Академиялык изилдөөлөр, түшүнүктүү тил

Verianla | Кыргызча академиялык изилдөөлөр жана илим

19 ноябрь 2026, Бейшемби
VERİANLA Көз карандысыз илимий басма
Менюну ачуу же жабуу
...
Башкы бет / Коомдук илимдер / Каржы экономикасы / CTBench: Криптовалюта Убакыт Катарларын Жаратуу үчүн Салыштырма Баалоо Алкагы
Каржы экономикасы

CTBench: Криптовалюта Убакыт Катарларын Жаратуу үчүн Салыштырма Баалоо Алкагы

CTBench — криптовалюта рынокторундагы синтетикалык убакыт катарларын жаратуу (Time Series Generation, TSG) моделдерин статистикалык окшоштук боюнча гана эмес, божомол ийгилиги, соодага жарамдуулук, тобокелдик жана эсептөө чыгымы боюнча баалаган benchmark алкагы.

19/11/2026  Veri Anla  30 көрүү
CTBench: Криптовалюта Убакыт Катарларын Жаратуу үчүн Салыштырма Баалоо Алкагы

CTBench, криптовалюта рынокторундагы синтетикалык убакыт катарларын жаратуу (Time Series Generation, TSG) моделдерин статистикалык окшоштук боюнча гана эмес, божомол ийгилиги, соодага жарамдуулук, тобокелдик жана эсептөө чыгымы боюнча баалаган benchmark алкагы. Жүктөлгөн изилдөө 2020-жылдын январынан 2024-жылдын декабрына чейинки Binance спот рыногунда USDTге карата соодаланган жана жетишпеген байкоолор чыпкалангандан кийин калган 452 криптоактивдин сааттык маалыматтарын колдонот. Сегиз TSG модели GAN, VAE, diffusion, flow жана гибрид архитектурадан турган беш модель үй-бүлөсүнөн тандалып, Predictive Utility жана Statistical Arbitrage деп аталган эки толуктоочу тапшырмада бааланган.

Predictive Utility тапшырмасы синтетикалык маалыматтар чыныгы рыноктогу кийинки сааттын кирешелерин божомолдоо үчүн керектүү убакыттык жана активдер аралык түзүлүштү сактайбы же жокпу, текшерет. TSG модели жараткан синтетикалык маалыматтарда XGBoost божомол модели окутулат; андан кийин божомолдоочу чыныгы тест маалыматтарында иштетилип, алынган сигналдар ар кандай портфель стратегияларына айландырылат. Statistical Arbitrage тапшырмасы болсо TSG моделин кайра түзүүчү катары колдонот; чыныгы жана кайра түзүлгөн кирешелердин ортосундагы калдыктар Ornstein–Uhlenbeck орточого кайтуу процесси менен моделденип, сатып алуу-сатуу сигналдары түзүлөт.

Изилдөөнүн эң маанилүү жыйынтыгы — бир да TSG модели бардык максаттарда үстөм эмес экендиги. Diffusion-TS божомол катасы боюнча күчтүү жыйынтык бергени менен, мунун автоматтык түрдө соода кирешелүүлүгүнө айланбаганы көрүнөт. TimeVAE статистикалык тактык менен соода натыйжалуулугунун ортосунда тең салмактуу профилди сунуш кылса, COSCI-GAN айрыкча багыттуу жана тренддүү режимдерде күчтүү соода сигналдарын түзө алат. Fourier-Flow көптөгөн өлчөмдөрдө туруктуу орто-жогорку натыйжа көрсөтөт, Statistical Arbitrage тапшырмасында болсо KoVAE жана LS4 айрым мезгилдерде жогорку киреше бере алганы менен тобокелдик профилдери айырмаланат.

Жыйынтыктардын маанилүү чектөөсү төмөнкүдөй: бардык соода көрсөткүчтөрү тарыхый маалыматтарда түзүлгөн симуляция жана backtest жыйынтыктары. Булар келечекте чыныгы акча менен алынуучу кирешеге кепилдик эмес. Демейки баалоолордун олуттуу бөлүгүндө соода акысы нөл деп кабыл алынган; Statistical Arbitrage тапшырмасы үчүн кошумча %0.03 соода акысы бар реалдуураак сценарий да сыналган.

CTBench Деген Эмне жана Ал Эмнени Өлчөйт?

CTBench синтетикалык криптовалюта убакыт катарларынын чыныгы маалыматтарга визуалдык же бөлүштүрүү жагынан гана окшоштугун эмес, бул синтетикалык маалыматтар чыныгы рынокту божомолдоо жана соода стратегиялары сыяктуу кийинки тапшырмаларда экономикалык жактан колдонууга жарактуу маалыматты алып жүрөбү же жокпу өлчөө үчүн түзүлгөн криптого багытталган TSG benchmark.

Эмне үчүн криптовалюта үчүн өзүнчө benchmark керек?

Изилдөөнүн негизги мотивациясы — учурдагы убакыт катарларын жаратуу benchmarkтарынын көбү саламаттык сактоо, транспорт, өнөр жай сигналдары же салттуу финансылык рыноктор сыяктуу тармактарга багытталган. Крипто рыноктору болсо суткасына 24 саат жана жумасына 7 күн ачык болушу, жогорку өзгөрмөлүүлүгү, режимдердин тез алмашуусу жана активдер арасындагы бирдей эмес ликвиддүүлүк түзүлүштөрү себептүү башкача тест чөйрөсүн түзөт.

Булак үч негизги боштукту аныктайт. Биринчиси, учурдагы benchmarkтар криптовалюта тармагын жетиштүү кеңдикте камтыбайт. Экинчиси, баалоолордун көбү божомолдоо же классификация менен чектелип, соодага жарактуу түзүлүштү текшербейт. Үчүнчүсү, синтетикалык маалымат катасынын төмөн болушу чыныгы финансылык стратегия үчүн пайдалуу деген божомол түздөн-түз текшерилбейт.

