Жашыруун Структуралык Окшоштук Тармактары (Latent Structural Similarity Networks) — көп өзгөрмөлүү убакыт катарларындагы активдердин бир учурда көтөрүлүп-түшүшүнө гана эмес, убакыт бою көрсөткөн кыйла татаал жүрүм-турум үлгүлөрүнө жараша окшоштуктарын табууга багытталган көзөмөлсүз машиналык үйрөнүү ыкмасы. Olusegun Owoeye даярдаган бул изилдөө убакыт катарларын төмөн өлчөмдүү жашыруун көрсөтүүлөргө айландыруу менен активдердин ортосунда түз байкоого кыйын болгон структуралык байланыштарды окшоштук тармагы аркылуу изилдөөгө болорун көрсөтөт.

Сунушталган ыкма кийинки бааны болжолдоо же автоматтык инвестициялык соода жүргүзүү үчүн иштелип чыккан эмес. Изилдөөнүн негизги максаты — көптөгөн активдердин ортосундагы мүмкүн болгон байланыштарды алдын ала белгиленген соода же оптималдаштыруу эрежелерисиз аныктоо. Бул үчүн убакыт катарлары бири-бирин кайталаган терезелерге бөлүнүп,Long Short-Term Memory (LSTM) негизиндеги ырааттуулуктан ырааттуулукка автоэнкодер аркылуу жашыруун көрсөтүүлөр үйрөнүлөт жана алардын ортосундагы косинустук окшоштуктун негизинде байланыштар тармагы түзүлөт.

Ыкма Binance биржасынан алынган криптовалюталардын спот базарынын маалыматтарында бааланган. Изилдөөдө рыноктук капиталдаштыруусуна жараша тандалган 20 криптоактивдин USDTге карата баа катарлары пайдаланылган. Маалымат мезгили 2024-жылдын апрелинен 2025-жылдын апрелине чейинки болжол менен бир жылды камтыйт. Байкоолор сааттык жыштыкта жүргүзүлгөн. Ачылыш, эң жогорку, эң төмөнкү жана жабылыш баалары (Open, High, Low, Close; OHLC) логарифмдик кирешелүүлүккө айландырылып, 30 убакыт кадамдуу бири-бирин кайталаган терезелер түзүлгөн жана бардык активдер үчүн бирдиктүү LSTM автоэнкодери үйрөтүлгөн.

Автоэнкодердин коддоочу бөлүгүндө жашыруун өлчөмү 256 болгон эки LSTM катмары колдонулган; алынган көрсөтүү ReLU активдештирүү функциясы бар тыгыз катмар аркылуу 64 өлчөмдүү жашыруун векторго айландырылган. Үйрөтүүдө Adam оптималдаштыргычы, орточо квадраттык калыбына келтирүү катасы, 64 үлгүлүү mini-batch жана 20 epoch колдонулган. Ар бир активдин ар башка убакыт терезелериндеги жашыруун векторлору орточолонуп, актив деңгээлинде бир көрсөтүү алынган; андан соң бардык актив жуптарынын косинустук окшоштугу эсептелген.

0,90 косинустук окшоштук босогосу колдонулганда 20 активдин арасынан 64 талапкер байланыш табылган. Пайда болгон тармак бардык активдер бирдей деңгээлде байланышкан бир тектүү түзүлүш болгон эмес; анда тыгыз байланышкан топтор, ар башка байланышкан компоненттер жана обочолонгон жуптар болгон. Бул жыйынтык үйрөнүлгөн жашыруун көрсөтүүлөр бардык активдерди бирдиктүү жалпы рыноктук жүрүм-турумга теңеп салбастан, айрым структуралык айырмачылыктарды сактаганын көрсөтөт.

Табылган 64 талапкер жуп кошумча түрдө классикалыкEngle–Granger коинтеграция тести (cointegration test) аркылуу бааланган. %95 ишеним деңгээлинде кийин жүргүзүлгөн бул диагностикалык текшерүүдө 16 жуп коинтеграция критерийине жооп берген. Бул 64 талапкердин %25 бөлүгүнө барабар. Калган 48 жуптун тесттен өтпөгөнү бул байланыштар сөзсүз туура эмес экенин билдирбейт; анткени ыкма издеген жашыруун структуралык окшоштук менен классикалык сызыктуу узак мөөнөттүү тең салмак байланышы бир эле математикалык түшүнүк эмес.

Изилдөөнүн негизги салымы — көп өзгөрмөлүү убакыт катарларындагы байланыштарды изилдөө үчүн болжолдоо жана чечим кабыл алуу процесстеринен көз карандысыз табуу катмарын сунушташы. Бул ыкма каржы базарларынан тышкары биологиялык өлчөөлөргө, өнөр жай сенсорлоруна, материалдардын бузулуу процесстерине жана көп өзгөрмөлүү инженердик системаларга да ылайыкташтырыла турган методологиялык алкак берет. Бирок бул башка тармактарда өзүнчө тажрыйбалар жүргүзүлгөн эмес.

Изилдөөнүн маанилүү чектөөсү — жыйынтыктар бир гана маалымат жыштыгы жана бир туруктуу окшоштук босогосу менен берилген. Макалада убакыт боюнча туруктуулукту, босогого сезгичтикти жана кайра баалоолордо байланыштардын сакталышын текшерүү протоколу баяндалган, бирок бул текшерүүлөрдүн баары үчүн кеңири сандык тажрыйба жыйынтыктары келтирилген эмес. Мындан тышкары, ыкма башка табуу алгоритмдери менен салыштырылган эмес жана эч кандай инвестициялык стратегиянын кирешелүүлүгү сыналган эмес.

Түркия үчүн изилдөөнүн мааниси — белгиленген жыйынтык маалыматтары жок татаал убакыт катарларында алдын ала изилдөө жүргүзүүгө жалпы ыкма бериши. Аны өнөр жай машиналарынын сенсорлорунун жалпы жүрүм-турумун, ар кандай өндүрүш жабдууларынын убакыт ичиндеги өзгөрүү үлгүлөрүн же каржылык активдердин топторунун структуралык жакындыгын изилдөөгө ылайыкташтырууга болот. Бирок бул колдонуу тармактары изилдөөдө түздөн-түз тастыкталган колдонмолор эмес, ыкманын түзүлүшүнө таянып талкууланган мүмкүн болгон изилдөө багыттары.

Жашыруун структуралык окшоштук деген эмне жана ал салттуу корреляциядан эмнеси менен айырмаланат?

Жашыруун структуралык окшоштук эки же андан көп активдин байкалган маанилери бир учурда өзгөргөнүнө гана эмес, убакыт ичинде үйрөнүлгөн көп өзгөрмөлүү жүрүм-турум үлгүлөрү канчалык окшош экенине көңүл бурат. Изилдөөдө бул окшоштук чийки маалыматтан түз эсептелбейт; LSTM автоэнкодери үйрөнгөн жашыруун векторлорду салыштыруу аркылуу бааланат.

Убакыт катары деген эмне?

Убакыт катары (time series) — бир өзгөрмөнүн убакыттын ар кандай учурларында байкалган маанилеринин иреттүү жыйындысы. Мисалы, криптовалютанын сааттык жабылыш баалары, машинанын мүнөт сайын өлчөнгөн температурасы же өндүрүш линиясынын секунд сайын өлчөнгөн титирөө маалыматтары убакыт катарын түзөт.

Мындай маалыматтарда байкоолордун тартиби маанилүү. Бирдей маанилердин башка убактарда башка ыраат менен чыгышы системанын жүрүм-туруму тууралуу башка маалымат бериши мүмкүн.

Көп өзгөрмөлүү убакыт катары деген эмне?

Көп өзгөрмөлүү убакыт катары (Multivariate Time Series) — бир активдин же системанын бир нече касиетин убакыт ичинде биргелешип өлчөө.

Криптовалюта базарында жабылыш баасын гана кароо бир өзгөрмөлүү ыкма болсо, ачылыш, эң жогорку, эң төмөнкү жана жабылыш бааларынан алынган белгилерди биргелешип кароо көп өзгөрмөлүү ыкма болуп саналат.

