Bir AI kripto alım satım botu gerçekte ne yapar?

Yayımlanma: 12 November 2026 | Güncellenme: 12 November 2026

7 November 2026 itibarıyla üç kripto otomasyon aracı, kendi belgelerinde "AI" başlığı altında üç farklı şeyi tanımlıyor.

• Cryptohopper'ın yardım merkezi, "A.I. şu anlama gelir: Algorithmic Intelligence" diyor. Sunduğunuz stratejileri, geçmiş sinyallerinin bir kâr hedefine ne sıklıkla ulaştığına göre puanladığını anlatıyor.
• 3Commas, "alım satım tavsiyesi veya AI sinyalleri sağlamadığını" ve bunun yerine harici AI araçlarını botlarına bağladığını söylüyor.
• Freqtrade içindeki açık kaynaklı FreqAI modülü, LightGBM ve XGBoost gibi modelleri eğitiyor ve belirli bir takvime göre yeniden eğitiyor.

Bu açıklamaların hiçbiri, tek başına, botun para kazandırıp kazandırmadığını söylemiyor.

Bir kripto alım satım botunda 'AI' ne anlama gelebilir?

Bu mekanizmalar sıklıkla aynı üründe bir arada bulunur. Seçim ve optimizasyon, geniş anlamıyla istatistiksel öğrenme biçimleridir. Bir şeye tahmin modeli yerine puanlayıcı demek, AI etiketi kapsamına girip girmediğini kesinleştirmez; bu tanımların hiçbiri de kârlılığı kanıtlamaz.

Asıl işe yarayan soru şudur: Hangi veriden ne öğreniliyor ve görmediği veriler üzerinde nasıl kontrol ediliyor?

Ben asistanı alım satım sürecinden de ayrı değerlendiririm. Bir LLM, piyasa sinyallerini üreten model olmadan da bir strateji oluşturulmasına yardımcı olabilir. Benzer şekilde bir strateji, açık kuralları uygularken geçmişe dönük testlerle seçilmiş parametreleri kullanabilir.

Platformların kendi belgeleri ne söylüyor?

Tablo, belgelenmiş mekanizmaları ve bu açıklamaların yanıtsız bıraktığı soruları kaydediyor. Bu bir sıralama değil. Belgeler, bir özelliğin ne yapmasının amaçlandığını açıklayabilir; ancak sunucu tarafındaki uygulamasını ortaya koymayabilir veya nasıl performans gösterdiğini kanıtlamayabilir.

Yukarıdaki tüm sağlayıcı alıntıları, 2026-11-12 tarihinde canlı veya arşivlenmiş sayfalardan yeniden kontrol edildi.

Açıklanmayan ayrıntılar, açık bir soru olarak kalır. Bu, sağlayıcının makine öğrenmesi kullanmadığının kanıtı değildir; açıklanmamış bir modelin varlığını varsaymak için de gerekçe değildir.

İyi bir geçmişe dönük test, bir AI botunun işe yaradığını neden kanıtlayamaz?

Basitleştirilmiş deneylerimde, 2022-01-01 ile 2026-10-31 arasındaki herkese açık Binance spot BTCUSDT ve ETHUSDT saatlik verilerini kullandım. Bunlar herhangi bir sağlayıcının sistemini değil, kendi modellerimdeki ve simülatörlerimdeki değerlendirme sorunlarını gösteriyor. Kasıtlı bir geleceğe bakma hatası, bozuk bir testin 84.6% doğruluk raporlamasına yol açtı; ileri yürüyen modelin AUC değeri ise şans düzeyini kapsayan aralıklarla 0.51 oldu. İkinci test, yeniden eğitimin etkisini ayrı olarak ölçmedi.

Tahmin görevi, 4 saatlik mumlara yeniden örneklenmiş saatlik mumları ve ikili bir hedefi kullandı: “yukarı”, sonraki 6 mum boyunca, yani sonraki 24 saatte logaritmik getirinin sıfırın üzerinde olması demekti; sıfır, “aşağı” sayıldı. Girdiler, mum kapanışında mevcut bilgilerden hesaplanan geçmiş getiriler, volatilite, RSI, üstel hareketli ortalama farkı ve hacim z-skoruydu; 0.5 üzerindeki tahmin olasılığı “yukarı” anlamına geliyordu.

Geleceğe bakma hatası bir testin nasıl 85% doğruluk raporlamasına yol açtı?