CTBenchтин беш негизги модулу

CTBenchтин булакта аныкталган маалымат, кош тапшырма, баалоо жана модель тандоо байланыштарына таянып Verianla үчүн даярдалган өз алдынча түшүндүрмө схема. Булак сүрөтүнүн пикселдик көчүрмөсү эмес.

Крипто маалымат топтому кантип түзүлөт?

Ыкма бөлүмүнө ылайык, маалымат Binance биржасында листингде турган спот соода жуптарынын тарыхый сааттык маалыматтарынан түзүлгөн. Мезгил 2020-жылдын январынан 2024-жылдын декабрына чейин созулат. Жетишпеген байкоолору бар активдер чыпкаланып, USDTге карата соодаланган жуптар гана калтырылган. Бул операциялардан кийин 452 ар башка криптоактив калган.

Булак ар бир актив жана убакыт чекити үчүн колдонулган негизги баа векторун төмөнкүдөй аныктайт:

\[ \mathbf{x}_{i,t} = [O_{i,t},H_{i,t},L_{i,t},C_{i,t}] \in\mathbb{R}^{4}. \]

Бул жерде \(O\) ачылыш баасын, \(H\) эң жогорку бааны, \(L\) эң төмөнкү бааны жана \(C\) жабылыш баасын көрсөтөт. Бардык активдер жана убакыт чекиттери бириктирилгенде маалымат тензору:

\[ \mathbf{D} = [\mathbf{x}_{i,t}] \in \mathbb{R}^{n\times(l+1)\times4} \]

деп аныкталат. Булак тексти бул жерде “five standard fields” деген сөз айкашын колдонгону менен математикалык вектордо төрт гана OHLC талаасы бар. Verianla бул сөз айкашын бешинчи талааны кошуу менен оңдогон эмес.

Сааттык лог-киреше кантип эсептелет?

\[ r_{i,t} = \log\left( \frac{C_{i,t}}{C_{i,t-1}} \right). \]

\(C_{i,t}\), актив \(i\)нин \(t\) сааттагы жабылыш баасы. Лог-киреше — удаалаш эки жабылыш баасынын катышынын натуралдык логарифми. Бул өзгөртүү ар башка баа деңгээлиндеги криптоактивдерди бирдей киреше масштабында салыштырууга жана убакыт катарларынын моделдерине түз баа деңгээлинин ордуна өзгөрүүлөрдү иштетүүгө жардам берет.

Бардык активдердин сааттык кирешелери:

\[ \mathbf{R} = [r_{i,t}] \in \mathbb{R}^{n\times l} \]

матрицасында бириктирилет.

Rolling-window бөлүү кантип жүргүзүлөт?

Окутуу терезеси \(w\), тест кадамы \(s\), жалпы саат саны \(l\) жана split саны \(k\) колдонулуп:

\[ \mathcal{O} = \{w,w+s,\ldots,w+(k-1)s\}, \qquad k= \left\lfloor \frac{l-w}{s} \right\rfloor \]

деп аныкталат. Ар бир \(\tau\) split чекитинде окутуу жана тест матрицалары:

\[ \mathbf{R}_{train}^{(\tau)} = [\mathbf r_{\tau-w+1},\ldots,\mathbf r_{\tau}] \]

жана

\[ \mathbf{R}_{test}^{(\tau)} = [\mathbf r_{\tau+1},\ldots,\mathbf r_{\tau+s}] \]

түрүндө түзүлөт. Ошентип, модель келечектеги маалыматты окутуу маалында көрбөстөн өткөн терезеде окутулат да, андан кийин кийинки мезгилде бааланат.

Жаратуу жана кайра түзүү режимдери

TSG модели \(\mathbf g^{(\tau)}\) ар бир rolling split үчүн окутуу маалыматтарында кайра окутулат. Жаратуу режиминде модель Gaussian ызы-чуусунан синтетикалык катар үлгүлөрүн алат:

\[ \mathbf{R}_{gen} = \mathbf g^{(\tau)}(\mathbf z), \qquad \mathbf z\sim\mathcal{N}(0,\mathbf I). \]

Reconstruction режиминде болсо модель учурдагы окутуу же тест маалыматтарын кайра түзөт:

\[ \widehat{\mathbf R}_{train} = \mathbf g^{(\tau)} (\mathbf R_{train}^{(\tau)}), \qquad \widehat{\mathbf R}_{test} = \mathbf g^{(\tau)} (\mathbf R_{test}^{(\tau)}). \]

Бул эки режим CTBenchтин эки негизги тапшырмасында ар башка кызмат аткарат. Predictive Utility синтетикалык жаратуунун сапатын, Statistical Arbitrage болсо кайра түзүүдөн кийин калган калдык түзүлүш соодага жарактуубу же жокпу текшерет.

Портфель аныктамасындагы булак ичиндеги көрсөтүү көйгөйү

Булак портфель салмактарынын векторун:

\[ \boldsymbol{\eta}_{t} = [\eta_{1,t},\ldots,\eta_{n,t}] \in\mathbb{R}^{n}, \qquad \eta_{i,t}=1 \]

түрүндө басат жана андан кийин:

\[ V_t = V_{t-1} \times (\boldsymbol{\eta}_{t}\cdot\mathbf r_t) \]

менен портфелдин өнүгүшүн,

\[ \Delta V_t = V_t-V_{t-1} \]

менен сааттык пайда-зыянды аныктайт.

Булакка берилгендик жөнүндө эскертүү: Портфель теориясында салмактардын суммасы жана капиталды жаңылоо көбүнчө башкача түрдө жазылышы мүмкүн; бирок жүктөлгөн PDFде формула жогорудагыдай басылган. Verianla \(\eta_{i,t}=1\) билдирүүсүн автоматтык түрдө \(\sum_i\eta_{i,t}=1\) формасына же \(V_t\) формуласын башка стандарттуу портфель теңдемесине унчукпай өзгөрткөн эмес.

