CTBench, чаҳорчӯбаи benchmark аст, ки моделҳои тавлиди қаторҳои вақти синтетикӣ (Time Series Generation, TSG)-ро дар бозорҳои криптовалюта на танҳо аз рӯи монандии оморӣ, балки аз нигоҳи муваффақияти пешгӯӣ, қобилияти истифода дар савдо, хавф ва хароҷоти ҳисоббарорӣ арзёбӣ мекунад. Таҳқиқоти боршуда аз додаҳои соатии 452 криптодороие истифода мебарад, ки дар бозори спотии Binance дар муқобили USDT савдо шудаанд ва пас аз филтр кардани мушоҳидаҳои нопурра боқӣ мондаанд; давра аз январи 2020 то декабри 2024 аст. Ҳашт модели TSG аз панҷ оилаи моделӣ — GAN, VAE, diffusion, flow ва меъмории гибридӣ — интихоб шуда, дар ду вазифаи мукаммалкунандаи Predictive Utility ва Statistical Arbitrage арзёбӣ шудаанд.
Вазифаи Predictive Utility месанҷад, ки оё додаҳои синтетикӣ сохтори замонӣ ва байнидороиро, ки барои пешгӯии даромади соати навбатӣ дар бозори воқеӣ зарур аст, ҳифз мекунанд ё не. Модели пешгӯии XGBoost дар додаҳои синтетикии тавлидкардаи модели TSG омӯзонида мешавад; сипас пешгӯкунанда дар додаҳои воқеии тестӣ иҷро шуда, сигналҳои бадастомада ба стратегияҳои гуногуни портфелӣ табдил дода мешаванд. Вазифаи Statistical Arbitrage бошад модели TSG-ро ҳамчун бозсоз истифода мебарад; боқимондаҳои байни даромадҳои воқеӣ ва бозсохташуда бо раванди бозгашт ба миёнаи Ornstein–Uhlenbeck модел шуда, сигналҳои харидуфурӯш тавлид мешаванд.
Муҳимтарин натиҷаи таҳқиқот ин аст, ки ҳеҷ як модели TSG дар ҳамаи ҳадафҳо бартарӣ надорад. Гарчанде Diffusion-TS аз нигоҳи хатои пешгӯӣ натиҷаҳои қавӣ медиҳад, дида мешавад, ки ин ба таври худкор ба даромаднокии савдо табдил намеёбад. TimeVAE байни дақиқии оморӣ ва самаранокии савдо профили мутавозинтар пешниҳод мекунад, дар ҳоле ки COSCI-GAN махсусан дар режимҳои самтнок ва дорои тренд сигналҳои қавии савдо тавлид карда метавонад. Fourier-Flow дар бисёр ченакҳо натиҷаи устувори миёна-боло нишон медиҳад, дар вазифаи Statistical Arbitrage бошад KoVAE ва LS4 метавонанд дар баъзе давраҳо даромади баланд диҳанд, аммо профилҳои хавфи онҳо фарқ мекунанд.
Маҳдудияти муҳими натиҷаҳо чунин аст: ҳамаи нишондиҳандаҳои савдо натиҷаҳои симулятсия ва backtest мебошанд, ки бар асоси додаҳои таърихӣ сохта шудаанд. Онҳо кафолати даромаде нестанд, ки дар оянда бо пули воқеӣ ба даст меояд. Дар қисми муҳими арзёбиҳои пешфарз ҳаққи савдо сифр қабул шудааст; барои вазифаи Statistical Arbitrage инчунин сенарияи воқеитар бо ҳаққи савдои %0.03 санҷида шудааст.
CTBench Чист ва Чиро Чен Мекунад?
CTBench benchmark-и ба крипто нигаронидашудаи TSG аст, ки барои чен кардани на танҳо монандии визуалӣ ё тақсимотии қаторҳои вақти синтетикии криптовалюта ба додаҳои воқеӣ, балки инчунин он тарҳрезӣ шудааст, ки оё ин додаҳои синтетикӣ дар вазифаҳои минбаъда, аз қабили пешгӯии бозори воқеӣ ва стратегияҳои савдо, иттилои аз ҷиҳати иқтисодӣ истифодашаванда доранд ё не.
Чаро барои криптовалюта benchmark-и алоҳида лозим аст?
Ангезаи асосии таҳқиқот ин аст, ки аксари benchmark-ҳои мавҷудаи тавлиди қаторҳои вақт ба соҳаҳое чун тандурустӣ, нақлиёт, сигналҳои саноатӣ ё бозорҳои молиявии анъанавӣ тамаркуз мекунанд. Бозорҳои крипто бошад, ба сабаби 24 соат дар як шабонарӯз ва 7 рӯз дар як ҳафта кушода будан, ноустувории баланд, тағйири босуръати режимҳо ва сохторҳои номунтазами ликвидият байни дороиҳо муҳити озмоишии дигарро ба вуҷуд меоранд.
Манбаъ се холигии асосиро муайян мекунад. Якум, benchmark-ҳои мавҷуда соҳаи криптовалютаро бо фарогирии кофӣ дар бар намегиранд. Дуюм, аксари арзёбиҳо бо пешгӯӣ ё тасниф маҳдуд шуда, сохтори қобили савдоро намесанҷанд. Сеюм, фарзияи он ки хатои пасти додаҳои синтетикӣ барои стратегияи воқеии молиявӣ муфид аст, мустақим санҷида намешавад.
Панҷ модули асосии CTBench
Маҷмӯи додаҳои крипто чӣ гуна сохта мешавад?
Тибқи бахши усул, додаҳо аз маълумоти таърихии соатии ҷуфтҳои савдои спот, ки дар биржаи Binance рӯйхат шудаанд, сохта шудаанд. Давра аз январи 2020 то декабри 2024 идома мекунад. Дороиҳое, ки мушоҳидаҳои нопурра доштанд, филтр шуда, танҳо ҷуфтҳои дар муқобили USDT савдошаванда нигоҳ дошта шудаанд. Пас аз ин амалҳо 452 криптодороии гуногун боқӣ мондааст.
