Gizli Struktur Oxşarlığı Şəbəkələri (Latent Structural Similarity Networks), çoxdəyişənli zaman sıralarındakı aktivlərin yalnız eyni vaxtda yüksəlib-enməsinə deyil, zaman ərzində nümayiş etdirdikləri daha mürəkkəb davranış nümunələrinə əsasən oxşarlıqlarının aşkarlanmasını hədəfləyən nəzarətsiz maşın öyrənməsi yanaşmasıdır. Olusegun Owoeye tərəfindən hazırlanmış bu tədqiqat zaman sıralarını aşağıölçülü gizli təsvirlərə çevirərək aktivlər arasında birbaşa müşahidəsi çətin olan struktur əlaqələrinin oxşarlıq şəbəkəsi vasitəsilə araşdırıla biləcəyini göstərir.

Təklif olunan metod növbəti qiyməti proqnozlaşdırmaq və ya avtomatik investisiya əməliyyatı aparmaq üçün hazırlanmayıb. Tədqiqatın əsas məqsədi çoxsaylı aktivlər arasındakı mümkün əlaqələri əvvəlcədən müəyyənləşdirilmiş alqı-satqı və ya optimallaşdırma qaydalarına ehtiyac olmadan aşkar etməkdir. Bu məqsədlə zaman sıraları üst-üstə düşən pəncərələrə bölünür,Long Short-Term Memory (LSTM) əsasında ardıcıllıqdan ardıcıllığa avtoenkoderlə gizli təsvirlər öyrənilir və bu təsvirlərin kosinus oxşarlıqlarına əsasən əlaqələr şəbəkəsi qurulur.

Metod Binance birjasından götürülmüş kriptovalyuta spot bazarı məlumatları üzərində qiymətləndirilib. Tədqiqatda bazar kapitallaşmasına əsasən seçilmiş 20 kriptoaktivin USDT-yə qarşı qiymət sıraları istifadə olunub. Məlumat dövrü 2024-cü ilin aprelindən 2025-ci ilin aprelinə qədər təxminən bir ili əhatə edir. Müşahidələr saatlıq tezlikdədir. Açılış, maksimum, minimum və bağlanış qiymətləri (Open, High, Low, Close; OHLC) loqarifmik gəlirlərə çevrilib, 30 zaman addımlı üst-üstə düşən pəncərələr yaradılıb və bütün aktivlər üçün ortaq LSTM avtoenkoderi öyrədilib.

Avtoenkoderin kodlayıcı hissəsində gizli ölçüsü 256 olan iki LSTM qatı istifadə edilib; alınan təsvir ReLU aktivləşdirmə funksiyalı tam əlaqəli qat vasitəsilə 64 ölçülü gizli vektora çevrilib. Təlimdə Adam optimallaşdırıcısı, orta kvadratik yenidənqurma xətası, 64 nümunəlik mini-batch və 20 epoch istifadə olunub. Hər aktivə aid müxtəlif zaman pəncərələrinin gizli vektorları ortalanaraq aktiv səviyyəsində vahid təsvir alınıb, sonra bütün aktiv cütləri arasında kosinus oxşarlıqları hesablanıb.

0,90 kosinus oxşarlığı həddi tətbiq edildikdə 20 aktiv arasında 64 namizəd əlaqə əldə edilib. Yaranan şəbəkə bütün aktivlərin eyni dərəcədə əlaqəli olduğu yekcins quruluş göstərməyib; sıx əlaqəli qrupları, müxtəlif əlaqəli komponentləri və bir-birindən təcrid olunmuş cütləri əhatə edib. Bu nəticə öyrənilmiş gizli təsvirlərin bütün aktivləri eyni ümumi bazar davranışına endirmək əvəzinə müəyyən struktur fərqlərini saxladığını göstərir.

Aşkarlanmış 64 namizəd cüt əlavə olaraq klassikEngle–Granger kointeqrasiya testi (cointegration test) ilə qiymətləndirilib. %95 etibar səviyyəsində aparılan bu sonrakı diaqnostik araşdırmada 16 cüt kointeqrasiya meyarını ödəyib. Bu rəqəm 64 namizədin %25-inə bərabərdir. Qalan 48 cütün testdən keçməməsi həmin əlaqələrin mütləq yanlış olduğu anlamına gəlmir; çünki metodun axtardığı gizli struktur oxşarlığı ilə klassik xətti uzunmüddətli tarazlıq əlaqəsi eyni riyazi anlayış deyil.

Tədqiqatın əsas töhfəsi çoxdəyişənli zaman sıralarındakı əlaqələrin araşdırılması üçün proqnoz və qərarvermə proseslərindən asılı olmayan aşkarlama mərhələsi təqdim etməsidir. Bu yanaşma maliyyə bazarlarından əlavə bioloji ölçmələr, sənaye sensorları, materialların deqradasiya prosesləri və çoxdəyişənli mühəndislik sistemləri üçün də uyğunlaşdırıla bilən metodoloji çərçivə yaradır. Lakin digər sahələrdə ayrıca təcrübələr aparılmayıb.

Tədqiqatın mühüm məhdudiyyəti nəticələrin yalnız bir məlumat tezliyi və bir sabit oxşarlıq həddi ilə təqdim edilməsidir. Məqalədə zaman üzrə sabitliyi, həddə həssaslığı və təkrar qiymətləndirmələrdə əlaqələrin davamlılığını yoxlamaq üçün protokol izah edilib, amma bu yoxlamaların hamısına dair ətraflı rəqəmsal təcrübə nəticələri verilməyib. Həmçinin metod alternativ aşkarlama alqoritmləri ilə müqayisə edilməyib və heç bir investisiya strategiyasının gəlirliliyi sınaqdan keçirilməyib.

Türkiyə baxımından tədqiqatın əhəmiyyəti etiketlənmiş nəticə məlumatları olmayan mürəkkəb zaman sıralarında ilkin araşdırma üçün ümumi metod təqdim etməsidir. Sənaye maşınlarının sensorlarının ortaq davranışlarını, müxtəlif istehsal avadanlıqlarının zaman içində dəyişmə nümunələrini və ya maliyyə aktivləri qruplarının struktur yaxınlığını öyrənmək üçün uyğunlaşdırıla bilər. Bununla belə, bu istifadə sahələri tədqiqatda bilavasitə təsdiqlənmiş tətbiqlər deyil, metodun quruluşundan çıxış edilərək müzakirə olunan mümkün tədqiqat istiqamətləridir.

Gizli struktur oxşarlığı nədir və ənənəvi korrelyasiyadan necə fərqlənir?

Gizli struktur oxşarlığı iki və ya daha çox aktivin müşahidə olunan qiymətlərinin sadəcə eyni vaxtda birlikdə dəyişməsinə deyil, zaman ərzində öyrənilən çoxdəyişənli davranış nümunələrinin bir-birinə nə qədər oxşadığına diqqət yetirir. Tədqiqatda bu oxşarlıq xam məlumatlar üzərində birbaşa hesablanmır; LSTM avtoenkoderinin öyrəndiyi gizli vektorlar müqayisə edilərək qiymətləndirilir.

Zaman sırası nədir?

Zaman sırası (time series), dəyişənin zaman ərzində müxtəlif anlarda müşahidə edilən qiymətlərinin ardıcıl toplusudur. Məsələn, kriptovalyutanın saatlıq bağlanış qiymətləri, maşının dəqiqəlik temperatur ölçmələri və ya istehsal xəttinin saniyəlik vibrasiya məlumatları zaman sırası yaradır.

Belə məlumatlarda müşahidələrin ardıcıllığı vacibdir. Eyni qiymətlərin müxtəlif vaxtlarda başqa ardıcıllıqla ortaya çıxması sistemin davranışı haqqında fərqli məlumatlar daşıya bilər.

Çoxdəyişənli zaman sırası nədir?

Çoxdəyişənli zaman sırası (Multivariate Time Series), eyni aktiv və ya sistemin bir neçə xüsusiyyətinin zaman ərzində birlikdə ölçülməsidir.

Kriptovalyuta bazarında yalnız bağlanış qiymətinə baxmaq təkdəyişənli yanaşmadır; açılış, maksimum, minimum və bağlanış qiymətlərindən alınan xüsusiyyətlərin birlikdə qiymətləndirilməsi isə çoxdəyişənli yanaşmadır.

