Жогорку жыштыктагы финансылык маалыматтарда күчтүү модель жөн гана туура божомол жасашы жетишсиз; ал ошондой эле миллиондогон бүтүмдөрдөн турган агымды жетиштүү ылдамдыкта иштетиши, базар режими өзгөргөндө эски маалыматты унута алышы, чыгарган ыктымалдыктары жакшы калибрлениши жана бүтүм чыгымдары эске алынганда экономикалык баалуулук жарата алышы керек. Бул изилдөө көйгөйдүн ар башка жактарын бир эле эксперименттик түзүлүштө текшерип, minGRU, minLSTM, классикалык LSTM, Temporal Convolutional Network (TCN), Transformer жана XGBoost моделдерин салыштырат.

Эксперименттер Kraken криптовалюта биржасынан алынган 50 миллиондон ашык tick камтыган XBTUSD, ETHUSD жана SOLUSD маалыматтарында жүргүзүлгөн. Туруктуу убакыт аралыктарынын ордуна болжол менен 10.000 USD бүтүм наркына жеткенде жаңы байкоо түзгөн dollar-bar үлгүлөөсү колдонулат. Муну менен өтө активдүү жана өтө тынч базар мезгилдеринин бир эле убакыт барында өтө айырмалуу сандагы бүтүмдөрдү камтышы азайтылууга аракет кылынат.

Изилдөөнүн негизги жыйынтыгы — бир да модель архитектурасы бардык базарларда үстөм эмес. TCN эсептөө жагынан ачык айырма менен эң ылдам модель. \(L=1024\) тизмек узундугунда бир epoch TCN үчүн 1,58 секунд, minLSTM үчүн 4,90 секунд, minGRU үчүн 4,00 секунд, классикалык LSTM үчүн 4,16 секунд жана Transformer үчүн 19,78 секунд.

Экономикалык жыйынтыктар болсо активге жараша тескери өзгөрөт. XBTUSDде \(L=1024\) үчүн minLSTM +%9,52 менен эң жогорку абсолюттук кирешени түзөт, ал эми TCN 0,174 Sortino катышы жана −%0,86 максималдуу drawdown менен туруктуураак тобокелдик профилин көрсөтөт. ETHUSDде minLSTM +%16,43 киреше жана 0,276 Sortino менен ачык айырмаланат. SOLUSDде болсо жалпы үлгүдө бир да модель оң киреше бере албайт.

Изилдөөнүн жалпы мааниси — финансылык убакыт катарларында “чоңураак модель”, “узагыраак эс тутум” же “заманбап архитектура” деген түшүнүктөр өз алдынча жакшы натыйжага кепилдик бербейт. Моделдин индуктивдик ыктоосу, базардын жетилгендиги, волатилдүүлүк режими, керектүү эс тутум узундугу жана божомол ыктымалдыктарынын калибрлениши бирге бааланышы керек.

Жогорку жыштыктагы финансылык маалымат эмне үчүн өзгөчө?

Табигый тил сыяктуу көптөгөн sequence-learning көйгөйлөрүндө узак тарыхый контекст маанилүү маалымат алып жүрүшү мүмкүн. Финансылык микротүзүлүштө болсо эски маалыматтын баалуулугу кыйла тез жоголушу мүмкүн. Буйрук агымы, кыска мөөнөттүү сатып алуу-сатуу басымы, ликвиддүүлүктүн өзгөрүшү жана баанын кайра бурулушу бир нече бүтүмдүн ичинде таасирин жоготушу мүмкүн.

Ошондуктан негизги маселе жөн гана “узак тарыхты эстеп калуу” эмес. Модель кайсы маалымат эми ызы-чуу болуп калганын ажыратып, жаңы базар режимине тез ыңгайлашышы керек.

Классикалык LSTM бул үчүн forget, input жана output gate түзүмдөрүн колдонот; бирок убакыт кадамдары ырааттуу иштетилгендиктен GPU параллелдештирүүсү чектелет. Transformer бүт тизмекти параллелдүү иштете алат, бирок стандарттык self-attention эсептөө чыгымы тизмек узундугуна жараша болжол менен \(O(L^2)\) өсөт.

minGRU жана minLSTM сыяктуу сызыктуу рекурренттик архитектуралар бул экөөнүн ортосундагы чечимди сунуштайт: recurrent state сакталат, hidden-state көз карандылыгы gate эсебинен алынып салынат жана эсептөө parallel associative scan формасына өткөрүлүшү мүмкүн.

minGRU жана minLSTM Эмне Үчүн Оңойураак Параллелдешет?