Kasıtlı olarak eklenen, merkezlenmiş 13 mumluk hareketli ortalama, gelecekteki 6 mumu kullanarak kronolojik eğitim/test ayrımına rağmen lojistik regresyona gelecekten bilgi sızdırdı.

Ortaya çıkan 84.6% doğruluk ve 0.93 AUC, bozuk bir testin çıktılarıdır; model becerisinin kanıtı değildir. Bu özellik olmadan aynı modelin doğruluğu yaklaşık 50% idi.

Karıştırılmış eğitim/test ayrımları sonuçları neden şişirir?

Komşu mumlar, 24 saatlik etiket pencerelerinin büyük bölümünü paylaşır; dolayısıyla ayrım nasıl yapılırsa yapılsın gözlemler birbirine bağımlıdır. Bundan ayrı olarak, verileri karıştırmak hemen bitişik komşuları eğitim kümesine yerleştirir, etiketleri üzerinden örtüşen test sonuçlarını sızdırır ve daha sonraki veriler üzerinde eğitime de izin verir.

Bloklanmış katlar, her test bloğunun her iki tarafındaki verilerle eğitim yapar; öncesinde 24h temizleme aralığı ve sonrasında 48h ambargo uygulanır. Bu nedenle yalnızca ileri yürüyen test, kesin olarak daha eski verilerle eğitim yapar.

Aynı örneklem üzerindeki bu karşılaştırma, ayrım tasarımları arasındaki farkı ölçer; farkın ne kadarının örtüşen etiket sızıntısından, ne kadarının daha sonraki gözlemlerle eğitimden kaynaklandığını ayırmaz.

İleri yürüyen model şanstan ayırt edilebildi mi?

Lojistik regresyonum, kayan 365 günlük bir pencere kullandı ve her 30 günde bir yeniden eğitilerek 35 model üretti; AUC aralıkları 0.5 olan şans düzeyini içeriyordu ve doğruluk, “her zaman yukarı” tahmininin altında kaldı.

Bu, tek bir ileri yürüyen prosedürü değerlendirdi ve yeniden eğitimin etkisini ayrı olarak ölçmedi: Bunun için aynı tarihlerde sabit tutulan bir modelle veya başka bir yeniden eğitim takvimiyle karşılaştırma gerekirdi; böyle bir sonuç raporlamıyorum.

Logaritmik getiri, son değerin başlangıç değerine oranının doğal logaritmasıdır. 0 değişim olmadığı, yaklaşık +0.69 değerin iki katına çıktığı ve yaklaşık −0.69 yarıya indiği anlamına gelir. Dolayısıyla +0.59, +59% değildir; −0.91 de −91% değildir. Model, sonraki 24 saatin yönünü tahmin eder; ancak bu örnekte her 4 saatlik mumda pozisyon kararı yeniden verilir. Bu nedenle test edilen şey tahmin ufkunun kendisi değil, tahmine dayanan belirli bir alım satım politikasıdır.

16 grid ayarının en iyisi, sonraki haftanın sonucunu ne kadar abarttı?

Kendi spot grid simülatörüm, önceki 7 gün üzerinde aralık genişliği ve grid sayısının 16 kombinasyonu arasından en yüksek getiriyi veren ayarı seçti, ardından sonraki 7 günlük getirisini ölçtü; fiyat aralığı da seçim haftasından alındığından, örneklem içi sonuç tasarım gereği iyimserdi.

Aşağıdaki ortalama fark, alternatif mum içi fiyat yolu varsayımı altında da devam etti; ancak bu, her haftanın beklentinin altında kaldığı anlamına gelmez. Aralıklar, art arda gelen 12 haftalık dizileri yeniden örnekleyen hareketli blok bootstrap yönteminden geliyor; böylece komşu haftalar arasındaki bağımlılık korunuyor.

Anny grid botlarını desteklemez.

En yüksek puanlı strateji zirvede kalıyor mu?

Seçicim, tamamlanmış son 90 günlük isabet oranlarını kullanarak beş saatlik kural arasından haftalık seçim yaptı. İsabet, sinyal kapanış fiyatının en az 2% üzerine 24 saat içinde ulaşmak anlamına geliyordu; ardından seçilen kuralın sonraki 28 günlük isabet oranını beş kuralın ortalamasıyla karşılaştırdı.