Tədqiqatın metod bölməsində \(N\) sayda aktivin olduğu və hər aktivin \(T\) zaman nöqtəsi boyunca \(d\) ölçülü xüsusiyyət vektorları ilə təmsil edildiyi fərz olunur:

\[ X_i=\{x_{i,t}\}_{t=1}^{T} \]

\[ x_{i,t}\in\mathbb{R}^{d} \]

Burada:

• \(X_i\): \(i\)-ci aktivə aid çoxdəyişənli zaman sırasıdır.
• \(x_{i,t}\): \(i\)-ci aktivin \(t\) anındakı xüsusiyyət vektorudur.
• \(N\): Araşdırılan aktivlərin sayıdır.
• \(T\): Zaman müşahidələrinin ümumi sayıdır.
• \(d\): Hər zaman nöqtəsindəki xüsusiyyətlərin sayıdır.
• \(\mathbb{R}^{d}\): \(d\) ölçülü həqiqi ədədlər fəzasıdır.

Bu təsvir yalnız qiymət məlumatlarına aid deyil. Eyni riyazi model sənaye mühərrikinin temperatur, cərəyan, vibrasiya və təzyiq kimi fərqli ölçmələrini birləşdirən zaman sıralarını da təmsil edə bilər.

Ənənəvi korrelyasiya nəyi ölçür?

Korrelyasiya, müəyyən şərtlər daxilində iki dəyişənin birlikdə dəyişməsinin istiqamətini və dərəcəsini ümumiləşdirən statistik əlaqədir. Geniş istifadə olunan Pirson korrelyasiyası xətti birgə dəyişikliyə yönəlir.

Məsələn, iki aktivin gəlirləri tez-tez eyni istiqamətdə hərəkət edirsə, müsbət xətti korrelyasiya müşahidə oluna bilər. Lakin bu, həmin aktivlərin daha mürəkkəb zaman davranışlarının tamamilə eyni olduğu demək deyil.

İki aktiv eyni vaxtda eyni istiqamətdə hərəkət etməsə də, volatilliyin qruplaşması, gecikmiş reaksiya, müəyyən dövrlər və ya müxtəlif mərhələlərdə oxşar dəyişmə quruluşları göstərə bilər.

Tədqiqat yalnız eyni vaxtlı xətti birgə hərəkətin bütün belə əlaqələri əhatə etmək üçün kifayət etməyə biləcəyi fikrinə əsaslanır.

Gizli fəza nə deməkdir?

Gizli fəza (latent space), müşahidə edilən çoxölçülü məlumatların öyrənmə modeli tərəfindən daha az xüsusiyyətlə yenidən təmsil olunduğu riyazi fəzadır.

Burada «gizli» sözü xüsusiyyətlərin xam məlumat sütunları kimi birbaşa müşahidə edilmədiyini bildirir. Model təlim zamanı məlumat nümunələrini daha yığcam təsvirə çevirməyi öyrənir.

Məsələn, modelin yaratdığı 64 ölçülü vektorun mənbədə təsvir edilməmiş hansısa ölçüsünün birbaşa «volatillik», başqasının isə «qiymət tendensiyası» olması demək deyil. Gizli ölçülər öyrənilmiş riyazi təsvirin komponentləridir.

Buna görə tədqiqatda gizli təsvirin hər bir ölçüsü ayrıca iqtisadi dəyişən kimi şərh edilmir. Müəllif xüsusilə bu təsvirlərdən əldə olunan əlaqələr şəbəkəsinin quruluşuna yönəlir.

Nəzarətsiz öyrənmə nədir?

Nəzarətsiz öyrənmə (unsupervised learning), modelin hər nümunə üçün əvvəlcədən hazırlanmış düzgün sinif və ya hədəf etiketinə ehtiyac olmadan məlumatın öz quruluşundan müəyyən əlaqələri öyrənməsidir.

Bu tədqiqatda avtoenkoder gələcək kriptovalyuta qiymətini proqnozlaşdıraraq öyrədilmir. Giriş kimi qəbul etdiyi zaman sırası pəncərəsini yenidən qurmağa çalışır.

Beləliklə, öyrənmənin məqsədi investisiya qərarının düzgünlüyü deyil, zaman sırasındakı məlumatın sıxılmış təsvirdə saxlanmasıdır.

Avtoenkoder nədir?

Avtoenkoder (autoencoder), kodlayıcıdan (encoder) və dekoderdən (decoder) ibarət neyron şəbəkəsi yanaşmasıdır.

Kodlayıcı giriş məlumatını daha aşağıölçülü gizli təsvirə çevirir. Dekoder isə həmin gizli təsvirdən başlanğıc məlumatlarını yenidən qurmağa çalışır.

Bu sistemin təlimində mühüm meyar yenidən qurulan məlumatın orijinal məlumatlara nə qədər bənzəməsidir.

Mənbə orta kvadratik yenidənqurma xətasının (Mean Squared Error, MSE) minimuma endirildiyini bildirir. Bu xəta meyarının ümumi riyazi forması öyrədici məqsədlə:

\[ MSE=\frac{1}{m}\sum_{j=1}^{m}(x_j-\hat{x}_j)^2 \]

kimi göstərilə bilər.

Burada \(x_j\) həqiqi giriş qiymətini, \(\hat{x}_j\) yenidən qurulmuş qiyməti, \(m\) isə müqayisə edilən skalyar qiymətlərin ümumi sayını bildirir.

Hər müşahidə ilə yenidən qurulmuş qarşılığı arasındakı fərqin kvadratı alındığı üçün böyük xətaların töhfəsi daha çox olur. Model təlim zamanı bu xətanı azaltmağa çalışır.

Bu tənlik standart MSE anlayışını öyrətmək üçün verilib; mənbədə modelə məxsus bütün tensor ölçüləri ilə yazılmış ayrıca itki funksiyası yoxdur.

Niyə LSTM istifadə olunub?

Long Short-Term Memory (LSTM), ardıcıl məlumatlardakı zaman əlaqələrini öyrənmək məqsədilə hazırlanmış təkrarlanan neyron şəbəkəsi arxitekturasıdır.

Klassik xətti ölçüazaltma metodları bəzi zaman əlaqələrini məhdud şəkildə təmsil edə bildiyi halda, LSTM məlumat ardıcıllığının əvvəlki addımlarından gələn informasiyanı sonrakı addımları emal edərkən istifadə edə bilir.

Tədqiqatda LSTM-nin seçilmə səbəbi oxşarlığın yalnız müəyyən andakı dəyişən qiymətlərindən deyil, zaman ərzində formalaşan davranış nümunələrindən asılı ola bilməsidir.

Lakin LSTM-nin istifadəsi modelin bütün qeyri-xətti əlaqələri qəti şəkildə öyrəndiyinə və ya bütün bazar rejimlərinə dayanıqlı olduğuna sübut deyil. Bu xüsusiyyətlər təlim məlumatlarından və müstəqil yoxlama şəraitindən asılıdır.

Ardıcıllıqdan ardıcıllığa avtoenkoder nə edir?

Sequence-to-Sequence Autoencoder, sabit uzunluqlu və ya müəyyən formada təşkil edilmiş giriş ardıcıllıqlarını kodlayıb yenidən ardıcıllıq şəklində yaratmağı hədəfləyir.

Tədqiqatda hər zaman pəncərəsi çoxdəyişənli ardıcıllıq kimi kodlayıcıya verilir. Kodlayıcı onu gizli vektora çevirir; dekoder isə həmin zaman pəncərəsinin xüsusiyyətlərini yenidən qurur.

Tədqiqatçının məqsədi yaxşı yenidənqurma xüsusiyyəti göstərən ortaq gizli fəzanın aktivlər arasındakı daha geniş zaman struktur əlaqələrini öyrənmək üçün istifadə edilə bilməsidir.

Bu yanaşma niyə birbaşa korrelyasiya əvəzinə təsvir öyrənir?

Xam gəlir sıralarından hesablanan ənənəvi oxşarlıq ölçüləri sürətli və anlaşılandır. Ancaq hər zaman intervalındakı çoxdəyişənli davranışları tək gəlir göstəricisi ilə ümumiləşdirmək bəzi məlumatların itirilməsinə səbəb ola bilər.

Təklif olunan metod əvvəlcə qısa zaman ardıcıllıqlarındakı nümunələri öyrənir, sonra pəncərələri aktiv səviyyəsində ümumiləşdirir və son mərhələdə gizli vektorları müqayisə edir.