Стандарттык GRUдагы update gate болжол менен:

\[ z_t=\sigma(W_zx_t+U_zh_{t-1}) \]

түрүндө болот. Бул жердеги \(h_{t-1}\) мурунку hidden state эсептелмейинче учурдагы gate маанисин толук эсептеп бүтүү мүмкүн эмес экенин билдирет.

minGRU ыкмасында recurrent hidden-state мүчөсү gate эсебинен чыгарылат:

\[ z_t=\sigma(W_zx_t) \]

жана талапкер абал:

\[ \tilde{h}_t=g(W_hx_t) \]

түрүндө эсептелет.

Жаңыртуу:

\[ h_t=(1-z_t)\odot h_{t-1}+z_t\odot\tilde{h}_t \]

болот.

Бул түзүм:

\[ h_t=a_th_{t-1}+b_t \]

түрүндөгү сызыктуу recurrence формасына айлангандыктан associative scan аркылуу параллелдүү эсептелиши мүмкүн. Булактын теориялык алкагында бул түзүм жалпы эсептөө иши боюнча \(O(L)\), параллелдүү reduction тереңдиги боюнча болсо болжол менен \(O(\log L)\) өзгөчөлүгүнө ээ жана inference учурунда келген жаңы байкоо үчүн учурдагы stateти гана жаңыртуу жетиштүү.

TCN башка ыкманы колдонот

Temporal Convolutional Network recurrent state колдонбой, causal жана dilated convolution колдонот. Негизги экспериментте kernel өлчөмү \(k=3\), ал эми dilation маанилери \(\{1,2\}\).

Effective receptive field:

\[ RF=1+\sum_i(k-1)d_i \]

болгондуктан негизги TCN болжол менен 7 dollar-bar тарыхты көрө алат.

Үч катмарлуу \(\{1,2,4\}\) dilation вариантында receptive field болжол менен 15 bar болот.

Бул маанилүү: экспериментте TCN үчүн киргизүү тизмеги \(L=1024\) болгону менен моделдин акыркы божомолунун натыйжалуу тарыхы бардык 1024 bar эмес. Негизги TCNдин inductive bias'ы өзгөчө өтө кыска локалдык микротүзүлүш үлгүлөрүн үйрөнүүгө багытталган.

Dollar-Bar Үлгүлөөсү Деген Эмне жана Эмне Үчүн Колдонулат?

Стандарттык 1 мүнөттүк барлар ар бир убакыт бөлүгүндө бирдей мөөнөттү камтыйт, бирок бирдей көлөмдөгү экономикалык активдүүлүктү камтыбайт. Бир мүнөт ичинде базар абдан активдүү болсо миңдеген бүтүмдөр болушу мүмкүн; тынч мүнөттө болсо бүтүмдөр өтө аз болушу мүмкүн.

Бул изилдөөдө анын ордуна ар бир жаңы bar жалпы бүтүм наркы белгиленген чекке жеткенде түзүлөт:

\[ \sum_{i=k_{last}+1}^{k}p_iv_i\geq\theta \]

жана

\[ \theta=10.000\ \text{USD}. \]

Ошентип, ар бир dollar-bar болжол менен бирдей доллар түрүндөгү экономикалык бүтүм активдүүлүгүн көрсөтүүгө аракет кылат.

SOLUSDнин 12,1 kurtosis мааниси үч активдин ичинен эң калың куйруктуу баа жүрүм-туруму ушул базарда экенин көрсөтөт. XBTUSD болсо 4,2 менен төмөнүрөөк kurtosis маанисине ээ.

Булактын теориялык lemma-сы dollar barлар дисперсияны турукташтырат деп ырастайт. Бирок теңдеме туруктуу кармалып жаткан чоңдук физикалык coin көлөмү эмес, баа × көлөм аркылуу өлчөнгөн болжолдуу долларлык бүтүм наркы экенин көрсөтөт. Демек, “ар бир barда көлөм туруктуу” деген билдирүү техникалык жактан dollar-notional туруктуулугуна жакын мааниде окулушу керек.

Моделдер Кайсы Киргизүүлөрдү Колдонот?

Булак микротүзүлүш өзгөчөлүктөрү катары үч киргизүүнү так аныктайт.