Gözlenen fark küçüktü: BTC bu ortalamanın biraz altında, ETH biraz üzerindeydi. Ancak eşleştirilmiş fark için bir güven aralığı hesaplanmadı ve değerlendirme pencereleri örtüşüyor.

Bu, eşdeğerlik göstermez veya seçimin değersiz olduğunu kanıtlamaz. Ayrıca isabet oranları kâr değildir: Bu kurulumda zarar durdurma, çıkış veya maliyet yoktu.

Bu deneyler basit özellikleri ve modelleri, sınırlı bir varlık kümesini, tek bir işlem yerini ve dönemi kapsıyor. Örtüşen etiketler bağımsızlığı azaltıyor, işlem gerçekleştirme basitleştiriliyor ve isabet oranları kârı ölçmüyor. Bu testler, değerlendirme tercihlerinin sonuçları nasıl değiştirdiğini gösteriyor. Makine öğrenmesinin kriptoda işe yaramayacağını göstermiyor ve belirli bir sağlayıcının modelleri hakkında hiçbir şey söylemiyor.

Bir AI botu sağlayıcısından hangi kanıtları istemelisiniz?

Aşağıdaki sağlayıcı kanıt kontrol listesini kullanın. Tek başına model açıklaması performansı belirsiz bırakır; tek başına getiri grafiği ise mekanizmayı ve test prosedürünü belirsiz bırakır.

Yanıtlanmamış bir soruyu çözümlenmemiş kabul edin. Sistemin nasıl çalıştığına dair açıklama uydurmak yerine daha fazla ayrıntı isteyin.

Yeniden üretilebilir bir geçmişe dönük test yine de kendi varlıkları, tarihleri ve işlem gerçekleştirme varsayımlarıyla sınırlı olabilir. Bir belirsizlik aralığı, kendisinden önce gelen her araştırma tercihini açıklığa kavuşturmadan da raporlanan bir metriği tanımlayabilir.

Anny Trade bu çerçevenin neresinde?

Anny Trade, asistanı Ask Anny için büyük dil modellerini kullanır. Herkese açık Optimizer sayfası, göstergelerin, geçmişe dönük testlerin, parametre aramasının ve doğrulamanın “deterministik kod — bu döngünün hiçbir yerinde LLM yok” olduğunu söylüyor. CFO Anny Line ve Optimizer matematiği LLM kullanmaz.

Anny'nin botları, bağladığınız borsa hesaplarında açık, kural tabanlı giriş ve çıkış kurallarını uygular; Anny grid botlarını desteklemez. Bu açıklamalar, dil modellerinin nerede kullanıldığını belirtir; kârlılığı kanıtlamaz.

Optimizer'ın deterministik geçmişe dönük testlerini ve parametre aramasını keşfedin ve aynı kontrol listesini ona da uygulayın.

Sık sorulan sorular

Bir AI alım satım botu kripto fiyatlarını tahmin edebilir mi?

Eğitilmiş bir model, tanımlanmış bir piyasa sonucunu tahmin edebilir; ancak bir tahminin var olması, yararlı bir tahmin becerisi bulunduğunu kanıtlamaz. Benim görevim, gelecekteki kesin bir fiyatı değil, belirli bir zaman ufkundaki yönü tahmin etmekti. Bu makaledeki hiçbir model, örneklem dışında güvenilir bir yön tahmin becerisi göstermedi.

İsabet oranına göre strateji puanlamak makine öğrenmesi midir?

Performansa dayalı strateji seçimi, mevcut stratejileri puanlamak için geçmiş sonuçları kullandığından geniş anlamıyla istatistiksel öğrenme sayılabilir. Etiket, bu seçimlerin daha sonra yararlı olup olmayacağını söylemez. İsabet oranı bir kâr ölçüsü değildir.

LLM kullanılması, botun alım satım için makine öğrenmesi kullandığı anlamına gelir mi?

Bir LLM, piyasa tahmin modeli olmadan da strateji yazabilir veya alım satım araçlarını çağırabilir. Ne ürettiğini, hangi araçlara erişebildiğini ve işlem gerçekleştirmenin nasıl kontrol edildiğini sorun. Ardından ortaya çıkan stratejiyi ayrı değerlendirin; yalnızca dil modeli kullanımı, alım satım performansını kanıtlamaz.

İleri yürüyen doğrulama nedir?