Bu, ənənəvi korrelyasiyanın elmi cəhətdən etibarsız olduğu anlamına gəlmir. Tədqiqat daha geniş aşkarlama çərçivəsi təqdim edir, lakin birbaşa korrelyasiya ilə əhatəli kəmiyyət üstünlüyü müqayisəsi aparmır.

Tədqiqatda 20 kriptoaktiv arasındakı oxşarlıqlar necə aşkar edildi?

Tədqiqat Binance-dəki 20 kriptoaktivin saatlıq OHLC qiymətlərindən hesablanan çoxdəyişənli loq-gəlirləri 30 addımlı pəncərələrə bölüb ortaq LSTM avtoenkoderində emal edib. Hər aktivin öyrənilmiş pəncərə təsvirləri ortalanıb, alınan 64 ölçülü gizli vektorların kosinus oxşarlığına 0,90 həddi tətbiq edilməklə namizəd əlaqələr şəbəkəsi qurulub.

Məlumat dəstinin əhatə dairəsi

Mənbə məlumat dövrünü ay səviyyəsində göstərir. Dəqiq başlanğıc və bitmə saatları, məlumatların götürülmə vaxt nişanı, hər aktivin tam tarixi qeydlərinin sayı və aktiv seçiminin bütün aralıq qaydaları ayrıca təqdim olunmayıb. Buna görə bu təfərrüatlar fərziyyələrlə tamamlanmayıb.

OHLC məlumatları nəyi bildirir?

OHLC, müəyyən zaman intervalı üçün dörd qiymət göstəricisini əhatə edir:

• Open: Saatlıq intervalın açılış qiyməti.
• High: Həmin intervalda müşahidə edilən ən yüksək qiymət.
• Low: Həmin intervalda müşahidə edilən ən aşağı qiymət.
• Close: İntervalın bağlanış qiyməti.

Bu dörd göstərici təkcə bağlanış qiyməti ilə müqayisədə intervaldaxili davranış haqqında daha çox məlumat verə bilər. Məsələn, eyni bağlanış qiyməti olan iki saatlıq şamın maksimum və minimum qiymətləri fərqli ola bilər.

Tədqiqatda bu OHLC sıraları loqarifmik gəlirlərə çevrilib, əlavə yeni xüsusiyyət kanalları daxil edilməyib.

Loqarifmik gəlir nədir?

Loqarifmik gəlir iki ardıcıl müsbət qiymətin nisbətinin natural loqarifmi ilə ifadə edilən qiymət dəyişməsi ölçüsüdür.

Standart tərif öyrədici məqsədlə:

\[ r_t=\ln\left(\frac{P_t}{P_{t-1}}\right) \]

kimi göstərilir.

Burada \(P_t\) müvafiq zamandakı qiyməti, \(P_{t-1}\) əvvəlki zamandakı qiyməti, \(\ln\) isə natural loqarifmi bildirir.

Loqarifmik gəlirlər qiymətlərin mütləq səviyyəsindən çox nisbi dəyişmələrinə diqqət yetirməyə imkan verir. Bu, qiymət səviyyələri müxtəlif olan aktivləri eyni öyrənmə çərçivəsində qiymətləndirməyə kömək edə bilər.

Bu riyazi yazılış standart loq-gəlir tərifidir. Mənbə OHLC loq-gəlirlərindən istifadə edildiyini bildirsə də, dörd qiymət kanalının çevrilməsində çatışmayan qiymətlər, sıfır qiymətlər və məlumatların uyğunlaşdırılması ilə bağlı bütün təfərrüatları ayrı-ayrılıqda açıqlamır.

Məlumatlar niyə pəncərələrə bölünür?

Maliyyə və sənaye zaman sıralarında davranış zamanla dəyişə bilər. Bütün dövrü dəyişməz paylanma fərziyyəsi ilə nəzərdən keçirmək müəyyən dövrlərdə ortaya çıxan lokal struktur xüsusiyyətləri gizlədə bilər.

Sürüşən pəncərə (rolling window), zaman sırasının ardıcıl və əksər hallarda üst-üstə düşən alt hissələr şəklində təhlil edilməsidir.

Tədqiqatda hər pəncərənin uzunluğu:

\[ L=30 \]

olaraq müəyyən edilib. Məlumat tezliyi bir saat olduğundan bu, hər pəncərənin 30 saatlıq müşahidə ardıcıllığını əhatə etməsi deməkdir.

Mənbədə pəncərə addımı (stride) üçün bütün təfərrüatları göstərilən ayrıca rəqəmsal qiymət verilmədiyindən pəncərənin dəqiq neçə müşahidə irəli sürüşdürülərək yaradıldığı fərziyyə ilə bildirilməyib.

Hər pəncərə:

\[ X_i^{(\tau)}\in\mathbb{R}^{L\times d} \]

şəklində göstərilir.

Burada \(\tau\) pəncərənin indeksini, \(L\) pəncərə uzunluğunu, \(d\) isə xüsusiyyət ölçüsünü bildirir.

Mənbə hər pəncərənin öz daxilində xüsusiyyətlər üzrə normallaşdırıldığını bildirir. Lakin istifadə olunan normallaşdırmanın dəqiq tənliyi, mümkün kənar qiymətlər və çatışmayan məlumatlarla bağlı emal əməliyyatları ayrıca ətraflı göstərilməyib. Buna görə konkret z-bal və ya min–max çevrilməsi mənbə metodu kimi qəbul edilməyib.

Pəncərə üzrə normallaşdırmanın məqsədi

Müxtəlif aktivlərin qiymət səviyyələri və volatillik miqyasları bir-birindən fərqlənə bilər. Normallaşdırma modelin yalnız mütləq ölçü fərqlərinə yönəlməsini azaltmaq və zaman ərzindəki davranış formalarını daha müqayisəolunan hala gətirmək məqsədi daşıyır.

Bu əməliyyat bütün aktivləri eyni iqtisadi xüsusiyyətə çevirmir. Yalnız istifadə olunan məlumat təsvirində miqyas təsirlərini azaltmağa yönəlir.

LSTM avtoenkoder arxitekturasının təfərrüatları

Mənbəyə görə kodlayıcı hissədə ardıcıl iki LSTM qatı var və gizli ölçü 256-dır. Son LSTM çıxışı ReLU aktivləşdirmə funksiyalı tam əlaqəli qatla 64 ölçülü gizli vektora çevrilir.

Dekoder hissəsində gizli vektor yenidən proyeksiyadan keçirilir, zaman oxu boyunca təkrarlanır və iki LSTM qatı ilə zamana paylanmış xətti qat vasitəsilə giriş ardıcıllığının xüsusiyyət ölçüsünə çevrilir.

Model TensorFlow/Keras platformasında hazırlanıb və Adam optimallaşdırması ilə 20 epoch öyrədilib.

Epoch, təlim məlumatlarından modelin öyrənmə prosesi zamanı bir tam keçidə verilən addır.Mini-batch isə hər parametr yenilənməsində birlikdə istifadə olunan nümunələr qrupudur. Tədqiqatda mini-batch ölçüsü 64-dür.

Təlim məlumatları bütün 20 aktivin sürüşən pəncərələrindən yaradılmış ortaq nümunə hovuzundan götürülüb. Beləliklə, hər aktiv üçün tamamilə ayrı model əvəzinə ortaq gizli fəza yaradan vahid model öyrədilib.

Ortaq modeldən istifadə aktivlərarası müqayisə üçün vacibdir; çünki müxtəlif aktivlərin gizli vektorları eyni təsvir sistemində yaradılır.

Pəncərə təsvirləri necə birləşdirilir?

Avtoenkoder hər aktivin hər pəncərəsi üçün gizli təsvir yaradır. Lakin aktivlər arasında tək oxşarlıq müqayisəsi aparmaq üçün hər aktivi təmsil edən ümumi vektor lazımdır.

Mənbədə bunun üçün pəncərə vektorlarının arifmetik ortası istifadə olunur:

\[ z_i=\frac{1}{K_i}\sum_{\tau=1}^{K_i}h_i^{(\tau)} \]

Burada:

• \(z_i\): \(i\)-ci aktivin birləşdirilmiş gizli təsviridir.
• \(K_i\):Müvafiq aktiv üçün yaradılmış pəncərələrin sayıdır.
• \(h_i^{(\tau)}\): \(i\)-ci aktivin \(\tau\)-cu pəncərəsindən öyrənilmiş gizli vektordur.
• \(\tau\):Pəncərə indeksidir.

