Utafiti huu unachunguza kwa utaratibu jinsi picha za chati za kifedha zinavyofaa katika kuainisha hali ya soko kwenye data ya Bitcoin, Ethereum na S&P 500. Mtafiti analinganisha chati za kawaida za mishumaa, usimbaji wa Gramian Angular Field au GAF, na picha za GAF zenye njia nyingi. Pia, miundo tofauti ya modeli kama vile CNN, ResNet18, EfficientNet-B0 na Vision Transformer inajaribiwa.

Matokeo ya kuvutia ya makala ni haya: Usimbaji wa picha tata zaidi na modeli kubwa si mara zote bora zaidi. Kwa kweli, katika majaribio, matokeo bora hupatikana kwa modeli rahisi ya CNN yenye tabaka 4 inayotumia chati wazi za mishumaa kwa ubora wa 128x128. Thamani bora ya AUC-ROC iliyoripotiwa katika utafiti ni 0.892.

Matokeo haya yanatilia shaka dhana kwamba "viashiria zaidi, modeli kubwa, na ubora wa juu hutokeza utabiri bora zaidi". Kulingana na makala, chati wazi za bei zinaweza kusaidia modeli ya CNN kujifunza mifumo ya kimsingi ya bei inayoonekana kwa uwazi zaidi. Hata hivyo, kwa kuwa utafiti ulifanyika kwa seti ndogo ya data na hautoi jaribio kamili la mkakati wa uwekezaji unaojumuisha gharama halisi za miamala, matokeo yanapaswa kufasiriwa kwa tahadhari.

1. Kichwa

Uchambuzi wa kiufundi katika masoko ya fedha umetegemea kusoma chati kwa muda mrefu. Chati za mishumaa huonyesha kielelezo cha thamani za kufungua, kufunga, juu na chini za bei. Wawekezaji binadamu hutafuta mifumo kama vile kasi, kugeuka, kubanwa, kuvunjika au kuendelea kwa mwelekeo katika chati hizi.

Kwa upande mwingine, modeli za kujifunza kwa kina zinafanikiwa sana katika kuainisha picha. Kwa hivyo swali la asili linaibuka: Ikiwa chati za kifedha zinachukuliwa kama picha, je, modeli kama CNN au Vision Transformer zinaweza kujifunza mifumo yenye maana kutokana na chati hizi?

Ingawa tafiti za awali zimejaribu wazo hili, maswali fulani bado hayajajibiwa kikamilifu. Je, chati ghafi za mishumaa ni bora zaidi, au usimbaji kama GAF unaobadilisha mfululizo wa wakati kuwa picha kihisabati? Je, kuongeza kiasi, wastani unaosonga na bendi za Bollinger kwenye chati kunaimarisha modeli, au kunazalisha mchafuko wa kuonekana? Je, modeli kubwa na zilizofunzwa mapema ni bora kuliko CNN ndogo? Je, mfumo uliojifunzwa katika rasilimali moja utafanya kazi katika rasilimali nyingine pia?

2. Muhtasari mfupi

Utafiti unaunda utabiri wa hali ya soko kama tatizo la kuainisha picha mbili-mbili. Modeli huangalia picha ya chati ya idadi fulani ya siku zilizopita na inajaribu kuainisha ikiwa bei inapanda zaidi ya kikomo fulani katika kipindi cha baadaye kilichowekwa.

Mbinu tatu za kimsingi za uwakilishi wa picha zinalinganishwa katika majaribio:

1. Chati ghafi za mishumaa: Data ya bei huchorwa kama chati ya kawaida ya mshumaa. Kila mshumaa; inaonyesha bei ya kufungua, kufunga, juu na chini. Uwakilishi huu ndio mbinu iliyo karibu zaidi na umbizo la chati ambalo wafanyabiashara binadamu wamezoea.

2. Gramian Angular Field (GAF): Mfululizo wa wakati hurekebishwa kwanza, kisha kubadilishwa kuwa kuratibu za pembe, na uhusiano kati ya pointi mbili za wakati huandikwa kama picha ya matriki.

