Hong Kong Üniversitesi İşletme Fakültesi, önde gelen yapay zekâ modellerinin bağımsız yatırımcılar olarak gerçek döviz piyasalarında nasıl performans gösterdiğini inceleyen araştırmasının ilk sonuçlarını açıkladı. On büyük dil modelinin aynı sermaye, piyasa verileri ve işlem koşulları altında yarıştığı deneyde, Alibaba tarafından geliştirilen Qwen yaklaşık yüzde 10 getiriyle ilk sırada yer alırken, DeepSeek yüzde 15,1’lik kayıpla en zayıf performansı gösterdi.
Araştırma, büyük dil modellerinin yalnızca soruları yanıtlayan sistemlerden çıkarak kendi başlarına karar verebilen ve çeşitli araçları kullanabilen “yapay zekâ ajanlarına” dönüşmesiyle birlikte gündeme gelen önemli bir soruya yanıt arıyor: Bu sistemler, öngörülemeyen gerçek dünya koşullarında gerçekten kazançlı kararlar alabiliyor mu?
Hong Kong Üniversitesi İşletme Fakültesi bünyesindeki Yapay Zekâ Değerlendirme Laboratuvarı, bu soruyu incelemek amacıyla Agentic Trader adlı bir platform geliştirdi. Profesör Jack Jiang liderliğinde yürütülen çalışmada yapay zekâ modelleri, canlı piyasa verilerini takip ederek alım-satım kararlarını herhangi bir insan müdahalesi olmadan verdi.
On yapay zekâya 100’er bin dolar verildi
Nisan 2026’da başlayan değerlendirmede ABD ve Çin merkezli teknoloji şirketleri tarafından geliştirilen on büyük dil modeli yer aldı. Deneye OpenAI, Anthropic, Google, Alibaba, Moonshot AI, Zhipu AI, ByteDance ve DeepSeek gibi şirketlerin modelleri katıldı.
Her yapay zekâ ajanına başlangıçta 100 bin dolar sermaye tahsis edildi. Modeller aynı kaldıraç oranlarına, aynı işlem araçlarına ve aynı canlı piyasa verilerine erişti. Araştırmacılar herhangi bir yatırım stratejisi belirlemedi; ne zaman, hangi varlıkta ve ne büyüklükte işlem yapılacağına modeller tamamen kendileri karar verdi.
Platformda avro/dolar, sterlin/dolar ve dolar/yen gibi başlıca döviz paritelerinin yanı sıra S&P endeksi ve değerli metallerde de işlem yapılmasına izin verildi.
Araştırma ekibine göre bütün şartların eşit tutulması, modeller arasındaki sonuç farklarının doğrudan yapay zekâ sistemlerinin karar verme kabiliyetlerinden kaynaklanmasını sağladı.
Qwen yaklaşık yüzde 10 kazandırdı
Altı haftalık canlı işlem döneminin sonunda modeller arasında belirgin performans farklılıkları oluştu.
Alibaba’nın Qwen3.5 Plus modeli yaklaşık yüzde 10’luk kümülatif getiriyle en başarılı sistem oldu. Kimi ve Seed de en yüksek getiriyi sağlayan modeller arasında yer aldı. GLM ile GPT ise başlangıç sermayesine yakın bir seviyede kalarak büyük ölçüde başa baş performans gösterdi.
MiniMax ve Claude daha belirgin kayıplar yaşarken, DeepSeek V3.2 yüzde 15,1’lik zararla son sırada yer aldı. Böylece en iyi ve en kötü performans gösteren modeller arasındaki fark yaklaşık 25 puana ulaştı.
Araştırmanın sonuçları, bir yapay zekâ modelinin matematik, kodlama, mantık yürütme veya bilgi sorularında başarılı olmasının gerçek finans piyasalarında da aynı başarıyı göstereceği anlamına gelmediğini ortaya koydu.
Hong Kong Üniversitesi ekibi, daha önce yayımladığı muhakeme testlerinde yüksek puan alan bazı modellerin canlı piyasa koşullarında beklenen performansı gösteremediğine dikkat çekti.
Çok işlem yapmak daha fazla kazanç getirmedi
Çalışmanın dikkat çeken sonuçlarından biri de işlem sayısıyla kârlılık arasında doğrudan bir ilişki bulunmaması oldu.
DeepSeek V3.2, Claude Opus 4.6 ve Gemini 3.1 Pro Preview modellerinin her biri altı hafta içinde binden fazla işlem yaptı. Buna karşılık Grok-4.1 Fast yaklaşık 200 işlemle sınırlı kaldı. Qwen3.5 Plus, Kimi K2.5 ve Seed-2.0-Lite ise 500 ila 800 arasında işlem gerçekleştirdi.
Ancak en sık işlem yapan modeller, en fazla kazancı elde edemedi. Araştırmacılar, piyasalarda kararların sayısından çok kalitesinin belirleyici olabileceği sonucuna vardı.