Манбаъ вектори асосии нархро, ки барои ҳар дороӣ ва нуқтаи вақт истифода мешавад, чунин муайян мекунад:
\[ \mathbf{x}_{i,t} = [O_{i,t},H_{i,t},L_{i,t},C_{i,t}] \in\mathbb{R}^{4}. \]
Дар ин ҷо \(O\) нархи кушодашавӣ, \(H\) нархи баландтарин, \(L\) нархи пасттарин ва \(C\) нархи басташавиро нишон медиҳад. Ҳангоми якҷо кардани ҳамаи дороиҳо ва нуқтаҳои вақт тензори додаҳо:
\[ \mathbf{D} = [\mathbf{x}_{i,t}] \in \mathbb{R}^{n\times(l+1)\times4} \]
муайян мешавад. Гарчанде матни манбаъ дар ин ҷо ибораи “five standard fields”-ро истифода мебарад, дар вектори математикӣ танҳо чор майдони OHLC мавҷуд аст. Verianla ин ибораро бо илова кардани майдони панҷум ислоҳ накардааст.
Log-даромади соатӣ чӣ гуна ҳисоб мешавад?
\[ r_{i,t} = \log\left( \frac{C_{i,t}}{C_{i,t-1}} \right). \]
\(C_{i,t}\) нархи басташавии дороии \(i\) дар соати \(t\) аст. Log-даромад логарифми натуралии нисбати ду нархи пайдарпайи басташавӣ мебошад. Ин табдил муқоисаи криптодороиҳои дорои сатҳҳои гуногуни нархро дар як миқёси даромад осон карда, ба моделҳои қаторҳои вақт имкон медиҳад ба ҷойи сатҳи мустақими нарх тағйиротро коркард кунанд.
Даромадҳои соатии ҳамаи дороиҳо:
\[ \mathbf{R} = [r_{i,t}] \in \mathbb{R}^{n\times l} \]
дар матритса якҷо карда мешаванд.
Тақсимоти rolling-window чӣ гуна анҷом дода мешавад?
Бо истифода аз равзанаи омӯзиш \(w\), қадами тест \(s\), шумораи умумии соатҳо \(l\) ва шумораи split \(k\):
\[ \mathcal{O} = \{w,w+s,\ldots,w+(k-1)s\}, \qquad k= \left\lfloor \frac{l-w}{s} \right\rfloor \]
муайян карда мешавад. Дар ҳар нуқтаи split-и \(\tau\), матритсаҳои омӯзиш ва тест:
\[ \mathbf{R}_{train}^{(\tau)} = [\mathbf r_{\tau-w+1},\ldots,\mathbf r_{\tau}] \]
ва
\[ \mathbf{R}_{test}^{(\tau)} = [\mathbf r_{\tau+1},\ldots,\mathbf r_{\tau+s}] \]
сохта мешаванд. Ҳамин тавр, модел бидуни дидани додаҳои оянда ҳангоми омӯзиш дар равзанаи гузашта омӯзонида шуда, сипас дар давраи навбатӣ арзёбӣ мешавад.
Режимҳои тавлид ва бозсозӣ
Модели TSG \(\mathbf g^{(\tau)}\) барои ҳар rolling split дар додаҳои омӯзиш аз нав омӯзонида мешавад. Дар режими тавлид модел аз садои Gaussian қаторҳои синтетикиро намуна мегирад:
\[ \mathbf{R}_{gen} = \mathbf g^{(\tau)}(\mathbf z), \qquad \mathbf z\sim\mathcal{N}(0,\mathbf I). \]
Дар режими Reconstruction бошад, модел додаҳои мавҷудаи омӯзиш ё тестро бозсозӣ мекунад:
\[ \widehat{\mathbf R}_{train} = \mathbf g^{(\tau)} (\mathbf R_{train}^{(\tau)}), \qquad \widehat{\mathbf R}_{test} = \mathbf g^{(\tau)} (\mathbf R_{test}^{(\tau)}). \]
Ин ду режим барои ду вазифаи асосии CTBench вазифаҳои гуногун доранд. Predictive Utility сифати тавлиди синтетикиро месанҷад, Statistical Arbitrage бошад месанҷад, ки сохтори боқимондае, ки баъд аз бозсозӣ мемонад, қобили савдо аст ё не.
Масъалаи нишондоди дохилиманбаъӣ дар таърифи портфел
Манбаъ вектори вазнҳои портфелро:
\[ \boldsymbol{\eta}_{t} = [\eta_{1,t},\ldots,\eta_{n,t}] \in\mathbb{R}^{n}, \qquad \eta_{i,t}=1 \]
ба ҳамин шакл чоп мекунад ва баъдан:
\[ V_t = V_{t-1} \times (\boldsymbol{\eta}_{t}\cdot\mathbf r_t) \]
бо он рушди портфелро,
\[ \Delta V_t = V_t-V_{t-1} \]
бо он фоида-зарари соатиро муайян мекунад.
Ёддошти садоқат ба манбаъ: Дар назарияи портфел маҷмӯи вазнҳо ва навсозии сармоя аксаран бо шаклҳои дигар навишта мешаванд; аммо дар PDF-и боршуда формула маҳз ба шакли боло чоп шудааст. Verianla ифодаи \(\eta_{i,t}=1\)-ро ба таври худкор ба \(\sum_i\eta_{i,t}=1\) ё формулаи \(V_t\)-ро ба муодилаи дигари стандартии портфел хомӯшона табдил надодааст.
Ҷудокунии хусусиятҳо
Таҳқиқот як хатти якхелаи ҷудокунии хусусиятҳоро ба даромадҳои воқеӣ ва синтетикӣ татбиқ мекунад. Дар байни хусусиятҳои истифодашуда омилҳои Alpha101 ва нишондиҳандаҳои техникии анъанавӣ, аз ҷумла Bollinger Bands, Relative Strength Index (RSI) ва миёнаҳои ҳаракаткунанда мавҷуданд. Ин хусусиятҳо барои рамзгузории рафтори кӯтоҳмуддати бозор, аз қабили momentum, бозгашт ба миёна ва ноустуворӣ пешбинӣ шудаанд.
Функсияҳои хусусият:
\[ \boldsymbol{\Phi} = \{\boldsymbol{\phi}_{j}\}_{j=1}^{d} \]
муайян мешаванд ва дар охири табдил тензори хусусият бо андозаи \(n\times l\times d\) ба даст меояд.
Дар тақсимоти додаҳо чӣ дида мешавад?