Белгилерди чыгаруу

Изилдөө чыныгы жана синтетикалык кирешелерге бир эле белги чыгаруу агымын колдонот. Колдонулган белгилердин арасында Alpha101 факторлору жана Bollinger Bands, Relative Strength Index (RSI), кыймылдуу орточолор сыяктуу салттуу техникалык көрсөткүчтөр бар. Бул белгилер momentum, орточого кайтуу жана өзгөрмөлүүлүк сыяктуу кыска мөөнөттүү рынок жүрүм-турумун коддоого багытталган.

Белги функциялары:

\[ \boldsymbol{\Phi} = \{\boldsymbol{\phi}_{j}\}_{j=1}^{d} \]

деп аныкталып, өзгөртүүнүн аягында \(n\times l\times d\) өлчөмүндөгү белги тензору алынат.

Маалыматтардын бөлүштүрүлүшүндө эмне көрүнөт?

Булакта 452 криптоактивдин орточо сааттык лог-киреше бөлүштүрүлүшү нөлдүн айланасында топтолуп, бирок бир аз оңго кыйшайганы айтылат. Сааттык өзгөрмөлүүлүк бөлүштүрүлүшү болсо узун оң куйрукка ээ; башкача айтканда, көп актив салыштырмалуу төмөн өзгөрмөлүүлүккө ээ болсо, чакан топ өтө чоң баа термелүүлөрүн көрсөтөт.

Рыноктук капиталдашуу топтору боюнча каралган 2020–2024 үлгүлөрүндө 2020–2021-жылдардагы өсүү мезгили, 2022-жылдагы кескин түзөтүүлөр жана андан кийинки калыбына келүү/консолидация мезгилдери көрүнөт. Булак орто жана чакан рыноктук капиталдашууга ээ криптоактивдер чоң рыноктук капиталдашуу үлгүлөрүнө караганда жогору жана кескин өзгөрмөлүүлүк көрсөтүшү мүмкүн экенин билдирет.

Саат ичиндеги талдоодо орточо кирешелер UTC 05:00–07:00 жана UTC 21:00–23:00 чамасында жогорулаганы; өзгөрмөлүүлүк болсо түн ортосунда жана АКШ менен Европанын соода убакыттары дал келген болжол менен UTC 12:00–17:00 мезгилинде күчөгөнү билдирилет. Бул байкоолор сүрөттөөчү мүнөздө; белгилүү бир географиялык рынок бул кыймылдарга себеп болгонун далилдеген өзүнчө тест жүргүзүлгөн эмес.

Predictive Utility менен Statistical Arbitrage Тапшырмаларынын Айырмасы Эмне?

Predictive Utility тапшырмасы синтетикалык маалыматтар чыныгы рынокту божомолдоодо колдонулуучу түзүлүштү сактайбы же жокпу текшерсе, Statistical Arbitrage тапшырмасы чыныгы катарды TSG модели менен кайра түзгөндөн калган калдыктар туруктуу жана орточого кайтуучу соода сигналдарын түзөбү же жокпу текшерет.

Predictive Utility тапшырмасынын окутуу баскычы

Ар бир split үчүн чыныгы окутуу маалыматтары:

\[ \mathbf{R}_{train}^{(\tau)} \in \mathbb{R}^{n\times w}, \qquad w=500\times24 \]

деп белгиленет. Башкача айтканда, окутуу терезеси 500 күндүк сааттык маалыматтан турат.

TSG модели бул маалыматтан убакыттык көз карандылыктарды жана активдер аралык байланыштарды үйрөнүп, синтетикалык кирешелерди түзөт:

\[ \mathbf R_{gen} = \mathbf g(\mathbf z), \qquad \mathbf z\sim\mathcal N(0,\mathbf I). \]

Синтетикалык кирешелерге белги чыгаруу колдонулгандан кийин XGBoost божомол модели кийинки сааттын кирешесин божомолдоо үчүн окутулат:

\[ \widehat r_{i,t+1} = \mathbf f \left( \boldsymbol{\Phi}(\mathbf R_{gen})[i,t,:] \right). \]

Булак XGBoostту күчтүү, бирок ашыкча гиперпараметр жөндөөсүн талап кылбаган жалпы божомол модели катары тандаган. Максат — жыйынтыктарга мүмкүн болушунча божомол моделинин кубаттуулугу эмес, синтетикалык маалыматтардын сапаты таасир этсин.

Predictive Utility тест баскычы

Тест терезеси:

\[ s=30\times24 \]

саат. Божомолдоочу чыныгы тест маалыматтарынан кийинки сааттын кирешесин чыгарат. Активдер божомолдонгон кирешеге жараша иреттелет; булак бул тапшырмада эң жогорку божомолдуу активдердин жогорку жарымында long, эң төмөн божомолдуу төмөнкү жарымында short позиция кармаган доллар-нейтралдуу портфель түзүлөрүн жана портфель ар саат сайын кайра тең салмактанарын билдирет.

Бул жердеги негизги идея мындай: синтетикалык маалымат чыныгы маалыматка окшошуп эле тим болбой, чыныгы рыноктогу божомолдоого боло турган байланыштарды да сактаса, синтетикалык маалыматта окутулган божомолдоочу чыныгы рынокто маанилүү сигнал жаратышы керек.

Statistical Arbitrage тапшырмасынын окутуу баскычы

Бул тапшырмада TSG модели чыныгы кирешелерди кайра түзөт. Окутуу калдыгы:

\[ \rho_{i,t} = r_{i,t} - \widehat r_{i,t} \]

деп аныкталат.

Ар бир активдин калдыктары Ornstein–Uhlenbeck (OU) процессине ылайыкташтырылат:

\[ d\rho_{i,t} = \theta_i (\mu_i-\rho_{i,t})dt + \sigma_i dW_t. \]

\(\theta_i>0\), калдыктын узак мөөнөттүү орточосу \(\mu_i\)ге кайтуу ылдамдыгын; \(\mu_i\), узак мөөнөттүү тең салмак маанисин; \(\sigma_i\), калдык процессинин өзгөрмөлүүлүгүн; \(dW_t\) болсо стандарттуу Wiener процессинин өсүшүн көрсөтөт.