Изилдөөнүн ыкмалар бөлүмүндө \(N\) актив бар экени жана ар бир актив \(T\) убакыт чекитинде \(d\) өлчөмдүү белги векторлору аркылуу көрсөтүлөрү болжолдонот:

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

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

Бул жерде:

• \(X_i\): \(i\)-активге тиешелүү көп өзгөрмөлүү убакыт катары.
• \(x_{i,t}\): \(i\)-активдин \(t\) учурундагы белги вектору.
• \(N\): Каралып жаткан активдердин саны.
• \(T\): Убакыт боюнча байкоолордун жалпы саны.
• \(d\): Ар бир убакыт чекитиндеги белгилердин саны.
• \(\mathbb{R}^{d}\): \(d\) өлчөмдүү чыныгы сандар мейкиндиги.

Бул көрсөтүү баа маалыматтарына гана таандык эмес. Ошол эле математикалык модель өнөр жай кыймылдаткычынын температура, ток, титирөө жана басым сыяктуу ар кандай өлчөөлөрүн бириктирген убакыт катарларын да көрсөтө алат.

Салттуу корреляция эмнени өлчөйт?

Корреляция — белгилүү шарттарда эки өзгөрмөнүн биргелешип өзгөрүү багытын жана деңгээлин жалпылаган статистикалык байланыш. Кеңири колдонулган Пирсон корреляциясы сызыктуу бирге өзгөрүүгө көңүл бурат.

Мисалы, эки активдин кирешелүүлүгү көп учурда бир багытта өзгөрсө, оң сызыктуу корреляция байкалышы мүмкүн. Бирок бул алардын убакыт ичиндеги татаалыраак жүрүм-туруму толугу менен бирдей дегенди билдирбейт.

Эки актив бир эле убакта бир багытта кыймылдабаса да, волатилдүүлүктүн топтолушун, кечигип жооп кайтарууну, белгилүү циклдерди же ар башка мезгилдердеги окшош өзгөрүү түзүлүштөрүн көрсөтүшү мүмкүн.

Изилдөө бир убактагы сызыктуу бирге кыймыл бул байланыштардын баарын аныктоо үчүн жетишсиз болушу мүмкүн деген ойго негизделет.

Жашыруун мейкиндик деген эмне?

Жашыруун мейкиндик (latent space) — байкалган көп өлчөмдүү маалыматты үйрөнүү модели азыраак белгилер аркылуу кайра көрсөткөн математикалык мейкиндик.

Бул жерде «жашыруун» деген белгилер чийки маалыматтын тилкелери катары түз байкалбасын түшүндүрөт. Модель үйрөнүү маалында маалымат үлгүлөрүн кысылган көрсөтүүгө айландырууну үйрөнөт.

Мисалы, модель жараткан 64 өлчөмдүү вектордун булакта аныкталбаган бир өлчөмү түз эле «волатилдүүлүк», башкасы «баанын багыты» дегенди билдирбейт. Жашыруун өлчөмдөр — үйрөнүлгөн математикалык көрсөтүүнүн компоненттери.

Ошондуктан изилдөөдө жашыруун көрсөтүүнүн ар бир өлчөмү өзүнчө экономикалык өзгөрмө катары чечмеленбейт. Автор өзгөчө ушул көрсөтүүлөрдөн алынган байланыштар тармагынын түзүлүшүнө басым жасайт.

Көзөмөлсүз үйрөнүү деген эмне?

Көзөмөлсүз үйрөнүү (unsupervised learning) — модель ар бир үлгү үчүн алдын ала даярдалган туура класс же максат белгисине муктаж болбостон, маалыматтын түзүлүшүнөн белгилүү байланыштарды үйрөнүшү.

Бул изилдөөдө автоэнкодер келечектеги криптовалюта баасын болжолдоо аркылуу үйрөтүлбөйт. Ал кириш катары алган убакыт катарынын терезесин кайра калыбына келтирүүгө аракеттенет.

Демек, үйрөнүүнүн максаты инвестициялык чечимдин тууралыгы эмес, убакыт катарындагы маалыматтын кысылган көрсөтүүдө сакталышы.

Автоэнкодер деген эмне?

Автоэнкодер (autoencoder) — коддоочу (encoder) жана декодерден (decoder) турган нейрон тармагынын ыкмасы.

Коддоочу кириш маалыматты төмөн өлчөмдүү жашыруун көрсөтүүгө айлантат. Декодер болсо ошол көрсөтүүдөн баштапкы маалыматты кайра калыбына келтирүүгө аракет кылат.

Бул системаны үйрөтүүдөгү маанилүү көрсөткүч — кайра калыбына келтирилген маалыматтын түпнускага канчалык окшоштугу.

Булакта орточо квадраттык кайра калыбына келтирүү катасынын (Mean Squared Error, MSE) минималдаштырылганы айтылат. Анын жалпы математикалык түрүн түшүндүрүү үчүн:

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

түрүндө көрсөтүүгө болот.

Бул жерде \(x_j\) чыныгы кириш маанисин, \(\hat{x}_j\) кайра калыбына келтирилген маанини, ал эми \(m\) салыштырылган скалярдык маанилердин жалпы санын билдирет.

Ар бир байкоо менен анын кайра калыбына келтирилген маанисинин айырмасы квадратка көтөрүлгөндүктөн, чоң каталар көбүрөөк салым кошот. Модель үйрөнүү учурунда ушул катаны азайтууга аракеттенет.

Бул теңдеме стандарттуу MSE түшүнүгүн үйрөтүү үчүн берилген; булакта моделдин бардык тензор өлчөмдөрүн камтыган өзүнчө жоготуу функциясы жазылган эмес.

Эмне үчүн LSTM колдонулган?

Long Short-Term Memory (LSTM) — иреттелген маалыматтагы убакыттык байланыштарды үйрөнүү үчүн иштелген рекурренттик нейрон тармагынын архитектурасы.

Классикалык сызыктуу өлчөм азайтуу ыкмалары айрым убакыттык байланыштарды чектелген деңгээлде көрсөтсө, LSTM маалымат ырааттуулугунун мурдагы кадамдарындагы маалыматты кийинки кадамдарды иштетүүдө колдоно алат.

Изилдөөдө LSTM тандалышынын себеби — окшоштук белгилүү бир учурдун өзгөрмө маанилерине гана эмес, убакыт ичинде калыптанган жүрүм-турум үлгүлөрүнө да көз каранды болушу мүмкүн.

Бирок LSTM колдонулганы модель бардык сызыктуу эмес байланыштарды так үйрөнгөнүн же бардык рыноктук режимдерде туруктуу экенин далилдебейт. Бул касиеттер үйрөтүү маалыматтарына жана көз карандысыз текшерүүнүн шарттарына жараша болот.

Ырааттуулуктан ырааттуулукка автоэнкодер эмне кылат?

Sequence-to-Sequence Autoencoder — узундугу туруктуу же белгилүү тартипте уюштурулган кириш ырааттуулуктарын коддоп, кайра ырааттуулук түрүндө чыгарууга багытталган.

Изилдөөдө ар бир убакыт терезеси көп өзгөрмөлүү ырааттуулук катары коддоочуга берилет. Коддоочу аны жашыруун векторго айлантат; декодер ошол терезенин белгилерин кайра калыбына келтирет.

Изилдөөчүнүн максаты — жакшы кайра калыбына келтирүүгө жетишкен орток жашыруун мейкиндикти активдердин ортосундагы кеңирээк убакыттык структуралык байланыштарды изилдөөгө колдонсо болорун көрсөтүү.

Бул ыкма эмне үчүн түз корреляциянын ордуна көрсөтүүнү үйрөнөт?

Чийки кирешелүүлүк катарларынан эсептелген салттуу окшоштук көрсөткүчтөрү тез жана түшүнүктүү. Бирок ар бир убакыт аралыгындагы көп өзгөрмөлүү жүрүм-турумду жалгыз кирешелүүлүк менен жалпылоо айрым маалыматты жоготушу мүмкүн.