Düstur aktivin bütün pəncərə təsvirlərinin toplanıb pəncərələrin sayına bölündüyünü göstərir. Nəticə aktivin zaman ərzində öyrənilmiş davranış nümunələrini ümumiləşdirən vahid vektordur.

Bu yanaşma müvəqqəti və yalnız müəyyən pəncərədə görünən dəyişmələrin təsirini ortalama yolu ilə azaltmağı hədəfləyir.

Lakin ortalama əməliyyatı bütün zaman dəyişkənliyini itkisiz saxlamır. Məsələn, müxtəlif dövrlərdə əhəmiyyətli dərəcədə fərqlənən davranışlar vahid vektorda birləşə bilər. Müəllifin gələcək sabitlik qiymətləndirmələrinə önəm verməsinin səbəblərindən biri də budur.

Kosinus oxşarlığı necə hesablanır?

Tədqiqatın ikinci əsas tənliyi iki aktivin gizli vektorları arasındakıkosinus oxşarlığıdır (cosine similarity):

\[ s_{ij}=\frac{z_i^{\top}z_j}{\|z_i\|\|z_j\|} \]

Bu tənlikdə:

• \(s_{ij}\): \(i\) və \(j\) aktivləri arasındakı kosinus oxşarlığıdır.
• \(z_i\):Birinci aktivin gizli vektorudur.
• \(z_j\):İkinci aktivin gizli vektorudur.
• \(z_i^{\top}z_j\):İki vektorun skalyar hasilidir.
• \(\|z_i\|\):Birinci vektorun Evklid normasıdır.
• \(\|z_j\|\):İkinci vektorun Evklid normasıdır.

Evklid norması vektorun riyazi uzunluğudur. Kosinus oxşarlığı vektorların böyüklüyündən daha çox istiqamətlərinin bir-birinə nə dərəcədə yaxın olduğunu qiymətləndirməyə imkan verir.

İki sıfır olmayan vektor eyni istiqamətdədirsə kosinus oxşarlığı 1 olur. Bir-birinə perpendikulyardırsa 0, əks istiqamətdədirsə −1 olur.

Bu qiymət maliyyə gəlirləri arasındakı Pirson korrelyasiya əmsalı ilə eyni ölçü deyil. Mənbədə xam gəlir ardıcıllıqları deyil, öyrənilmiş gizli vektorlar müqayisə olunur.

Düstur sıfır vektor üçün birbaşa təyin olunmur, çünki məxrəcdəki norma sıfır olur. Mənbə belə hal üçün xüsusi hesablama qaydası təqdim etmir.

Niyə kosinus oxşarlığı seçilib?

Müəllifin məqsədi gizli təsvirlərin mütləq böyüklüklərindən daha çox istiqamət oxşarlıqlarını öyrənməkdir. Eyni istiqamətdəki iki gizli vektorun böyüklükləri fərqlənsə də, kosinus oxşarlığı yüksək ola bilər.

Bu xüsusiyyət müxtəlif qiymət və miqyas quruluşlu aktivləri müqayisə edərkən faydalı riyazi meyar verə bilər.

Lakin yüksək kosinus oxşarlığı iki kriptoaktivin gələcəkdə mütləq eyni gəlirə sahib olacağı, aralarında səbəb-nəticə əlaqəsinin mövcudluğu və ya eyni iqtisadi əsasa söykənməsi demək deyil.

Oxşarlıq matrisi nədir?

Hər aktiv cütü üçün hesablanan \(s_{ij}\) qiymətləri matrisdə təşkil oluna bilər. Beləcə sətir və sütunlarda aktivlər, kəsişmələrdə isə onlar arasındakı oxşarlıqlar yerləşir.

20 aktiv üçün bu quruluş 20×20 ölçülü simmetrik oxşarlıq matrisidir.

Matrisin diaqonalındakı qiymətlər sıfır olmayan vektorların özləri ilə kosinus oxşarlığı hesablandığı üçün 1-dir.

Mənbənin Şəkil 1-i bu matrisin rənglərlə göstərilmiş variantıdır. Şəkildə bütün xanaların eyni rəngdə olmadığı və bəzi aktiv qruplarında daha yüksək oxşarlıq olduğu görünür.

Bu, modelin bütün kriptoaktivləri tamamilə eyni təsvir vektoruna endirmədiyini göstərir.

Lakin Şəkil 1-in bütün xanalarına aid 400 rəqəmsal qiymət ayrıca cədvəl kimi dərc edilməyib. Buna görə Verianla görünən rənglərdən dəqiq oxşarlıq əmsalları uydurmur.

Oxşarlıq şəbəkəsi necə qurulur?

Oxşarlıq matrisi bütün aktiv cütlərini əhatə edir. Tədqiqatın məqsədi isə bu sıx əlaqə sahəsindən daha güclü namizədləri ayırmaqdır.

Buna görə aktivlərin düyün (node), kifayət qədər yüksək oxşarlıqlı əlaqələrin isə kənar (edge) kimi təmsil edildiyi çəkili və istiqamətsiz qraf qurulur.

Tədqiqatda istifadə olunan hədd:

\[ \tau=0.90 \]

olaraq müəyyən edilib.

Oxşarlıq qiyməti bu həddə uyğun gələn aktiv cütləri şəbəkədə saxlanılır, digər cütlər namizəd şəbəkənin kənarlarına daxil edilmir.

Bu hədd məlumatlar əsasında eksperimental seçilib və həddən artıq sıx və ya çox seyrək şəbəkələrdən qaçmaq məqsədi daşıyır. Mənbə həddin investisiya optimallaşdırması ilə müəyyənləşdirildiyini bildirmir.

Şəbəkədə düyün, kənar və əlaqəli komponent nədir?

Düyün (node): Bu tədqiqatda bir kriptoaktivi təmsil edir.

Kənar (edge): İki aktiv arasında hədd şərtini ödəyən gizli oxşarlıq əlaqəsini təmsil edir.

Çəki (weight): Kənara aid kosinus oxşarlığı qiymətidir.

Əlaqəli komponent (connected component): Öz daxilində kənarlar yolu ilə bir-birinə çata bilən düyünlər qrupudur.

Sıx altqraf: Qrup daxilindəki düyünlər arasında nisbətən çox əlaqənin olmasıdır.

Təcrid olunmuş cüt: Bir-biri ilə əlaqəli olsa da, şəbəkənin digər böyük komponentlərindən ayrılan iki düyünlü quruluşdur.

Mənbənin Şəkil 2-sində müxtəlif sıxlıqlı qruplar və bir-birindən ayrı cütlər görünür. Şəbəkənin vahid bütöv kimi hər aktivi digərinə bağlamaması, öyrənilmiş təsvirin fərqləndirici əlaqə quruluşu yaratması kimi şərh olunur.

20 aktiv arasında neçə mümkün cüt var?

20 aktivin hər birinin qalan 19 aktivlə müqayisə olunduğunu nəzərə alsaq, hər cütün iki dəfə sayılmaması üçün mümkün unikal cütlərin ümumi sayı:

\[ \binom{20}{2}=\frac{20(20-1)}{2}=190 \]

kimi hesablanır.

Bu rəqəm mənbənin 20 aktivli və istiqamətsiz şəbəkə quruluşundan alınan sadə kombinator nəticədir; yeni eksperimental tapıntı deyil.

Tədqiqatda 190 mümkün unikal cütün 64-ü hədd şərtini ödəyərək namizəd şəbəkədə saxlanılıb.

Beləcə aşkarlama metodu bütün aktiv cütlərini birbaşa sonrakı təhlilə götürmək əvəzinə 64 namizədlə məhdudlaşmış əlaqə quruluşu təqdim edir.

Hədd qiyməti niyə vacibdir?

Hədd tətbiqi şəbəkənin nə qədər sıx olmasına birbaşa təsir edir.

Daha yüksək oxşarlıq həddi adətən daha az əlaqənin saxlanmasına səbəb olur. Aşağı hədd isə daha çox aktiv cütünün namizəd şəbəkəyə daxil olmasına gətirə bilər.

Lakin bu tədqiqatda fərqli hədlər üçün ayrıca hesablanmış şəbəkə nəticələri təqdim edilməyib. Buna görə, məsələn, 0,85 və ya 0,95 həddinin neçə kənar yaradacağı mənbədən bilinmir.