OU модели бул жерде баанын өзү сөзсүз орточого кайтат деп айтпайт. Булактагы орточого кайтуу божомолу чыныгы киреше менен TSG модели кайра түзгөн кирешенин ортосундагы калдык катарга колдонулат.

Statistical Arbitrage тест баскычы жана s-score

Тест мезгилинде калдык:

\[ \epsilon_{i,t} = r_{i,t} - \widehat r_{i,t} \]

деп эсептелет жана нормалдаштырылган \(s\)-score:

\[ s_{i,t} = \frac{\epsilon_{i,t}-\mu_i} {\sigma_i/\sqrt{2\theta_i}} \]

аркылуу алынат.

\(s_{i,t}\), байкалган калдыктын OU процесси божомолдогон тең салмак деңгээлинен стандартташтырылган четтөөсүн билдирет. Булак сигнал чегин:

\[ \gamma=2 \]

деп колдонот.

  • \(s_{i,t}>+2\) болсо short позиция ачылат же сакталат.
  • \(s_{i,t}<-2\) болсо long позиция ачылат же сакталат.
  • Башка учурларда позиция алынбайт.

Чийки позиция сигналы:

\[ \eta_{i,t} = \operatorname{sgn}(-s_{i,t}) |s_{i,t}| \]

жана нормалдаштырылган портфель салмагы:

\[ \widetilde{\eta}_{i,t} = \frac{\eta_{i,t}} {\sum_j|\eta_{j,t}|} \]

деп аныкталат. Портфель ар саат сайын кайра тең салмактанат.

Үч соода стратегиясы

СтратегияКыскартмаБулакта берилген соода логикасы
Cross-Sectional MomentumCSMБожомолдонгон бир сааттык кирешеге жараша эң жогорку %10 активдерде long, эң төмөнкү %10 активдерде short позиция.
Long-Only Top-QuantileLOTQБожомолу эң жогорку %20дагы активдерге бирдей салмактагы long позиция; башка активдерге нөл салмак.
Proportional-WeightingPWПортфель салмактары божомолдонгон кирешенин чоңдугуна пропорционалдуу берилет.

Баалоо метрикалары

Булактын §3.4 бөлүмүндө ачык аныкталган сандык баалоо өлчөмдөрү 11. Алар эки ката метрикасы, эки иреттөө метрикасы, эки соода натыйжалуулук метрикасы, үч тобокелдик метрикасы жана эки эсептөө убактысы метрикасы.

Mean Squared Error — MSE

\[ MSE = \frac{1}{k\,s\,n} \sum_{\tau\in\mathcal O} \sum_{t=1}^{s} \sum_{i=1}^{n} \left( r_{i,t+\tau} - \widehat r_{i,t+\tau} \right)^2. \]

MSE божомол каталарынын квадратын орточолойт; чоң каталар квадратка көтөрүлгөндүктөн көбүрөөк салмак алат. Төмөн мааниси жакшыраак божомол тактыгын көрсөтөт.

Mean Absolute Error — MAE

\[ MAE = \frac{1}{k\,s\,n} \sum_{\tau\in\mathcal O} \sum_{t=1}^{s} \sum_{i=1}^{n} \left| r_{i,t+\tau} - \widehat r_{i,t+\tau} \right|. \]

MAE абсолюттук божомол катасын өлчөйт жана MSEге салыштырмалуу өтө чоң жеке каталарга азыраак ашыкча салмак берет.

Information Coefficient — IC

Ар бир убакыт чекитинде ишке ашкан жана божомолдонгон актив кирешелеринин ирети арасындагы Spearman корреляциясы:

\[ IC_{\tau,t} = \operatorname{SpearmanCorr} ( \mathbf r_{t+\tau}, \widehat{\mathbf r}_{t+\tau} ) \]

менен эсептелип, бардык split/убакыт чекиттери боюнча орточолонөт:

\[ IC = \frac{1}{k\,s} \sum_{\tau\in\mathcal O} \sum_{t=1}^{s} IC_{\tau,t}. \]

Оң IC модель абсолюттук киреше маанилерин гана эмес, активдердин бири-бирине салыштырмалуу иретин да сактай аларын көрсөтөт.

Information Ratio — IR

\[ IR = \frac{\operatorname{Mean}(IC_{\tau,t})} {\operatorname{Std}(IC_{\tau,t})}. \]

IR, ICнин орточо деңгээлин гана эмес, убакыт ичиндеги туруктуулугун да өлчөйт.

Compound Annual Growth Rate — CAGR

\[ CAGR = \left( \frac{V_s}{V_0} \right)^{8760/s} - 1. \]

Булак сааттык рынок маалыматтарын колдонгондуктан жылдыкташтыруу коэффициентинде \(8760=365\times24\) саатты колдонот. CAGR баштапкы капитал \(V_0\) менен мезгил аягындагы портфель мааниси \(V_s\) ортосундагы татаал жылдыкташтырылган өсүштү өлчөйт.

Sharpe Ratio — SR

\[ SR = \frac{ \mathbb E[\Delta V_t/V_{t-1}] }{ \operatorname{Std}(\Delta V_t/V_{t-1}) } \sqrt{8760}. \]

Sharpe катышы орточо портфель кирешесин киреше өзгөрмөлүүлүгүнө карата масштабдайт жана сааттык маалыматтан жылдыкташтырылат. Булак формуласында өзүнчө тобокелсиз пайыздык чен түзөтүүсү көрүнбөйт.

Maximum Drawdown — MDD

\[ MDD = \max_{u\le t} \left( \frac{V_u-V_t}{V_u} \right). \]

MDD портфель мурда жеткен чоку мааниден кийинки эң чоң салыштырмалуу төмөндөөнү өлчөйт.

Value at Risk — VaR

\[ VaR_{0.95} = - \operatorname{Percentile}_{5\%} \left( \frac{\Delta V_t}{V_{t-1}} \right). \]

Булак %95 ишеним деңгээлиндеги VaR колдонот. Бул өлчөм киреше бөлүштүрүлүшүнүн төмөнкү %5 чек арасындагы жоготуу чоңдугун жалпылайт.