Сунушталган ыкма адегенде кыска убакыт ырааттуулуктарындагы үлгүлөрдү үйрөнөт, андан кийин терезелерди актив деңгээлинде жалпылайт жана акырында жашыруун векторлорду салыштырат.

Бул салттуу корреляция илимий жактан жараксыз дегенди билдирбейт. Изилдөө кеңирээк табуу алкагын сунуштайт, бирок түз корреляцияга каршы ар тараптуу сандык артыкчылык салыштыруусун жүргүзгөн эмес.

Изилдөөдө 20 криптоактивдин ортосундагы окшоштуктар кантип табылган?

Изилдөө Binance'деги 20 криптоактивдин сааттык OHLC бааларынан эсептелген көп өзгөрмөлүү лог-кирешелүүлүктү 30 кадамдуу терезелерге бөлүп, бирдиктүү LSTM автоэнкодеринде иштеткен. Ар бир активдин үйрөнүлгөн терезе көрсөтүүлөрү орточолонуп, пайда болгон 64 өлчөмдүү жашыруун векторлордун косинустук окшоштугуна 0,90 босогосу колдонулуп, талапкер байланыштар тармагы курулган.

Маалымат топтомунун камтуусу

Булакта маалымат мезгили айлар менен гана көрсөтүлгөн. Так башталыш жана аяктоо сааттары, маалымат алынган убакыт белгиси, ар бир активдин толук тарыхый жазууларынын саны жана тандоонун бардык аралык эрежелери өз-өзүнчө жарыяланган эмес. Ошондуктан бул маалыматтар божомол менен толукталган жок.

OHLC маалыматтары эмнени билдирет?

OHLC белгилүү бир убакыт аралыгындагы төрт баа маалыматын камтыйт:

• Open: Сааттык аралыктын ачылыш баасы.
• High: Ошол аралыкта байкалган эң жогорку баа.
• Low: Ошол аралыкта байкалган эң төмөнкү баа.
• Close: Аралыктын жабылыш баасы.

Бул төрт маалымат бир гана жабылыш баасына караганда убакыт аралыгындагы жүрүм-турум жөнүндө көбүрөөк маалымат бере алат. Мисалы, жабылыш баасы бирдей эки сааттык шамдын эң жогорку жана эң төмөнкү баалары ар башка болушу мүмкүн.

Изилдөөдө бул OHLC катарлары логарифмдик кирешелүүлүккө айландырылган жана кошумча жаңы белги каналдары киргизилген эмес.

Логарифмдик кирешелүүлүк деген эмне?

Логарифмдик кирешелүүлүк — удаалаш эки оң баанын катышынын натурал логарифми аркылуу туюнтулган баа өзгөрүүсүнүн өлчөмү.

Стандарттуу аныктаманы түшүндүрүү үчүн:

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

түрүндө көрсөтүүгө болот.

Бул жерде \(P_t\) тиешелүү убакыттагы бааны, \(P_{t-1}\) мурдагы убакыттагы бааны, ал эми \(\ln\) натурал логарифмди билдирет.

Логарифмдик кирешелүүлүк баалардын абсолюттук деңгээлинен көрө салыштырмалуу өзгөрүшүнө көңүл бурууга мүмкүндүк берет. Бул баа деңгээли ар башка активдерди бир үйрөнүү алкагында баалоого жардам бериши мүмкүн.

Бул математикалык жазылыш — стандарттуу лог-кирешелүүлүк аныктамасы. Булак OHLC лог-кирешелүүлүктөрүн колдонгонун айтса да, төрт баа каналын өзгөртүүдөгү жетишпеген маанилер, нөл баалар жана маалыматтарды дал келтирүү боюнча бардык деталдарды өзүнчө түшүндүрбөйт.

Эмне үчүн маалыматтар терезелерге бөлүнөт?

Каржылык жана өнөр жай убакыт катарларында жүрүм-турум убакыт менен өзгөрүшү мүмкүн. Бүт мезгилди бир өзгөрбөс бөлүштүрүү божомолу менен кароо белгилүү учурларда пайда болгон жергиликтүү структуралык касиеттерди жашырып коюшу мүмкүн.

Жылма терезе (rolling window) — убакыт катарын удаалаш, көбүнчө бири-бирин кайталаган кичи бөлүктөргө бөлүп изилдөө.

Изилдөөдө ар бир терезенин узундугу:

\[ L=30 \]

деп белгиленген. Маалыматтардын жыштыгы бир саат болгондуктан, ар бир терезе 30 сааттык байкоолор ырааттуулугун камтыйт.

Булакта терезе жылдыруу кадамы (stride) боюнча бардык майда-чүйдөсү менен түшүндүрүлгөн так сан жок. Ошондуктан ар бир терезе так канча байкоого жылдырылып түзүлгөнү божомолдонгон жок.

Ар бир терезе:

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

түрүндө көрсөтүлөт.

Бул жерде \(\tau\) терезенин индексин, \(L\) терезенин узундугун, \(d\) белгилердин өлчөмүн билдирет.

Булакта ар бир терезе өз ичинде белгилер боюнча нормалдаштырылганы айтылат. Бирок колдонулган нормалдаштыруунун так теңдемеси жана четки маанилерге, жетишпеген маалыматтарга кандай мамиле кылынганы кеңири берилген эмес. Ошондуктан белгилүү бир z-балл же min–max өзгөртүүсү булактын ыкмасы катары кабыл алынган жок.

Терезе боюнча нормалдаштыруунун максаты

Ар кандай активдердин баа деңгээли жана волатилдүүлүк масштабы айырмаланышы мүмкүн. Нормалдаштыруу моделдин абсолюттук чоңдуктардын айырмасына гана көңүл бурушун азайтып, убакыт ичиндеги жүрүм-турум формаларын салыштырууга ыңгайлуу кылууну көздөйт.

Бул операция бардык активдерди бирдей экономикалык касиетке айландырбайт. Ал пайдаланылган маалымат көрсөтүүсүндөгү масштабдын таасирин гана азайтат.

LSTM автоэнкодеринин архитектурасынын деталдары

Булак боюнча коддоочу бөлүгүндө удаалаш эки LSTM катмары бар жана жашыруун өлчөмү 256. Акыркы LSTM чыгышы ReLU активдештирүү функциясы бар тыгыз катмар аркылуу 64 өлчөмдүү жашыруун векторго айланат.

Декодер бөлүгүндө жашыруун вектор кайра проекцияланат, убакыт огу боюнча кайталанат жана эки LSTM катмары менен убакыт боюнча бөлүштүрүлгөн сызыктуу катмардын жардамы аркылуу кириш ырааттуулугунун белгилер өлчөмүнө которулат.

Модель TensorFlow/Keras платформасында түзүлүп, Adam оптималдаштыруусу менен 20 epoch үйрөтүлгөн.

Epoch — моделди үйрөнтүү учурунда окутуу маалыматтары боюнча бир толук өтүү.Mini-batch — ар бир параметр жаңыртылганда чогуу колдонулган үлгүлөр тобу. Изилдөөдө mini-batch көлөмү 64.

Үйрөтүү маалыматтары бардык 20 активдин жылма терезелеринен түзүлгөн орток үлгүлөр топтомунан алынган. Ошентип, ар бир актив үчүн өзүнчө модель эмес, бирдиктүү жашыруун мейкиндик түзгөн жалгыз модель үйрөтүлгөн.

Жалпы модель активдерди салыштыруу үчүн маанилүү, анткени ар кандай активдин жашыруун векторлору бир көрсөтүү системасында түзүлөт.

Терезе көрсөтүүлөрү кантип бириктирилет?

Автоэнкодер ар бир активдин ар бир терезеси үчүн жашыруун көрсөтүү чыгарат. Бирок активдердин ортосунда бир окшоштук салыштыруусун жүргүзүү үчүн ар бир активди көрсөткөн бирдиктүү вектор керек.