Başka bir ifadeyle, bir yapay zekânın sürekli alım-satım yapması onun piyasayı daha iyi değerlendirdiği anlamına gelmiyor. Aksine aşırı işlem, yanlış kararların ve maliyetlerin birikmesine yol açabiliyor.
Daha fazla risk, daha yüksek getiri sağlamadı
Modellerin risk alma davranışlarında da önemli farklılıklar gözlendi.
Gemini 3.1 Pro Preview ve DeepSeek V3.2 görece yüksek kaldıraç kullandı ve daha büyük sermaye kayıpları yaşadı. Kimi K2.5 ise riskini daha kontrollü yönetti ve araştırmada en güçlü performanslardan birini ortaya koydu.
OpenAI’ın GPT-5.4 modeli daha ihtiyatlı bir yaklaşım benimsedi. Düşük piyasa pozisyonu taşıyan modelin hem kazançları hem de fiyat dalgalanmalarından kaynaklanan kayıpları sınırlı kaldı.
Sonuçlar, daha fazla risk almanın otomatik olarak daha yüksek getiri sağlamadığını gösterdi. Başarılı bir yapay zekâ yatırımcısının yalnızca piyasanın yönünü tahmin etmesi değil, pozisyon büyüklüğünü ve olası zararları da etkili biçimde yönetmesi gerektiği belirtildi.
Finans piyasaları yapay zekâ için “en ağır sınavlardan biri”
Araştırma ekibi, canlı finans piyasalarını yapay zekâ modelleri için nihai stres testlerinden biri olarak tanımlıyor.
Matematik veya kodlama testlerinde yapay zekâya belirli bir soru veriliyor ve sistemden tek bir doğru yanıt üretmesi bekleniyor. Finans piyasalarında ise koşullar sürekli değişiyor ve her karar, daha sonraki kararları da etkiliyor.
Bir modelin başarılı olabilmesi için canlı bilgileri değerlendirmesi, belirsizlik altında karar vermesi, işlemleri zamanında gerçekleştirmesi ve önceki tercihlerinin sonuçlarını sürekli olarak yönetmesi gerekiyor.
HKU İşletme Fakültesi Yapay Zekâ Değerlendirme Laboratuvarı Direktörü Profesör Jack Jiang, modeller arasındaki performans farklarının değişken ortamlarda daha belirgin hale geldiğini söyledi.
Jiang’a göre finansal işlem deneyleri, yapay zekânın yalnızca bilgiyi işleme ve belirsizlik altında akıl yürütme becerisini değil; risk kontrolü, pozisyon yönetimi ve uzun süre boyunca tutarlı karar verebilme kapasitesini de ölçüyor.
Klasik yapay zekâ testleri artık yeterli olmayabilir
Araştırmacılar, büyük dil modellerini değerlendirmek için kullanılan geleneksel ve durağan testlerin, kendi başına hareket eden yeni nesil yapay zekâ ajanlarını ölçmekte yetersiz kalabileceğini belirtiyor.
Bir modelin tek bir soruya doğru yanıt vermesi, uzun süre boyunca değişen koşulları takip ederek doğru kararlar alabileceğini göstermiyor. Yapay zekâ ajanlarının gerçek dünyada kullanılabilmesi için modellerin yalnızca bilgi ve muhakeme becerilerinin değil, zaman içindeki davranışlarının da değerlendirilmesi gerekiyor.
Çalışmaya göre gelecekteki yapay zekâ testlerinin, sistemlerin dinamik ve belirsiz ortamlardaki uzun vadeli karar verme performansına daha fazla odaklanması gerekecek. Bu tür deneylerin, yapay zekâ ajanlarının gerçek dünyada güvenli biçimde kullanılması ve denetlenmesi için daha sağlam bir temel sağlayabileceği ifade edildi.
Sonuçlar kesin yatırım başarısı anlamına gelmiyor
Araştırma ekibi, açıklanan sonuçların yalnızca altı haftalık canlı işlem dönemine dayandığı konusunda uyarıda bulundu.
Bu nedenle çalışma, modellerin uzun vadeli yatırım yeteneğinin kesin bir ölçüsü olarak değerlendirilmemeli. Piyasadaki farklı ekonomik koşullar, volatilite dönemleri veya krizler modellerin performansını önemli ölçüde değiştirebilir.
Agentic Trader deneyi devam edecek. Araştırmacılar değerlendirme süresini uzatarak yapay zekâ sistemlerinin farklı piyasa şartlarında nasıl karar verdiğini ve stratejilerini zaman içinde ne ölçüde değiştirebildiğini incelemeyi planlıyor.
Kaynak: Hong Kong Üniversitesi, “Testing AI in the Real World: HKU Business School Released AI Agents’ Trading Performance”
