Бул изилдөө Bitcoin, Ethereum жана S&P 500 маалыматтарынын негизинде финансылык график сүрөттөрү рыноктук режимди классификациялоодо канчалык пайдалуу экенин системалуу түрдө талдайт. Изилдөөчү салттуу шам графиктерин, Gramian Angular Field, башкача айтканда GAF коддоолорун жана көп каналдуу GAF сүрөттөрүн салыштырат. Мындан тышкары CNN, ResNet18, EfficientNet-B0 жана Vision Transformer сыяктуу ар түрдүү модель архитектуралары сыналат.

Макаланын көңүл бурарлык жыйынтыгы мындай: татаалыраак сүрөт коддоолору жана чоңураак моделдер дайыма эле жакшы боло бербейт. Тажрыйбаларда эң мыкты натыйжа 128×128 чечилишиндеги жөнөкөй шам графиктерин колдонгон 4 катмарлуу жөнөкөй CNN модели менен алынган. Изилдөөдө билдирилген эң жогорку AUC-ROC мааниси 0.892.

Бул жыйынтык “көп көрсөткүч, чоң модель жана жогорку чечилиш жакшыраак божомол берет” деген божомолго шек жаратат. Макалага ылайык, жөнөкөй баа графиктери CNN моделине негизги визуалдык баа үлгүлөрүн такыраак үйрөнүүгө жардам бериши мүмкүн. Бирок изилдөө чакан маалымат топтомунда жүргүзүлгөндүктөн жана реалдуу соода чыгымдарын камтыган толук инвестициялык стратегия сынагын сунуштабагандыктан, жыйынтыктарды этият чечмелөө керек.

Көйгөй эмнеде?

Финансылык рыноктордо техникалык талдоо көптөн бери график окууга таянат. Шам графиктери баанын ачылыш, жабылыш, эң жогорку жана эң төмөн маанилерин визуалдык түрдө көрсөтөт. Адам-трейдерлер бул графиктерден импульс, бурулуш, кысылуу, жарып өтүү же тренддин улануусу сыяктуу үлгүлөрдү издешет.

Терең үйрөнүү моделдери болсо сүрөт классификациясында абдан ийгиликтүү. Ошондуктан табигый суроо жаралат: эгер финансылык графиктер да сүрөт катары каралса, CNN же Vision Transformer сыяктуу моделдер бул графиктерден маанилүү үлгүлөрдү үйрөнө алабы?

Мурунку иштер бул идеяны сынап көргөнү менен, айрым суроолор толук жоопсуз калган. Чийки шам графиги жакшыбы же убакыт катарын математикалык түрдө сүрөткө айланткан GAF сыяктуу коддоолорбу? Графиктерге көлөм, кыймылдуу орточо жана Bollinger тилкелерин кошуу моделди күчөтөбү же визуалдык башаламандык жаратабы? Чоң жана алдын ала үйрөтүлгөн моделдер чакан CNNден жакшыбы? Бир активде үйрөнүлгөн үлгү башка активде да иштейби?

Ыкма эмнени сунуштайт?

Изилдөө рыноктук режимди божомолдоону бинардык сүрөт классификациясы көйгөйү катары түзөт. Модель өткөн белгилүү сандагы күндөрдүн график сүрөтүн карап, белгиленген алдыдагы мөөнөттө баа белгилүү босогодон көбүрөөк өскөн-өспөгөнүн классификациялоого аракет кылат.

Тажрыйбаларда үч негизги сүрөт көрсөтүү ыкмасы салыштырылат:

1. Чийки шам графиктери: Баа маалыматы классикалык шам графиги катары тартылат. Ар бир шам ачылыш, жабылыш, эң жогорку жана эң төмөн бааны көрсөтөт. Бул көрсөтүү адам-трейдерлер көнгөн график формасына эң жакын ыкма.

2. Gramian Angular Field (GAF): Убакыт катары адегенде нормалдаштырылат, андан кийин бурчтук координаталарга өткөрүлөт жана эки убакыт чекитинин ортосундагы байланыш матрица сүрөтү катары жазылат.