Лог киреше:

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

Order Flow Imbalance:

\[ OFI_t= \frac{ V_t^{buy}-V_t^{sell} }{ V_t^{buy}+V_t^{sell}+\epsilon } \]

Tick intensity:

\[ \tau_t=\ln(1+\text{count}_t). \]

Бардык өзгөчөлүктөр heavy-tail таасирин азайтуу үчүн медиананын айланасында борборлоштурулуп, interquartile range колдонуу менен RobustScaler аркылуу масштабдалган.

Ошол эле учурда булак киргизүү векторун \(x_t\in\mathbb{R}^{4}\) деп аныктайт жана Universal Model киргизүү катмары да 4 өлчөмдүү киргизүүнү 256 өлчөмгө проекциялайт. Өзгөчөлүктөр тизмесинде болсо үч гана өзгөрмө так көрсөтүлгөн. Төртүнчү өзгөчөлүк эмне экени PDFде айтылган эмес. Бул изилдөөнү толук кайталап чыгаруу жагынан маанилүү жетишпестик.

Моделдерди Салыштыруу Кантип Адилеттүү Кылынат?

Терең моделдер жалпы Universal Model алкагына жайгаштырылган:

Киргизүү → 256 өлчөмдүү projection → sequence encoder → layer normalization → Bear / Neutral / Bull классификация башы

Модель параметрлеринин көбү болжол менен 200.000–500.000 диапазонунда кармалган. Тизмек узундугу:

\[ L\in\{256,512,1024\} \]

түрүндө өзгөртүлгөн.

Салыштырылган моделдер:

• эки катмарлуу классикалык LSTM,
• minGRU,
• minLSTM,
• эки катмарлуу кыска-эстутумдуу TCN,
• эки катмарлуу жана төрт attention head'дүү Transformer,
• 100 estimator жана максималдуу тереңдик 6 колдонгон XGBoost.

XGBoost sequence модели эмес жана \(L\) өзгөрүшүнөн түз таасир албаган tabular baseline катары колдонулган.

Transformer causal mask колдонот, бирок explicit positional encoding колдонбойт. Бул эксперименттик дизайн Transformer жыйынтыктарын чечмелөөдө өзгөчө маанилүү.

Walk-Forward Текшерүүсү Эмне Үчүн Маанилүү?

Финансылык убакыт катарларында туш келди train-test бөлүү келечектеги байкоолордун өткөнгө агып киришине алып келиши мүмкүн. Изилдөөдө беш fold expanding-window walk-forward validation колдонулат.

Биринчи окутуу бөлүгү маалыматтын %50 бөлүгүн түзөт. Андан кийин окутуу терезеси кеңейтилет жана андан кийинки мезгил гана тесттен өткөрүлөт.

Бул түзүм:

Өткөндө окут → келечекте тестте → окутуу терезесин кеңейт → кайра тестте

логикасы менен реалдуу убакыттагы моделди кайра окутуунун убакыт тартибин болжолдуу кайталайт.

Backtest кантип иштейт?

Баштапкы капитал:

\[ 100.000\ \text{USD} \]

деп аныкталган.

Моделдин эң жогорку класстык ыктымалдыгы:

\[ \tau=0,40 \]

чегинен ашса Bear же Bull классына жараша short же long позиция ачылат. Сигнал тескери бурулганда позиция жабылат.

Алгоритм fee жана slippage терминдерин да камтыйт. Бирок PDF бул эки параметр үчүн колдонулган сандык маанилерди көрсөтпөйт. Моделдер түзгөн бүтүмдөрдүн саны олуттуу айырмалангандыктан бул жетишпестик таза PnLди кайра чыгарууга түз таасир этиши мүмкүн.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Эсептөө убактысы: TCN эмне үчүн алдыга чыгат?

TCN бардык тизмек узундуктарында эң төмөн epoch убактысына ээ.

\(L=1024\) үчүн TCN minLSTMге салыштырмалуу болжол менен:

\[ \frac{4,90}{1,58}\approx3,1 \]

эсе ылдам экени көрүнөт.

Transformer менен салыштыруу болсо:

\[ \frac{19,78}{1,58}\approx12,5 \]

эсе.

Ошондуктан булактын abstract жана жыйынтык бөлүгүндөгү “15× faster than Transformers” деген билдирүү 2-таблицадагы түз маанилерден алынган болжолдуу 12,5× катышы менен толук дал келбейт.

Божомол Тактыгы менен Финансылык Киреше Бир Нерсеби?

Жок. Изилдөөнүн маанилүү жыйынтыктарынын бири — macro F1 упайы экономикалык киреше менен сызыктуу байланыш көрсөтпөйт.