Бул максат үчүн булакта терезе векторлорунун арифметикалык орточосу колдонулат:

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

Бул жерде:

• \(z_i\): \(i\)-активдин бириктирилген жашыруун көрсөтүүсү.
• \(K_i\):Тиешелүү актив үчүн түзүлгөн терезелердин саны.
• \(h_i^{(\tau)}\): \(i\)-активдин \(\tau\)-терезесинен үйрөнүлгөн жашыруун вектор.
• \(\tau\):Терезенин индекси.

Формула активдин бардык терезе көрсөтүүлөрү кошулуп, терезелердин санына бөлүнөрүн көрсөтөт. Натыйжа — активдин убакыт ичинде үйрөнүлгөн жүрүм-турум үлгүлөрүн жалпылаган бир вектор.

Бул ыкма убактылуу жана бир гана терезеде байкалган өзгөрүүлөрдүн таасирин орточолоштуруу аркылуу азайтууга багытталган.

Бирок орточолоштуруу убакыт ичиндеги бардык өзгөрүүлөрдү жоготуусуз сактабайт. Мисалы, ар башка мезгилдердеги кыйла айырмаланган жүрүм-турумдар бир векторго биригип калышы мүмкүн. Автордун келечектеги туруктуулукту баалоого маани берүүсүнүн себептеринин бири ушунда.

Косинустук окшоштук кантип эсептелет?

Изилдөөнүн экинчи негизги теңдемеси эки активдин жашыруун векторлорунун ортосундагыкосинустук окшоштук (cosine similarity):

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

Бул теңдемеде:

• \(s_{ij}\): \(i\) жана \(j\) активдеринин ортосундагы косинустук окшоштук.
• \(z_i\):Биринчи активдин жашыруун вектору.
• \(z_j\):Экинчи активдин жашыруун вектору.
• \(z_i^{\top}z_j\):Эки вектордун скалярдык көбөйтүндүсү.
• \(\|z_i\|\):Биринчи вектордун Евклид нормасы.
• \(\|z_j\|\):Экинчи вектордун Евклид нормасы.

Евклид нормасы — вектордун математикалык узундугу. Косинустук окшоштук векторлордун өлчөмүнөн көбүрөөк алардын багыттары канчалык жакын экенин баалоого жардам берет.

Нөл эмес эки вектор бир багытта болсо косинустук окшоштук 1, бири-бирине тик болсо 0, карама-каршы багытта болсо −1 болот.

Бул маани каржылык кирешелүүлүктөрдүн Пирсон корреляция коэффициенти менен бирдей көрсөткүч эмес. Булакта чийки кирешелүүлүк катарлары эмес, үйрөнүлгөн жашыруун векторлор салыштырылат.

Формула нөл вектор үчүн түз аныкталбайт, анткени бөлгүчтөгү норма нөл болот. Булакта мындай жагдай үчүн атайын эсептөө эрежеси берилген эмес.

Эмне үчүн косинустук окшоштук тандалган?

Автор жашыруун көрсөтүүлөрдүн абсолюттук чоңдугунан көрө багыттык окшоштугун изилдөөнү көздөйт. Бир багыттагы жашыруун эки вектордун чоңдуктары башка болсо да косинустук окшоштук жогору болушу мүмкүн.

Бул касиет баалары жана масштабдары ар башка активдерди салыштырууда пайдалуу математикалык көрсөткүч боло алат.

Бирок жогорку косинустук окшоштук эки криптоактив келечекте сөзсүз бирдей кирешелүүлүк берерин, ортосунда себеп-натыйжа байланышы бар экенин же бирдей экономикалык негизге таянарын билдирбейт.

Окшоштук матрицасы деген эмне?

Ар бир актив жуп үчүн эсептелген \(s_{ij}\) маанилерин матрицага жайгаштырууга болот. Анда саптар менен мамычаларда активдер, алардын кесилиштеринде окшоштук маанилери болот.

20 актив үчүн бул 20×20 өлчөмдүү симметриялуу окшоштук матрицасы.

Матрицанын диагоналындагы маанилер нөл эмес векторлордун өзүнө карата косинустук окшоштугу эсептелгендиктен 1 болот.

Булактын 1-сүрөтүндө ушул матрица түстөр менен көрсөтүлгөн. Анда бардык уячалардын түсү бирдей эместиги жана айрым актив топторунда окшоштук жогору экени көрүнөт.

Бул модель бардык криптоактивдерди так бирдей көрсөтүү векторуна келтирбегенин билдирет.

Бирок 1-сүрөттүн бардык уячаларына туура келген 400 сандык маани өзүнчө таблица болуп жарыяланган эмес. Ошондуктан Verianla түстөрдөн так окшоштук коэффициенттерин ойлоп таппайт.

Окшоштук тармагы кантип түзүлөт?

Окшоштук матрицасы бардык актив жуптарын камтыйт. Изилдөөнүн максаты болсо ушул жыш байланыштар арасынан күчтүүрөөк талапкерлерди бөлүп алуу.

Ошондуктан активдер түйүн (node), ал эми жетиштүү жогорку окшоштукка ээ байланыштар кыр (edge) катары көрсөтүлгөн салмакталган, багытталбаган граф түзүлөт.

Изилдөөдө колдонулган босого:

\[ \tau=0.90 \]

деп аныкталган.

Окшоштук мааниси ушул босогого жооп берген актив жуптары тармакта сакталат, калгандары талапкер тармактын кырларына кирбейт.

Бул босого маалыматтын негизинде тажрыйбалык түрдө тандалып, өтө тыгыз же өтө сейрек тармактардан качууга багытталган. Булак босого инвестициялык оптималдаштыруу аркылуу аныкталганын айтпайт.

Тармактагы түйүн, кыр жана байланышкан компонент деген эмне?

Түйүн (node): Бул изилдөөдө бир криптоактивди билдирет.

Кыр (edge): Эки активдин ортосундагы босого шартын аткарган жашыруун окшоштук байланышы.

Салмак (weight): Кырга туура келген косинустук окшоштуктун мааниси.

Байланышкан компонент (connected component): Өз ичинде кырлардын жолу аркылуу бири-бирине жетүүгө боло турган түйүндөр тобу.

Жыш субграф: Топтун ичиндеги түйүндөрдүн ортосунда салыштырмалуу көп байланыш болушу.

Обочолонгон жуп: Өз ара байланышкан, бирок тармактагы башка чоң компоненттерден бөлүнгөн эки түйүндүү түзүлүш.

Булактын 2-сүрөтүндө тыгыздыгы ар башка топтор жана обочолонгон жуптар көрсөтүлгөн. Тармак бардык активдерди бир бүтүн болуп бириктирбегени үйрөнүлгөн көрсөтүү айырмаланган байланыш түзүлүшүн жаратты деп чечмеленет.

20 активдин арасында канча мүмкүн болгон жуп бар?

20 активдин ар бири калган 19 актив менен салыштырыла аларын эске алганда, ар бир жупту эки жолу санабоо үчүн мүмкүн болгон кайталанбаган жуптардын жалпы саны:

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

деп эсептелет.

Бул сан булактагы 20 активдүү, багытталбаган тармактын түзүлүшүнөн чыккан жөнөкөй комбинатордук натыйжа; жаңы тажрыйбалык табылга эмес.

Изилдөөдө мүмкүн болгон 190 кайталанбаган жуптун 64 жуп босого шартын аткарып, талапкер тармакта калган.

Ошентип, табуу ыкмасы бардык актив жуптарын кийинки кеңири текшерүүгө дароо киргизбей, 64 талапкер менен чектелген байланыш түзүлүшүн берет.

Босогонун мааниси эмнеге маанилүү?

Босого коюу тармактын канчалык тыгыз болоруна түздөн-түз таасир берет.

Жогорураак окшоштук босогосу адатта азыраак байланыштын калышына алып келет. Төмөнкү босого болсо көбүрөөк актив жуптарынын талапкер тармакка киришине себеп болушу мүмкүн.

Бирок бул изилдөөдө ар башка босоголор боюнча өзүнчө эсептелген тармак жыйынтыктары берилген эмес. Демек, мисалы, 0,85 же 0,95 босогосу канча кыр түзөрү булактан белгисиз.