3. Көп каналдуу GAF: Ачылыш баасы, баа диапазону жана жабылыш баасы өз-өзүнчө GAF матрицалары катары эсептелип, RGB каналдары сыяктуу үстү-үстүнө бириктирилет.

Модель тарабында жөнөкөй CNN, ResNet18, EfficientNet-B0 жана ViT-Tiny салыштырылат. Айрым моделдер ImageNet’те алдын ала үйрөтүлгөн салмактар менен да сыналат. Тажрыйбалар график компоненти, тарыхый терезенин узундугу, сүрөт чечилиши, модель архитектурасы, transfer learning жана актив түрү сыяктуу факторлорду өз-өзүнчө текшерет.

Формулалар эмнени түшүндүрөт?

PDF’те бир нече негизги формула бар. Бул формулалар өзгөчө көйгөй кандайча классификация милдетине айландырылганын жана GAF сүрөттөрү кандайча түзүлгөнүн түшүндүрөт.

1. График сүрөтүнөн рыноктук режимди классификациялоо

Бул жерде \(X\) модельге берилген график сүрөтүн билдирет. \(H\) — сүрөттүн бийиктиги, \(W\) — туурасы, \(C\) — каналдардын саны. Мисалы, түстүү график үчүн каналдардын саны адатта 3 болот.

Бул формула изилдөөдөгү белгилөө логикасын көрсөтөт. \(P_t\) бүгүнкү жабылыш баасын, \(P_{t+k}\) болсо \(k\) күндөн кийинки жабылыш баасын билдирет. Тажрыйбаларда \(k=7\) күн, босого мааниси \(\tau=2\%\) катары колдонулган. Эгер 7 күндөн кийинки киреше %2ден жогору болсо үлгү “bull regime”, болбосо “bear regime” деп белгиленет.

2. GAF үчүн баа катарын бурчтук координатага өткөрүү

GAF ыкмасында баа катары адегенде \([-1,1]\) аралыгына масштабдалат. Бул жердеги \(\tilde{x}_i\) нормалдаштырылган маанини, \(\phi_i\) болсо ошол маанинин бурчтук эквивалентин билдирет.

Бул формула Gramian Angular Summation Field матрицасынын уячаларын түзөт. Ар бир \(i,j\) уячасы эки башка убакыт чекитинин бурчтук байланышын билдирет. Ошентип убакыт катары модель сүрөт катары окуй ала турган эки өлчөмдүү матрицага айланат.

3. Көп каналдуу GAF көрсөтүүсү

Бул формула көп каналдуу GAF көрсөтүүсүн түшүндүрөт. Ачылыш баасы, баа диапазону жана жабылыш баасы үчүн өзүнчө GAF матрицалары түзүлүп, кийин RGB каналдары сыяктуу бириктирилет. Максат — OHLC маалыматынан көбүрөөк маалыматты бир сүрөттө топтоо. Бирок изилдөөнүн жыйынтыктарында бул татаалыраак көрсөтүү чийки шам графиктерине караганда начар көрсөткүч берген.

График, таблица жана схеманын негизги билдирүүсү

Баанын тарыхый графиктери: PDF’те Bitcoin, Ethereum жана S&P 500 бааларынын 2018–2024-жылдардагы жүрүшү көрсөтүлөт. Негизги билдирүү — криптоактивдер салттуу акция индексине салыштырмалуу кыйла жогору өзгөрмөлүүлүк көрсөткөн.

График көрсөтүүлөрүнүн мисалдары: Изилдөөдө жөнөкөй шам графиги, көлөм кошулган шам графиги, кыймылдуу орточолуу график, толук көрсөткүчтүү график жана GAF негизиндеги сүрөт көрсөтүүлөрү катар көрсөтүлөт. Бул бөлүмдүн негизги билдирүүсү — бир эле финансылык маалымат ар түрдүү визуалдык формага айландырылышы мүмкүн.