Дар манбаъ гуфта мешавад, ки тақсимоти миёнаи log-даромади соатии 452 криптодороӣ дар атрофи сифр тамаркуз дорад, аммо каме ба рост каҷ аст. Тақсимоти ноустувории соатӣ бошад думи дарози рост дорад; яъне бисёр дороиҳо ноустувории нисбатан паст доранд, дар ҳоле ки гурӯҳи хурдтар тағйироти хеле баланди нархро нишон медиҳад.
Дар намунаҳои 2020–2024, ки аз рӯи гурӯҳҳои сармояи бозорӣ баррасӣ шудаанд, давраи болоравии 2020–2021, ислоҳоти шадиди соли 2022 ва давраҳои минбаъдаи барқароршавӣ/консолидатсия дида мешаванд. Манбаъ мегӯяд, ки криптодороиҳои дорои сармояи бозории миёна ва хурд нисбат ба намунаҳои дорои сармояи бозории калон метавонанд ноустувории баландтар ва шадидтар нишон диҳанд.
Дар таҳлили дохилисоатӣ гузориш мешавад, ки даромадҳои миёна дар атрофи UTC 05:00–07:00 ва UTC 21:00–23:00 боло мераванд; ноустуворӣ бошад дар атрофи нисфи шаб ва тақрибан дар давраи UTC 12:00–17:00, ки соатҳои савдои ИМА ва Аврупо ҳампӯш мешаванд, барҷаста мегардад. Ин мушоҳидаҳо тавсифӣ мебошанд; озмоиши алоҳидае, ки исбот кунад бозори муайяни ҷуғрофӣ сабаби ин ҳаракатҳост, анҷом дода нашудааст.
Фарқи Вазифаҳои Predictive Utility ва Statistical Arbitrage Чист?
Вазифаи Predictive Utility месанҷад, ки оё додаҳои синтетикӣ сохтори барои пешгӯии бозори воқеӣ истифодашавандаро нигоҳ медоранд, дар ҳоле ки вазифаи Statistical Arbitrage месанҷад, ки оё боқимондаҳои аз бозсозии қатори воқеӣ бо модели TSG ҳосилшуда сигналҳои устувор ва ба миёна баргардандаро барои савдо ташкил мекунанд.
Марҳилаи омӯзиши вазифаи Predictive Utility
Барои ҳар split додаҳои воқеии омӯзиш:
\[ \mathbf{R}_{train}^{(\tau)} \in \mathbb{R}^{n\times w}, \qquad w=500\times24 \]
муайян мешаванд. Яъне равзанаи омӯзиш аз 500 рӯзи додаҳои соатӣ иборат аст.
Модели TSG аз ин додаҳо вобастагиҳои замонӣ ва муносибатҳои байни дороиҳоро меомӯзад ва даромадҳои синтетикӣ тавлид мекунад:
\[ \mathbf R_{gen} = \mathbf g(\mathbf z), \qquad \mathbf z\sim\mathcal N(0,\mathbf I). \]
Пас аз татбиқи ҷудокунии хусусиятҳо ба даромадҳои синтетикӣ, модели пешгӯии XGBoost барои пешгӯии даромади соати навбатӣ омӯзонида мешавад:
\[ \widehat r_{i,t+1} = \mathbf f \left( \boldsymbol{\Phi}(\mathbf R_{gen})[i,t,:] \right). \]
Манбаъ XGBoost-ро ҳамчун модели умумии пешгӯӣ интихоб кардааст, ки қавӣ аст, вале ба танзими аз ҳад зиёди гиперпараметрҳо ниёз надорад. Ҳадаф ин аст, ки натиҷаҳо то ҳадди имкон аз сифати додаҳои синтетикӣ таъсир гиранд, на аз иқтидори модели пешгӯӣ.
Марҳилаи тести Predictive Utility
Равзанаи тест:
\[ s=30\times24 \]
соат аст. Пешгӯкунанда аз додаҳои воқеии тестӣ даромади соати навбатиро ҳосил мекунад. Дороиҳо аз рӯи даромади пешгӯишуда рейтинг карда мешаванд; манбаъ мегӯяд, ки дар ин вазифа портфели доллар-нейтрал сохта мешавад, ки дар нисфи болоии дороиҳои дорои пешгӯии баландтарин long ва дар нисфи поёнии дороиҳои дорои пешгӯии пасттарин short нигоҳ медорад ва портфел ҳар соат аз нав мувозинат карда мешавад.
Ғояи асосӣ чунин аст: агар додаҳои синтетикӣ на танҳо ба додаҳои воқеӣ монанд бошанд, балки муносибатҳои пешгӯишавандаи бозори воқеиро низ ҳифз кунанд, пешгӯкунандае, ки дар додаҳои синтетикӣ омӯзонида шудааст, бояд дар бозори воқеӣ сигнали маънодор тавлид кунад.
Марҳилаи омӯзиши вазифаи Statistical Arbitrage
Дар ин вазифа модели TSG даромадҳои воқеиро бозсозӣ мекунад. Боқимондаи омӯзиш:
\[ \rho_{i,t} = r_{i,t} - \widehat r_{i,t} \]
муайян мешавад.
Боқимондаҳои ҳар дороӣ ба раванди Ornstein–Uhlenbeck (OU) мутобиқ карда мешаванд:
\[ d\rho_{i,t} = \theta_i (\mu_i-\rho_{i,t})dt + \sigma_i dW_t. \]
\(\theta_i>0\) суръати бозгашти боқимонда ба миёнаи дарозмуддати \(\mu_i\)-ро; \(\mu_i\) қимати мувозинати дарозмуддатро; \(\sigma_i\) ноустувории раванди боқимондаро; \(dW_t\) бошад афзоиши раванди стандартии Wiener-ро ифода мекунад.
Модели OU дар ин ҷо намегӯяд, ки худи нарх ҳатман ба миёна бармегардад. Дар манбаъ фарзияи бозгашт ба миёна барои қатори боқимонда байни даромади воқеӣ ва даромади бозсохтаи модели TSG татбиқ мешавад.
Марҳилаи тести Statistical Arbitrage ва s-score
Дар давраи тест боқимонда:
\[ \epsilon_{i,t} = r_{i,t} - \widehat r_{i,t} \]
ҳисоб шуда, \(s\)-score-и нормализатсияшуда:
\[ s_{i,t} = \frac{\epsilon_{i,t}-\mu_i} {\sigma_i/\sqrt{2\theta_i}} \]
ба даст меояд.