Бардык F1 маанилеринин болжол менен 0,30–0,43 диапазонунда болушу жогорку жыштыктагы крипто маалыматтарындагы төмөн signal-to-noise катышын көрсөтөт.

Ошентсе да классификациядагы бир нече упай айырмасы финансылык натыйжага түздөн-түз которулбайт. Стратегиянын экономикалык жыйынтыгы сигнал кайсы базар мезгилдеринде туура болгонуна, туура эмес божомолдун өлчөмүнө, позициянын узактыгына, ыктымалдык калибрленишине жана бүтүм жыштыгына да көз каранды.

Bitcoinде Кайсы Модель Жүрүм-туруму Көрүнөт?

\(L=1024\) үчүн XBTUSD жыйынтыктары:

Абсолюттук кирешеде minLSTM жана LSTM алдыга чыкса, TCN төмөнүрөөк киреше, бирок жогору Sortino жана төмөн максималдуу drawdown көрсөтөт.

\(L=512\) контекстинде классикалык LSTMдин кирешеси +%12,58, Sortinoсу 0,159; TCNдин кирешеси +%7,20, бирок Sortinoсу 0,209 деп берилген.

Бул жыйынтык Bitcoinде узагыраак контекст автоматтык түрдө жакшыраак эмес экенин көрсөтөт. Булакка ылайык орточо деңгээлдеги эс тутум абсолюттук киреше жагынан, ал эми кыска локалдык эс тутум тобокелдикке ылайыкташтырылган туруктуулук жагынан артыкчылык бере алат.

Ethereumда minLSTM Эмне Үчүн Алдыга Чыгат?

ETHUSD \(L=1024\) жыйынтыктарында minLSTM ачык айырмаланат:

Булак муну Ethereumдагы узагыраак momentum маалыматын recurrent эс тутум кармай алышы менен байланыштырган.

Бирок тизмек узундугунун жыйынтыгы монотондуу эмес:

\[ L=256:\ +14,75\% \]

\[ L=512:\ +1,45\% \]

\[ L=1024:\ +16,43\%. \]

Ошондуктан жыйынтыкты “узун тизмек ар дайым жакшы” деп чечмелөөгө болбойт. Белгилүү контекст узундуктарынын базар режими менен өз ара аракеттенүүсү маанилүү.

Solana Жыйынтыктары Модель Чектөөлөрү Жөнүндө Эмне Көрсөтөт?

SOLUSDде \(L=1024\) үчүн бардык моделдер жалпы үлгүдө чыгаша көрсөтөт:

Бул модель салыштыруунун балким эң маанилүү терс жыйынтыгы. Жакшы архитектура тандоо өз алдынча күчтүү alpha булагын жаратпайт. Өтө жогорку волатилдүүлүк жана калың куйрук шартында бир гана микротүзүлүш өзгөчөлүктөрүнөн турган сигнал топтому жетишсиз болушу мүмкүн.

Булак келечекте Level-2 order book, cross-exchange liquidity жана кошумча risk-management катмарларын изилдөөнү дал ушул себептен сунуштайт.

Калибрлөө Эмне Үчүн Классификация Тактыгы Сыяктуу Маанилүү?

Модель “Bull ыктымалдыгы %80” десе, бул божомолдордун болжол менен %80и чынында Bull болушу күтүлөт. Бул дал келүү probability calibration менен өлчөнөт.

Төмөн ECE жакшыраак калибрлөөнү билдирет. minLSTM бул көрсөткүчтө эң жакшы жыйынтык берет.

8-беттеги threshold сезимталдыгы графиги ETHUSDде confidence threshold 0,30дан 0,60ка өзгөргөндө XGBoost кирешеси болжол менен −%80 менен +%20 арасында өтө кескин өзгөрөрүн көрсөтөт. minLSTM жана LSTM болсо жылмакайыраак ийри сызыктарды түзөт.

Бул жыйынтык бир гана божомол классы эмес, божомолго берилген ишеним мааниси да экономикалык стратегиянын туруктуулугун өзгөртөрүн көрсөтөт.

Эң Жаман Бүтүмдөр Моделдердин Эс Тутум Жүрүм-турумун Көрсөтөбү?

ETHUSD үчүнчү walk-forward foldда берилген worst-trade жыйынтыктары:

Булак LSTMдин 99 bar созулган жоготуусун “state persistence” көйгөйү деп чечмелейт: модель эски базар абалын зарыл болгондон узагыраак кармап турган болушу мүмкүн.