Сүрөт коддоолорун салыштыруу: Raw candlestick, башкача айтканда чийки шам графиктери 0.760 AUC менен GAF көрсөтүүлөрүнөн кыйла жакшы натыйжа берет. GAF Summation 0.310, көп каналдуу GAF болсо 0.252 AUC деңгээлинде калат. Бул табылга математикалык сүрөт коддоосу дайыма эле жакшы эмес экенин көрсөтөт.

График компоненттеринин таблицасы: Эң жакшы AUC мааниси баа шамдарын гана камтыган жөнөкөй графиктерде байкалат. Көлөм, кыймылдуу орточо жана Bollinger тилкелери кошулган сайын көрсөткүч адатта төмөндөйт. Негизги билдирүү: кошумча визуалдык маалымат модельге жардам берүүнүн ордуна аны алаксытышы мүмкүн.

Чечилиш тажрыйбасы: 128×128 чечилиш 0.892 AUC менен эң жакшы жалпы натыйжаны берет. 64×64 чечилиш айрым майда үлгүлөрдү жоготушу мүмкүн; 224×224 болсо ашыкча детал жана маалымат муктаждыгынан улам татаалыраак болуп калышы мүмкүн.

Модель архитектураларын салыштыруу: Жөнөкөй 4 катмарлуу CNN ResNet18, EfficientNet-B0 жана ViT-Tiny моделдерине караганда жакшыраак AUC берет. Бул жыйынтык чектелген маалыматта чоңураак модель автоматтык түрдө жакшы иштебей турганын көрсөтөт.

GradCAM сүрөттөрү: Модель өзгөчө графиктин оң жагындагы акыркы шамдарга, чоң денелүү шамдарга жана түс өтмөлөрү болгон аймактарга көңүл бурганы көрсөтүлөт. Бул модель туш келди пикселдерге эмес, техникалык талдоодо да маанилүү деп эсептелген жакынкы баа кыймылдарына көңүл буруп жатканын билдирет.

Тажрыйбалар кандай жүргүзүлгөн?

Изилдөөдө 2018–2024-жылдардагы күнүмдүк OHLCV маалыматтары колдонулат. Активдер катары Bitcoin, Ethereum жана S&P 500 ETF тандалган. Ар бир актив үчүн тарыхый терезе жана алдыдагы божомол горизонту колдонулгандан кийин 500 үлгү алынат.

Маалымат убакыт катарынын түзүлүшүнө ылайык бөлүнөт. Алгачкы %70 окутуу, кийинки %15 валидация, акыркы %15 тест топтому катары колдонулат. Бул маанилүү, анткени финансылык убакыт катарларында келечектеги маалыматтын өткөндү божомолдоого таасир бериши “look-ahead bias” деп аталган олуттуу ката жаратат.

Моделдин максаты — 7 күндөн кийинки баа кыймылын классификациялоо. Эгер 7 күндөн кийинки киреше %2 босогодон ашса, үлгү bull режими, болбосо bear режими катары белгиленет.

Жалпысынан сегиз көзөмөлдөнгөн тажрыйба жүргүзүлөт. Бул тажрыйбаларда кезеги менен сүрөт коддоо ыкмасы, график компоненттери, тарыхый терезенин узундугу, чечилиш, модель архитектурасы, transfer learning жана ар башка активдерге жалпылоо таасири изилденет.

Жыйынтыктар эмнени көрсөтөт?

1. Чийки шам графиктери GAF’тан жакшы чыкты. Raw candlestick ыкмасы 0.760 AUC берген, ал эми GAF ыкмалары 0.5тен төмөн калган. Бул GAF өзгөртүүсү бул милдетте пайдалуу маалыматты сактоонун ордуна айрым маанилүү визуалдык үлгүлөрдү бузган болушу мүмкүн экенин көрсөтөт.

2. Жөнөкөй графиктер ийгиликтүүрөөк болду. Баа шамдарын гана камтыган графиктер 0.815 AUC менен график компоненттеринин эң жакшы натыйжасын берди. Көлөм, кыймылдуу орточо жана Bollinger тилкелери кошулганда көрсөткүч төмөндөдү. Бул жыйынтык визуалдык жөнөкөйлүк модель үчүн артыкчылык болушу мүмкүн экенин көрсөтөт.