3. GAF yenye njia nyingi: Bei ya kufungua, mbalio wa bei na bei ya kufunga huhesabiwa kama matriki tofauti za GAF na kuwekwa juu ya kila mmoja kama njia za RGB.

Kwenye upande wa modeli, CNN rahisi, ResNet18, EfficientNet-B0 na ViT-Tiny zinalinganishwa. Pia, baadhi ya modeli zinajaribiwa na uzani zilizofunzwa mapema kwenye ImageNet. Majaribio; inajaribu mambo kama vile kipengele cha chati, urefu wa dirisha lililopita, ubora wa picha, usanifu wa modeli, uhamishaji wa kujifunza na aina ya rasilimali tofauti tofauti.

3. Maelezo ya kina

Kuna kanuni chache za kimsingi kwenye PDF. Kanuni hizi hufafanua jinsi tatizo linavyobadilishwa kuwa jukumu la uainishaji na jinsi picha za GAF zinavyozalishwa.

1. Uainishaji wa hali ya soko kutoka kwa picha ya chati

Hapa \(X\) inawakilisha picha ya chati iliyotolewa kwa modeli. \(H\) ni urefu wa picha, \(W\) ni upana, na \(C\) ni idadi ya njia. Kwa mfano, kwa chati ya rangi idadi ya njia kwa kawaida ni 3.

Kanuni hii inaonyesha mantiki ya kuweka lebo kwenye utafiti. \(P_t\), inawakilisha bei ya kufunga ya leo; \(P_{t+k}\), inawakilisha bei ya kufunga siku \(k\) baadaye. Katika majaribio, \(k=7\) siku, na thamani ya kizingiti inatumiwa kama \(\tau=2\%\). Ikiwa mapato baada ya siku 7 ni zaidi ya 2%, sampuli inapewa lebo ya "bull regime", vinginevyo "bear regime".

2. Kubadilisha mfululizo wa bei kuwa uratibu wa pembe kwa GAF

Katika mbinu ya GAF, mfululizo wa bei hupimwa kwanza kwa mbalio wa \([-1,1]\). Hapa \(\tilde{x}_i\), inawakilisha thamani iliyosawazishwa; na \(\phi_i\) inawakilisha mlinganisho wa pembe wa thamani hii.

Kanuni hii huzalisha seli za matriki ya Gramian Angular Summation Field. Kila seli ya \(i,j\), inawakilisha uhusiano wa pembe wa pointi mbili tofauti za wakati. Hivyo, mfululizo wa wakati hugeuka kuwa matriki ya pande mbili ambayo modeli inaweza kusoma kama picha.

3. Uwakilishi wa GAF yenye njia nyingi

Kanuni hii inaelezea uwakilishi wa GAF wenye njia nyingi. Matriki tofauti za GAF zinazalishwa kwa bei ya kufungua, mbalio wa bei na bei ya kufunga; kisha zinaunganishwa kama njia za RGB. Lengo ni kukusanya maelezo zaidi kutoka kwa data ya OHLC katika picha moja. Hata hivyo, katika matokeo ya utafiti uwakilishi huu tata zaidi ulionyesha utendaji dhaifu kuliko chati ghafi za mishumaa.

4. Mbinu na matokeo ya utafiti

Chati za historia ya bei: PDF inaonyesha mwendo wa bei za Bitcoin, Ethereum na S&P 500 katika kipindi cha 2018-2024. Ujumbe mkuu ni kwamba rasilimali za kripto zinaonyesha kutokuwa na uthabiti wa juu zaidi ikilinganishwa na faharisi ya jadi ya hisa.

Mifano ya uwakilishi wa chati: Katika utafiti huo, chati wazi ya mshumaa, chati ya mshumaa na kiasi, chati yenye wastani unaosonga, chati ya viashirio kamili na maonyesho ya picha kulingana na GAF zinaonyeshwa kando kando. Ujumbe mkuu wa sehemu hii ni kwamba data sawa ya kifedha inaweza kubadilishwa kuwa aina tofauti za picha.