Булакта башка босого стратегияларын жана босоголорду текшерүүнү кийинки изилдөөлөрдө баалоо сунушталат.

Эмне үчүн үйрөнүлгөн тармак так байланыштар картасы эмес?

Тармактын кырлары эки активдин үйрөнүлгөн жашыруун көрсөтүүлөрүнүн ортосунда жогорку багыттык окшоштук бар экенин билдирет.

Бирок бул касиет активдер чыныгы дүйнөдө бири-бирине таасир этерин, жалпы түпкү себеби бар экенин же келечекте чогуу кыймылдаарын так далилдебейт.

Автор тармакты түздөн-түзбайланыш гипотезалары тармагы (relational hypothesis graph) катары мүнөздөйт. Бул түшүнүк тармак кийинки изилдөөгө талапкер байланыштарды сунуштай турганын, бирок анык себептүүлүк же тастыкталган экономикалык тең салмак мамилелерин бербей турганын билдирет.

Эмне үчүн 64 талапкер байланыштын 16 жубу гана коинтеграция тестинен өттү?

Анткени изилдөөдөгү жашыруун окшоштук көрсөткүчү жана Engle–Granger коинтеграция тести байланыштардын ар башка түрлөрүн баалайт. Жашыруун окшоштук үйрөнүлгөн көп өзгөрмөлүү убакыт үлгүлөрүнүн жакындыгын өлчөсө, коинтеграция белгилүү интеграция жана сызыктуу узак мөөнөттүү байланыш божомолдорунда катарлардын ортосунда стационардуу сызыктуу айкалыш бар-жогун текшерет.

Коинтеграция деген эмне?

Коинтеграция (cointegration) — белгилүү стационардуу эмес убакыт катарларынын ылайыктуу сызыктуу айкалышы стационардуу түзүлүшкө ээ болгон абал.

Бул түшүнүк айрыкча убакыт катарларынын ортосундагы узак мөөнөттүү тең салмак байланыштарын изилдөөдө колдонулат.

Эки катардын кыска мөөнөттө окшош багытта кыймылдашы коинтеграция үчүн өз алдынча жетиштүү эмес. Ошол эле учурда сызыктуу корреляциянын төмөн болушу бардык мүмкүн болгон узак мөөнөттүү байланыштарды четке какпайт.

Engle–Granger тести эмне кылат?

Engle–Granger коинтеграция тести — ылайыктуу интеграция шарттарында эки убакыт катарынын ортосунда сызыктуу узак мөөнөттүү байланыш бар-жогун изилдеген классикалык эконометрикалык ыкмалардын бири.

Стандарттуу эки өзгөрмөлүү ыкмада бир катар экинчисинин сызыктуу функциясы катары моделделип, моделден калган ката мүчөнүн стационардуулугу текшерилет.

Түшүндүрүү үчүн:

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

деп жазууга болот.

Бул жерде \(Y_t\) жана \(X_t\) убакыт катарларын, \(\alpha\) туруктуу мүчөнү, \(\beta\) сызыктуу байланыш коэффициентин, \(\varepsilon_t\) калдык мүчөнү билдирет.

Тиешелүү теориялык шарттар аткарылса, калдык мүчөнүн стационардуу болушу катарлардын ортосунда коинтеграция бар экенине ишарат кылышы мүмкүн.

Бул теңдеме стандарттуу Engle–Granger ыкмасын түшүндүрүүчү түр. Булак макалада кайсы актив жупка кандай сандык \(\alpha\) жана \(\beta\) маанилери колдонулганы берилген эмес.

Стационардуулук деген эмне?

Стационардуулук (stationarity) — убакыт катарынын айрым статистикалык касиеттери убакыт ичинде өзгөрбөй турушуна байланыштуу түшүнүк.

Алсыз стационардуулукта адатта орточо маани туруктуу болушу, дисперсиянын убакыт менен өзгөрбөшү жана ковариация убакыт чекиттеринин ортосундагы кечигүүгө гана көз каранды болушу каралат.

Каржылык баа деңгээлдери көп учурда стационардуу эмес процесстер катары изилденет. Логарифмдик кирешелүүлүктөр айрым моделдөө шарттарында стационардуураак көрсөтүү бериши мүмкүн.

Бирок кирешелүүлүктөр колдонулганы изилденген бүтүндөй мезгилде ар бир криптоактив математикалык мааниде стационардуу экени сөзсүз далилденгенин билдирбейт. Булак бардык активдер боюнча өзүнчө стационардуулук тесттеринин таблицаларын бербейт.

Булакта коинтеграция кандай колдонулган?

Изилдөөдө Engle–Granger тести жашыруун тармак түзүлгөндөн кийин колдонулган.

Адегенде 0,90 босогосу менен 64 талапкер байланыш тандалып, андан кийин бул жуптар %95 ишеним деңгээлинде коинтеграция тестинен өткөрүлгөн.

Натыйжада 16 талапкер жуп критерийге жооп берген.

Бул натыйжа:

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

үлүшүнө барабар.

Калган 48 талапкер жуп коинтеграция шартын аткарбаганы билдирилген.

Булакта бардык 64 жуптун өзүнчө p-маанилери, тест статистикалары жана колдонулган регрессия коэффициенттери жарыяланган эмес. Ошондуктан кайсы актив жуп кандай статистикалык маани менен тесттен өткөнүн ушул PDFден кайра эсептөөгө болбойт.

48 жуп ийгиликсиз табылгабы?

Жок. Изилдөөнүн максаты коинтеграцияланган жуптарды эң жогорку тактыкта аныктаган классификаторду түзүү эмес.

Жашыруун тармак ар кандай убакыт үлгүлөрүнүн жалпы түзүлүшүн табууга аракеттенет. Коинтеграция тести болсо шарттары тарыраак болгон классикалык эконометрикалык байланышты текшерет.

Ошондуктан тест критерийине жооп бербөө жашыруун векторлордун ортосунда жогорку окшоштук жок экенин далилдебейт.

Ошондой эле 16 жуп коинтеграция критерийине жооп бергени алардын автоматтык түрдө кирешелүү инвестициялык мүмкүнчүлүк экенин билдирбейт.

Бул жыйынтыктар инвестициялык стратегия түзөбү?

Жок. Изилдөө соода сигналдарын чыгарган эмес, бүтүм ачуу же жабуу эрежесин түзгөн эмес жана стратегиянын кирешесин эсептеген эмес.

Операция чыгымы, тайгалануу (slippage), портфелдин кирешелүүлүгү, Sharpe көрсөткүчү, максималдуу төмөндөө же чыныгы инвестициялык пайда сыяктуу жыйынтыктар берилген эмес.

Автор байланыштар тармагын кийин тармактык изилдөөлөр колдоно ала турган алдын ала табуу түзүлүшү катары сунуштайт.

Байланыштар тармагынын негизги артыкчылыгы эмнеде?

Көп активдүү системада бардык мүмкүн болгон жуптарды бир-бирден кеңири изилдөө олуттуу талдоо жүгүн жаратышы мүмкүн.

Сунушталган ыкма адегенде бардык активдерди бирдиктүү жашыруун мейкиндикте салыштырып, жогорку окшоштуктагы байланыштарды бөлүп чыгарат.

Ошентип, кеңири талдоо үчүн чектелген талапкерлер тизмеси алынат.

Бирок маанилүү айырма бар: баштапкы окшоштук бардык жуптар үчүн эсептелет. Демек, ыкма алгачкы бардык жуптук окшоштук эсептөөлөрүн жок кылбайт. Талапкерлерди кыскартуу кийинки кеңири текшерүү баскычында гана жүрөт.

Убакыт боюнча туруктуулукту кантип бааласа болот?

Изилдөө табылган байланыштар ар башка убакыт аралыгында кайра пайда болобу дегенди текшерүү үчүн туруктуулукту баалоо протоколун сунуштайт.