İleri yürüyen değerlendirme, eski verilerle eğitim yapar ve daha sonraki verilerle test ederek zaman içinde ilerler. Benim prosedürüm, her test bloğundan önce bir temizleme aralığıyla birlikte kayan bir eğitim penceresi ve tekrarlanan yeniden eğitimler kullandı. Bu, bir test bloğunun her iki tarafındaki verilerle eğitim yapan bloklanmış katlardan farklıdır.

Kapalı kaynaklı bir botun AI'ını kendim doğrulayabilir miyim?

Herkese açık belgeler, sunucu tarafındaki uygulamayı açıklığa kavuşturmadan da iddia edilen mekanizmayı belirlemeye yardımcı olabilir. Açıklama eksikliği, iki yönde de kanıt değildir. Basitleştirilmiş deneylerim kapalı kaynaklı sistemleri incelemiyor ve herhangi bir sağlayıcının açıklanmamış modelinin ne yaptığını ortaya koyamaz.

Bu testleri nasıl yaptım (metodoloji ve sınırlar).

Bu makaledeki her sonuç, gerçek alım satımdan değil, geçmiş veriler üzerindeki simülasyonlardan ve geçmişe dönük testlerden geliyor. Varsayımsal ve simüle edilmiş sonuçların doğaları gereği sınırları vardır: Geçmişte ne olduğu bilindiği hâlde oluşturulurlar, gerçek işlem gerçekleştirmeyi yansıtmazlar ve gelecekteki performansı öngörmezler.

Yukarıda açıklanan veri kümesi, varlık başına 42,359 saatlik mum içeriyordu; 2023-03-24 13:00 UTC zamanında borsa kaynaklı bir saatlik veri eksikti. Örneklenen aylık sağlama toplamları, Binance'ın yayımladığı sağlama toplamlarıyla eşleşti. Yazılım sürümleri numpy 2.5.4, pandas 3.1.1 ve scikit-learn 1.9.1 idi.

Veriler 2026-10-31 23:00 UTC tarihinde sona eriyor; tamamlanmamış sonuçlar aşağıdaki şekilde ele alındı.

• Tahmin testleri: Sonraki 24 saati kapsayan eksiksiz bir etiketi bulunmayan mumlar çıkarıldı; bu nedenle son etiketli 4 saatlik mum 2026-10-30 20:00 UTC. İleri yürüyen 35 bloğun sonuncusu 2026-10-17 tarihinde başlıyor.
• Grid: Bir karar, yalnızca sonrasında 30 tam günlük veri varsa tutuldu. Böylece 2023-01-02 ile 2026-09-21 arasında 195 haftalık karar elde edildi.
• Seçici: 2023-01-02 ile 2026-10-19 arasında 199 haftalık karar verdi. 2026-10-05 tarihinden itibaren son üç kararın 28 günlük pencereleri, verinin sona ermesi nedeniyle kısaldı; son 24 saatteki sinyaller isabet sayılmadı. Bu üç karar çıkarıldığında küçük farkların yönü aynı kalıyor (BTC 0.32 karşısında 0.34, ETH 0.47 karşısında 0.46).

Lojistik regresyon, C = 0.1 düzenlileştirme parametresiyle standartlaştırılmış özellikler kullandı. Ayrım karşılaştırmasında 200 ağaçlı ve minimum yaprak büyüklüğü 5 olan bir rastgele orman kullanıldı. Sızıntı içermeyen girdiler; 1, 3, 6, 18 ve 42 mumluk getirileri, 18 ve 42 mumluk volatiliteyi, RSI(14) değerini, 20 mumluk ve 50 mumluk üstel hareketli ortalamalar arasındaki farkı ve 42 mumluk hacim z-skorunu kapsıyordu.

İleri yürüyen AUC aralıkları, blok başına art arda gelen 42 adet 4 saatlik mum, 500 yeniden örnekleme ve 2.5th–97.5th yüzdelik dilimleriyle hareketli blok bootstrap kullandı. Alım satım örneği, sinyal mumunun kapanışından itibaren sonraki 4 saatlik getiriyi gecikme olmadan elde etti. 15 bps maliyet, pozisyon değişimi başına varsayılan 10 bps işlem ücreti ve 5 bps fiyat kaymasından oluşuyordu.

Tahmin, sonraki 24 saatin yönünü hedeflese de bu alım satım politikası her 4 saatlik mumda pozisyonunu yeniden değerlendirir. Getirileri, tahmin ufkunun doğrudan paraya çevrilmesini değil, bu belirli politikayı değerlendirir. Ne 0.5 yakınındaki AUC ne de “her zaman yukarı” tahmininin altındaki doğruluk, tek başına kârlı fırsatları dışlar: Kazanç ve kayıp büyüklükleri, eşikler ve koşula bağlı performans da önemlidir.