Expected Shortfall — ES

\[ ES_{0.95} = - \mathbb E \left[ \frac{\Delta V_t}{V_{t-1}} \;\middle|\; \frac{\Delta V_t}{V_{t-1}} \le -VaR_{0.95} \right]. \]

ES, VaR чегинен да өткөн эң начар куйрук абалдарынын орточо жоготуусун өлчөйт. Ошентип, ал жоготуу чегин гана эмес, чек ашылганда жоготуулар канчалык оор болушу мүмкүн экенин да көрсөтөт.

Окутуу жана чыгаруу убактысы

Training Time, TSG моделин окутууга кеткен дубал-саат убактысы. Inference Time болсо \(n\) актив жана \(s\) убакыт кадамын камтыган маалымат batchин жаратууга же кайра түзүүгө кеткен орточо убакыт.

Булак эмне үчүн кээде 11, 12 жана 13 метрика дейт?

Булактын кыскача мазмуну жана CTBench архитектурасынын түшүндүрмөсү 13 метрика жөнүндө айтат. §3.4 болсо E1–E11 деп номерленген 11 сандык метриканы ачык аныктайт. Эксперимент жөндөөлөрү бөлүмүндө “twelve metrics detailed in §3.4” деген сөз айкашы колдонулат. 2-сүрөт ошондой эле Growth Curve жана Ranking Plot аттуу эки визуалдаштыруу чыгышын “Visualization” аталышында көрсөтөт. Демек булакта метрикалардын саны ырааттуу эмес; Verianla аларды бир так санга бириктирбейт.

Сыналган сегиз TSG модели

Үй-бүлөМодельБулакта берилген негизги жөндөөлөр
GANQuant-GANlatent_dim = 8; hidden_dim = 80; gradient penalty λgp = 10.0; critic steps = 5.
GANCOSCI-GANlatent_dim = 32; γ = 5; n_groups = 4; MLP негизиндеги борбордук discriminator.
VAETimeVAElatent_dim = 8; 50, 100 жана 200 бирдиктүү катмарлар.
VAEKoVAEWKL = 0.009; WPRED = 0.03.
DiffusionDiffusion-TS1000 diffusion timestep; 3 encoder; 6 decoder; dmodel = 64.
DiffusionFIDE1000 кадам; hidden_dim = 64; 8 катмар; σ = 0.05.
FlowFourier-FlowDFT негизиндеги coupling; hidden_size = 128; 3 flow катмары.
ГибридLS4hidden_dim = 6; latent_dim = 8; batch size = 512.

GAN негизиндеги Quant-GAN жана COSCI-GAN Predictive Utility тапшырмасында гана колдонулган. Булак эскертүүсү мунун себебин GAN моделдери табигый түрдө reconstruction функциясын сунуштабай турганы менен түшүндүрөт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Төмөн Божомол Катасы Эмне Үчүн Жогорку Соода Пайдасын Билдирбейт?

CTBench жыйынтыктарында айрым моделдер MSE жана MAE сыяктуу божомол метрикаларында күчтүү болгону менен кирешелүү соода сигналын түзбөйт; анткени генеративдик модель баа катарын ашыкча жылмалап, божомол катасын азайта алат, ошол эле учурда соода стратегиялары пайдаланган дисперсияны, куйрук кыймылдарын же активдер аралык иреттөө айырмаларын да алсыратышы мүмкүн.

Эксперимент түзүлүшү

Чыныгы дүйнөдөгү колдонууну туураш үчүн walk-forward rolling-window валидациясы колдонулган. Ар бир циклдин аягында тест мезгилине тең аралыкка алдыга жылып, модель кайра окутулган.

ЭлементМаани
Маалымат мезгилиЯнварь 2020 – Декабрь 2024
Маалымат жыштыгыСааттык, 24/7
Активдердин саны452 криптоактив
РынокBinance спот, USDT жуптары
Окутуу терезеси500 күн × 24 саат
Predictive Utility тест терезеси30 күн × 24 саат
Statistical Arbitrage тест терезеси15 күн × 24 саат
Демейки соода чыгымы0
Кошумча Statistical Arbitrage чыгым сценарийи%0.03 соода акысы
Сооданы кайра тең салмактооСааттык
Соода сигналынын чегиγ = 2
ПроцессорIntel Xeon Platinum 8480C @ 3.80 GHz
Эс тутум64 GB RAM
GPUNVIDIA H100

2021 Predictive Utility жыйынтыктары

Булактын жылдык талдоосуна ылайык, 2021-жылдагы өсүү рыногунда Diffusion-TS божомол тактыгында алдыга чыгат. Бирок моделдин терс CAGR жана төмөн Sharpe маанилери төмөн божомол катасы соода ийгилигине айланбаганын көрсөтөт.

TimeVAE ошол эле мезгилде божомол тактыгы менен кирешелердин ортосунда тең салмактуу профиль көрсөтөт. COSCI-GAN болсо айрыкча LOTQ жана PW сыяктуу трендге сезимтал стратегияларда күчтүү жыйынтык берет; булак 2021-жылы бул стратегиялар үчүн Sharpe катышы 5тен жогору көтөрүлүшү мүмкүн экенин билдирет.

2022: жогорку өзгөрмөлүүлүк режими

2022-жылы бардык моделдердин божомол тактыгында бир аз начарлоо көрүнөт. TimeVAE ар кандай стратегияларда оң Sharpe маанилерин сактай алган. Diffusion-TS катага негизделген метрикаларда күчтүү болгону менен узак drawdown мезгилдеринен таасир алган.

COSCI-GAN CSM стратегиясында жогорку CAGR менен салыштырмалуу тайыз drawdown айкалышын көрсөтсө, LS4 көбүрөөк тобокелдик көзөмөлүн камсыз кылган консервативдүү профиль көрсөткөн.