Бирок таблицадагы “Max Loss %” менен жалпы стратегия таблицасындагы “Max Drawdown %” бир эле чоңдук эмес. Мисалы, minLSTM үчүн worst trade −%13,39 болсо, жалпы equity maximum drawdown −%1,28. Булак бул эки пайыз кайсы ар башка база боюнча нормалдаштырылганын кеңири түшүндүрбөйт; ошондуктан аларды түздөн-түз салыштырууга болбойт.

Bootstrap Жыйынтыктары Канчалык Ишенимдүү?

Булак 1.000 bootstrap үлгүлөөсүн колдонот. XBTUSDде LSTM, minLSTM, TCN жана XGBoost Sharpe интервалдары кыйла деңгээлде бири-бирине дал келип, ошондуктан тобокелдикке ылайыкташтырылган натыйжалардын айырмасы статистикалык жактан ачык ажырабай турганы айтылат.

ETHUSD \(L=1024\) үчүн minLSTM Sharpe интервалы:

\[ [0,11,\ 0,28] \]

TCN интервалы:

\[ [-0,16,\ -0,04] \]

деп берилет жана интервалдар кесилишпейт.

Ошол эле учурда метод бөлүгүндө “%95 bootstrap ишеним интервалы” деп айтылганына карабастан төмөнкү жана жогорку чектер 5-жана 95-персентилдер экени түшүндүрүлгөн. Стандарттык percentile-bootstrap терминологиясында 5.–95. персентиль борбордук %90 интервал түзөт; борбордук %95 интервал үчүн адатта 2,5.–97,5. персентилдер колдонулат. Бул булактын статистикалык отчетунда оңдолууга тийиш болгон дал келбестик.

TCNдин Эс Тутуму 7 Bar Болсо, Эмне Үчүн Мынчалык Жакшы Иштей Алат?

Булак муну финансылык микротүзүлүштүн күчтүү locality өзгөчөлүгү менен түшүндүрөт. Өтө кыска мөөнөттүү order-flow imbalance жана tick intensity өзгөрүүлөрү, айрыкча жетилген жана ликвиддүү базарларда, алыскы өткөндөн маанилүүрөөк болушу мүмкүн.

TCN receptive field болжол менен 7 bardan 15 barга кеңейтилгенде XBTUSD кирешеси:

\[ +4,29\%\rightarrow+5,12\% \]

жана ETHUSD:

\[ -15,67\%\rightarrow-12,01\% \]

түрүндө өзгөрөт.

Бул кеңейтүү бир аз жакшыртуу бергени менен ETHUSDни оң кирешеге чыгара албайт. Булак TCNдин алыскы өткөндү адаптивдүү салмактай албашы momentum басымдуу базарларда чектөөчү болушу мүмкүн деп эсептейт.

Изилдөө Колдогон Негизги Жыйынтыктар

• TCN колдонулган A100/PyTorch эксперименттик чөйрөсүндө салыштырылган neural sequence моделдеринен ылдамыраак окутулат.
• Transformer окутуу убактысы тизмек узундугу өскөн сайын башка моделдерге караганда кыйла тез өсөт.
• minGRU жана minLSTMдин эсептөө убактысы тизмек узундугуна болжол менен сызыктуу масштабдалат.
• F1 упайы менен backtest кирешесинин ортосунда түз бир-бирине дал келген байланыш жок.
• XBTUSDде кыска-локалдык TCN жогорураак тобокелдикке ылайыкташтырылган туруктуулук көрсөтө алса, LSTM/minLSTM жогорку абсолюттук киреше бере алат.
• ETHUSD \(L=1024\) экспериментинде minLSTM +%16,43 киреше жана 0,276 Sortino менен күчтүү жыйынтык берет.
• minLSTM 0,032 ECE менен эң жакшы ыктымалдык калибрлөөнү камсыз кылат.
• SOLUSDде \(L=1024\) шартында бардык моделдер жалпы жыйынтыкта терс.
• Модель көрсөткүчү активге, тизмек узундугуна жана волатилдүүлүк режимине көз каранды.
• TCN receptive fieldин кеңейтүү жыйынтыктарды бир аз жакшыртса да моделдердин иретин толук өзгөртпөйт.

Изилдөө Колдобогон Жыйынтыктар

Изилдөө minLSTM бардык криптовалюта базарларында эң жакшы модель экенин көрсөтпөйт.

