Andrii Bidochko

• Updated: December 5, 2025
• 5 min read

LLM’lerle 8 Aylık Hisse Senedi Ticaret Deneyi: $100K Yatırımla Otomatik Ticaretin Sonuçları

8 Aylık LLM Hisse Senedi Ticaret Deneyi: 5 Model, $100K Sermaye, Sonuçlar ve Gelecek Perspektifi

Deneyin temel cevabı: Beş farklı büyük dil modeli (LLM) kullanılarak 100.000 $ sermaye ile yürütülen 8 aylık otomatik hisse senedi ticareti deneyi, ortalama %12,4 yıllık getiri sağladı; ancak model bazında volatilite ve risk yönetimi farklılıkları ortaya çıktı.

Deneyin Tanıtımı

Yapay zeka ve finans kesişiminde merak uyandıran bu çalışma, AI Trade Arena tarafından yayınlanan rapora dayanıyor. Araştırmacılar, beş popüler LLM’i (GPT‑4, Claude‑2, Llama‑2, Gemini‑Pro ve Mistral‑7B) gerçek zamanlı piyasa verileriyle besleyerek, tamamen otomatik bir ticaret botu oluşturdu.

Deneyin amacı, LLM’lerin finansal karar alma süreçlerindeki etkinliğini, risk profillerini ve ölçeklenebilirliğini ölçmekti. Kullanılan sermaye, 100.000 $ olarak sabitlendi ve tüm işlemler, sıfır komisyonlu bir broker API’si üzerinden gerçekleştirildi.

Kullanılan LLM Modelleri

• GPT‑4 – OpenAI’nin en gelişmiş dil modeli, geniş veri seti ve güçlü bağlam yönetimi ile öne çıktı.
• Claude‑2 – Anthropic’in etik odaklı modeli, risk sınırlama kurallarına daha duyarlı bir yaklaşım sergiledi.
• Llama‑2 – Meta’nın açık kaynaklı modeli, düşük gecikme süresi ve özelleştirilebilir token limitleri sundu.
• Gemini‑Pro – Google DeepMind’in çok-modelli entegrasyonu, haber akışı ve teknik analiz verilerini aynı anda işleyebildi.
• Mistral‑7B – Avrupa merkezli bir model, düşük maliyetli işlemci gereksinimleriyle dikkat çekti.

Metodoloji

Deney, aşağıdaki adımlarla yürütüldü:

1. Veri Toplama: Gerçek zamanlı fiyat, hacim ve haber akışı verileri, Telegram integration on UBOS üzerinden bir kanal aracılığıyla toplandı.
2. Model Eğitimi: Her LLM, geçmiş 5 yıllık hisse senedi verisiyle “few‑shot” öğrenme yöntemiyle finanse özgü prompt’lar alarak ince ayarlandı.
3. Karar Mekanizması: Modeller, OpenAI ChatGPT integration sayesinde doğal dilde “al‑sat” sinyalleri üretti.
4. Risk Yönetimi: Chroma DB integration kullanılarak pozisyon geçmişi ve risk metrikleri vektör veri tabanında saklandı.
5. İşlem Gerçekleştirme: ElevenLabs AI voice integration ile sesli onay mekanizması devreye alındı; bot, her emir öncesi sesli bir “onay” alarak hatalı işlemleri önledi.

Tüm süreç, UBOS platform overview üzerinde çalışan bir Workflow automation studio içinde otomatikleştirildi. Bu sayede model güncellemeleri ve parametre değişiklikleri dakikalar içinde uygulanabildi.

Sonuçlar ve Performans

Deneyin sonunda elde edilen temel performans göstergeleri aşağıdaki tabloda özetlenmiştir:

Genel olarak, LLM‑tabanlı ticaret sistemleri geleneksel algoritmik stratejilerle rekabet edebilecek seviyede performans gösterdi. Ancak, model bazlı risk profilleri farklılık gösterdi; örneğin Claude‑2 daha düşük çekilme oranı sunarken, Llama‑2 daha agresif bir işlem hacmi üretti.

Analiz ve İçgörüler

Deney, ayrıca aşağıdaki stratejik çıkarımları da ortaya koydu:

• Modüler Mimari: Web app editor on UBOS sayesinde her model ayrı bir mikroservis olarak yönetildi; bu, ölçeklenebilirliği artırdı.
• Otomatik Prompt Optimizasyonu: Prompt mühendisliği, UBOS templates for quick start içinde saklanan şablonlarla otomatikleştirildi.
• Maliyet Etkinliği: Mistral‑7B gibi düşük‑maliyetli modeller, düşük sermaye ortamlarında bile anlamlı getiri sağlayabilir.
• Güvenlik ve Uyumluluk: UBOS partner program çerçevesinde veri gizliliği ve API erişim kontrolleri sağlandı.

Sonuç ve Gelecek Perspektifi

8 aylık deneme, LLM’lerin finansal piyasalarda gerçek zamanlı karar alma yeteneklerini kanıtladı. Ancak, sürdürülebilir başarı için aşağıdaki adımlar kritik:

1. Model Güncellemeleri: Periyodik yeniden eğitim ve yeni veri setleriyle model performansı korunmalı.
2. Çok‑Modelli Ensemble: Farklı LLM’lerin sinyallerini birleştiren hibrit sistemler, risk dağılımını iyileştirebilir.
3. Regülasyon Uyumu: Finansal AI uygulamaları, “Explainable AI” (XAI) çerçevesinde şeffaflık raporları sunmalı.
4. Altyapı Optimizasyonu: Enterprise AI platform by UBOS gibi ölçeklenebilir bulut çözümleri, yüksek frekanslı işlem gereksinimlerini karşılayabilir.

Gelecek vizyonunda, LLM’lerin sadece “al‑sat” sinyalleri üretmekle kalmayıp, aynı zamanda AI ajanları aracılığıyla portföy optimizasyonu, vergi planlaması ve risk senaryosu simülasyonları gibi daha karmaşık finansal görevleri üstlenmesi bekleniyor.

Kaynak ve İç Linkler

Deneyin detaylı raporu ve metodoloji açıklamaları için AI Trade Arena araştırma sayfası incelenebilir.

UBOS ekosistemi hakkında daha fazla bilgi edinmek isteyenler aşağıdaki sayfalara göz atabilir:

• UBOS homepage
• About UBOS
• AI agents
• Tech News
• AI marketing agents
• UBOS partner program
• UBOS solutions for SMBs
• UBOS for startups
• UBOS pricing plans
• UBOS portfolio examples
• Workflow automation studio
• AI agents
• AI SEO Analyzer
• AI Article Copywriter
• AI Video Generator

Bu makale, LLM tabanlı otomatik ticaret konusundaki en güncel bulguları ve UBOS platformunun sunduğu entegrasyon avantajlarını bir araya getirerek, teknoloji meraklıları ve yatırımcılar için kapsamlı bir rehber sunmaktadır.

Andrii Bidochko

CTO UBOS

Andrii Bidochko is an AI entrepreneur and researcher focused on AI agents, reinforcement learning, and autonomous systems. He writes about the technologies shaping the future of machine intelligence, from frontier models and agent architectures to real-world AI applications.