Ulinganisho wa usimbaji wa picha: Chati za candlestick ghafi au chati ghafi za mishumaa zinatoa matokeo bora zaidi kuliko maonyesho ya GAF zikiwa na 0.760 AUC. GAF Summation inabaki katika 0.310, wakati GAF yenye njia nyingi inabaki katika thamani ya 0.252 AUC. Uthibitisho huu unaashiria kuwa usimbaji wa picha za kihisabati sio kila wakati huwa bora zaidi.

Jedwali la vipengele vya chati: Thamani bora ya AUC inaonekana katika chati rahisi zilizo na mishumaa ya bei pekee. Utendaji kwa kawaida hupungua jinsi kiasi, wastani unaosonga na bendi za Bollinger zinavyoongezwa. Ujumbe mkuu: Maelezo ya ziada ya kuonekana yanaweza kuvuruga modeli badala ya kusaidia.

Jaribio la ubora wa picha: Ubora wa 128x128 unatoa matokeo bora ya jumla na 0.892 AUC. Ubora wa 64x64 unaweza kuwa unapoteza mifumo fulani mizuri; wakati 224x224 inaweza kuwa ngumu zaidi kwa sababu ya uhitaji wa data na maelezo mengi.

Ulinganisho wa usanifu wa modeli: CNN rahisi ya tabaka 4 inatoa AUC bora kuliko modeli za ResNet18, EfficientNet-B0 na ViT-Tiny. Matokeo haya yanaonyesha kwamba modeli kubwa yenye data chache haifanyi kazi vizuri kiotomatiki.

Picha za GradCAM: Inaonyeshwa kuwa modeli inalenga hasa mishumaa ya mwisho upande wa kulia wa chati, mishumaa yenye miili mikubwa na maeneo ambako kuna mabadiliko ya rangi. Hili linaashiria kwamba modeli inazingatia mienendo ya bei ya hivi karibuni inayoonekana kuwa muhimu katika uchambuzi wa kiufundi, na sio tu pikseli za nasibu.

5. Maelezo ya chanzo na mbinu

Utafiti huo unatumia data ya kila siku ya OHLCV kutoka kipindi cha 2018-2024. Rasilimali zilichaguliwa kama Bitcoin, Ethereum na S&P 500 ETF. Kwa kila rasilimali, sampuli 500 hupatikana baada ya kutumia dirisha la zamani na upeo wa utabiri wa baadaye.

Data inagawanywa kwa mujibu wa muundo wa mfululizo wa wakati. 70% ya kwanza inatumiwa kama mafunzo, 15% inayofuata kama uthibitishaji, na 15% ya mwisho kama seti ya majaribio. Hili ni muhimu; kwa sababu katika mfululizo wa wakati wa kifedha, data ya baadaye kuathiri utabiri wa zamani inazalisha kosa kubwa linaloitwa "look-ahead bias".

Lengo la modeli ni kuainisha mienendo ya bei baada ya siku 7. Ikiwa mapato baada ya siku 7 yanazidi kizingiti cha 2%, sampuli hiyo inawekwa alama kama bull rejimi, vinginevyo kama bear rejimi.

Jumla ya majaribio manane yaliyodhibitiwa yanafanywa. Katika majaribio haya, mbinu ya usimbaji wa picha, vipengele vya chati, urefu wa dirisha lililopita, ubora wa picha, usanifu wa modeli, uhamishaji wa kujifunza na athari za ujumuishaji kwa rasilimali tofauti huchunguzwa kwa kufuatana.

6. Lebo za meta

1. Chati ghafi za mishumaa zilikuwa bora kuliko GAF. Mbinu ya raw candlestick ilitoa 0.760 AUC, huku mbinu za GAF zikisalia chini ya 0.5. Hii inaashiria kuwa mabadiliko ya GAF huenda yalivuruga baadhi ya mifumo muhimu ya kuonekana badala ya kuhifadhi taarifa muhimu katika jukumu hili.

2. Chati wazi zilifanikiwa zaidi. Chati zilizo na mishumaa ya bei pekee zilitoa matokeo bora zaidi ya kipengele cha chati na 0.815 AUC. Utendaji hushuka wakati kiasi, wastani unaosonga na bendi za Bollinger zinaongezwa. Matokeo haya yanaonyesha kwamba urahisi wa kuonekana unaweza kuwa na faida kwa modeli.

