yöntem, aşırı değerlerin etkisine karşı daha dirençlidir ve finansal veriler için daha uygun sonuçlar verir.
Kuartil Arası Aralık (IQR) Yöntemi
Kuartil Arası Aralık (Interquartile Range – IQR) yöntemi, verilerin yüzde 25’inci ve yüzde 75’inci kuartilleri arasında kalan kısmına odaklanır. IQR, bu iki kuartil arasındaki farkı temsil eder. Anomali belirleme kriteri şöyledir:
- Alt sınır = Q1 – 1.5 * IQR
- Üst sınır = Q3 + 1.5 * IQR
Bu sınırların dışında kalan veri noktaları anomali olarak işaretlenir. Finansal zaman serilerinde, özellikle günlük getiri (daily returns) verilerinde IQR yöntemi etkili sonuçlar verir. Borsa İstanbul’da işlem gören şirketlerin hisse senedi fiyatlarındaki günlük yüzde değişimler analiz edilirken, IQR yöntemi hızlı ve güvenilir anomali tespiti sağlar.
İzolasyon Ormanlı (Isolation Forest) Algoritması
İzolasyon Ormanı, makine öğrenmesi tabanlı bir algoritma olup, anomaliyi belirlemek için veriyi tekrarlayan şekilde bölümleştirerek (partitioning) çalışır. Algoritmadaki mantık basittir: normal veri noktaları, rastgele seçilen özellik ve eşik değerleri kullanarak izole etmek için daha fazla adım gerektirir. Anomaliler ise, çok az adımda izole edilir çünkü veri alanında nadir bulunurlar.
İzolasyon Ormanı, yüksek boyutlu verilerle etkili şekilde çalışır ve lineer olmayan ilişkileri yakalayabilir. Finans sektöründe, birden fazla gösterge (momentum, volatilite, işlem hacmi vb.) kullanarak anomali tespiti yaparken İzolasyon Ormanı tercih edilir. Örneğin, bir hisse senedinin fiyatı, işlem hacmi ve getiri volatilitesi değerleri birlikte analiz edildiğinde, bu algoritma karmaşık anomali kalıplarını tanıyabilir.
Yerel Anomali Faktörü (Local Outlier Factor – LOF)
Yerel Anomali Faktörü, bir veri noktasının komşu noktalarına göre ne kadar nadir olduğunu ölçer. LOF, yoğunluk tabanlı bir yaklaşım kullanır. Algoritma, her veri noktasının yakın komşuları için erişilebilirlik mesafesini (reachability distance) hesaplar ve bunu kullanarek yerel yoğunluk değerini bulur. Yerel yoğunluğu çok düşük olan noktalar anomali olarak işaretlenir.
Finansal uygulamada LOF, bağlamsal anomaliları iyi şekilde yakalar. Örneğin, pazar türüne, mevsime veya makroekonomik koşullara bağlı olarak normal sayılan değerler değişebilir. LOF algoritması bu bağlamı öğrenebilir ve gerçek anomaliyi tespit edebilir. Kripto para piyasasında, bitcoin fiyatının uzun vadede parabolic hareketi normal kabul edilirken, belirli bir dönemde anormal volatilite artışı LOF tarafından daha doğru şekilde tanınır.
Sinir Ağları Tabanlı Yöntemler: Oto-Kodlayıcılar
Oto-kodlayıcı (Autoencoder), denetimli olmayan öğrenme tekniğini kullanan sinir ağı mimarisidir. Giriş verisini sıkıştırarak (encode) ve sonra yeniden oluşturarak (decode) çalışır. Normal veriler için yeniden oluşturma hatası düşük kalırken, anomaliler için bu hata yüksektir.
Finansal zaman serilerinde oto-kodlayıcılar, dönem dizisi (sequential data) analizi için etkilidir. Örneğin, bir hisse senedinin son 30 günlük fiyat hareketinin deseni öğrenilir ve yeni gelen verinin bu desene uyup uymadığı kontrol edilir. Hisse fiyatının beklenmedik şekilde “diz kırması” veya yükselmesi yapması durumunda, oto-kodlayıcı bunu anomali olarak tanır.
LSTM ve RNN Tabanlı Zaman Serisi Anomali Tespiti
Uzun Kısa-Dönem Belleği (Long Short-Term Memory – LSTM), zaman serilerindeki uzun vadeli bağımlılıkları öğrenebilen sinir ağıdır. Finansal verilerde, fiyat hareketleri çoğunzaman geçmiş değerlere bağımlıdır. LSTM, bu bağımlılıkları modelleyebilir ve gelecek değeri tahmin edebilir. Tahmin hatasının büyük olduğu noktalar anomali olarak işaretlenir.
Örneğin, dolar-lira paritesi LSTM ile modellendi. Model, tarihsel verileri öğrenerek bir sonraki saatlik kuru tahmin eder. Ani merkez bankası müdahalesi veya jeopolitik olay nedeniyle kurda anormal bir sıçrama yaşanırsa, LSTM tahmin hatasını artırır ve anomali tetiklenir. Bu yöntem, finansal şokları ve piyasa istikrarsızlığını gerçek zamanda yakalamada oldukça etkilidir.