Mənbə alternativ hədd strategiyalarının və hədd diapazonlarının sonrakı tədqiqatlarda qiymətləndirilməsini təklif edir.

Öyrənilmiş şəbəkə niyə dəqiq əlaqə xəritəsi deyil?

Şəbəkə kənarları iki aktivin öyrənilmiş gizli təsvirləri arasında yüksək istiqamət oxşarlığı olduğunu göstərir.

Lakin bu xüsusiyyət aktivlərin real dünyada bir-birinə təsir etməsinin, ortaq əsas səbəbdən asılı olmasının və ya gələcəkdə birgə hərəkət etməsinin qəti sübutu deyil.

Müəllif şəbəkəni bilavasitəəlaqələrə dair hipotezlər şəbəkəsi (relational hypothesis graph) kimi təqdim edir. Bu anlayış şəbəkənin sonrakı araşdırmalar üçün namizəd əlaqələr təklif etdiyini, qəti səbəbiyyət və ya təsdiqlənmiş iqtisadi tarazlıq əlaqələri vermədiyini bildirir.

Niyə 64 namizəd əlaqədən yalnız 16-sı kointeqrasiya testini ödəyib?

Çünki tədqiqatın gizli oxşarlıq meyarı və Engle–Granger kointeqrasiya testi fərqli əlaqə növlərini qiymətləndirir. Gizli oxşarlıq öyrənilmiş çoxdəyişənli zaman nümunələrinin yaxınlığını ölçür; kointeqrasiya isə müəyyən inteqrasiya və xətti uzunmüddətli əlaqə fərziyyələri altında sıralar arasında stasionar xətti kombinasiya olub-olmadığını yoxlayır.

Kointeqrasiya nədir?

Kointeqrasiya (cointegration), müəyyən qeyri-stasionar zaman sıralarının uyğun xətti kombinasiyasının stasionar quruluşa malik olması halıdır.

Bu anlayış xüsusilə zaman sıraları arasında uzunmüddətli tarazlıq əlaqələrinin öyrənilməsində istifadə olunur.

İki sıranın qısamüddətli dövrdə oxşar istiqamətlərdə hərəkət etməsi kointeqrasiya üçün təkbaşına kifayət etmir. Eyni şəkildə aşağı xətti korrelyasiya da bütün mümkün uzunmüddətli əlaqələri istisna etmir.

Engle–Granger testi nə edir?

Engle–Granger kointeqrasiya testi, uyğun inteqrasiya şərtlərində iki zaman sırası arasında xətti uzunmüddətli əlaqə olub-olmadığını araşdıran klassik ekonometrik metodlardan biridir.

Standart ikidəyişənli yanaşmada bir sıra digərinin xətti funksiyası kimi modelləşdirilir və modelin qalıq xəta üzvünün stasionarlığı yoxlanılır.

Öyrədici şəkildə:

\[ Y_t=\alpha+\beta X_t+\varepsilon_t \]

yazıla bilər.

Burada \(Y_t\) və \(X_t\) zaman sıralarını, \(\alpha\) sabit həddi, \(\beta\) xətti əlaqə əmsalını və \(\varepsilon_t\) qalıq həddi təmsil edir.

Müvafiq nəzəri şərtlər təmin edildikdə qalıq həddin stasionar olması sıralar arasında kointeqrasiyaya işarə edə bilər.

Bu tənlik standart Engle–Granger metodunun öyrədici yazılışıdır. Mənbə məqalədə hansı aktiv cütünə hansı rəqəmsal \(\alpha\) və \(\beta\) qiymətlərinin tətbiq olunduğu göstərilməyib.

Stasionarlıq nədir?

Stasionarlıq (stationarity), zaman sırasının müəyyən statistik xüsusiyyətlərinin zaman ərzində dəyişməməsi ilə bağlı anlayışdır.

Zəif stasionarlıq kontekstində adətən orta qiymətin sabit olması, dispersiyanın zamanla dəyişməməsi və kovariasiyanın yalnız zaman nöqtələri arasındakı gecikmədən asılı olması nəzərdən keçirilir.

Maliyyə qiymət səviyyələri çox vaxt qeyri-stasionar proseslər kimi öyrənilir. Loqarifmik gəlirlər bəzi modelləşdirmə şərtlərində daha stasionar təsvir verə bilər.

Lakin gəlirlərin istifadəsi bütün araşdırma dövründə hər kriptoaktivin riyazi mənada stasionar olduğunun qəti sübut edilməsi demək deyil. Mənbə bütün aktivlər üçün ayrıca stasionarlıq testi cədvəlləri təqdim etmir.

Mənbədə kointeqrasiya necə istifadə olunub?

Tədqiqatda Engle–Granger testi gizli şəbəkə qurulduqdan sonra tətbiq edilib.

Əvvəlcə 0,90 həddi ilə 64 namizəd əlaqə seçilib, sonra bu namizəd cütlər %95 etibar səviyyəsində kointeqrasiya testindən keçirilib.

Test nəticəsində 16 namizəd cüt meyarı ödəyib.

Bu nəticə:

\[ \frac{16}{64}\times100=\%25 \]

nisbətinə bərabərdir.

Qalan 48 namizəd cütün kointeqrasiya şərtini ödəmədiyi bildirilib.

Mənbədə bütün 64 cütün ayrı-ayrı p-qiymətləri, test statistikaları və ya istifadə olunan reqressiya əmsalları dərc edilməyib. Buna görə aktivlər üzrə hansı cütün hansı statistik qiymətlə testi keçdiyini bu PDF-dən yenidən hesablamaq mümkün deyil.

48 cüt uğursuz aşkarlamadırmı?

Xeyr. Tədqiqatın məqsədi kointeqrasiya olunmuş cütləri maksimum dəqiqliklə müəyyən edən təsnifat modeli yaratmaq deyil.

Gizli şəbəkə müxtəlif zaman davranışı nümunələrinin ortaq quruluşunu aşkar etməyə çalışır. Kointeqrasiya testi isə daha dar və müəyyən riyazi şərtləri olan klassik ekonometrik əlaqəni araşdırır.

Buna görə test meyarının ödənməməsi gizli vektorlar arasında yüksək oxşarlıq olmadığını göstərmir.

Həmçinin 16 cütün kointeqrasiya meyarını ödəməsi onların avtomatik olaraq gəlirli investisiya imkanı olduğu anlamına gəlmir.

Bu nəticələr investisiya strategiyası yaradırmı?

Xeyr. Tədqiqat alqı-satqı siqnalı yaratmayıb, əməliyyat açma və ya bağlama qaydası hazırlamayıb və strategiyanın gəlirliliyini hesablamayıb.

Əməliyyat xərcləri, sürüşmə (slippage), portfel gəliri, Sharpe əmsalı, maksimum eniş və ya real investisiya qazancı kimi nəticələr təqdim olunmayıb.

Müəllif əlaqələr şəbəkəsini gələcəkdə sahəyə aid araşdırmalarda istifadə edilə bilən ilkin aşkarlama quruluşu kimi təqdim edir.

Əlaqələr şəbəkəsinin əsas üstünlüyü nədir?

Çoxsaylı aktivlərdən ibarət sistemdə bütün mümkün cütləri ayrı-ayrılıqda ətraflı təhlil etmək böyük analiz yükü yarada bilər.

Təklif olunan yanaşma əvvəlcə bütün aktivləri ortaq gizli fəzada müqayisə edir, sonra yüksək oxşarlıqlı əlaqələri ayırır.

Beləliklə, daha ətraflı araşdırma üçün məhdud namizəd siyahısı əldə edilir.

Lakin burada mühüm fərq var: ilkin oxşarlıq hesablaması bütün cütlər üzrə aparılır. Deməli, metod bütün başlanğıc cüt oxşarlığı hesablamalarını aradan qaldırmır. Daraltma sonrakı ətraflı təhlil mərhələsində baş verir.

Zaman üzrə sabitlik necə qiymətləndirilə bilər?

Tədqiqat aşkarlanmış əlaqələrin fərqli zaman intervallarında yenidən yaranıb-yaranmadığını yoxlamaq üçün sabitlik qiymətləndirməsi protokolu təklif edir.

