Prediction Arbitrajıyla Para Kazanma: Rust ile Gerçek Zamanlı Fark Analizi Deneyimi

Prediction piyasaları, gelecek olaylara yönelik tahminlerin alınıp satıldığı dinamik bir ekosistem sunar. Ancak bu platformlar arasındaki fiyat farklılıkları, dikkatli bir şekilde izlendiğinde cazip arbitraj fırsatlarına yol açabilir. Bu makalede, bir prediction arbitrajı izleme aracı geliştirme sürecimde karşılaştığım teknik zorlukları ve elde ettiğim kazanç potansiyelini detaylı olarak paylaşacağım.

Fiyat Farklılıklarını Keşfetmek: Arbitrajın Temelleri

Prediction piyasalarında arbitraj, aynı olay için farklı platformlarda oluşan fiyat farklılıklarından yararlanma stratejisidir. Örneğin, bir NBA maçında "New York'un Chicago'yu yenmesi" sonucuna yönelik Evet opsiyonu Kalshi'de 21 kuruştan alınırken, PredictFun'da aynı olay için Hayır opsiyonu 22.3 kuruşa satılabiliyordu. Bu durumda her iki opsiyonu da alarak 43.3 kuruşluk yatırımla 1 lira kazanma garantisi elde edilebiliyordu.

Bu stratejiyi uygulamak için yaklaşık 47 bin dolar yatırım yapıldığında, 109 bin dolarlık kazanç elde edilerek %129 net getiri sağlanmıştı. Ancak bu fırsatları otomatik olarak tespit edebilecek bir sistem geliştirmek, beklenenden çok daha karmaşık bir süreçti.

Rust Tabanlı İzleme Aracının Mimarisi

İzleme aracını inşa etmek için Rust programlama dilini tercih ettim. Neden mi? Çünkü Rust, yüksek performans, bellek güvenliği ve eşzamanlı veri işleme konularında üst düzey yetenekler sunuyor. Sistemimin temel yapısı şu bileşenlerden oluşuyordu:

• REST API Taraması: Aktif piyasa verilerini toplamak için çeşitli prediction platformlarının API'lerine düzenli aralıklarla istek gönderildi.
• WebSocket Bağlantıları: Gerçek zamanlı fiyat hareketlerini takip etmek ve anında tepki vermek için WebSocket protokolü kullanıldı.
• Hafif Ön Uç Arayüzü: Kullanıcıların arbitraj fırsatlarını kolayca görüntüleyebilmesi için basit bir web arayüzü geliştirildi.

Bu bileşenler sayesinde, sistem neredeyse sıfır gecikmeyle veri toplamaya başladı. Ancak asıl zorluk, farklı platformlardaki aynı olayın eşleştirilmesi aşamasında ortaya çıktı.

Olay Eşleştirme: Beyin Yakıcı Bir Süreç

Farklı prediction platformlarında aynı olayın farklı şekillerde ifade edilmesi, otomatik eşleştirmeyi son derece karmaşık hale getiriyordu. Örneğin, "Los Angeles Lakers'ın Houston Rockets'ı yenmesi" ile "Houston Rockets'ın Los Angeles Lakers tarafından yenilmesi" aynı olay olmasına rağmen, sistemler farklı anahtar kelimelerle etiketlenebiliyordu. Bu nedenle, dört aşamalı bir eşleştirme süreci tasarladım:

1. Doğrudan Bağlantı Tespiti (Xref)

Bazı platformlar, örneğin PredictFun, doğrudan diğer platformlara (Polymarket, Kalshi) bağlantılar sunuyordu. Bu bağlantılar sayesinde olaylar %100 doğrulukla eşleştirilebiliyordu. Basit bir grafik gezintisi algoritması kullanılarak bu bağlantılar otomatik olarak tespit edildi.

2. Normalize Edilmiş Eşleştirme

Aynı olayın farklı platformlarda tamamen aynı şekilde ifade edilmesi durumunda, basit bir metin karşılaştırmasıyla eşleştirme yapılabiliyordu. Bu yöntem yaklaşık %95 doğruluk sağladı. Örneğin, "NBA Şampiyonası 2024: Boston Celtics vs Golden State Warriors" gibi standartlaşmış ifadeler kolayca eşleştirilebiliyordu.

3. Bulanık Eşleştirme (Fuzzy Jaccard)

Normalize edilmiş eşleştirmenin dışında kalan olaylar için, benzerlik karşılaştırması yöntemleri kullanıldı. Jaccard benzerlik katsayısı hesaplanarak, en az üç ortak kelimeye sahip olaylar eşleştirildi. Ayrıca, "Fransa vs Brezilya" gibi farklı olayların yanlışlıkla eşleştirilmesini önlemek için Entity Guard adı verilen bir filtre mekanizması kullanıldı. Son olarak, Union-Find algoritmasıyla birbirine bağlı olay zincirleri birleştirildi.

4. Birleştirme (Merge)

Tüm aşamalardan geçen olaylar, nihai birleştirme aşamasına tabi tutuldu. Bu aşamada, hem Xref hem de Normalize edilmiş eşleştirmelerde yer alan olaylar birleştirilerek nihai veri seti oluşturuldu.

Ancak bu karmaşık sistem bile %98 doğruluk hedefine ulaşamadı. Farklı platformların olayları ifade etme biçimlerindeki farklılıklar, sürekli olarak yanlış eşleştirmelere neden oluyordu.

Neden Regex ve Basit Benzerlik Yöntemleri Yeterli Değil?

Sistemin karşılaştığı en büyük zorluk, platformların olayları tanımlama biçimlerindeki esneklikti. Bazı platformlar olayları kısaltarak ifade ederken, diğerleri uzun ve ayrıntılı açıklamalar kullanabiliyordu. Örneğin:

• Platform A: "NBA Şampiyonası 2024: Boston"
• Platform B: "2024 NBA Şampiyonası Finali: Boston Celtics vs Golden State Warriors - Maç Sonucu"

Bu tür durumlarda, basit metin karşılaştırmaları yetersiz kalıyordu. Doğru eşleştirme yapabilmek için, her olayın açıklama kurallarını ayrıntılı olarak analiz eden ve standart bir şablona göre sınıflandıran yapay zeka modellerine ihtiyaç vardı.

Gelecekteki Çözümler ve PredictionWit'in Durumu

Prediction piyasalarında arbitraj fırsatlarını otomatik olarak tespit edebilecek bir sistem geliştirmek, beklenenden çok daha karmaşık bir süreç oldu. Şu anda PredictionWit adı verilen projem geçici olarak durdurulmuş durumda, ancak gelecekte daha gelişmiş yapay zeka yöntemleriyle yeniden canlandırılması planlanıyor.

Bu süreçten çıkarılan en önemli ders, prediction piyasalarında arbitrajın gerçekten var olduğu, ancak bu fırsatları yakalamanın otomatik sistemler gerektirdiğiydi. Gelecekte, büyük dil modelleri (LLM) ve doğal dil işleme (NLP) tekniklerinin bu alanda devrim yaratması bekleniyor. Bu sayede, milyonlarca farklı olay ve platform arasındaki ilişkiler daha doğru bir şekilde eşleştirilebilecek.