3. 30 күндүк терезе тең салмактуу көрүнөт. 14 күн өтө кыска болсо, 60 жана 90 күндүк терезелер мурдагы эски маалыматтарды кошуп, ызы-чуу жараткан болушу мүмкүн. Тажрыйбаларда 30 күндүк терезе жакшыраак ажыратуу жөндөмүн берген.

4. Эң жакшы чечилиш 128×128 болду. Изилдөөнүн эң жакшы жалпы натыйжасы 128×128 чечилиште 0.892 AUC катары билдирилген. Бул чечилиш жетиштүү визуалдык деталдарды сактап, керексиз татаалдыкты азайткан болушу мүмкүн.

5. Жөнөкөй CNN чоң моделдерден озуп кетти. Болжол менен 422 миң параметрлүү жөнөкөй 4 катмарлуу CNN ResNet18, EfficientNet-B0 жана ViT-Tiny моделдеринен жакшыраак AUC берди. Чоң моделдер чектелген маалыматта overfitting’ге көбүрөөк жакын болушу мүмкүн.

6. Transfer learning ошентсе да салым кошту. ImageNet алдын ала окутуусу ResNet18 жана EfficientNet-B0 үчүн AUC маанилерин жогорулатты. Бул табигый сүрөттөрдөн үйрөнүлгөн кыр жана текстура сыяктуу төмөн деңгээлдеги өзгөчөлүктөр финансылык графиктерде да кандайдыр бир деңгээлде пайдалуу болушу мүмкүн экенин көрсөтөт.

7. Bitcoin’де визуалдык божомол күчтүүрөөк чыкты. Bitcoin 0.734 AUC бергенде, Ethereum 0.492, S&P 500 болсо 0.459 AUC берди. Бул табылга тажрыйба шартында Bitcoin графиктери айкыныраак визуалдык үлгүлөрдү камтыган деп чечмелениши мүмкүн. Бирок бул жыйынтык так рыноктук божомол дегенди билдирбейт.

Бул эмне үчүн маанилүү?

Бул изилдөө финансылык убакыт катарларын сандык таблица катары гана эмес, сүрөт катары да кароого болорун көрсөтөт. Айрыкча CNN сыяктуу моделдер шам графиктериндеги айрым визуалдык үлгүлөрдү үйрөнө алат.

Бирок изилдөөнүн негизги маанилүү жагы “татаалдык дайыма жакшы” деген божомолго шек келтириши. Көп көрсөткүч, жогорку чечилиш жана чоң модель бул тажрыйбаларда дайыма жакшы натыйжа берген эмес. Тескерисинче, жөнөкөй график жана чакан модель ыкмасы күчтүүрөөк натыйжа көрсөткөн.

Бул табылга академиялык жана техникалык жактан маанилүү. Анткени финансылык жасалма интеллект системаларында модель архитектурасын чоңойтуудан көрө маалымат сапаты, көйгөйдү аныктоо, туура белгилөө, убакыт катарын бөлүү ыкмасы жана визуалдык көрсөтүүнү тандоо маанилүүрөөк болушу мүмкүн.

Көңүл буруучу жагдайлар

1. Бул изилдөө инвестициялык кеңеш эмес. Моделдин AUC ийгилиги түздөн-түз кирешелүү соода стратегиясын билдирбейт. Соода чыгымдары, slippage, ликвиддүүлүк, тобокелдикти башкаруу жана рынок шарттары өзүнчө бааланышы керек.

2. Маалымат топтому чакан. Ар бир актив үчүн 500 үлгү колдонулган. Бул терең үйрөнүү үчүн чектелген маалымат көлөмү. Жыйынтыктар чоңураак маалымат топтомдорунда өзгөрүшү мүмкүн.

3. AUC жогору болсо да accuracy төмөн болушу мүмкүн. Айрым тажрыйбаларда AUC жакшы көрүнгөнү менен accuracy жана F1 төмөн калган. Бул босого тандоосу жана класстардын тең салмаксыздыгы жыйынтыктарга олуттуу таасир этиши мүмкүн экенин көрсөтөт.

4. Режимге көз карандылык болушу мүмкүн. Крипто рыноктор мезгил-мезгили менен абдан башкача жүрүшү мүмкүн. 2018–2024-жылдарда үйрөнүлгөн үлгүлөр келечекте ошол эле түрдө иштебеши мүмкүн.

5. Техникалык талдоо үлгүлөрү убакыт өтүшү менен жоголушу мүмкүн. Эгер белгилүү үлгүлөр кеңири колдонулса, рынок аларды баага киргизип, моделдин артыкчылыгы азайышы мүмкүн.

6. Реалдуу соода тести жетишпейт. Макала классификация көрсөткүчүн изилдейт; реалисттик соода чыгымдары менен кеңири backtest натыйжасын бербейт.

Жыйынтык

Бул изилдөө финансылык графиктерди терең үйрөнүү аркылуу сүрөт катары иштетүүгө болорун көрсөткөн жөнөкөй, бирок үйрөтүүчү тажрыйбалар топтомун сунуштайт. Жыйынтыктарга ылайык эң татаал ыкмалар эмес, жөнөкөй жана түз көрсөтүүлөр жакшыраак натыйжа берген.

Эң көңүл бурарлык жыйынтык — 128×128 чечилиште чийки шам графиктерин колдонгон жөнөкөй CNN модели 0.892 AUC менен эң жакшы жалпы көрсөткүчтү берген. GAF сыяктуу математикалык коддоолор бул милдетте күтүлгөн пайда берген эмес. Көлөм, кыймылдуу орточо жана Bollinger тилкелери сыяктуу кошумча көрсөткүчтөр да модельге жардам берүүнүн ордуна айрым тажрыйбаларда көрсөткүчтү төмөндөткөн.

Verianla окурманы үчүн бул макаланын негизги билдирүүсү мындай: финансылык жасалма интеллектте ийгилик чоң модель куруу менен эле келбейт. Кээде туура көрсөтүү, жөнөкөй маалымат, ылайыктуу убакыт бөлүштүрүү жана так аныкталган көйгөй модель татаалдыгынан да маанилүүрөөк болушу мүмкүн.

Изилдөө түрү: arXiv’де жарыяланган preprint изилдөө. Аны акыркы рецензияланган версия деп эсептөөгө болбойт.

Тармак: Жасалма интеллект, компьютердик көрүү, финансылык убакыт катарлары, криптовалюта рыноктору жана техникалык график талдоосу.

Тобокелдүү тармак боюнча эскертүү: Тема криптовалюта жана рыноктук режимди божомолдоо менен байланыштуу. Бул макала инвестициялык кеңеш эмес. Бул жердеги жыйынтыктар Bitcoin, Ethereum же башка актив үчүн сатып алуу-сатуу сунушу, так божомол системасы же кепилденген киреше убадасы катары чечмеленбеши керек.

Жалпы баалоо: Изилдөө финансылык шам графиктерин терең үйрөнүү моделдери сүрөт катары иштете алабы деген суроону карайт. Негизги суроо мындай: адам-инвесторлор графиктерден визуалдык түрдө издеген баа үлгүлөрүн жөнөкөй же өнүккөн сүрөт классификация моделдери да үйрөнө алабы?

Булак жана ыкма жөнүндө эскертүү

Бул макала “Visual Chart Representations for Cryptocurrency Regime Prediction: A Systematic Deep Learning Study” аттуу академиялык PDF негизинде даярдалган оригиналдуу кыргызча редакциялык мазмун. Текст сөзмө-сөз котормо эмес; изилдөөдөгү көйгөй, ыкма, формулалар, тажрыйбалар, таблицалар, сүрөттөр, жыйынтыктар жана чектөөлөр жөнөкөйлөштүрүлүп түшүндүрүлгөн.

Бул мазмун финансылык рынокту божомолдоо темасын камтыгандыктан, так өкүм, соодага багыттоо же инвестициялык кеңеш тили атайын колдонулган эмес.