Bu yanaşmada məlumat dövrünü müxtəlif zaman bloklarına bölüb eyni öyrənmə və şəbəkəqurma əməliyyatlarını təkrar tətbiq etmək olar.

Sonra şəbəkələrdə ortaq kənarlar müqayisə oluna bilər.

Mənbə nümunə olaraqJaccard oxşarlığını və oxşarlıq matrisləri arasında sıra korrelyasiyasını təklif edir.

İki kənar çoxluğu üçün Jaccard oxşarlığının standart tərifi:

\[ J(A,B)=\frac{|A\cap B|}{|A\cup B|} \]

şəklindədir.

Burada \(A\) və \(B\) müxtəlif zaman bloklarında əldə olunmuş kənar çoxluqlarıdır. \(A\cap B\) ortaq kənarları, \(A\cup B\) isə ən azı bir şəbəkədə olan bütün unikal kənarları bildirir.

Jaccard qiyməti 1 olduqda iki çoxluq eynidir, 0 olduqda isə ortaq kənar yoxdur.

Bu düstur məqalədə təklif edilmiş sabitlik qiymətləndirməsini öyrətmək üçün verilib. Mənbə bu tədqiqat üçün hesablanmış konkret Jaccard qiyməti təqdim etmir.

Əsas əlaqələr çoxluğu nədir?

Müəllif müxtəlif təkrar qiymətləndirmələrdə davamlı ortaya çıxan əlaqələrinəsas kənarlar (core edges) kimi araşdırıla biləcəyini izah edir.

Məsələn, müəyyən aktiv cütünün müxtəlif zaman bloklarında təkrar-təkrar yüksək oxşarlıq göstərməsi yalnız tək dövrdə yaranan oxşarlıqdan daha sabit namizəd əlaqəyə işarə edə bilər.

Mənbə bunu tədqiqat protokolunun hissəsi kimi müəyyənləşdirir. Lakin 64 əlaqədən hansının neçə zaman blokunda təkrarlandığını göstərən tam davamlılıq cədvəli yoxdur.

Hədd həssaslığı niyə ayrıca yoxlanmalıdır?

0,90 həddi ilə qurulan şəbəkənin müəyyən quruluşu var. Hədd dəyişdikdə əlaqələrin bir hissəsi silinə və ya yeniləri əlavə oluna bilər.

Buna görə ən böyük əlaqəli komponentin ölçüsü, sıx əlaqəli düyünlərin saxlanması və ya güclü kənarların davamlılığı kimi xüsusiyyətlər müxtəlif hədlərdə araşdırıla bilər.

Ancaq mənbə müxtəlif hədlərə aid ölçülmüş müqayisəli nəticələri dərc etməyib. Tədqiqatdakı hədd həssaslığı qiymətləndirməsi metod təklifidir; çoxsaylı hədd təcrübələrinin tamamlandığı anlamına gəlmir.

Tədqiqatın Metodu və Nəticələri

Tədqiqatın dizaynı

Bu tədqiqat nəzarətsiz öyrənmə ilə əldə olunan gizli təsvirlərin çoxdəyişənli zaman sıralarında əlaqələrin aşkarlanması üçün istifadə oluna bilib-bilmədiyini qiymətləndirən eksperimental metod nümayişidir.

Tədqiqatın əsas mərhələləri belədir:

1. Binance-dən seçilmiş 20 kriptoaktivin saatlıq OHLC məlumatları götürülüb.
2. Qiymət sıraları loqarifmik gəlirlərə çevrilib.
3. Çoxdəyişənli gəlirlər 30 zaman addımlı üst-üstə düşən pəncərələrə bölünüb.
4. Hər pəncərədə xüsusiyyətlər müstəqil normallaşdırılıb.
5. Bütün aktivlərin pəncərələri ortaq LSTM avtoenkoderinə verilib.
6. Avtoenkoder orta kvadratik yenidənqurma xətasını azaltmaq üçün öyrədilib.
7. Hər pəncərə üçün 64 ölçülü gizli vektor yaradılıb.
8. Hər aktivin pəncərə vektorları ortalanaraq aktiv səviyyəsində təsvir formalaşdırılıb.
9. 20 aktivin gizli vektorları arasında kosinus oxşarlıqları hesablanıb.
10. 0,90 həddi ilə çəkili və istiqamətsiz oxşarlıq şəbəkəsi qurulub.
11. Şəbəkədən 64 namizəd aktiv əlaqəsi əldə olunub.
12. Bu 64 cüt sonradan Engle–Granger testi ilə qiymətləndirilib və 16 cüt kointeqrasiya meyarını ödəyib.

Təcrübənin birinci nəticəsi: gizli oxşarlıq matrisi

Mənbənin Şəkil 1-i 20 kriptoaktivin birləşdirilmiş gizli vektorları arasındakı kosinus oxşarlığı matrisini göstərir.

Matrisin rəng paylanması bütün aktiv cütlərinin eyni dərəcədə oxşar olmadığını göstərir.

Bəzi aktiv qruplarında yüksək gizli oxşarlıq olduğu halda digər cütlərdə daha aşağı qiymətlər mövcuddur. Tədqiqatçı bu nəticəni ortaq modelin bütün aktivləri bir ümumi bazar təsvirinə endirmədiyinin göstəricisi kimi şərh edir.

Lakin mənbədəki şəkil 20×20 oxşarlıq qiymətlərinin tam rəqəmsal cədvəlini vermir. Buna görə şəkildən dəqiq xana qiymətləri çıxarılaraq ayrıca nəticə cədvəli hazırlanmayıb.

Təcrübənin ikinci nəticəsi: seyrək oxşarlıq şəbəkəsi

Mənbənin Şəkil 2-si 0,90 həddinin tətbiqi ilə yaranmış şəbəkəni göstərir.

Bu şəbəkədə 20 aktiv və 64 namizəd əlaqə var.

Şəbəkə bir neçə əlaqəli komponentə bölünür. Bəzi qruplarda sıx əlaqələr olsa da, bəzi aktivlər daha zəif əlaqəli və ya təcrid olunmuş cütlərdə yerləşir.

Bu fərqlilik oxşarlıq quruluşunun bütün aktivlər üzrə yekcins olmadığını göstərir.

Mənbə şəbəkənin ümumi topoloji xüsusiyyətlərini açıqlasa da, hər düyünün dəqiq dərəcəsini, bütün kənarların çəkilərini və tam əlaqələr siyahısını cədvəl şəklində dərc etməyib.

Buna görə Verianla mənbənin Şəkil 2-sini yenidən yaratmaq üçün təxmini kənar siyahısı və ya uydurma aktiv əlaqələri hazırlamır.

Təcrübənin üçüncü nəticəsi: klassik kointeqrasiya diaqnostikası

64 namizəd cütün Engle–Granger testi ilə yoxlanması nəticəsində 16 cütün kointeqrasiya meyarını ödədiyi bildirilib.

Bu tapıntı gizli oxşarlıq metodunun klassik xətti uzunmüddətli əlaqə anlayışı ilə üst-üstə düşən bəzi cütləri də aşkarladığını göstərir.

Lakin yalnız 16 cütün meyarı ödəməsi metodun aşkarlama performansının %25 olması demək deyil. Çünki kointeqrasiya bu tədqiqatın öyrənmə hədəfi və ya qəti düzgün etiketlər çoxluğu deyil.

Müəllifin yanaşmasında klassik test aşkarlanmış əlaqələri fərqli statistik baxımdan şərh etmək vasitəsidir.

Mənbədə ölçülməmiş uğur göstəriciləri

Tədqiqatda təsnifat problemi müəyyən edilmədiyindən dəqiqlik (accuracy), precision, recall və ya F1-score kimi göstəricilər təqdim olunmayıb.

Heç bir qiymət proqnozu aparılmadığından proqnoz RMSE, MAE və ya gələcək qiymət hərəkətlərini təxmin etmə uğuru da verilməyib.

Həmçinin alternativ aşkarlama metodları ilə eyni məlumatlar üzrə rəqəmsal müqayisə aparılmadığına görə təklif olunan yanaşmanın bütün digər metodlardan üstün olduğu nəticəsinə gəlmək olmaz.

Metodun şərh oluna bilməsi

Tədqiqat şərh oluna bilməni öyrənilmiş 64 ölçülü vektorun hər komponentinə birbaşa iqtisadi məna verməklə təmin etmir.

Şərh oluna bilmə daha çox şəbəkə səviyyəsində üzə çıxır.

Şəbəkənin hansı düyünləri birləşdirdiyi, hansı aktivlərin eyni komponentdə olduğu, hansı altqrupların daha sıx olduğu və hansı cütlərin sonradan statistik təhlilə götürülə biləcəyi müşahidə olunan hala gəlir.

Buna görə yanaşma gizli fəzanı birbaşa izah etməkdən daha çox, həmin fəzanın yaratdığı əlaqə quruluşunu təhlil edilə bilən obyektə çevirir.

Metodun digər sahələrə tətbiq edilə bilməsi

Müəllif təklif olunan yanaşmanın maliyyə məlumatlarına xas riyazi qaydalara əsaslanmadığını bildirir.

Eyni ümumi mərhələlər zənciri müxtəlif çoxdəyişənli zaman sıralarında istifadə edilə biləcək şəkildə hazırlanıb.

Məsələn, bioloji fenotipləşdirmə, materialların deqradasiya təhlili və sənaye aktivlərinin monitorinqi kimi sahələrdə oxşar zaman nümunəli sistemləri aşkar etmək üçün tədqiqat aparıla bilər.

Lakin bu tədqiqat yalnız kriptovalyuta məlumatları üzərində eksperimental nümayiş təqdim edir. Bioloji, sənaye və ya material məlumatları üçün ayrıca performans nəticələri dərc edilməyib.

Türkiyədə mümkün mühəndislik tətbiqləri

Türkiyədəki sənaye müəssisələrində maşınlardan temperatur, cərəyan, vibrasiya, təzyiq və enerji istehlakı kimi zaman sıraları əldə oluna bilər.

Bu tip məlumatlarda gizli struktur oxşarlığı yanaşmasının araşdırılması oxşar davranış göstərən avadanlıq və sensor qruplarının ilkin təhlil üçün müəyyənləşdirilməsinə kömək edə bilər.

Lakin belə uyğunlaşdırmada məlumatların təmizlənməsi, sensorların sinxronluğu, nümunəgötürmə tezliyi, pəncərə uzunluğu, normallaşdırma, modelin təlimi və oxşarlıq hədləri müvafiq sənaye sistemi üçün ayrıca yoxlanmalıdır.

Bu mümkün tətbiq məqalənin Türkiyə sənaye müəssisələrində həyata keçirilmiş bir tətbiqi deyil.

Tədqiqatın güclü tərəfləri

Tədqiqatın ilk mühüm cəhəti gizli təsvir öyrənməsini birbaşa proqnoz və ya təsnifat məqsədi olmadan istifadə etməsidir.

İkinci mühüm cəhəti çoxdəyişənli zaman pəncərələrinin ortaq öyrənmə modeli ilə təmsil edilməsidir.

Üçüncü mühüm cəhəti öyrənilmiş təsvirlərin təkcə ölçüazaltma nəticəsi kimi qalmaması və aktivlər arasında şəbəkə yaratmaq üçün istifadə edilməsidir.

Dördüncü mühüm cəhəti klassik kointeqrasiya testinin yekun düzgün etiket kimi deyil, ayrıca diaqnostik baxış kimi qiymətləndirilməsidir.

Bu xüsusiyyətlər tədqiqatın əsas töhfəsinin investisiya alqoritmi deyil, müxtəlif sahələrdə istifadə oluna biləcək aşkarlama mərhələsinin layihələndirilməsi olduğunu göstərir.

Tədqiqatın məhdudiyyətləri

Təcrübələr yalnız saatlıq tezlikdə aparılıb. Dəqiqəlik, gündəlik və ya həftəlik məlumat dəqiqliyində eyni şəbəkənin yaranacağı göstərilməyib.

Oxşarlıq şəbəkəsi yalnız bir 0,90 həddi ilə təqdim edilib. Alternativ hədd tətbiqi metodları müqayisə olunmayıb.

Zaman üzrə sabitlik və hədd həssaslığı üçün qiymətləndirmə protokolu müəyyən olunsa da, müxtəlif zaman blokları və hədlər üzrə ətraflı rəqəmsal sabitlik nəticələri təqdim edilməyib.

Metod eyni məlumatlar üzərində digər təsvir öyrənmə və ya aşkarlama metodları ilə müqayisə olunmayıb.

Engle–Granger kointeqrasiyası yalnız klassik diaqnostik qiymətləndirmə üsullarından biridir; bütün mümkün struktur əlaqə növlərini təsdiqləyən tam test deyil.

Tədqiqatda konkret investisiya və ya əməliyyat qərarvermə tapşırığı yoxdur. Buna görə aşkarlanmış şəbəkənin hər hansı qərar sisteminin uğurunu nə qədər yaxşılaşdıracağı ölçülməyib.

Mənbədə bütün aktivlərin tam rəqəmsal gizli vektorları, bütöv 20×20 oxşarlıq matrisi və 64 əlaqənin bütün çəkilərini əhatə edən ayrıca məlumat cədvəli yoxdur.

Tədqiqatın dəstəklədiyi nəticələr

• Nəzarətsiz LSTM avtoenkoderi ilə çoxdəyişənli zaman sıralarını ortaq gizli fəzada təmsil etmək mümkün olub.
• 20 kriptoaktivin gizli oxşarlıqları eyni səviyyədə deyil, fərqli quruluşdadır.
• 0,90 kosinus həddi ilə 64 namizəd əlaqə alınıb.
• Şəbəkə sıx altqruplardan və müxtəlif əlaqəli komponentlərdən ibarət topologiya göstərib.
• 64 namizəddən 16-sı Engle–Granger kointeqrasiya meyarını ödəyib.
• Klassik kointeqrasiya ilə gizli struktur oxşarlığının fərqli anlayışlar olduğu müzakirə edilib.
• Metod proqnoz və investisiya optimallaşdırması olmadan əlaqələri aşkar etmə mərhələsi kimi təqdim olunub.

Tədqiqatın dəstəkləmədiyi ümumiləşdirmələr

• Modelin gələcək kriptovalyuta qiymətlərini uğurla proqnozlaşdırdığı göstərilməyib.
• Aşkarlanmış 64 əlaqənin hamısının iqtisadi səbəbiyyət daşıdığı sübut olunmayıb.
• 16 kointeqrasiya olunmuş cütün gəlirli investisiya fürsəti olduğu nəticəsinə gəlmək olmaz.
• 48 cütün avtomatik olaraq yanlış aşkarlama olduğu deyilə bilməz.
• Metodun bütün digər aşkarlama metodlarından daha uğurlu olduğu göstərilməyib.
• Müxtəlif zaman tezliklərində eyni nəticələrin alınacağı təsdiqlənməyib.
• 0,90-dan fərqli hədlərdə eyni topologiyanın qorunacağı sübut edilməyib.
• Bioloji və ya sənaye məlumat dəstləri üzərində ayrıca təcrübələr aparılmayıb.
• Tədqiqatın bütün aşkarlanmış əlaqələr üçün səbəbiyyət və ya təsdiqlənmiş uzunmüddətli iqtisadi tarazlıq tapdığı söylənə bilməz.

Tədqiqatın ümumi nəticəsi

Olusegun Owoeye-nin tədqiqatı çoxdəyişənli zaman sıraları arasındakı əlaqələrin yalnız xam müşahidələr üzərində sabit oxşarlıq ölçüləri ilə araşdırılmasının məcburi olmadığını göstərir.

Sürüşən zaman pəncərələrinin LSTM avtoenkoderi ilə ortaq gizli təsvirlərə çevrilməsi və onlardan əlaqələr şəbəkəsi qurulması mürəkkəb məlumat dəstlərində namizəd oxşarlıqları araşdırmaq üçün metod yaradır.

Kriptovalyuta məlumatlarından alınmış 64 namizəd əlaqənin 16-sının klassik kointeqrasiya meyarını ödəməsi gizli təsvirlərin yalnız xətti uzunmüddətli tarazlıq əlaqələrinə endirilə bilməyən müxtəlif zaman davranışlarını da birləşdirə biləcəyini düşündürür.

Ancaq bu tapıntı bütün aşkarlanmış əlaqələrin kənar yoxlamasının tamamlandığı və ya metodun proqnoz və alqı-satqı performansının sübut olunduğu anlamına gəlmir.