Seasonal ve Trend Ayrıştırması: STL Yöntemi
Bazı finansal veriler, mevsimsel (seasonal) ve trend bileşenlerini içerir. STL (Seasonal and Trend decomposition using Loess), zaman serisini bu bileşenlere ayıran yöntemdir. Ayrıştırma sonrası, artık kısmında (residual) anomali tespiti yapılır.
Örneğin, turizm şirketi hisse senetleri mevsimsel dalgalanma gösterir: yaz aylarında daha yüksek, kış aylarında daha düşük işlem hacmi. STL, bu mevsimsel etkiyi çıkarır ve kalan veri üzerinde anomali analizi yapılır. Böylece, mevsimsel normallik yüzünden kaçırılan gerçek anomaliler belirlenebilir.
Hibrit Yaklaşımlar ve Ensemble Yöntemleri
Finans sektöründe işletilen gerçek sistemlerde, tek bir yöntem kullanmak çoğunzaman yetersiz kalır. Bunun yerine, hibrit ve ensemble (topluluk) yöntemleri tercih edilir. Örneğin, bir sistem şu şekilde tasarlanabilir:
- Z-skor ve IQR yöntemi ile noktasal anomalileri tespit et
- İzolasyon Ormanı ile çok değişkenli anomaliyi bul
- LSTM tahmin hatası ile yaygın anomaliyi yakala
- Sonuçları birleştirerek en güvenilir anomaliyi belirle
Bu yaklaşımda, en az iki yöntemi tarafından anomali olarak işaretlenen veri noktaları, yüksek güvenle anomali kabul edilir. Bu stratejei, yanlış pozitif oranını (false positive rate) düşürürken, gerçek anomaliyi yakalamayı sağlar.
Uygulama: Borsa İstanbul BIST-100 Endeksi Analizi
Borsa İstanbul BIST-100 endeksinin günlük kapanış fiyatları üzerinde anomali tespiti uygulaması yapıldığını varsayalım. Veriler son 5 yıldır toplanmış ve günlük getiriler hesaplanmıştır. İzolasyon Ormanı algoritması ile analiz yapılırsa, şu bulgular elde edilebilir:
- Mart 2020’de COVID-19 şoku ile %10’dan fazla günlük düşüş anomali olarak işaretlenir
- Ağustos 2023’te döviz kuru şoku ile anormal yükselmeler tespit edilir
- Bazı günlerde, likidite sorunları nedeniyle ortaya çıkan anormal fiyat hareketleri belirlenir
Anomaliler tespit edildikten sonra, analitikler bunların nedenlerini araştırabilir ve risk yönetimi stratejilerini güncelleme imkanı kazanabilir.
Gerçek Zamanlı Anomali Algılama Sistemlerinin Mimarisi
Modern finans kurumlarında, anomali tespiti gerçek zamanlı olarak yapılmalıdır. Bir sistem mimarisi şöyle tasarlanır:
- Veri Haznesi (Data Lake): Tik-tick verileri, oturum açma kayıtları, işlem bilgileri toplanır
- Akış İşleme (Stream Processing): Apache Kafka veya benzer araçlarla veri akışı işlenir
- Anomali Motoru: Eğitilmiş modeller, gelen verilere anında yüklenirler
- Alert Sistemi: Anomali tespit edilirse, uyarı tetiklenir ve ilgili ekipler haberdar edilir
Bu mimariler, yatırım bankalarında ticari anlamada dolandırıcılık tespiti, fiyat manipülasyonu algılama ve piyasa oyunculuğu (market abuse) kontrolü için kullanılır.
Zorluklar ve Çözümler
Finansal anomali tespiti çeşitli zorluklar barındırır. İlk olarak, kavram sapması (concept drift): piyasa ortamları değişirken, daha önceden eğitilen modeller eskimiş hale gelir. Çözüm, modellerin periyodik olarak yeniden eğitilmesidir.
İkinci zorluk, dengesiz veri: anomaliler nadirdir (günlerde 1-2 tane), bu da makine öğrenmesi modellerinin eğitimini güçleştirir. Çözüm, SMOTE (Synthetic Minority Over-sampling Technique) gibi örnekleme tekniklerdir.
Üçüncü zorluk, yanlış pozitifler: normal olayları anomali olarak işaretlemek, sistem kredibilitesini düşürür. Çözüm, ince ayar ve eşik değerlerin dikkatlice seçilmesidir.
Gelecek Yönelimleri
Zaman serisi verilerinde otomatik anomali tespiti, finans sektöğünde giderek daha önemli hale gelmektedir. Yapay zeka ve makine öğrenmesi teknolojileri sayesinde, daha akıllı ve uyarlanabilir sistemler geliştirilmektedir. Gelecekte, derin öğrenme (deep learning), transfer öğrenmesi (transfer learning) ve federe öğrenme (federated learning) gibi gelişmiş teknikler, anomali tespitini daha doğru ve güvenilir hale getirecektir.
Finans profesyonalleri, bu teknolojileri anlamalı ve kurum içinde etkin şekilde uygulamalıdırlar. Borsa İstanbul, kripto para piyasaları ve uluslararası finans piyasalarında başarılı olmak için, anomaliyi zamanında tespit etmek ve uygun şekilde hareket etmek kritik önem taşımaktadır.