Бул ыкмада маалымат мезгили ар башка убакыт блокторуна бөлүнүп, бирдей үйрөнүү жана тармак түзүү иштери кайталап жүргүзүлүшү мүмкүн.

Андан кийин тармактардын жалпы кырларын салыштырууга болот.

Булак мисал катарыJaccard окшоштугун жана окшоштук матрицаларынын ортосундагы рангдык корреляцияны сунуштайт.

Эки кыр жыйындысы үчүн Jaccard окшоштугунун стандарттуу аныктамасы:

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

түрүндө берилет.

Бул жерде \(A\) жана \(B\) ар башка убакыт блокторунда алынган кырлар жыйындылары. \(A\cap B\) орток кырларды, \(A\cup B\) жок дегенде бир тармакта бар бардык кайталанбаган кырларды билдирет.

Jaccard мааниси 1 болсо жыйындылар бирдей; 0 болсо орток кыр жок.

Бул формула макалада сунушталган туруктуулукту баалоону түшүндүрүү үчүн берилген. Булак бул изилдөө үчүн эсептелген так Jaccard маанисин билдирбейт.

Негизги байланыштар жыйындысы деген эмне?

Автор ар башка кайра баалоолордо туруктуу пайда болгон байланыштардыөзөктүк кырлар (core edges) катары изилдөөгө болорун түшүндүрөт.

Мисалы, белгилүү актив жубу ар башка убакыт блокторунда кайра-кайра жогорку окшоштук көрсөтсө, бул бир мезгилде гана чыккан окшоштукка караганда туруктуураак талапкер байланышты билдириши мүмкүн.

Булак муну изилдөө протоколунун бир бөлүгү катары аныктайт. Бирок 64 байланыштын кайсынысы канча убакыт блогунда кайталанганын көрсөткөн толук туруктуулук таблицасы жок.

Эмне үчүн босого сезгичтигин өзүнчө текшерүү керек?

0,90 босогосу менен түзүлгөн тармактын белгилүү түзүлүшү бар. Босого өзгөрсө, айрым байланыштар алынышы же жаңылары кошулушу мүмкүн.

Ошондуктан эң чоң байланышкан компоненттин көлөмү, тыгыз байланышкан түйүндөрдүн сакталышы же күчтүү кырлардын улануусу сыяктуу касиеттерди башка босоголордо изилдөөгө болот.

Бирок булакта ар башка босоголор үчүн өлчөнгөн салыштырма жыйынтыктар жарыяланган эмес. Изилдөө сунуштаган босого сезгичтигин баалоо методологиялык сунуш; көп босоголуу тажрыйбалар бүттү дегенди билдирбейт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Изилдөөнүн түзүлүшү

Бул иш көзөмөлсүз үйрөнүүдөн алынган жашыруун көрсөтүүлөрдү көп өзгөрмөлүү убакыт катарларында байланыштарды табуу үчүн колдонсо болорун текшерген тажрыйбалык ыкманын көрсөтмөсү.

Изилдөөнүн негизги иш баскычтары төмөнкүдөй:

1. Binance'ден тандалган 20 криптоактивдин сааттык OHLC маалыматтары алынган.
2. Баа катарлары логарифмдик кирешелүүлүккө айландырылган.
3. Көп өзгөрмөлүү кирешелүүлүктөр 30 убакыт кадамдуу бири-бирин кайталаган терезелерге бөлүнгөн.
4. Ар бир терезедеги белгилер өз алдынча нормалдаштырылган.
5. Бардык активдердин терезелери бирдиктүү LSTM автоэнкодерине берилген.
6. Автоэнкодер орточо квадраттык кайра калыбына келтирүү катасын азайтууга үйрөтүлгөн.
7. Ар бир терезе үчүн 64 өлчөмдүү жашыруун вектор чыгарылган.
8. Ар бир активдин терезе векторлору орточолонуп, актив деңгээлиндеги көрсөтүү түзүлгөн.
9. 20 активдин жашыруун векторлорунун ортосунда косинустук окшоштук эсептелген.
10. 0,90 босогосу менен салмакталган, багытталбаган окшоштук тармагы түзүлгөн.
11. Тармактан 64 талапкер актив байланышы алынган.
12. Бул 64 жуп кийин Engle–Granger тести менен бааланып, 16 жуп коинтеграция критерийине жооп берген.

Тажрыйбанын биринчи жыйынтыгы: жашыруун окшоштук матрицасы

Булактын 1-сүрөтү 20 криптоактивдин бириктирилген жашыруун векторлорунун негизинде эсептелген косинустук окшоштук матрицасын көрсөтөт.

Матрицанын түс бөлүштүрүлүшү бардык актив жуптары бирдей деңгээлде окшош эместигин көрсөтөт.

Айрым актив топторунда жашыруун окшоштук жогору болсо, башка жуптарда төмөн. Изилдөөчү бул натыйжаны жалпы модель бардык активдерди бир эле рыноктук көрсөтүүгө түшүрбөгөнүнүн белгиси деп чечмелейт.

Бирок булактагы сүрөт 20×20 окшоштук маанилеринин толук сандык таблицасын бербейт. Ошондуктан сүрөттөн так уяча маанилерин чыгарып, өзүнчө натыйжа таблицасы түзүлгөн эмес.

Тажрыйбанын экинчи жыйынтыгы: сейрек окшоштук тармагы

Булактын 2-сүрөтүндө 0,90 босогосу колдонулганда түзүлгөн тармак көрсөтүлгөн.

Бул тармакта 20 актив жана 64 талапкер байланыш бар.

Тармак бир нече байланышкан компонентке бөлүнөт. Айрым топтор тыгыз байланышкан, ал эми кээ бир активдер алсызыраак байланышкан же обочолонгон жуптарда жайгашкан.

Мындай айырмачылык окшоштуктун түзүлүшү бардык активдерде бир тектүү эмес экенин билдирет.

Булак тармактын жалпы топологиясын түшүндүрсө да, ар бир түйүндүн так даражасын, бардык кырлардын салмактарын жана байланыштардын толук тизмесин таблица түрүндө жарыялаган эмес.

Ошондуктан Verianla булактын 2-сүрөтүн кайра жасоо үчүн болжолдуу кырлар тизмесин же ойлонуп чыгарылган актив байланыштарын түзбөйт.

Тажрыйбанын үчүнчү жыйынтыгы: классикалык коинтеграция диагностикасы

64 талапкер жуп Engle–Granger тести менен каралып, 16 жуп коинтеграция критерийине жооп бергени билдирилген.

Бул табылга жашыруун окшоштук ыкмасы классикалык сызыктуу узак мөөнөттүү байланыш түшүнүгүнө дал келген айрым жуптарды да тапканын көрсөтөт.

Бирок 16 жуптун гана критерийге жооп бериши ыкманын табуу ийгилиги %25 дегенди билдирбейт. Анткени коинтеграция бул изилдөөнүн үйрөнүү максаты да, анык туура энбелгилер жыйындысы да эмес.

Автордун ыкмасында классикалык тест табылган байланыштарды башка статистикалык өңүттөн чечмелөөнүн куралы болуп саналат.

Булакта өлчөнбөгөн ийгилик көрсөткүчтөрү

Изилдөөдө классификация маселеси коюлбагандыктан тактык (accuracy), precision, recall же F1-score сыяктуу көрсөткүчтөр берилген эмес.

Баа болжолдоосу жүргүзүлбөгөндүктөн болжолдун RMSE, MAE же келечектеги баа кыймылын алдын ала айтуу ийгилиги да берилген эмес.

Андан тышкары, башка табуу ыкмалары менен бир эле маалыматта сандык салыштыруу жүргүзүлгөн эмес. Ошондуктан сунушталган ыкма бардык башкаларынан жакшы деген тыянак чыгарууга болбойт.

Ыкманы чечмелөө мүмкүнчүлүгү

Изилдөө үйрөнүлгөн 64 өлчөмдүү вектордун ар бир бөлүгүнө түз экономикалык маани ыйгаруу менен чечмелөөнү камсыз кылбайт.