2023: консолидация режими

2023-жылы божомол каталары моделдер арасында бири-бирине жакындаганда соода жыйынтыктары ачык айырмаланат. Трендге сезимтал COSCI-GAN алсыраганда TimeVAE жана Fourier-Flow жогорку Sharpe маанилерин сактайт. Булак Fourier-Flow консолидация мезгилинде төмөн куйрук тобокелдиги жана күчтүү тобокелдикке ылайыкташтырылган киреше менен ийгиликтүү болгонун баса белгилейт.

2024: төмөн сигнал жана орточого кайтуу

2024-жылы божомол тактыгы да, кирешелүүлүк да жалпысынан төмөндөгөн. TimeVAE чектелген деңгээлдеги кирешелүүлүктү сактаганда, моделдердин көбү туруктуу киреше түзүүдө кыйналган. Булак муну төмөн сигнал чөйрөсүндө alpha мүмкүнчүлүктөрүнүн сейрек болушу менен байланыштырат.

Predictive Utility модель ирети эмнени көрсөтөт?

Жылдык ranking талдоосунун үч негизги билдирүүсү бар. Diffusion-TS божомол метрикаларында дайыма жогорку орунда болгону менен соода натыйжалуулугунда артта калат. TimeVAE жана COSCI-GAN ар башка рынок режимдеринде ар башка артыкчылыктарды көрсөтөт. Fourier-Flow болсо көп өлчөмдөрдө орто-жогорку жана туруктуу орундарды алып, тобокелдик көзөмөлдөнгөн колдонуу үчүн тең салмактуу модель көрүнүшүн берет.

10.000 долларлык симуляциялардын түшүндүрмөсү

Булак ар кандай TSG моделдери жараткан сигналдар астында баштапкы мааниси 10.000 доллар болгон симуляцияланган портфелдердин 2021–2024-жылдардагы өнүгүшүн көрсөтөт. Бул графиктер чыныгы инвестициялык эсеп эмес; тарыхый маалыматтарда жүргүзүлгөн backtest жыйынтыктары.

CSM шартында COSCI-GAN жана TimeVAE туруктуу өссө, Diffusion-TS жана FIDE убакыттын өтүшү менен төмөндөйт. LOTQ шартында COSCI-GAN ачык алдыга чыгат; TimeVAE жана Fourier-Flow жумшагыраак өсүштү көрсөтөт. PW шартында COSCI-GAN кайра күчтүү; TimeVAE жана Fourier-Flow жылмакайыраак татаал өсүш көрсөтсө, LS4 көбүрөөк горизонталдуу жана консервативдүү профилге ээ.

Statistical Arbitrage жыйынтыктары

Statistical Arbitrage тапшырмасында PCA негизиндеги классикалык ыкма эталон катары колдонулат. Бул тапшырмада Quant-GAN жана COSCI-GAN жок; кайра түзө алган TimeVAE, KoVAE, Diffusion-TS, FIDE, Fourier-Flow жана LS4 бааланат.

Соода чыгымдары кошулганда бардык моделдердин кирешелүүлүгү төмөндөй турганы билдирилет. Жогорку соода көлөмүн жана жогорку turnover жараткан ыкмалар чыгымдан көбүрөөк жабыркаса, жылмакайыраак сигнал жараткан моделдер кирешесинин чоңураак бөлүгүн сактай алат.

2022-жылдагы кризиске окшош чөйрөдө KoVAE эң жогорку CAGR маанисин түзгөнү менен олуттуу drawdown жана орточо Sharpe профилине ээ. Булак муну жогорку, бирок орточого кайтуучу киреше термелүүлөрү менен байланыштырат.

2023-жылы LS4 CAGR жана Sharpe боюнча эң күчтүү модель деп билдирилип, drawdown деңгээли салыштырмалуу чектелүү калган. Соода чыгымдары кошулганда LS4 жана KoVAE жогорку орунда калганы менен чийки кирешелери азаят.

TimeVAE жана Diffusion-TS тең салмактуу экинчи деңгээлдеги моделдер катары сүрөттөлөт. FIDE болсо жылдар бою нөлгө жакын же терс CAGR жана Sharpe чыгарганына карабастан, көп учурда эң төмөн VaR/ES жана төмөн MDD маанилерин берет. Булактын түшүндүрмөсү боюнча FIDE калдык катарларды соодага жарактуу түзүлүштү да жок кылгандай “таза” кайра түзүшү мүмкүн.

Fourier-Flow Statistical Arbitrage тапшырмасында кирешелер боюнча алсыз калып, drawdownду туруктуу көзөмөлдөй албайт. Булак exact-likelihood негизиндеги flow ыкмасы жогорку жыштыктагы ызы-чууну жылмалаганы менен соодага жарактуу орточого кайтуу компоненттерин дайыма бөлүп чыгара албай турганын сунуштайт.

%0.03 соода акысы бар капитал ийри сызыктары

Булактын Statistical Arbitrage капитал ийри сызыктарында LS4, %0.03 соода чыгымы шартында салыштырмалуу туруктуу татаал өсүштү көрсөтөт жана 2022-жылдын ортосу менен 2023-жылдын башындагы эки кескин баскычтуу өсүш көңүл бурат. KoVAE да күчтүү өсөт, бирок жогорку тобокелдик менен иштейт.

TimeVAE 2022-жылга чейин туруктуу өсүп, 2023-жылдын ортосунда плато түзөт жана 2024-жылы горизонталдуу же бир аз төмөн багытта кыймылдайт. Diffusion-TS төмөн drawdown менен жылмакайыраак ийри сызык түзгөнү менен, булак аны ишке жарамдуу моделдер арасында төмөн терминалдык кирешелүү деп сүрөттөйт.

FIDE капитал ийри сызыгынын эрте мезгилде олуттуу начарлашы ашыкча регуляризацияланган калдыктар соодага жарактуу сигналды жок кылышы мүмкүн деген түшүндүрмөгө алып келет. Fourier-Flow болсо 2022-жылдын ортосунан баштап жай, бирок туруктуу капитал жоготуусун көрсөтөт.