\(s_{i,t}\) инҳирофи стандартшудаи боқимондаи мушоҳидашударо аз сатҳи мувозинате ифода мекунад, ки раванди OU пешгӯӣ кардааст. Манбаъ ҳадди сигналро:
\[ \gamma=2 \]
истифода мебарад.
- Агар \(s_{i,t}>+2\) бошад, мавқеи short кушода ё нигоҳ дошта мешавад.
- Агар \(s_{i,t}<-2\) бошад, мавқеи long кушода ё нигоҳ дошта мешавад.
- Дар дигар ҳолатҳо мавқеъ гирифта намешавад.
Сигнали хоми мавқеъ:
\[ \eta_{i,t} = \operatorname{sgn}(-s_{i,t}) |s_{i,t}| \]
ва вазни нормализатсияшудаи портфел:
\[ \widetilde{\eta}_{i,t} = \frac{\eta_{i,t}} {\sum_j|\eta_{j,t}|} \]
муайян мешавад. Портфел ҳар соат аз нав мувозинат карда мешавад.
Се стратегияи савдо
| Стратегия | Ихтисора | Мантиқи савдои дар манбаъ додашуда |
|---|---|---|
| Cross-Sectional Momentum | CSM | Аз рӯи даромади пешгӯишудаи яксоата, дар дороиҳои %10 боло long ва дар дороиҳои %10 поён short мавқеъ гирифта мешавад. |
| Long-Only Top-Quantile | LOTQ | Дар дороиҳое, ки дар %20 болоии пешгӯӣ қарор доранд, мавқеи long бо вазни баробар; барои дигар дороиҳо вазни сифр. |
| Proportional-Weighting | PW | Вазнҳои портфел ба андозаи даромадҳои пешгӯишуда мутаносиб таъин мешаванд. |
Метрикаҳои арзёбӣ
Ченакҳои ададии арзёбие, ки манбаъ дар §3.4 ошкоро муайян мекунад, 11-тоянд. Онҳо аз ду метрикаи хато, ду метрикаи рейтинг, ду метрикаи самаранокии савдо, се метрикаи хавф ва ду метрикаи вақти ҳисоббарорӣ иборатанд.
Mean Squared Error — MSE
\[ MSE = \frac{1}{k\,s\,n} \sum_{\tau\in\mathcal O} \sum_{t=1}^{s} \sum_{i=1}^{n} \left( r_{i,t+\tau} - \widehat r_{i,t+\tau} \right)^2. \]
MSE квадрати хатоҳои пешгӯиро миёна мегирад; хатоҳои калон ба сабаби квадраткунӣ вазни бештар мегиранд. Қимати пасттар дақиқии беҳтари пешгӯиро нишон медиҳад.
Mean Absolute Error — MAE
\[ MAE = \frac{1}{k\,s\,n} \sum_{\tau\in\mathcal O} \sum_{t=1}^{s} \sum_{i=1}^{n} \left| r_{i,t+\tau} - \widehat r_{i,t+\tau} \right|. \]
MAE хатои мутлақи пешгӯиро чен мекунад ва нисбат ба MSE ба хатоҳои хеле калони алоҳида вазни аз ҳад зиёд камтар медиҳад.
Information Coefficient — IC
Коррелятсияи Spearman байни рейтинги даромадҳои воқеӣ ва пешгӯишудаи дороиҳо дар ҳар нуқтаи вақт:
\[ IC_{\tau,t} = \operatorname{SpearmanCorr} ( \mathbf r_{t+\tau}, \widehat{\mathbf r}_{t+\tau} ) \]
ҳисоб шуда, дар ҳамаи нуқтаҳои split/вақт миёна гирифта мешавад:
\[ IC = \frac{1}{k\,s} \sum_{\tau\in\mathcal O} \sum_{t=1}^{s} IC_{\tau,t}. \]
IC-и мусбат нишон медиҳад, ки модел на танҳо қиматҳои мутлақи даромад, балки рейтинги нисбии дороиҳоро низ ҳифз карда метавонад.
Information Ratio — IR
\[ IR = \frac{\operatorname{Mean}(IC_{\tau,t})} {\operatorname{Std}(IC_{\tau,t})}. \]
IR на танҳо сатҳи миёнаи IC, балки устувории онро дар тӯли вақт низ чен мекунад.
Compound Annual Growth Rate — CAGR
\[ CAGR = \left( \frac{V_s}{V_0} \right)^{8760/s} - 1. \]
Азбаски манбаъ додаҳои соатии бозорро истифода мебарад, дар коэффисиенти солонасозӣ \(8760=365\times24\) соатро истифода мекунад. CAGR афзоиши мураккаби солонашуда байни сармояи ибтидоӣ \(V_0\) ва арзиши портфел дар охири давра \(V_s\)-ро чен мекунад.
Sharpe Ratio — SR
\[ SR = \frac{ \mathbb E[\Delta V_t/V_{t-1}] }{ \operatorname{Std}(\Delta V_t/V_{t-1}) } \sqrt{8760}. \]
Нисбати Sharpe даромади миёнаи портфелро нисбат ба ноустувории даромад миқёс мекунад ва аз додаҳои соатӣ солона карда мешавад. Дар формулаи манбаъ ислоҳи алоҳидаи меъёри фоизи бехавф дида намешавад.
Maximum Drawdown — MDD
\[ MDD = \max_{u\le t} \left( \frac{V_u-V_t}{V_u} \right). \]
MDD бузургтарин коҳиши нисбиро пас аз қуллае, ки портфел қаблан ба он расидааст, чен мекунад.
Value at Risk — VaR
\[ VaR_{0.95} = - \operatorname{Percentile}_{5\%} \left( \frac{\Delta V_t}{V_{t-1}} \right). \]
Манбаъ VaR-ро дар сатҳи эътимоди %95 истифода мебарад. Ин ченак андозаи талафотро дар ҳадди поёнии %5-и тақсимоти даромад ҷамъбаст мекунад.
Expected Shortfall — ES
\[ ES_{0.95} = - \mathbb E \left[ \frac{\Delta V_t}{V_{t-1}} \;\middle|\; \frac{\Delta V_t}{V_{t-1}} \le -VaR_{0.95} \right]. \]
ES талафоти миёнаи бадтарин ҳолатҳои думиро, ки ҳатто аз ҳадди VaR ҳам мегузаранд, чен мекунад. Ҳамин тавр, он на танҳо ҳадди талафот, балки то чӣ андоза вазнин шудани талафотро ҳангоми гузаштани ҳад нишон медиҳад.
Вақти омӯзиш ва барориш
Training Time, вақти девории сарфшуда барои омӯзонидани модели TSG мебошад. Inference Time бошад вақти миёнаи зарурӣ барои тавлид ё бозсозии batch-и додаҳоест, ки \(n\) дороӣ ва \(s\) қадами вақтро дар бар мегирад.
Чаро манбаъ баъзан 11, 12 ва 13 метрика мегӯяд?
Хулоса ва шарҳи меъмории CTBench дар манбаъ аз 13 метрика сухан мегӯянд. §3.4 бошад 11 метрикаи ададиро, ки ҳамчун E1–E11 рақамгузорӣ шудаанд, ошкоро муайян мекунад. Дар бахши танзимоти таҷриба ибораи “twelve metrics detailed in §3.4” истифода мешавад. Расми 2 инчунин ду баромади визуализатсионӣ бо номи Growth Curve ва Ranking Plot-ро зери сарлавҳаи “Visualization” нишон медиҳад. Аз ин рӯ, шумораи метрикаҳо дар дохили манбаъ мутобиқ нест; Verianla онҳоро ҳамчун як рақами ягонаи қатъӣ якҷо намекунад.
Ҳашт модели TSG-и санҷидашуда
| Оила | Модел | Танзимоти асосии дар манбаъ додашуда |
|---|---|---|
| GAN | Quant-GAN | latent_dim = 8; hidden_dim = 80; gradient penalty λgp = 10.0; critic steps = 5. |
| GAN | COSCI-GAN | latent_dim = 32; γ = 5; n_groups = 4; discriminator-и марказӣ бар асоси MLP. |
| VAE | TimeVAE | latent_dim = 8; қабатҳои 50, 100 ва 200-воҳидӣ. |
| VAE | KoVAE | WKL = 0.009; WPRED = 0.03. |
| Diffusion | Diffusion-TS | 1000 diffusion timestep; 3 encoder; 6 decoder; dmodel = 64. |
| Diffusion | FIDE | 1000 қадам; hidden_dim = 64; 8 қабат; σ = 0.05. |
| Flow | Fourier-Flow | coupling бар асоси DFT; hidden_size = 128; 3 қабати flow. |
| Гибрид | LS4 | hidden_dim = 6; latent_dim = 8; batch size = 512. |
Quant-GAN ва COSCI-GAN-и асосёфта ба GAN танҳо дар вазифаи Predictive Utility истифода шудаанд. Ёддошти манбаъ инро бо он шарҳ медиҳад, ки моделҳои GAN табиатан функсияи reconstruction пешниҳод намекунанд.
Усул ва Натиҷаҳои Таҳқиқот
Чаро Хатои Пасти Пешгӯӣ Маънои Фоидаи Баланди Савдоро Надорад?
Дар натиҷаҳои CTBench баъзе моделҳо дар метрикаҳои пешгӯӣ, аз қабили MSE ва MAE, қавӣ бошанд ҳам, сигнали фоидаовари савдо тавлид намекунанд; зеро модели тавлидӣ метавонад бо аз ҳад зиёд ҳамвор кардани қатори нарх хатои пешгӯиро кам кунад, вале ҳамзамон дисперсия, ҳаракатҳои думӣ ё фарқиятҳои рейтинги байни дороиҳоро, ки стратегияҳои савдо аз онҳо истифода мебаранд, низ суст созад.
Тарҳи таҷриба
Барои тақлид кардани истифодаи ҷаҳони воқеӣ валидасияи walk-forward rolling-window истифода шудааст. Дар анҷоми ҳар давр ба андозаи давраи тест ба пеш ҳаракат карда шуда, модел аз нав омӯзонида шудааст.
| Унсур | Қимат |
|---|---|
| Давраи додаҳо | Январ 2020 – Декабр 2024 |
| Басомади додаҳо | Соатӣ, 24/7 |
| Шумораи дороиҳо | 452 криптодороӣ |
| Бозор | Binance spot, ҷуфтҳои USDT |
| Равзанаи омӯзиш | 500 рӯз × 24 соат |
| Равзанаи тести Predictive Utility | 30 рӯз × 24 соат |
| Равзанаи тести Statistical Arbitrage | 15 рӯз × 24 соат |
| Хароҷоти пешфарзи савдо | 0 |
| Сенарияи иловагии хароҷоти Statistical Arbitrage | Ҳаққи савдои %0.03 |
| Аз нав мувозинат кардани савдо | Соатӣ |
| Ҳадди сигнали савдо | γ = 2 |
| Протсессор | Intel Xeon Platinum 8480C @ 3.80 GHz |
| Хотира | 64 GB RAM |
| GPU | NVIDIA H100 |
Натиҷаҳои Predictive Utility дар 2021
Тибқи таҳлили солонаи манбаъ, дар бозори болоравии соли 2021 Diffusion-TS аз рӯи дақиқии пешгӯӣ пешсаф аст. Бо вуҷуди ин, CAGR-и манфӣ ва қиматҳои пасти Sharpe-и модел нишон медиҳанд, ки хатои пасти пешгӯӣ ба муваффақияти савдо табдил наёфтааст.
TimeVAE дар ҳамон давра байни дақиқии пешгӯӣ ва даромадҳо профили мутавозинтар нишон медиҳад. COSCI-GAN бошад махсусан дар стратегияҳои ҳассос ба тренд, аз қабили LOTQ ва PW, натиҷаҳои қавӣ медиҳад; манбаъ мегӯяд, ки дар соли 2021 нисбатҳои Sharpe барои ин стратегияҳо метавонанд аз 5 боло раванд.
2022: режими ноустувории баланд
Дар соли 2022 дар дақиқии пешгӯии ҳамаи моделҳо каме бадшавӣ дида мешавад. TimeVAE тавонистааст дар стратегияҳои гуногун қиматҳои мусбати Sharpe-ро нигоҳ дорад. Diffusion-TS гарчанде дар метрикаҳои бар асоси хато қавӣ аст, аз давраҳои тӯлонии drawdown таъсир гирифтааст.
COSCI-GAN дар стратегияи CSM омезиши CAGR-и баланд ва drawdown-и нисбатан сатҳӣ нишон додааст, дар ҳоле ки LS4 профили муҳофизакоронаеро нишон додааст, ки бештар назорати хавфро таъмин мекунад.