3. Dirisha la siku 30 linaonekana kuwa na usawa. Wakati siku 14 ni fupi sana, madirisha ya siku 60 na 90 yanaweza kuwa yameunda kelele kwa kuongeza taarifa za zamani zaidi katika siku zilizopita. Katika majaribio, dirisha la siku 30 linatoa uwezo bora zaidi wa utenganishaji.

4. Ubora bora zaidi ulikuwa 128x128. Matokeo bora ya jumla ya utafiti yanaripotiwa kama 0.892 AUC katika ubora wa 128x128. Ubora huu unaweza kuwa umepunguza utata usio wa lazima wakati ukihifadhi maelezo ya kutosha ya kuonekana.

5. CNN rahisi iliipita modeli kubwa. CNN rahisi yenye tabaka 4 iliyo na vigezo takriban elfu 422 ilitoa AUC bora kuliko modeli za ResNet18, EfficientNet-B0 na ViT-Tiny. Modeli kubwa zinaweza kuwa na mwelekeo zaidi wa kujifunza kupita kiasi zikiwa na data chache.

6. Uhamishaji wa kujifunza bado ulichangia. Mafunzo ya awali ya ImageNet yaliongeza thamani za AUC za ResNet18 na EfficientNet-B0. Hii inaonyesha kwamba vipengele vya kiwango cha chini, kama vile kingo na umbile lililojifunzwa kutoka kwa picha asilia, vinaweza kuwa na manufaa kwa kiasi fulani katika chati za kifedha.

7. Utabiri wa picha katika Bitcoin ulionekana kuwa na nguvu zaidi. Bitcoin ilitoa 0.734 AUC huku Ethereum ikitoa 0.492 na S&P 500 ikitoa 0.459 AUC. Ugunduzi huu unaweza kufasiriwa kuwa chati za Bitcoin zina mifumo dhahiri zaidi ya picha katika hali ya majaribio. Walakini, matokeo haya hayamaanishi utabiri kamili wa soko.

Kwanini Hili Ni Muhimu?

Utafiti huu unaonyesha kwamba inawezekana kushughulikia mfululizo wa wakati wa kifedha sio tu kama jedwali la nambari, lakini pia kama picha. Hasa, modeli kama CNN zinaweza kujifunza mifumo fulani ya picha kwenye chati za mishumaa.

Hata hivyo, kipengele muhimu zaidi kwenye utafiti ni kuhoji kwake dhana kwamba "utata daima ni mzuri". Viashiria zaidi, ubora wa juu na modeli kubwa zaidi havijatoa matokeo bora kila wakati katika majaribio haya. Kinyume chake, chati rahisi na mbinu ya modeli ndogo ilionyesha utendaji wenye nguvu zaidi.

Matokeo haya ni muhimu kutoka kwa mtazamo wa kitaaluma na kiufundi. Kwa sababu katika mifumo ya akili bandia ya kifedha, badala ya kupanua usanifu wa modeli, ubora wa data, ufafanuzi wa matatizo, uwekaji lebo sahihi, mbinu ya kugawanya mfululizo wa wakati, na uchaguzi wa uwakilishi wa kuonekana inaweza kuwa muhimu zaidi.

Mambo ya Kuzingatia

1. Utafiti huu sio ushauri wa uwekezaji. Mafanikio ya AUC ya modeli hayamaanishi moja kwa moja mkakati wa kununua-kuuza wenye faida. Gharama za miamala, utelezi, ukwasi, usimamizi wa hatari na hali ya soko lazima itathminiwe kando.

2. Seti ya data ni ndogo. Sampuli 500 zilitumika kwa kila rasilimali. Hiki ni kiasi kidogo cha data kwa upande wa kujifunza kwa kina. Matokeo yanaweza kubadilika katika seti kubwa za data.

3. Ingawa AUC ni ya juu, usahihi unaweza kuwa mdogo. Katika majaribio mengine, usahihi na F1 zilisalia chini wakati AUC ilionekana kuwa nzuri. Hili linaonyesha kwamba uchaguzi wa kizingiti na usawa wa darasa unaweza kuathiri sana matokeo.