Эсептөө натыйжалуулугу

VAE үй-бүлөсү булакта эсептөө жагынан эң натыйжалуу модель тобу катары алдыга чыгат. TimeVAE окутуусу бир мүнөттөн аз убакытка созулуп, чыгаруу убактысы бир секунддан төмөн калат. Ошондуктан тез-тез кайра окутуу же төмөн кечигүү талап кылынган эксперименттер үчүн артыкчылыктуу деп эсептелет.

GAN негизиндеги моделдер орточо эсептөө чыгымына ээ. Quant-GANдын салыштырмалуу жогорку окутуу убактысы ушунчалык эле тез жаратууга айланбаганы белгиленет.

Diffusion моделдери эсептөө жагынан эң оор топ. Айрыкча Diffusion-TSтин итеративдүү denoising түзүлүшү себептүү окутуу да, чыгаруу убактысы да узагыраак. Булак ошондуктан diffusion ыкмалары offline колдонуу же жогорку эсептөө ресурстары бар чөйрөлөр үчүн ылайыктуураак болушу мүмкүн экенин билдирет.

Булактын модель тандоо сунуштары

СценарийСунушталган моделдерБулакта берилген негиздеме
Трендди ээрчиген / багыттуу рынокторCOSCI-GAN, KoVAECOSCI-GAN тренд жана бөлүштүрүү сигналын күчөтөт; KoVAE жогорку drawdown эсебинен alpha бере алат.
Орточого кайтуучу / каптал режимдерTimeVAE, Fourier-Flow, Diffusion-TSTimeVAE жана Fourier-Flow тең салмак берет; Diffusion-TS активдердин иретин сактай алат.
Соода акысына сезимтал / төмөн turnoverTimeVAE, Diffusion-TSЖылмакайыраак калдык сигналдары жана соода чыгымдары шартында туруктуураак Sharpe.
Тобокелдикке чыдамдуулук / портфель дизайныKoVAE, LS4, TimeVAE, Diffusion-TS, FIDEKoVAE жана LS4 жогорку киреше менен көбүрөөк тобокелдик; TimeVAE жана Diffusion-TS Sharpe/drawdown тең салмагы; FIDE коргонуу түзүлүшү.
Жайгаштыруу жана эсептөө натыйжалуулугуTimeVAE, LS4Тез кайра окутуу жана төмөн чыгаруу кечигүүсү; diffusion моделдери көбүнчө offline колдонууга ылайыктуу.

Төрт модель үй-бүлөсүнүн негизги компромистери

Булак жыйынтыктарын төрт кең жүрүм-турум формасында жалпылайт. VAE негизиндеги моделдер туруктуу reconstruction берет, бирок абдан тез өзгөргөн режимдерге кеч жооп бериши мүмкүн. GAN негизиндеги моделдер тренд alphaсын кармай алат, бирок жогорку өзгөрмөлүүлүктө туруксуз болушу мүмкүн. Diffusion моделдери куйрук жүрүм-турумун жана режим кластерлерин жакшы көрсөткөнү менен төмөн сигналдуу мезгилдерде натыйжалуулугун жоготушу мүмкүн. Flow негизиндеги моделдер likelihood моделдөөгө артыкчылык берет, бирок финансылык соода пайдалуулугу чектелүү болушу мүмкүн; гибрид моделдер эсептөө жагынан натыйжалуу болгону менен тобокелдик-киреше жүрүм-турумунда көбүрөөк ыраатсыз болушу мүмкүн.

Изилдөө колдогон жана колдобогон жыйынтыктар

Изилдөө колдойтИзилдөө колдобойт
TSG моделдеринин божомол тактыгы менен финансылык соода пайдалуулугунун ортосунда күчтүү компромистер бар экенин.Төмөн MSE/MAE мааниси бар модель чыныгы рынокто сөзсүз пайда берет дегенди.
Бир да модель бардык рынок режимдеринде жана бардык метрикаларда үстөм эмес экенин.Бир модель бардык крипто рыноктору үчүн универсалдуу эң мыкты экенин.
TimeVAE, COSCI-GAN, Fourier-Flow, KoVAE жана LS4 сыяктуу моделдер ар башка режимдерде ар башка артыкчылыктарды көрсөтөрүн.Бул моделдер келечекте ошол эле натыйжалуулукту кайталай турганын.
Соода чыгымдары Statistical Arbitrage натыйжалуулугун олуттуу төмөндөтөрүн.%0.03 акы бардык биржалар жана бардык трейдерлер үчүн универсалдуу соода чыгымы экенин.
452 Binance USDT активинде 2020–2024 мезгилине тиешелүү жыйынтыктар.Бардык крипто биржаларына, туунду рынокторго же келечектеги рынок режимдерине түз жалпылоо.
Синтетикалык маалыматты downstream финансылык тапшырмалар менен баалоо кошумча маалымат берерин.Backtest натыйжалуулугу жандуу соода ийгилигинин далили экенин.

Методологиялык чектөөлөр жана кайра өндүрүмдүүлүк боюнча эскертүүлөр

Метрикаларды эсептөө: Булактын ар башка бөлүмдөрүндө 11, 12 жана 13 баалоо элементи деген сөздөр бар. Бул ыраатсыздык сакталган.

Маалымат булагынын баяны: Салымдар бөлүмүндө маалымат “major global exchanges” деп сүрөттөлсө, §3.1 ыкмасы Binance спот рыногун ачык көрсөтөт. Эмпирикалык баянда §3.1 негиз катары алынган.

OHLC талааларынын саны: Булак “five standard fields” десе да, \([O,H,L,C]\) түрүндө төрт талааны аныктайт.

Портфель теңдемеси: Булактагы салмак жана \(V_t\) теңдемелери стандарттуу финансы формуласына ылайык оңдолгон эмес; булакта басылгандай берилген.

Кошумча маалымат каналдары: Order book, blockchain жазуулары жана жаңылыктар сыяктуу side-channel маалыматтар benchmarkтан тышкары калтырылган. Жыйынтыктар баа/киреше, көлөм жана туунду финансылык белгилерге негизделген TSG мүмкүнчүлүгүн гана баалайт.