Tədqiqatın əsas elmi töhfəsi öyrənilmiş zaman sırası təsvirlərinin müstəqil əlaqə aşkarlama mərhələsinə çevrilməsidir. Beləcə müxtəlif tədqiqat sahələrində daha ətraflı təhlil üçün strukturlaşdırılmış namizəd əlaqələr qrupları yaratmaq mümkündür.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Latent Structural Similarity Networks for Unsupervised Discovery in Multivariate Time Series.

Müəllif: Olusegun Owoeye.

Müəllif sırası: Təkyazarlı tədqiqatdır.

Bərabər töhfə: Təkyazarlı tədqiqat olduğundan tətbiq edilmir.

Əlaqələndirici müəllif: PDF-də yeganə müəllifin e-poçt ünvanı verilir, lakin ayrıca corresponding-author işarəsi yoxdur.

Qurum: Independent Researcher; University of Cambridge (current affiliation).

Qurum haqqında izah: Mənbə tədqiqatçını müstəqil tədqiqatçı kimi təqdim edir və University of Cambridge-i cari qurum mənsubiyyəti kimi göstərir. Bu qeyd Cambridge Universitetinin tədqiqatı institusional qaydada apardığı və ya maliyyələşdirdiyi mənasında genişləndirilməyib.

ArXiv identifikatoru: arXiv:2601.18803.

Araşdırılan versiya: arXiv:2601.18803v1.

Mənbədə göstərilən tarix: 15 yanvar 2026.

Biblioqrafik tarix qeydi: ArXiv indeksində və yenilənmə qeydlərində 28 yanvar 2026 tarixi də görünür. PDF-dəki tarixlə platformanın yenilənmə tarixi qarışdırılmayıb.

DOI: 10.48550/arXiv.2601.18803.

Rəsmi mənbə: https://arxiv.org/abs/2601.18803

Nəşr növü: ArXiv ilkin nəşri (preprint).

Rəyçilik statusu: ArXiv qeydi öz-özlüyündə elmi rəyçilik sübutu deyil. Bu araşdırmada əlavə təsdiqlənmiş rəyli jurnal və ya konfrans versiyası müəyyən edilməyib.

Jurnal / nəşriyyat: Araşdırılan versiya üçün ayrıca rəyli jurnal, cild və ya buraxılış məlumatı təsdiqlənməyib.

Lisenziya: Mənbə arXiv yayım icazəsi çərçivəsində əlçatandır. Bu icazə üçüncü tərəflərin mənbənin şəkil və mətnlərini məhdudiyyətsiz təkrar istifadəsinə imkan verən ümumi Creative Commons lisenziyası kimi qəbul edilməyib.

Elmi sahə: Computer Science – Machine Learning (cs.LG).

Tədqiqatın növü: Nəzarətsiz təsvir öyrənilməsi və əlaqə şəbəkələrinin aşkarlanması üzrə metodun işlənməsi və real məlumatlar üzərində nümayiş.

Məlumat mənbəyi: Binance spot kriptovalyuta bazarı.

Aktivlər toplusu: Bazar kapitallaşmasına əsasən seçilən 20 kriptoaktiv.

Kotirovka: USDT.

Məlumat dövrü: Aprel 2024 – Aprel 2025.

Nümunəgötürmə tezliyi: 1 saat.

Giriş xüsusiyyətləri: Open, High, Low, Close qiymətlərinin loqarifmik gəlir təsvirləri.

Pəncərə uzunluğu: L = 30 zaman addımı.

Model: Sequence-to-Sequence LSTM Autoencoder.

Kodlayıcı: Gizli ölçüsü 256 olan iki LSTM qatı və 64 ölçülü gizli təsvir yaradan ReLU aktivləşdirməli tam əlaqəli qat.

Dekoder: Gizli vektorun proyeksiyası, ardıcıllıq uzunluğu boyunca təkrarlanması, iki LSTM qatı və zamana paylanmış xətti çıxış qatı.

Təlim platforması: TensorFlow/Keras.

Optimallaşdırma: Adam.

İtki funksiyası: Mean Squared Reconstruction Error.

Mini-batch: 64.

Epoch: 20.

Aktiv səviyyəsində gizli təsvir: Hər aktivin pəncərə təsvirlərinin ortalaması.

Oxşarlıq metodu: Cosine Similarity.

Hədd: 0,90.

Şəbəkə quruluşu: Çəkili, istiqamətsiz oxşarlıq qrafı.

Aşkarlanmış namizəd əlaqə: 64 kənar.

Statistik diaqnostika: Engle–Granger Cointegration Test.

Testin etibar səviyyəsi: 0,95.

Kointeqrasiya meyarını ödəyənlər: 16 cüt.

Şərh məhdudiyyəti: Kointeqrasiya testi tədqiqatın təlim hədəfi, qəti düzgünlük etiketi və ya investisiya performansı ölçüsü deyil. Bu, yalnız sonradan tətbiq edilən ekonometrik diaqnostik qiymətləndirmədir.

Şəkil 1: 20 aktivin birləşdirilmiş gizli təsvirləri arasında kosinus oxşarlığı matrisini göstərir.

Şəkil 2: 0,90 həddi ilə qurulan gizli oxşarlıq şəbəkəsini göstərir. Şəbəkədə müxtəlif əlaqəli komponentlər, sıx altqruplar və ayrılmış cütlər mövcuddur.

Vizualın yenidən qurulması: Mənbədə xam 20×20 matrisi və 64 kənarın bütün çəkiləri dərc edilmədiyindən həqiqi nəticələrin saxta reproduksiyası aparılmayıb. Verianla metodun mərhələ əlaqələrini və bildirilmiş rəqəmsal tapıntıları müstəqil SVG sxemləri ilə göstərib.

Sabitliyin qiymətləndirilməsi: Zaman bloklarında şəbəkənin yenidən qurulması, Jaccard kənar oxşarlığı və hədd həssaslığı üçün metodoloji protokol təqdim edilib. Bu yoxlamalara dair ətraflı nəticə cədvəli dərc edilməyib.

Alternativ metodlarla müqayisə: Mənbədə digər aşkarlama sistemləri ilə eyni məlumatlar üzərində birbaşa performans müqayisəsi aparılmayıb.

Proqnoz və investisiya performansı: Tədqiqatda qiymət proqnozu, investisiya optimallaşdırması, alqı-satqı icrası və ya strategiyanın gəlirliliyi ölçülməyib.

Məlumatların əlçatanlığı: Məlumat mənbəyi və əsas ilkin emal metodu açıqlanıb. Lakin bütün xam məlumatları, aktivlərin seçim tarixçəsini, gizli vektorları və tam oxşarlıq matrisini əhatə edən ayrıca rəsmi məlumat paketi PDF-də göstərilməyib.

Kodun əlçatanlığı: Mənbə PDF-də metodun bütün təlim və şəbəkə yaratma kodunu təqdim edən yoxlanıla bilən açıq kod repozitoriyasına keçid yoxdur.

Maliyyələşdirmə: PDF-də ayrıca maliyyələşdirmə bəyanatı müəyyən edilməyib.

Maraqlar toqquşması: PDF-də ayrıca maraqlar toqquşması bəyanatı müəyyən edilməyib.

CRediT/müəllif töhfəsi: Təkyazarlı tədqiqatda ayrıca ətraflı töhfə matrisi yoxdur.

Əvvəlki araşdırma ilə əlaqə: Müəllif metodun bəzi komponentlərinin daha geniş mülkiyyət hüquqları ilə qorunan tədqiqat çərçivəsindən inkişaf etdirildiyini və hazırkı məqalədə sahəyə xas qərarvermə və optimallaşdırma elementləri çıxarılaraq müstəqil aşkarlama mərhələsi kimi araşdırıldığını izah edir.

Türkiyə konteksti: Tədqiqat Türkiyədəki maliyyə aktivləri, sənaye müəssisələri və ya bioloji məlumat dəstləri üzrə ayrıca təcrübələr təqdim etmir. Yerli tətbiqlər sonrakı elmi yoxlama tələb edir.

Elmi nəticənin hüdudları: Metod nəzarətsiz gizli təsvir öyrənilməsi vasitəsilə 20 kriptoaktiv arasında strukturlaşdırılmış namizəd oxşarlıq şəbəkəsi yaradıb. Lakin bu şəbəkə real səbəbiyyət əlaqələrinin, gələcək qiymət hərəkətlərinin və ya təsdiqlənmiş qərarvermə performansının qəti sübutu deyil.