TCNдин эң ылдам болушу анын эң кирешелүү модель экенин билдирбейт.

Transformerдин бул эксперименттеги начар жыйынтыгы бардык Transformer же attention негизиндеги убакыт катар моделдери HFT үчүн жараксыз экенин далилдебейт; текшерилген Transformer explicit positional encoding колдонбойт.

Backtest кирешелери реалдуу түз соода кирешелери эмес. Exchange latency, order-book queue position, market impact жана колдонулган реалдуу fee/slippage параметрлери жыйынтыктарды өзгөртүшү мүмкүн.

50 миллиондон ашык tick колдонулганы модель келечекте да кирешелүү болот деген кепилдик бербейт.

Dollar-bar үлгүлөөсү финансылык маалыматты толугу менен stationary же IID кылат деп далилденген эмес; ал болгону активдүүлүктүн интенсивдүүлүгүндөгү гетерогендүүлүктү азайтууга багытталган.

SOLUSD жыйынтыгы бардык altcoin базарларында терең үйрөнүү иштебейт дегенди билдирбейт.

Изилдөө түз биржа инфраструктурасындагы наносекунд/микросекунд order-routing көрсөткүчүн өлчөбөйт; окутуу жана backtest контекстиндеги жогорку жыштыктагы маалымат моделдөөсүн изилдейт.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталыш: Linear Recurrent versus Convolutional Neural Networks for High-Frequency Cryptocurrency Trading: Evidence from Dollar-Bar Data

Автор: Ahoora Rostamian.

Мекеме: University of Essex.

Жарыя түрү: SSRN preprint; Elsevierга жөнөтүлгөн preprint формасы.

SSRN жөнөтүлгөн күнү: 27 May 2026.

SSRN Abstract ID: 6839368.

DOI: 10.2139/ssrn.6839368.

Рецензия статусу: Булак ачык түрдө рецензиядан өтпөгөнүн билдирет.

Автордук укук / лицензия: SSRN жазуусу “All rights reserved; no reuse allowed without permission” статусун көрсөтөт. Ошондуктан булактагы сүрөттөр жана таблицалар Verianla ичинде кайра жарыяланган эмес.

Маалымат булагы: Kraken криптовалюта биржасынын tick маалыматтары.

Активдер: XBTUSD, ETHUSD жана SOLUSD.

Жалпы чийки маалымат: Булак 50 миллиондон ашык tick билдирет.

Dollar-bar чеги: 10.000 USD.

Болжолдуу bar сандары: XBTUSD 699.299; ETHUSD 450.100; SOLUSD 320.500.

Календардык мезгил: PDF маалымат үлгүсүнүн так башталган жана аяктаган күндөрүн ачык билдирбейт.

Моделдер: LSTM, minGRU, minLSTM, TCN, Transformer жана XGBoost.

Тизмек узундуктары: 256, 512 жана 1024.

Аппараттык камсыздоо: Бир NVIDIA A100-SXM4 GPU, 40 GB HBM2e.

Программалык камсыздоо: PyTorch 2.1 жана CUDA 12.1; minRNNдерде torch.compile reduce-overhead режими.

Текшерүү: Беш fold expanding-window walk-forward validation.

Backtest: 100.000 USD баштапкы equity, 0,40 confidence threshold; long/short сигналдары.

Негизги кайра чыгаруу чектөөлөрү: Төртүнчү input feature аныкталган эмес; fee жана slippage маанилери берилген эмес; exact dataset дата аралыгы көрсөтүлгөн эмес.

Статистикалык отчет эскертүүсү: Булак %95 bootstrap CI деген терминди колдонгону менен 5.–95. персентилдерди билдиргенин айтат; бул стандарттык percentile түшүндүрмөсүндө борбордук %90 интервал.

Эсептөө эскертүүсү: Булак TCN Transformerден 15× ылдам экенин билдирет; 2-таблицадагы \(L=1024\) маанилери 19,78 сек жана 1,58 сек болгондуктан түз катыш болжол менен 12,5×.

Transformer боюнча түшүндүрмө: Текшерилген baseline explicit positional encoding колдонбогондуктан жыйынтыктар Transformer үй-бүлөсүнүн бардык варианттарына жайылтылбашы керек.

Финансылык түшүндүрмөнүн чеги: Берилген пайыздар изилдөөнүн walk-forward backtest жыйынтыктары; реалдуу инвестициялык киреше, түз HFT көрсөткүчү же келечектеги натыйжа кепилдиги эмес.