Чечмелөө мүмкүнчүлүгү көбүнчө тармак деңгээлинде көрүнөт.

Тармак кайсы түйүндөрдү бириктирери, кайсы активдер бир компонентке кирери, кайсы кичи топтор тыгызыраак экени жана кайсы жуптар кийин статистикалык текшерүүгө алынышы мүмкүн экени байкала баштайт.

Ошондуктан бул ыкма жашыруун мейкиндиктин өзүн түшүндүрүүдөн көрө анын жараткан байланыш түзүлүшүн талдоого боло турган объектке айландырат.

Ыкманын башка тармактарга ылайыкталышы

Автор сунушталган ыкма каржылык маалыматтарга гана мүнөздүү математикалык эрежелерге таянбасын айтат.

Бир эле жалпы иш баскычтары ар кандай көп өзгөрмөлүү убакыт катарларында колдонууга ылайыкташкан.

Мисалы, биологиялык фенотиптөө, материалдардын бузулушун талдоо жана өнөр жай активдерин көзөмөлдөө тармактарында окшош убакыт үлгүлөрү бар системаларды аныктоо боюнча изилдөө жүргүзүүгө болот.

Бирок бул изилдөө криптовалюта маалыматтары менен гана тажрыйбалык көрсөтүүнү камтыйт. Биологиялык, өнөр жай же материал маалыматтары боюнча өзүнчө натыйжалар жарыяланган эмес.

Түркиядагы мүмкүн болгон инженердик колдонмолор

Түркиядагы өнөр жай ишканаларында машиналардан температура, ток, титирөө, басым жана энергия керектөө сыяктуу убакыт катарларын алууга болот.

Мындай маалыматтарда жашыруун структуралык окшоштук ыкмасын изилдөө жүрүм-туруму окшош жабдууларды же сенсор топторун алдын ала текшерүүгө тандоого жардам бериши мүмкүн.

Бирок бул ыкманы ылайыкташтырганда маалыматты тазалоо, сенсорлордун синхрондуулугу, үлгү алуу жыштыгы, терезенин узундугу, нормалдаштыруу, моделди үйрөтүү жана окшоштук босоголору тиешелүү өнөр жай системасында өзүнчө текшерилиши керек.

Бул мүмкүн болгон колдонуу макаладагы Түркиянын өнөр жай ишканаларында ишке ашырылган тажрыйба эмес.

Изилдөөнүн күчтүү жактары

Биринчи маанилүү жагы — жашыруун көрсөтүүнү үйрөнүүнү түз болжолдоо же классификация максатысыз колдонушу.

Экинчи маанилүү жагы — көп өзгөрмөлүү убакыт терезелерин жалпы үйрөнүү модели менен көрсөтүшү.

Үчүнчү маанилүү жагы — үйрөнүлгөн көрсөтүүлөр өлчөм азайтуунун жыйынтыгы бойдон калбай, активдер ортосунда тармак курууга колдонулушу.

Төртүнчү маанилүү жагы — классикалык коинтеграция тести акыркы туура энбелги эмес, башка диагностикалык көз караш катары бааланышы.

Бул касиеттер изилдөөнүн негизги салымы инвестициялык алгоритм эмес, башка тармактарда колдонулуучу табуу катмарын түзүү экенин көрсөтөт.

Изилдөөнүн чектөөлөрү

Тажрыйбалар бир гана сааттык жыштыкта жүргүзүлгөн. Мүнөттүк, күндүк же жумалык маалыматта ошондой тармак түзүлөрү көрсөтүлгөн эмес.

Окшоштук тармагы бир гана 0,90 босогосу менен берилген. Башка босого колдонуу ыкмалары салыштырылган эмес.

Убакыт боюнча туруктуулук жана босогого сезгичтик боюнча протокол айтылганы менен ар башка убакыт блоктору жана босоголор үчүн кеңири сандык жыйынтыктар жарыяланган эмес.

Ыкма башка көрсөтүүнү үйрөнүү же байланыштарды табуу ыкмалары менен бир маалыматта салыштырылган эмес.

Engle–Granger коинтеграциясы бир гана классикалык диагностикалык курал; ал мүмкүн болгон бардык структуралык байланыштарды ырастоочу толук тест эмес.

Изилдөөдө белгилүү инвестициялык же операциялык чечим кабыл алуу милдети жок. Ошондуктан табылган тармак кандайдыр бир чечим системасынын ийгилигин канчага арттырары өлчөнгөн эмес.

Булакта бардык активдердин толук сандык жашыруун векторлору, толук 20×20 окшоштук матрицасы жана 64 кырдын бардык салмактары жазылган өзүнчө маалымат таблицасы жок.

Изилдөө ырастаган жыйынтыктар

• Көзөмөлсүз LSTM автоэнкодери менен көп өзгөрмөлүү убакыт катарлары жалпы жашыруун мейкиндикте көрсөтүлгөн.
• 20 криптоактивдин жашыруун окшоштуктары бирдей эмес, ар башка түзүлүштө болгон.
• 0,90 косинустук босогосу менен 64 талапкер байланыш алынган.
• Тармак тыгыз кичи топтордон жана ар кандай байланышкан компоненттерден турган топология көрсөткөн.
• 64 талапкердин 16 жубу Engle–Granger коинтеграция критерийине жооп берген.
• Классикалык коинтеграция менен жашыруун структуралык окшоштук ар башка түшүнүктөр экени талкууланган.
• Ыкма болжолдоо же инвестициялык оптималдаштыруусуз байланыштарды табуу катмары катары сунушталган.

Изилдөө ырастабаган жалпылоолор

• Модель келечектеги криптовалюта бааларын ийгиликтүү болжолдоору көрсөтүлгөн эмес.
• Табылган 64 байланыштын баары экономикалык себептүүлүккө ээ экени далилденген эмес.
• Коинтеграцияланган 16 жуп кирешелүү инвестициялык мүмкүнчүлүк деп жыйынтык чыгарууга болбойт.
• 48 жуп автоматтык түрдө жаңылыш табылга деп айтууга болбойт.
• Ыкма башка бардык табуу ыкмаларынан ийгиликтүүрөөк экени көрсөтүлгөн эмес.
• Ар башка убакыт жыштыгында да бирдей жыйынтыктар алынары тастыкталган эмес.
• 0,90 дан башка босоголордо бирдей топология сакталаары далилденген эмес.
• Биологиялык же өнөр жай маалымат топтомдорунда өзүнчө тажрыйба жүргүзүлгөн эмес.
• Изилдөө табылган бардык байланыштар үчүн себептүүлүктү же ырасталган узак мөөнөттүү экономикалык тең салмакты тапты деп айтууга болбойт.

Изилдөөнүн жалпы жыйынтыгы

Olusegun Owoeye изилдөөсү көп өзгөрмөлүү убакыт катарларынын ортосундагы байланыштарды чийки байкоолорго негизделген туруктуу окшоштук көрсөткүчтөрү менен гана изилдөө зарыл эмес экенин көрсөтөт.

Жылма убакыт терезелерин LSTM автоэнкодери менен орток жашыруун көрсөтүүлөргө айландыруу жана алардан байланыштар тармагын куруу татаал маалымат топтомдорунда талапкер окшоштуктарды изилдөө ыкмасын берет.

Криптовалюта маалыматтарында табылган 64 талапкер байланыштын 16 жубу классикалык коинтеграция критерийине жооп бергени жашыруун көрсөтүүлөр сызыктуу узак мөөнөттүү тең салмак байланыштарына гана түшүрүлбөгөн башка убакыттык жүрүм-турумдарды да бириктириши мүмкүн экенин болжолдойт.

Бирок бул табылга бардык аныкталган байланыштар тышкы жактан текшерилди же ыкманын болжолдоо жана соода натыйжалуулугу далилденди дегенди билдирбейт.

Изилдөөнүн негизги илимий салымы — үйрөнүлгөн убакыт катары көрсөтүүлөрүн өз алдынча байланыштарды табуу катмарына айландыруу. Ошентип, ар кандай изилдөө тармактарында тереңирээк талдоо үчүн түзүмдүү талапкер байланыштар топтомун түзүүгө болот.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска изилдөө: Latent Structural Similarity Networks for Unsupervised Discovery in Multivariate Time Series.