Соода чыгымы: Predictive Utility жана негизги benchmarkтарда демейки акы нөл. Statistical Arbitrage үчүн %0.03 акысы бар кошумча сценарий бар. Spread, slippage, рынок таасири жана биржага мүнөздүү бардык операциялык чыгымдар толук жандуу соода чөйрөсү катары моделденген эмес.

Келечектеги иш: Авторлор жаңы токендерди кошууну, биржалар аралык маалыматка кеңейтүүнү, өнүккөн TSG архитектураларын интеграциялоону, модель ensembleдарын, режимге сезимтал model switching ыкмасын жана автоматтык баалоо/гиперпараметр жөндөөсүн келечектеги иш катары көрсөтөт.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталыш: CTBench: Cryptocurrency Time Series Generation Benchmark

Авторлор: Yihao Ang; Qiang Wang; Qiang Huang; Yifan Bao; Xinyu Xi; Anthony K. H. Tung; Chen Jin; Zhiyong Huang.

Жүктөлгөн булак версиясы: arXiv:2508.02758v1, 3 август 2025.

Жүктөлгөн PDFдин жарыя статусу: Preprint. PDFде “ACM Conference, XXX-XXX, 2020” жана “doi:XX.XX/XXX.XX” сыяктуу шаблон орун баскычтары бар; булар чыныгы конференция же чыныгы DOI маалыматы эмес.

Учурдагы жарыя статусу: Ошол эле изилдөө кийин International Conference on Learning Representations 2026 (ICLR 2026) алкагында рецензияланган конференциялык макала катары жарыяланган. Негизги илимий баяндоо жүктөлгөн v1 preprintтен даярдалган; учурдагы версия жарыя/рецензия статусун текшерүү үчүн гана колдонулган.

Авторлордун мекемелери — жүктөлгөн версия: Yihao Ang, Qiang Wang, Yifan Bao, Xinyu Xi, Anthony K. H. Tung, Chen Jin жана Zhiyong Huang — National University of Singapore. Qiang Huang — Harbin Institute of Technology (Shenzhen).

Жооптуу автор: Жүктөлгөн arXiv v1де өзүнчө corresponding author белгиси көрүнбөйт. Кийинки ICLR 2026 версиясында Qiang Huang corresponding author катары белгиленген.

DOI: Жүктөлгөн PDF чыныгы жарыя DOIсин бербейт, орун баскыч DOI гана көрсөтөт. Ошондуктан орун баскыч текст DOI катары колдонулган эмес.

Расмий preprint жазуусу: https://arxiv.org/abs/2508.02758

Рецензияланган версия: ICLR 2026 Conference Proceedings.

Булактын түрү: Жүктөлгөн файл preprint; ошол эле изилдөөнүн учурдагы рецензияланган версиясы конференциялык макала.

Лицензия / автордук укук статусу: Жүктөлгөн v1 PDFде аякталбаган ACM шаблон автордук укук тексти бар жана кайра пайдалануу үчүн ачык Creative Commons лицензиясы көрүнбөйт. Ошондуктан макаладагы илимий визуал булак сүрөтүнүн пикселдик көчүрмөсүнүн ордуна ачык аныкталган ыкма байланыштарынан көз карандысыз SVG катары кайра түзүлгөн.

Маалымат: Январь 2020–Декабрь 2024 сааттык Binance спот USDT маалыматтары; жетишпеген байкоолор чыпкалангандан кийин 452 криптоактив.

Негизги ыкма: Time Series Generation benchmark; Predictive Utility жана Statistical Arbitrage болгон эки тапшырмалуу баалоо.

Модель үй-бүлөсү: GAN, VAE, diffusion, flow жана гибрид архитектура.

Сыналган моделдер: Quant-GAN, COSCI-GAN, TimeVAE, KoVAE, Diffusion-TS, FIDE, Fourier-Flow жана LS4.

Божомол модели: Predictive Utility тапшырмасында XGBoost.

Statistical Arbitrage модели: TSG reconstruction калдыктарында Ornstein–Uhlenbeck процесси; соода сигналынын чеги γ = 2.

Баалоо өлчөмдөрү: §3.4 ичинде ачык аныкталган MSE, MAE, IC, IR, CAGR, Sharpe Ratio, MDD, VaR, ES, Training Time жана Inference Time. Булактын башка бөлүмдөрүндө жалпы сан 12 жана 13 деп да берилгендиктен саноо ыраатсыздыгы ачык калтырылган.

Эксперимент жабдуусу: Intel Xeon Platinum 8480C @ 3.80 GHz, 64 GB RAM жана NVIDIA H100 GPU.

Каржылоо: Жүктөлгөн preprintте өзүнчө funding statement жок.

Кызыкчылыктардын кагылышы: Жүктөлгөн preprintте өзүнчө conflicts of interest statement жок.

Этика комитети / адам катышуучусу: Изилдөө тарыхый рынок маалыматтарын жана эсептөөчү модель benchmarkын колдонгондуктан адам катышуучулары бар экспериментке негизделбейт; жүктөлгөн preprint өзүнчө этика комитети бөлүмүн бербейт.

Маалымат/код жеткиликтүүлүгү: Булак CTBenchти ачык булактуу benchmark жана маалымат ресурсу катары аныктайт; жүктөлгөн v1 PDFде өзүнчө Data Availability Statement бөлүмү жок.

Авторлордун салымдары: Жүктөлгөн v1 preprintте CRediT же өзүнчө автор салымдары бөлүмү жок.

Негизги илимий чек: Отчеттогу CAGR, Sharpe, drawdown жана капитал ийри сызыктары тарыхый маалыматтарда түзүлгөн benchmark/backtest жыйынтыктары; келечекте чыныгы капитал менен ошол эле натыйжага жетүүгө кепилдик же жандуу соода далили эмес.


Бөлүшүү:

Пикирлер текшерилгенден кийин жарыяланат. Пикириңиз жактыруу процессине жөнөтүлүп, ылайыктуу деп табылганда көрүнөт.

Пикир калтырыңыз

E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген