Каржылык жасалма интеллект моделдерин окутуу үчүн сапаттуу, узак жана ишенимдүү маалымат керек. Бирок каржы тармагында реалдуу маалыматка жетүү дайыма эле мүмкүн боло бербейт. Уюмдар транзакция жазууларын бөлүшкүсү келбеши мүмкүн, колдонуучунун купуялыгы корголушу керек же сейрек кездешкен аномалия мисалдары модель окутуу үчүн жетишсиз болушу мүмкүн. Ошондуктан синтетикалык маалымат өндүрүү каржылык моделдөөнүн маанилүү изилдөө багытына айланды.

Бул изилдөө криптовалюта баа убакыт катарларында синтетикалык маалымат өндүрүү үчүн Conditional Generative Adversarial Network, башкача айтканда шарттуу генеративдик атаандаш тармак ыкмасын колдонот. Моделде generator тарабында LSTM тибиндеги кайталануучу тармак, discriminator тарабында болсо MLP түзүлүшү бар. Максат — мурунку баа маалыматы жана ызы-чууну колдонуп, реалдуу баа катарларына статистикалык жактан окшош жаңы жабылыш бааларын өндүрүү.

Эксперименттер BTC, ETH жана XRP боюнча жүргүзүлгөн. Маалымат 2022-жылдын январынан 2025-жылдын октябрына чейинки кеңири аралыкта алынган; айрыкча 2022-жылдын март–апрель, 2022-жылдын апрель–май жана 2025-жылдын сентябрь сыяктуу жогорку өзгөрмөлүүлүк мезгилдери изилденген. Жыйынтыктар модель өзгөчө BTC сыяктуу ликвиддүү жана жетилген рыноктордо баа тенденциясын жакшы туураганын, ETH жана XRP сыяктуу ызы-чуусу жогору же тышкы окуяларга сезимтал активдерде айрым волатилдүүлүк чокуларын жумшартууга жакын экенин көрсөтөт.

Көйгөй эмнеде?

Каржылык маалыматтар жасалма интеллект моделдери үчүн абдан баалуу, бирок көбүнчө сезимтал. Банк иши, төлөм системалары, крипто транзакциялар, алдамчылыкты аныктоо жана акчаны адалдоого каршы талдоо сыяктуу тармактарда реалдуу транзакция жазууларын бөлүшүү купуялык, жөнгө салуу жана стратегиялык сыр себептүү чектелиши мүмкүн.

Бул абал модель иштеп чыгууну кыйындатат. Эгер жетиштүү реалдуу маалымат жок болсо, сейрек кездешкен аномалия же кризис мезгилдери аз көрсөтүлөт. Модель кадимки мезгилдерди гана үйрөнүп, адаттан тыш рынок кыймылдарында алсыз калышы мүмкүн. Синтетикалык маалымат өндүрүү ушул жерде маанилүү: реалдуу маалыматтын статистикалык өзгөчөлүктөрүн сактап, бирок реалдуу жазуунун так көчүрмөсү болбогон жаңы мисалдарды түзүү изилдөө жана модель тесттери үчүн пайдалуу болушу мүмкүн.

Криптовалюта рыноктору бул көйгөй үчүн ылайыктуу тест чөйрөсү. Анткени алар жогорку волатилдүүлүктү, кескин режим өзгөрүүлөрүн, тышкы окуяларга сезимталдыкты жана үзгүлтүксүз соода агымын камтыйт. Бирок дал ушул өзгөчөлүктөр моделдөөнү кыйындатат. Генеративдик модель баанын жалпы багытын гана эмес, убакыт ичиндеги термелүүнү, кескин секириктерди жана кризис мезгилдериндеги ар башка жүрүм-турумду да кармашы керек.

Ыкма эмнени сунуштайт?

Изилдөө криптовалюта жабылыш бааларынан синтетикалык убакыт катары түзүү үчүн Conditional GAN архитектурасын сунуштайт. Бул архитектурада эки негизги тармак бирге окутулат:

Generator: LSTM тибиндеги тармак. Ал мурунку баа маалыматы жана ызы-чуу сигналын колдонуп, учурдагы баанын синтетикалык эквивалентин өндүрүүгө аракет кылат. LSTM тандалганынын себеби — каржылык баа катарлары ырааттуу жана убакытка көз каранды.

Discriminator: MLP негизиндеги классификатор. Ага берилген баа жуптары реалдуу маалыматтанбы же generator тарабынан өндүрүлгөнбү — ошону айырмалоого аракет кылат.

Моделдин логикасы adversarial, башкача айтканда атаандаш үйрөнүүгө негизделет. Generator реалдуураак синтетикалык баа өндүрүүгө аракет кылса, discriminator реалдуу жана синтетикалык мисалдарды айырмалоого аракет кылат. Окутуу уланган сайын generator discriminator’ды жаңылдыра тургандай реалдуу мисалдарды өндүрүүнү үйрөнөт.

Маалыматты иштетүүдө жабылыш баалары StandardScaler менен нормалдаштырылат. Модель окутулгандан кийин тескери трансформация колдонулуп, синтетикалык баалар баштапкы масштабга кайтарылат. Ошентип жыйынтыктарды экономикалык жактан чечмелөөгө болот.

Формулалар эмнени түшүндүрөт?

PDF’те жасалма нейрон тармактары, RNN/LSTM, GAN максат функциясы, StandardScaler жана жоготуу функциясы үчүн негизги формулалар бар. Төмөнкү формулалар макаладагы нотацияга мүмкүн болушунча так ылайык MathJax менен шайкеш берилген.

1. Жасалма нейрон тармактагы бир түйүндүн чыгышы

Бул формула классикалык жасалма нейрон тармак түйүнү кантип иштей турганын көрсөтөт. Алгач мурунку түйүндөрдөн келген чыгыштар салмактарга көбөйтүлүп кошулат; андан кийин активдештирүү функциясы колдонулуп жаңы чыгыш алынат. Бул жерде \(w_{i,j}\) \(i\) түйүндөн \(j\) түйүнгө кеткен салмакты; \(g_j\) активдештирүү функциясын; \(in_j\) салмакталган жалпы кирүүнү билдирет.

2. RNN’деги убакыттык көз карандылык

RNN мурунку абал \(z_{t-1}\) менен учурдагы кирүү \(x_t\)’ни бирге колдонуп жаңы абал \(z_t\)’ни чыгарат. Бул түзүлүш убакыт катарларында өткөн маалыматтын азыркы чыгышка таасир беришине мүмкүнчүлүк берет. Крипто баа катарлары убакытка көз каранды болгондуктан RNN жана LSTM сыяктуу түзүлүштөр мындай маалыматта кеңири колдонулат.

3. LSTM gate’тери

LSTM классикалык RNN’дин узак мөөнөттүү көз карандылыктарды үйрөнүүдөгү кыйынчылыгын азайтуу үчүн gate механизмдерин колдонот. \(f_t\) унутуу gate’i, \(i_t\) кириш gate’i, \(o_t\) чыгыш gate’i. \(c_t\) клетка эсин, \(z_t\) кыска мөөнөттүү чыгышты билдирет. Каржылык катарларда өткөн баа режимдеринин таасирин сактоо үчүн бул эс түзүлүшү маанилүү.

4. GAN minimax оюну

Бул формула GAN окутуусун эки оюнчулуу оюн катары аныктайт. Generator \(g\) discriminator \(d\)’ни жаңылтууга аракет кылат; discriminator реалдуу жана жасалма мисалдарды айырмалоого аракет кылат. Окутуунун максаты — generator реалдуу маалымат бөлүштүрүүсүнө окшош мисалдарды өндүрүшү.

5. GAN нарк функциясы

Бул формула discriminator’дун реалдуу мисалдарды реалдуу, generator мисалдарын жасалма деп айырмалоо ийгилигин өлчөйт. \(x\) реалдуу маалыматтан келген мисал; \(z\) generator’го берилген ызы-чуу; \(g(z)\) өндүрүлгөн мисал; \(d(x)\) discriminator’дун реалдуулук ыктымалдыгын көрсөтөт.

6. StandardScaler нормалдаштыруусу

Бул формула баа маалыматы кандай стандартташтырылаарын көрсөтөт. \(x\) баштапкы байкоо, \(\mu\) катардын орточосу, \(\sigma\) стандарттык четтөө. Ошентип маалымат орточосу нөл, дисперсиясы бир боло тургандай масштабдалат. Бул аракет GAN жана LSTM сыяктуу градиент негизиндеги моделдерди туруктуураак окутууга жардам бере алат.

7. Шарттуу баа жуп түзүлүшү

Изилдөөдө маалымат мурунку баа менен учурдагы баанын шарттуу жуптары катары уюштурулат. Generator мурунку баа маалыматын шарт катары колдонуп, учурдагы баанын синтетикалык эквивалентин өндүрүүгө аракет кылат. Discriminator болсо бул жуп реалдуубу же синтетикалыкпы — ошону классификациялайт.

8. Binary cross-entropy жоготуусу

Бул жоготуу функциясы discriminator’дун реалдуу/жасалма классификация катасын өлчөө үчүн колдонулат. \(y=1\) реалдуу мисалды, \(y=0\) синтетикалык мисалды көрсөтөт. Моделдин чыгышы \(x\) sigmoid функциясы менен ыктымалдыкка айландырылат.

9. Sigmoid функциясы

Sigmoid функциясы модель чыгышын 0 менен 1дин ортосундагы ыктымалдык мааниге айлантат. Изилдөөдө BCEWithLogitsLoss колдонулгандыктан sigmoid жана binary cross-entropy операциялары сандык жактан туруктуураак бирдиктүү түзүлүштө аткарылат.

10. Discriminator жоготуусу

Discriminator реалдуу мисалдарда да, generator өндүргөн жасалма мисалдарда да окутулат. Жалпы discriminator жоготуусу бул эки жоготуунун орточосу.

График, таблица жана схеманын негизги билдирүүсү

4-беттеги ANN/RNN/LSTM схемасы: Схема классикалык жасалма нейрон тармак, RNN жана LSTM түзүлүштөрүн жанаша көрсөтөт. Негизги билдирүү — кадимки тармактар өзүнчө кириш-чыгыш мамилелерине көңүл бурса, RNN жана LSTM убакыттык көз карандылыкты сактай алат. Ошондуктан LSTM крипто баа катарлары сыяктуу ырааттуу маалыматка көбүрөөк ылайыктуу.

6-беттеги методологиялык агым схемасы: Изилдөөнүн иш агымы маалыматты алуу, маалыматты иштетүү, модель талдоосу, CGAN-LSTM моделин куруу, волатилдүүлүк мезгилдерин тандоо, нормалдаштыруу, GAN адабиятын карап чыгуу жана жыйынтык талдоодон турат. Бул схема изилдөө модель окутууга гана эмес, маалымат тандоо жана волатилдүүлүк мезгилдерин бөлүүгө да негизделгенин көрсөтөт.

7-беттеги криптовалюта эволюциясы графиктери: BTC, ETH жана XRP’нин 2022–2025 аралыгындагы баа жана өзгөрүү динамикасы көрсөтүлөт. Негизги билдирүү — крипто активдер ар башка мезгилде кескин баа кыймылдарын жана жогорку волатилдүүлүктү көрсөтөт. Ошондуктан синтетикалык маалымат өндүрүүдө орточо баа тенденциясын гана эмес, волатилдүүлүк жүрүм-турумун да кармоо керек.

8-беттеги волатилдүүлүк мезгилдери графиги: Үч ар башка мезгил салыштырылат. 2022-жылдын март–апрель мезгилинде жогорку жыштыктагы термелүүлөр байкалат. 2022-жылдын апрель–май мезгилинде багыттуураак жана кескин төмөндөөлөр айырмаланат. 2025-жылдын сентябрында волатилдүүлүк чектүүрөөк болсо да кескин секириктер бар. Бул графиктердин негизги билдирүүсү — ар бир волатилдүүлүк мезгили бирдей мүнөздө эмес.

9-беттеги CGAN-LSTM архитектура схемасы: Generator тарабында LSTM мурунку баа жана ызы-чуудан синтетикалык баа өндүрөт. Discriminator реалдуу жана жасалма баа жуптарын айырмалоого аракет кылат. Негизги билдирүү — модель жөн эле кокус баа өндүрбөйт; мурунку бааны шарт катары колдонуп убакыттык көз карандылык курат.

11–13-беттердеги окутуу жоготуусу графиктери: BTC, ETH жана XRP үчүн generator жана discriminator жоготуулары көрсөтүлөт. Графиктерде окутуунун алгачкы мезгилдеринде тез өзгөрүү болуп, кийин туруктуураак деңгээлге өткөнү көрүнөт. Бул adversarial окутуу белгилүү тең салмакка жакындаганын түшүндүрөт.

14-беттеги реалдуу-синтетикалык бөлүштүрүү графиктери: BTC, ETH жана XRP үчүн реалдуу жана өндүрүлгөн маанилердин бөлүштүрүүсү дээрлик түз сызык бойлой топтолот. Бул модель баа деңгээлдерин абдан жакын өндүргөнүн көрсөтөт. Бирок жогорку корреляция өзүнчө эле экстремалдык окуялар жана бөлүштүрүү куйруктары толук кармалганын билдирбейт.

15–20-беттердеги реалдуу жана өндүрүлгөн катарларды салыштыруу: Графиктерде реалдуу баа катары менен синтетикалык катар көп мезгилде бири-бирине абдан жакын жүрөт. BTC’де жалпы тренд жана режим өтүүлөрү жакшыраак сакталса, ETH жана XRP’де айрым кескин чокулар же кыска мөөнөттүү ызы-чуу жумшагыраак өндүрүлөт. Негизги билдирүү — модель жалпы баа тенденциясын жакшы кармайт, бирок волатилдүүлүк экстремумдарын ар бир активде бирдей күч менен өндүрбөйт.

Эксперименттер кандай жүргүзүлгөн?

Изилдөө BTC, ETH жана XRP үчүн мүнөт деңгээлиндеги баа маалыматтарын колдонот. Жалпы мезгил 2022-жылдын январынан 2025-жылдын октябрына чейин деп көрсөтүлөт; эксперименттерде айрыкча үч жогорку волатилдүүлүк мезгили тандалат: 2022-жылдын март–апрели, 2022-жылдын апрель–майы жана 2025-жылдын сентябры.

Маалымат LSEG Platform’дан алынган. Чийки маалымат болжол менен 0,5 миллион жазууну камтыйт. Тазалоо жана сапат текшерүүлөрүнөн кийин акыркы dataset 384.465 жазууга түшүрүлөт. Колдонулган өзгөрмөлөр period, open, high, low жана close деп берилет; моделдөөдө өзгөчө жабылыш баасына көңүл бурулат.

Ар бир крипто актив жана мезгил үчүн модель өзүнчө окутулат. Окутууда 50 epoch колдонулат. Algorithm 1’деги жөндөөлөргө ылайык ызы-чуу өлчөмү 8, шарт өлчөмү 60, batch size 64, үйрөнүү ылдамдыгы 0.0002, Adam параметрлери \(\beta_1=0.5\), \(\beta_2=0.999\) болуп тандалат.

Модель алгач жабылыш бааларын StandardScaler менен нормалдаштырат. Андан кийин окутуу жуптары түзүлөт: шарт катары \(t-1\) баа, реалдуу маалымат катары \(t\) баа колдонулат. Generator синтетикалык \(t\) баа өндүргөндө, discriminator реалдуу жана синтетикалык жуптарды айырмалоого аракет кылат.

Жыйынтыктарды баалоодо Pearson корреляциясы, Spearman корреляциясы, MAE, RMSE жана графикалык салыштыруу колдонулат. Бул метрикалар синтетикалык катар реалдуу катар менен канчалык окшош кыймылдаарын түшүнүүгө жардам берет.

Жыйынтыктар эмнени көрсөтөт?

1. Модель жалпы баа тенденциясын жакшы туурайт. Графикалык салыштырууда синтетикалык катар реалдуу баа катарынын жалпы багытын жана негизги толкун түзүлүшүн чоң деңгээлде ээрчийт. Өзгөчө BTC’де тренд өтүүлөрү жана орто-узак мөөнөттүү үлгүлөр жакшыраак сакталгандай көрүнөт.

2. BTC’де дал келүү эң күчтүү көрүнөт. BTC үчүн билдирилген Pearson жана Spearman корреляциялары абдан жогору. Изилдөө муну Bitcoin рыногунун ликвиддүү, жетилген жана салыштырмалуу туруктуу статистикалык үлгүлөргө ээ болушу менен байланыштырат.

3. ETH’де жалпы багыт кармалганы менен волатилдүүлүк чокулары жумшарышы мүмкүн. ETH үчүн модель баа кыймылынын негизги багытын ээрчий алат; бирок айрым кескин волатилдүүлүк чокуларында өндүрүлгөн катар төмөнүрөөк амплитуда көрсөтүшү мүмкүн. Бул GAN моделдеринде экстремалдык окуяларды жана оор куйруктарды өндүрүү кыйынчылыгы менен шайкеш.

4. XRP’де кыска мөөнөттүү ызы-чуу аныгыраак көйгөй жаратат. XRP жыйынтыктарында айрым аралыкта жакшы жергиликтүү дал келүү көрүнгөнү менен, кыска мөөнөттүү ызы-чууга сезимталдык жогору. Макала муну XRP тышкы окуяларга, жөнгө салуу жаңылыктарына жана корпоративдик өнүгүүлөргө сезимталыраак болушу мүмкүн деп түшүндүрөт.

5. StandardScaler тандоосу окутуу туруктуулугуна салым кошот. Каржылык катарлар экстремалдык маанилер жана жогорку волатилдүүлүктү камтыгандыктан масштабдоо өтө маанилүү. StandardScaler градиент жарылуусу же жоголуу тобокелдигин азайтып, GAN-LSTM окутуусун туруктуураак кылышы мүмкүн.

6. BCEWithLogitsLoss сандык туруктуулук берет. Изилдөөдө sigmoid жана binary cross-entropy өзүнчө колдонулбай, BCEWithLogitsLoss пайдаланылат. Бул тандоо discriminator’дун өтө ишенимдүү чыгыштарында пайда болушу мүмкүн болгон сандык туруксуздукту азайтышы мүмкүн.

Бул эмне үчүн маанилүү?

Синтетикалык каржылык маалымат өндүрүү академиялык data augmentation ыкмасы гана эмес. Туура колдонулса, купуялыкты коргоо, модель туруктуулугу, stress test, аномалияны аныктоо жана сейрек сценарийлерди симуляциялоо үчүн пайдалуу болушу мүмкүн. Өзгөчө каржы уюмдары реалдуу транзакция маалыматтарын бөлүшкүсү келбесе, реалдуу маалыматка окшош, бирок реалдуу жазуунун так көчүрмөсү болбогон синтетикалык маалымат изилдөөнү жеңилдетиши мүмкүн.

Крипто рыноктору ушул жагынан үйрөтүүчү тест чөйрөсүн берет. Анткени жогорку волатилдүүлүк жана кескин режим өзгөрүүлөрү генеративдик моделдер орточо баа деңгээлин гана эмес, убакыт ичиндеги динамиканы да үйрөнүшүн талап кылат. Бул изилдөө жөнөкөй, бирок максаттуу CGAN-LSTM архитектурасы бул динамиканы белгилүү деңгээлде кармай аларын көрсөтөт.

Бирок жыйынтыктар маанилүү эскертүү да берет: жогорку корреляция синтетикалык маалымат ар бир жагынан реалдуу маалыматка тең дегенди билдирбейт. Өзгөчө экстремалдык окуялар, сейрек кризистик жүрүм-турум, кескин ликвиддүүлүк боштуктары жана тышкы жаңылык себеп болгон баа секириктери синтетикалык маалыматта алсызыраак көрсөтүлүшү мүмкүн. Ошондуктан синтетикалык маалымат реалдуу маалыматтын ордуна суроосуз коюлбашы, көзөмөлдөнгөн көмөкчү маалымат катары бааланышы керек.

Көңүл буруучу жагдайлар

1. Бул изилдөө инвестициялык кеңеш эмес. Синтетикалык баа өндүрүү жандуу рыноктук болжол же сатып алуу-сатуу сунушу дегенди билдирбейт.

2. Preprint мүнөзүндө. Жыйынтыктар акыркы рецензияланган версиянын тактыгы менен кабыл алынбашы керек.

3. Синтетикалык маалымат реалдуу маалыматты толук алмаштырбайт. Модель жалпы баа үлгүлөрүн кармай алат; бирок экстремалдык окуяларды, ликвиддүүлүк кризистерин жана тышкы жаңылык таасирлерин толук көрсөтпөй калышы мүмкүн.

4. Жогорку корреляция өзү эле жетиштүү сапат далили эмес. Каржылык убакыт катарларында волатилдүүлүк кластерлешүүсү, оор куйруктар, drawdown жүрүм-туруму жана режим өтүүлөрү да өзүнчө бааланышы керек.

5. Модель жабылыш баасына гана көңүл бурат. OHLC маалыматы бар болсо да, моделдөө негизинен жабылыш баасы аркылуу жүргүзүлөт. Көлөм, order book, on-chain маалымат же жаңылык сигналдары модельге киргизилген эмес.

6. Тышкы окуялар синтетикалык өндүрүүнү кыйындатат. ETH жаңыртуулары, XRP жөнгө салуу жаңылыктары же макроэкономикалык шоктор сыяктуу тышкы факторлорду өткөн баа катарынан гана толук үйрөнүү мүмкүн болбой калышы мүмкүн.

7. Mode collapse жана ашыкча жумшартуу тобокелдиги бар. GAN моделдери айрым учурда ар түрдүүлүктү азайтышы же өтө жылмакай катарларды өндүрүшү мүмкүн. Ошондуктан синтетикалык маалымат өндүрүүдө визуалдык көзөмөл менен катар бөлүштүрүү тесттери да керек.

Тобокелдүү тармак эскертүүсү: Изилдөө криптовалюта баа маалыматтары менен байланыштуу. Бул жазуу инвестициялык кеңеш эмес. Бул жерде баяндалган ыкмалар Bitcoin, Ethereum же XRP үчүн баа болжолу, сатып алуу-сатуу стратегиясы же так рынок багытын чыгаруу катары чечмеленбеши керек. Макала синтетикалык каржылык маалымат өндүрүү жана моделдөө жагынан бааланышы керек.

Жалпы баалоо: Макала реалдуу каржылык маалыматтар дайыма оңой жеткиликтүү же бөлүшүлө бербесинен башталат. Өзгөчө каржылык транзакциялар, уюм ичиндеги жазуулар, аномалияны аныктоо жана алдамчылык талдоосу сыяктуу тармактарда маалымат купуялыгы, кирүү чектөөлөрү жана тең салмаксыз класс бөлүштүрүүлөрү маанилүү көйгөй жаратышы мүмкүн. Изилдөө бул көйгөйгө криптовалюта баа убакыт катарлары аркылуу Conditional GAN негизиндеги синтетикалык маалымат өндүрүү менен кайрылат.

Жыйынтык

Бул изилдөө криптовалюта баа катарларында CGAN-LSTM архитектурасы менен синтетикалык маалымат өндүрүү мүмкүн жана үйрөтүүчү ыкма экенин көрсөтөт. Generator’дун LSTM түзүлүшү мурунку баа маалыматы аркылуу убакыттык көз карандылыкты куруп, discriminator реалдуу жана синтетикалык баа жуптарын айырмалоого аракет кылат. Бул атаандаш окутуу реалдуу катарга окшош жаңы баа катарларын өндүрүүнү көздөйт.

Эксперименттер модель өзгөчө BTC сыяктуу ликвиддүү жана жетилген рыноктордо күчтүү дал келүү берерин; ETH жана XRP сыяктуу жогорку структуралык волатилдүүлүк жана тышкы окуяларга сезимтал активдерде болсо айрым чектөөлөрдү көрсөтөрүн аныктайт. Бул жыйынтык синтетикалык каржылык маалымат өндүрүүдө активге жараша айырмачылыктар маанилүү экенин көрсөтөт.

Verianla окурманы үчүн негизги билдирүү: синтетикалык маалымат өндүрүү каржылык жасалма интеллектте маанилүү көмөкчү курал болушу мүмкүн; бирок өндүрүлгөн маалымат реалдуу рынок жүрүм-турумунун кайсы жактарын сактап, кайсы жактарын жумшартканын кылдат изилдөө керек. GAN модели реалдуу баа сызыгын туурай алат, бирок каржылык тобокелдик талдоосу үчүн эң маанилүү нерсе экстремалдык окуяларды жана режим өзгөрүүлөрүн канчалык сактаганы.

Булак жана ыкма жөнүндө эскертүү

Бул жазуу “Synthetic Data in Cryptocurrencies Using Generative Models” аттуу академиялык PDF негизинде даярдалган оригинал кыргызча редакциялык контент. Текст сөзмө-сөз котормо эмес; изилдөөдөгү көйгөй, ыкма, формулалар, dataset, графиктер, жыйынтыктар жана чектөөлөр жөнөкөйлөштүрүлүп баяндалган.