Grid adayları, geçmiş aralığın yarısının 0.8×, 1.0×, 1.25× ve 1.6× katı olan aralık genişliklerini 10, 25, 50 ve 100 seviyeyle birleştirdi. Her emir gerçekleşmesinde 0.05% ücret ödendi; fiyat kayması uygulanmadı. Her hafta sıfırdan başlandı; satılmamış coin, çıkış ücreti olmadan son kapanış fiyatıyla değerlendi. Fark aralıkları, 195 haftalık farkın dairesel hareketli blok bootstrap yöntemini kullanıyor (12 haftalık bloklar, 10,000 yeniden örnekleme, sabit rastgelelik tohumu). Haftalık farklar, 1 gecikmede hafif negatif otokorelasyon gösterdi ve otomatik bir blok uzunluğu kuralı yaklaşık 11 hafta (BTC) ve 16 hafta (ETH) önerdi. 2–16 haftalık blokların aralıkları, sıradan bir bootstrap yönteminin aralıklarına benzerdi veya onlardan daha dardı.

Seçicinin kuralları RSI, MACD, Bollinger bantları, bir EMA kesişimi ve önceki 48 saatin en yüksek seviyesinin aşılmasını kullandı. Bir kuralın puan alabilmesi için en az 5 tamamlanmış sinyali olması gerekiyordu. Örtüşen değerlendirme pencereleri, gözlenen küçük farkları yorumlarken önem taşır.

Araştırma kapsamında yaptığım ikinci bir iç incelemede, dört özgün betiğin tümünü yeniden çalıştırdım ve bayt düzeyinde aynı çıktı dosyalarını elde ettim. Rastgele seçilen 40 zaman damgasının 40 tanesinde, gelecekteki verilerin değiştirilmesi sızıntısız özellikleri değiştirmedi; kasıtlı geleceğe bakma özelliği ise tasarım gereği 40 kontrolün 40 tanesinde başarısız oldu. Etiketlerin test dönemine taştığı ileri yürüyen kat sayısı 0 idi ve ölçekleyici, işlem hattı içinde yalnızca eğitim verisine uyarlandı.

Bu inceleme, yeniden üretilebilirliği ve sızıntısız işlem hatlarında bilinen sızıntıların bulunmadığını destekliyor. Sonuçların başka dönemlerde, başka varlıklarda veya işlem yerlerinde ya da gerçek işlemlerde geçerli olacağını göstermiyor ve araştırma seçim yanlılığını ortadan kaldırmıyor.

Sınırlar hâlâ önemli: 2 varlık, 1 işlem yeri, tek dönem ve basit modeller. Etiketler örtüşüyor; emir defterine dayalı fiyat kayması modellenmiyor ve raporlananların ötesinde çoklu test düzeltmesi uygulanmıyor. Grid simülatörü, mutlak getirilerin bağlı olduğu 4 noktalı bir mum içi fiyat yolu kullanıyor. Hiçbir sağlayıcının gerçek sistemini test etmedim, FreqAI'yi çalıştırmadım veya gerçek işlem yapmadım.

Ayrıca bakın

• İleri yürüyen doğrulama nedir?
• CFO Anny Line piyasa rejimlerini nasıl okur?
• AI'ımı canlı kripto piyasa verilerine nasıl bağlarım?
• Freqtrade'in lookahead-analysis belgeleri

Bu makaledeki her sonuç, gerçek alım satımdan değil, geçmiş veriler üzerindeki simülasyonlardan ve geçmişe dönük testlerden geliyor. Varsayımsal ve simüle edilmiş sonuçların doğaları gereği sınırları vardır: Geçmişte ne olduğu bilindiği hâlde oluşturulurlar, gerçek işlem gerçekleştirmeyi yansıtmazlar ve gelecekteki performansı öngörmezler.

Bu makale yalnızca eğitim amaçlıdır — finansal tavsiye değildir. Geçmiş performans, gelecekteki sonuçların göstergesi değildir. Kripto varlıklar oynaktır ve yatırımınızın tamamını kaybedebilirsiniz. Anny Trade bir analiz platformudur, kayıtlı bir yatırım danışmanı değildir.