4. Kunaweza kuwa na utegemezi wa utawala. Masoko ya kripto yanaweza kutenda tofauti sana mara kwa mara. Mifumo iliyojifunzwa katika kipindi cha 2018-2024 inaweza isifanye kazi kwa njia sawa katika siku zijazo.

5. Mifumo ya uchambuzi wa kiufundi inaweza kutoweka baada ya muda. Ikiwa mifumo fulani inatumiwa sana, soko linaweza kuziwekea bei na faida ya modeli inaweza kupungua.

6. Jaribio halisi la ununuzi linakosekana. Makala inachunguza utendaji wa uainishaji; haitoi matokeo ya kina ya backtest yenye gharama halisi za ununuzi.

Hitimisho

Utafiti huu unawasilisha seti rahisi lakini inayoelimisha ya majaribio inayoonyesha kwamba chati za kifedha zinaweza kuchakatwa kama picha na kujifunza kwa kina. Kulingana na matokeo, uwakilishi rahisi na wa moja kwa moja ulitoa matokeo bora zaidi, sio mbinu ngumu zaidi.

Tokeo la kustaajabisha zaidi ni kwamba modeli rahisi ya CNN inayotumia chati ghafi za mishumaa kwenye ubora wa 128x128 inatoa utendakazi bora wa jumla ikiwa na 0.892 AUC. Usimbaji wa kihisabati kama vile GAF haujatoa faida inayotarajiwa katika jukumu hili. Viashiria vya ziada kama vile kiasi, wastani unaosonga na bendi za Bollinger vimepunguza utendakazi katika majaribio kadhaa badala ya kusaidia modeli.

Kwa wasomaji wa Verianla, ujumbe mkuu wa makala haya ni huu: Mafanikio katika akili bandia ya kifedha hayatokani na kuunda modeli kubwa pekee. Wakati mwingine uwakilishi sahihi, data wazi, mgawanyo wa wakati unaofaa na tatizo lililofafanuliwa vizuri inaweza kuwa maamuzi zaidi kuliko ugumu wa modeli.

Aina ya utafiti: Ni utafiti wa awali uliochapishwa kwenye arXiv. Haipaswi kudhaniwa kuwa ni toleo la mwisho lililokaguliwa na wenza.

Eneo: Akili bandia, maono ya kompyuta, mfululizo wa wakati wa kifedha, masoko ya sarafu ya kripto na uchambuzi wa chati ya kiufundi.

Dokezo la eneo la hatari: Mada inahusiana na utabiri wa fedha ya kripto na hali ya soko. Makala hii sio ushauri wa uwekezaji. Matokeo hapa; haipaswi kufasiriwa kama pendekezo la ununuzi/uuze la Bitcoin, Ethereum au rasilimali nyingine yoyote, mfumo kamili wa utabiri, au madai ya uhakika wa kurudi.

Tathmini ya jumla: Utafiti unachunguza kama chati za mishumaa ya kifedha zinaweza kuchakatwa kama picha na modeli za kujifunza kwa kina. Swali kuu ni: Je, modeli rahisi au za hali ya juu za kuainisha picha zinaweza pia kujifunza mifumo ya bei ambayo wawekezaji wa kibinadamu huitafuta kwa macho kwenye chati?

Maelezo ya Chanzo na Mbinu

Makala haya ni maudhui ya asili ya uhariri wa Kituruki (yaliyotafsiriwa kwa Kiswahili) yaliyotayarishwa kulingana na PDF ya kitaaluma inayoitwa "Visual Chart Representations for Cryptocurrency Regime Prediction: A Systematic Deep Learning Study". Maandishi haya sio tafsiri ya neno kwa neno; tatizo, mbinu, kanuni, majaribio, majedwali, picha, matokeo, na mapungufu katika utafiti vimeelezwa kwa kurahisishwa.

Kwa vile maudhui haya yanashughulikia mada ya utabiri wa soko la fedha, lugha ya uamuzi kamili, maelekezo ya kununua/kuuza, au ushauri wa uwekezaji haswa haikutumika.