2023: режими консолидатсия
Дар соли 2023 ҳангоми наздик шудани хатои пешгӯии моделҳо ба ҳам, натиҷаҳои савдо ба таври равшан фарқ мекунанд. Вақте COSCI-GAN-и ҳассос ба тренд суст мешавад, TimeVAE ва Fourier-Flow қиматҳои баланди Sharpe-ро нигоҳ медоранд. Манбаъ таъкид мекунад, ки Fourier-Flow дар давраи консолидатсия бо хавфи пасти думӣ ва даромади қавии ба хавф мутобиқшуда муваффақ будааст.
2024: сигнали паст ва бозгашт ба миёна
Дар соли 2024 ҳам дақиқии пешгӯӣ ва ҳам даромаднокӣ умуман коҳиш ёфтаанд. TimeVAE даромаднокии маҳдудро нигоҳ доштааст, дар ҳоле ки аксари моделҳо дар тавлиди даромади пайваста мушкил доштанд. Манбаъ инро бо камтар шудани имкониятҳои alpha дар муҳити сигнали паст мепайвандад.
Рейтинги моделҳои Predictive Utility чиро нишон медиҳад?
Таҳлили солонаи ranking се паёми асосӣ дорад. Diffusion-TS дар метрикаҳои пешгӯӣ пайваста дар ҷойҳои боло қарор дорад, аммо дар самаранокии савдо ақиб мемонад. TimeVAE ва COSCI-GAN дар режимҳои гуногуни бозор бартариҳои гуногун нишон медиҳанд. Fourier-Flow бошад дар бисёр ченакҳо рейтинги миёна-боло ва устувор гирифта, барои истифодаи бо назорати хавф профили мутавозинтар нишон медиҳад.
Тафсири симулятсияҳои 10.000-долларӣ
Манбаъ рушди портфелҳои симулятсионии дорои арзиши ибтидоии 10.000 долларро дар солҳои 2021–2024 зери сигналҳои тавлидкардаи моделҳои гуногуни TSG нишон медиҳад. Ин графикҳо ҳисоби воқеии сармоягузорӣ нестанд; онҳо натиҷаҳои backtest дар додаҳои таърихӣ мебошанд.
Зери CSM, COSCI-GAN ва TimeVAE афзоиши мунтазам нишон медиҳанд, дар ҳоле ки Diffusion-TS ва FIDE бо гузашти вақт коҳиш меёбанд. Зери LOTQ, COSCI-GAN равшан пешсаф мешавад; TimeVAE ва Fourier-Flow афзоиши мӯътадилтар нишон медиҳанд. Зери PW, COSCI-GAN боз ҳам қавӣ аст; TimeVAE ва Fourier-Flow афзоиши мураккаби ҳамвортар нишон медиҳанд, LS4 бошад профили уфуқитар ва муҳофизакоронатар дорад.
Натиҷаҳои Statistical Arbitrage
Дар вазифаи Statistical Arbitrage усули классикии асосёфта ба PCA ҳамчун истинод истифода мешавад. Дар ин вазифа Quant-GAN ва COSCI-GAN мавҷуд нестанд; TimeVAE, KoVAE, Diffusion-TS, FIDE, Fourier-Flow ва LS4, ки қобили бозсозӣ мебошанд, арзёбӣ мешаванд.
Гузориш мешавад, ки бо илова шудани хароҷоти савдо даромаднокии ҳамаи моделҳо коҳиш меёбад. Усулҳое, ки ҳаҷми баланди савдо ва turnover-и баланд тавлид мекунанд, аз хароҷот бештар таъсир мегиранд, дар ҳоле ки моделҳои тавлидкунандаи сигналҳои ҳамвортар метавонанд қисми бештари даромади худро нигоҳ доранд.
Дар муҳити монанд ба буҳрони соли 2022, KoVAE баландтарин CAGR-ро тавлид мекунад, аммо дорои drawdown-и ҷиддӣ ва профили Sharpe-и миёна мебошад. Манбаъ инро бо тағйироти баланди, вале ба миёна баргардандаи даромад мепайвандад.
Дар соли 2023 LS4 ҳам аз рӯи CAGR ва ҳам Sharpe қавитарин модел гузориш шудааст ва сатҳи drawdown нисбатан маҳдуд мондааст. Ҳангоми дохил кардани хароҷоти савдо LS4 ва KoVAE дар ҷойҳои боло мемонанд, аммо даромади хоми онҳо коҳиш меёбад.
TimeVAE ва Diffusion-TS ҳамчун моделҳои мутавозинтари сатҳи дуюм тавсиф мешаванд. FIDE бошад, гарчанде дар тӯли солҳо CAGR ва Sharpe-и наздик ба сифр ё манфӣ тавлид мекунад, дар аксари ҳолатҳо пасттарин VaR/ES ва қиматҳои пасти MDD-ро таъмин мекунад. Тафсири манбаъ чунин аст, ки FIDE метавонад қаторҳои боқимондаро то дараҷае “тоза” бозсозӣ кунад, ки сохтори қобили савдоро низ аз байн барад.
Fourier-Flow дар вазифаи Statistical Arbitrage аз рӯи даромадҳо заиф мемонад ва drawdown-ро пайваста назорат карда наметавонад. Манбаъ пешниҳод мекунад, ки равиши flow-и асосёфта ба exact-likelihood, гарчанде садои басомади баландро ҳамвор карда метавонад, ҳамеша ҷузъҳои бозгашт ба миёнаи қобили савдоро ҷудо карда наметавонад.
Каҷҳои сармоя бо ҳаққи савдои %0.03
Дар каҷҳои сармояи Statistical Arbitrage-и манбаъ LS4 зери хароҷоти савдои %0.03 афзоиши мураккаби нисбатан пайваста нишон медиҳад ва ду болоравии зинавии шадид дар миёнаи 2022 ва аввали 2023 диққатро ҷалб мекунанд. KoVAE низ афзоиши қавӣ нишон медиҳад, аммо бо хавфи баландтар кор мекунад.
TimeVAE то соли 2022 устувор меафзояд, дар миёнаи 2023 плато месозад ва дар соли 2024 уфуқӣ ё каме поён ҳаракат мекунад. Diffusion-TS бо drawdown-и пасттар каҷи ҳамвортар тавлид мекунад, аммо манбаъ онро дар байни моделҳои қобили истифода ҳамчун дорои даромади терминалии паст тавсиф мекунад.
Бадшавии ҷиддии каҷи сармояи FIDE дар давраи барвақт ба тафсире меорад, ки боқимондаҳои аз ҳад зиёд регуляризатсияшуда метавонанд сигнали қобили савдоро аз байн баранд. Fourier-Flow бошад аз миёнаи 2022 талафоти суст, вале пайвастаи сармояро нишон медиҳад.
Самаранокии ҳисоббарорӣ
Оилаи VAE дар манбаъ ҳамчун гурӯҳи аз ҷиҳати ҳисоббарорӣ самараноктарин пешсаф аст. Омӯзиши TimeVAE камтар аз як дақиқа мегирад ва вақти барориш аз як сония камтар мемонад. Аз ин рӯ, барои омӯзиши зуд-зуд такрорӣ ё таҷрибаҳои камтаъхир бартарӣ дорад.
Моделҳои асосёфта ба GAN хароҷоти ҳисоббарории сатҳи миёна доранд. Гуфта мешавад, ки вақти нисбатан баланди омӯзиши Quant-GAN ба тавлиди ҳамон андоза тез табдил намеёбад.
Моделҳои diffusion аз ҳама серхарҷи ҳисоббарорӣ мебошанд. Хусусан аз сабаби сохтори итеративии denoising-и Diffusion-TS ҳам вақти омӯзиш ва ҳам вақти барориш дарозтар аст. Аз ин рӯ манбаъ мегӯяд, ки усулҳои diffusion барои истифодаи offline ё муҳитҳое, ки захираи баланди ҳисоббарорӣ доранд, мувофиқтар буда метавонанд.
Тавсияҳои манбаъ барои интихоби модел
| Сенария | Моделҳои тавсияшуда | Асоси дар манбаъ додашуда |
|---|---|---|
| Бозорҳои пайрави тренд / самтнок | COSCI-GAN, KoVAE | COSCI-GAN сигнали тренд ва тақсимотро қавӣ мекунад; KoVAE метавонад бар ивази drawdown-и баландтар alpha диҳад. |
| Режимҳои ба миёна баргард / паҳлуӣ | TimeVAE, Fourier-Flow, Diffusion-TS | TimeVAE ва Fourier-Flow тавозун медиҳанд; Diffusion-TS метавонад рейтинги дороиҳоро ҳифз кунад. |
| Ҳассос ба ҳаққи савдо / turnover-и паст | TimeVAE, Diffusion-TS | Сигналҳои боқимондаи ҳамвортар ва Sharpe-и устувортар зери хароҷоти савдо. |
| Таҳаммулпазирии хавф / тарҳи портфел | KoVAE, LS4, TimeVAE, Diffusion-TS, FIDE | KoVAE ва LS4 даромади баландтар бо хавфи бештар; TimeVAE ва Diffusion-TS тавозуни Sharpe/drawdown; FIDE сохтори муҳофизакорона. |
| Ҷойгиркунӣ ва самаранокии ҳисоббарорӣ | TimeVAE, LS4 | Омӯзиши дубораи зуд ва таъхири пасти барориш; моделҳои diffusion бештар барои истифодаи offline мувофиқанд. |
Мубодилаҳои асосӣ байни чор оилаи модел
Манбаъ натиҷаҳоро дар чор шакли васеи рафтор ҷамъбаст мекунад. Моделҳои асосёфта ба VAE reconstruction-и устувор медиҳанд, аммо метавонанд ба режимҳои хеле зуд тағйирёбанда дер ҷавоб диҳанд. Моделҳои асосёфта ба GAN метавонанд trend alpha-ро ба даст оранд, вале дар ноустувории баланд ноустувор шаванд. Моделҳои diffusion метавонанд рафтори думӣ ва кластерҳои режимро хуб нишон диҳанд, аммо дар давраҳои сигнали паст самаранокиро аз даст диҳанд. Моделҳои асосёфта ба flow ба likelihood моделсозӣ авлавият медиҳанд, вале фоидаи молиявии савдо метавонад маҳдуд монад; моделҳои гибридӣ бошад аз ҷиҳати ҳисоббарорӣ самараноканд, аммо дар рафтори хавф-даромад метавонанд номутобиқтар бошанд.
Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад ва дастгирӣ намекунад
| Таҳқиқот дастгирӣ мекунад | Таҳқиқот дастгирӣ намекунад |
|---|---|
| Дар байни дақиқии пешгӯии моделҳои TSG ва фоидаи молиявии савдо мубодилаҳои қавӣ мавҷуданд. | Модели дорои MSE/MAE-и паст дар бозори воқеӣ ҳатман фоида медиҳад. |
| Ҳеҷ як модел дар ҳамаи режимҳои бозор ва ҳамаи метрикаҳо бартарӣ надорад. | Як модел барои ҳамаи бозорҳои крипто ба таври умумӣ беҳтарин аст. |
| Моделҳое чун TimeVAE, COSCI-GAN, Fourier-Flow, KoVAE ва LS4 дар режимҳои гуногун бартариҳои гуногун нишон медиҳанд. | Ин моделҳо дар оянда ҳамон самаранокиро такрор мекунанд. |
| Хароҷоти савдо самаранокии Statistical Arbitrage-ро ба таври назаррас кам мекунад. | Ҳаққи %0.03 барои ҳамаи биржаҳо ва ҳамаи трейдерҳо хароҷоти универсалии савдо аст. |
| Натиҷаҳо барои 452 дороии Binance USDT дар давраи 2020–2024. | Умумисозии мустақим ба ҳамаи биржаҳои крипто, бозорҳои ҳосилавӣ ё режимҳои ояндаи бозор. |
| Арзёбии додаҳои синтетикӣ бо вазифаҳои downstream молиявӣ иттилои иловагӣ медиҳад. | Самаранокии backtest далели муваффақияти савдои зинда аст. |
Маҳдудиятҳои методологӣ ва ёддоштҳои бозтавлидпазирӣ
Шумориши метрикаҳо: Дар бахшҳои гуногуни манбаъ ибораҳои 11, 12 ва 13 унсури арзёбӣ мавҷуданд. Ин номутобиқатӣ нигоҳ дошта шудааст.