Автор: Olusegun Owoeye.

Авторлордун тартиби: Бир авторлуу изилдөө.

Тең салым: Бир авторлуу болгондуктан колдонулбайт.

Жооптуу автор: PDFде жалгыз автордун электрондук дареги берилет, бирок өзүнчө corresponding-author белгиси жок.

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

Мекеме тууралуу түшүндүрмө: Булак изилдөөчүнү көз карандысыз изилдөөчү деп көрсөтүп, University of Cambridge'ди учурдагы мекемелик байланышы катары белгилейт. Бул маалымат Cambridge университети изилдөөнү мекемелик түрдө жүргүзгөн же каржылаган дегенге кеңейтилген эмес.

ArXiv идентификатору: arXiv:2601.18803.

Каралган версия: arXiv:2601.18803v1.

Булакта көрсөтүлгөн дата: 15 январь 2026.

Библиографиялык дата боюнча эскертүү: ArXiv индекси жана жаңыртуу каттоолорунда 28 январь 2026 датасы да көрүнөт. PDFдеги дата платформанын жаңыртуу датасы менен аралаштырылган эмес.

DOI: 10.48550/arXiv.2601.18803.

Расмий булак: https://arxiv.org/abs/2601.18803

Жарыялоо түрү: ArXiv алдын ала жарыясы (preprint).

Рецензиялоо абалы: ArXiv каттоосу өзүнчө рецензияланганын далилдебейт. Бул карап чыгууда башка тастыкталган рецензиялуу журнал же конференция версиясы табылган эмес.

Журнал / басмачы: Каралган версия үчүн рецензияланган өзүнчө журнал, том же номер маалыматы тастыкталган эмес.

Лицензия: Булак arXiv таратуу уруксаты боюнча жеткиликтүү. Бул уруксат үчүнчү жактарга булактын сүрөттөрү менен тексттерин чексиз кайра колдонууга мүмкүнчүлүк берген жалпы Creative Commons лицензиясы деп кабыл алынган эмес.

Илимий тармак: Computer Science – Machine Learning (cs.LG).

Изилдөө түрү: Көзөмөлсүз көрсөтүүнү үйрөнүү жана байланыш тармактарын табуу боюнча ыкма иштеп чыгуу жана чыныгы маалымат менен көрсөтүү.

Маалымат булагы: Binance спот криптовалюта базары.

Активдер топтому: Рыноктук капиталдаштыруусу боюнча тандалган 20 криптоактив.

Котировка: USDT.

Маалымат мезгили: Апрель 2024 – Апрель 2025.

Үлгү алуу жыштыгы: 1 саат.

Кириш белгилери: Open, High, Low, Close бааларынын логарифмдик кирешелүүлүк көрсөтүүлөрү.

Терезенин узундугу: L = 30 убакыт кадамы.

Модель: Sequence-to-Sequence LSTM Autoencoder.

Коддоочу: Жашыруун өлчөмү 256 болгон эки LSTM катмары жана ReLU активдештиргичтүү тыгыз катмар түзгөн 64 өлчөмдүү жашыруун көрсөтүү.

Декодер: Жашыруун вектордун проекциясы, ырааттуулуктун узундугу боюнча кайталоо, эки LSTM катмары жана убакыт боюнча бөлүштүрүлгөн сызыктуу чыгыш катмары.

Үйрөтүү платформасы: TensorFlow/Keras.

Оптималдаштыруу: Adam.

Жоготуу функциясы: Mean Squared Reconstruction Error.

Mini-batch: 64.

Epoch: 20.

Актив деңгээлиндеги жашыруун көрсөтүү: Ар бир активдин терезе көрсөтүүлөрүнүн орточосу.

Окшоштук ыкмасы: Cosine Similarity.

Босого: 0,90.

Тармак түзүлүшү: Салмакталган, багытталбаган окшоштук графы.

Табылган талапкер байланыш: 64 кыр.

Статистикалык диагностика: Engle–Granger Cointegration Test.

Тесттин ишеним деңгээли: 0,95.

Коинтеграция критерийине жооп бергендер: 16 жуп.

Чечмелөөнүн чеги: Коинтеграция тести изилдөөнүн үйрөнүү максаты да, анык туура энбелгиси да, инвестициялык натыйжалуулук өлчөмү да эмес. Бул кийин колдонулган эконометрикалык диагностикалык баалоо гана.

1-сүрөт: 20 активдин бириктирилген жашыруун көрсөтүүлөрүнүн ортосундагы косинустук окшоштук матрицасын көрсөтөт.

2-сүрөт: 0,90 босогосу менен түзүлгөн жашыруун окшоштук тармагын көрсөтөт. Тармакта ар башка байланышкан компоненттер, тыгыз кичи топтор жана бөлүнгөн жуптар бар.

Визуалдык кайра түзүү: Булакта чийки 20×20 матрица жана 64 кырдын бардык салмактары берилбегендиктен чыныгы жыйынтыктар жасалма кайра чыгарылган эмес. Verianla ыкманын процесстик байланыштарын жана жарыяланган сандык табылгаларды өз алдынча SVG схемаларында көрсөткөн.

Туруктуулукту баалоо: Убакыт блокторунда тармакты кайра түзүү, Jaccard кыр окшоштугу жана босого сезгичтиги боюнча методологиялык протокол сунушталган. Бул текшерүүлөрдүн кеңири натыйжа таблицалары жарыяланган эмес.

Башка ыкмалар менен салыштыруу: Булакта башка табуу системалары менен бир маалыматта түз натыйжалуулук салыштыруу жүргүзүлгөн эмес.

Болжолдоо жана инвестициялык натыйжалуулук: Изилдөөдө баа болжолдоо, инвестициялык оптималдаштыруу, соода жүргүзүү же стратегиянын кирешелүүлүгү өлчөнгөн эмес.

Маалыматтын жеткиликтүүлүгү: Маалымат булагы жана негизги алдын ала иштетүү ыкмасы түшүндүрүлгөн. Бирок бардык чийки маалыматты, актив тандоо тарыхын, жашыруун векторлорду жана толук окшоштук матрицасын камтыган өзүнчө расмий маалымат пакети PDFде көрсөтүлгөн эмес.

Коддун жеткиликтүүлүгү: Булак PDFде ыкманын бардык үйрөтүү жана тармак түзүү кодун берген текшерилүүчү ачык код репозиторийине шилтеме жок.

Каржылоо: PDFде өзүнчө каржылоо билдирүүсү табылган эмес.

Кызыкчылыктардын кагылышы: PDFде кызыкчылыктардын кагылышы боюнча өзүнчө билдирүү табылган эмес.

CRediT/автордун салымы: Бир авторлуу изилдөөдө өзүнчө кеңири салымдар матрицасы жок.

Мурдагы изилдөө менен байланышы: Автор ыкманын айрым бөлүктөрү менчик укуктары менен корголгон кененирээк изилдөө алкагынан өнүккөнүн, ал эми ушул макалада белгилүү тармакка тиешелүү чечим кабыл алуу жана оптималдаштыруу бөлүктөрү чыгарылып, ыкма көз карандысыз табуу катмары катары каралганын түшүндүрөт.

Түркия контексти: Изилдөө Түркиянын каржылык активдери, өнөр жай ишканалары же биологиялык маалымат топтомдору менен өзүнчө тажрыйба бербейт. Жергиликтүү колдонмолор кошумча илимий текшерүүнү талап кылат.

Илимий жыйынтыктын чеги: Ыкма көзөмөлсүз жашыруун көрсөтүүнү үйрөнүү аркылуу 20 криптоактивдин арасында түзүмдүү талапкер окшоштук тармагын жараткан. Бирок бул тармак чыныгы себеп-натыйжа байланыштарынын, келечектеги баа кыймылдарынын же тастыкталган чечим натыйжалуулугунун так далили эмес.