Баёни манбаи додаҳо: Дар бахши саҳмҳо додаҳо бо ибораи “major global exchanges” тавсиф мешаванд, дар ҳоле ки усули §3.1 бозори спотии Binance-ро ошкоро нишон медиҳад. Дар шарҳи эмпирикӣ §3.1 асос гирифта шудааст.
Шумораи майдонҳои OHLC: Манбаъ “five standard fields” мегӯяд, аммо \([O,H,L,C]\) шакли чор майдонро муайян мекунад.
Муодилаи портфел: Муодилаҳои вазн ва \(V_t\) дар манбаъ мувофиқи формулаи стандартии молия ислоҳ нашудаанд; онҳо ҳамон тавре ки дар манбаъ чоп шудаанд, дода шудаанд.
Каналҳои иттилооти иловагӣ: Иттилое чун order book, сабтҳои blockchain ва хабарҳо аз benchmark берун нигоҳ дошта шудаанд. Натиҷаҳо танҳо қобилияти TSG-ро бар асоси нарх/даромад, ҳаҷм ва хусусиятҳои ҳосилавии молиявӣ арзёбӣ мекунанд.
Хароҷоти савдо: Дар Predictive Utility ва benchmark-ҳои асосӣ ҳаққи пешфарз сифр аст. Барои Statistical Arbitrage сенарияи иловагӣ бо ҳаққи %0.03 мавҷуд аст. Spread, slippage, таъсири бозор ва ҳамаи хароҷоти амалиётии хоси биржа ба шакли муҳити пурраи савдои зинда модел нашудаанд.
Кори оянда: Муаллифон илова кардани токенҳои нав, густариш ба додаҳои байнибиржавӣ, ҳамгироии меъмориҳои пешрафтаи TSG, model ensemble-ҳо, равиши model switching-и ҳассос ба режим ва арзёбӣ/танзими автоматии гиперпараметрҳоро ҳамчун кори оянда нишон медиҳанд.
Ёддошт оид ба Манбаъ ва Усул
Унвони аслӣ: CTBench: Cryptocurrency Time Series Generation Benchmark
Муаллифон: Yihao Ang; Qiang Wang; Qiang Huang; Yifan Bao; Xinyu Xi; Anthony K. H. Tung; Chen Jin; Zhiyong Huang.
Версияи боршудаи манбаъ: arXiv:2508.02758v1, 3 августи 2025.
Ҳолати нашри PDF-и боршуда: Preprint. Дар PDF ҷойгузинҳои қолабӣ чун “ACM Conference, XXX-XXX, 2020” ва “doi:XX.XX/XXX.XX” мавҷуданд; онҳо маълумоти воқеии конференсия ё DOI-и воқеӣ нестанд.
Ҳолати кунунии нашр: Ҳамин таҳқиқот баъдтар дар доираи International Conference on Learning Representations 2026 (ICLR 2026) ҳамчун мақолаи конференсионии тақризшуда нашр шудааст. Баёни асосии илмӣ аз preprint-и v1-и боршуда омода шудааст; версияи кунунӣ танҳо барои тасдиқи мақоми нашр/тақриз истифода шудааст.
Муассисаҳои муаллифон — версияи боршуда: Yihao Ang, Qiang Wang, Yifan Bao, Xinyu Xi, Anthony K. H. Tung, Chen Jin ва Zhiyong Huang — National University of Singapore. Qiang Huang — Harbin Institute of Technology (Shenzhen).
Муаллифи масъул: Дар arXiv v1-и боршуда аломати алоҳидаи corresponding author дида намешавад. Дар версияи баъдии ICLR 2026 Qiang Huang ҳамчун corresponding author нишон дода шудааст.
DOI: PDF-и боршуда DOI-и воқеии нашрро намедиҳад ва танҳо DOI-и ҷойгузинро нишон медиҳад. Аз ин рӯ матни ҷойгузин ҳамчун DOI истифода нашудааст.
Сабти расмии preprint: https://arxiv.org/abs/2508.02758
Версияи тақризшуда: ICLR 2026 Conference Proceedings.
Навъи манбаъ: Файли боршуда preprint аст; версияи кунунии тақризшудаи ҳамин таҳқиқот мақолаи конференсионист.
Литсензия / ҳолати ҳуқуқи муаллиф: Дар PDF-и v1-и боршуда матни нотамоми қолаби ҳуқуқи муаллифии ACM мавҷуд аст ва барои истифодаи дубора литсензияи кушодаи Creative Commons дида намешавад. Аз ин рӯ визуали илмии дохили мақола ба ҷойи нусхаи пикселии расми манбаъ танҳо аз муносибатҳои усулии ошкоро муайяншуда ҳамчун SVG-и мустақил бозсозӣ шудааст.
Додаҳо: Январ 2020–Декабр 2024 додаҳои соатии Binance spot USDT; пас аз филтр кардани мушоҳидаҳои нопурра 452 криптодороӣ.
Усули асосӣ: Benchmark-и Time Series Generation; арзёбии дувозифагӣ бо Predictive Utility ва Statistical Arbitrage.
Оилаи модел: GAN, VAE, diffusion, flow ва меъмории гибридӣ.
Моделҳои санҷидашуда: Quant-GAN, COSCI-GAN, TimeVAE, KoVAE, Diffusion-TS, FIDE, Fourier-Flow ва LS4.
Модели пешгӯӣ: XGBoost дар вазифаи Predictive Utility.
Модели Statistical Arbitrage: Раванди Ornstein–Uhlenbeck дар боқимондаҳои TSG reconstruction; ҳадди сигнали савдо γ = 2.
Ченакҳои арзёбӣ: MSE, MAE, IC, IR, CAGR, Sharpe Ratio, MDD, VaR, ES, Training Time ва Inference Time, ки дар §3.4 ошкоро муайян шудаанд. Азбаски дар бахшҳои дигари манбаъ шумораи умумӣ 12 ва 13 низ дода шудааст, номутобиқати шумориш ошкоро боқӣ мондааст.
Таҷҳизоти таҷриба: Intel Xeon Platinum 8480C @ 3.80 GHz, 64 GB RAM ва NVIDIA H100 GPU.
Маблағгузорӣ: Дар preprint-и боршуда funding statement-и алоҳида мавҷуд нест.
Бархӯрди манфиатҳо: Дар preprint-и боршуда conflicts of interest statement-и алоҳида мавҷуд нест.
Кумитаи ахлоқ / иштирокчии инсонӣ: Азбаски таҳқиқот аз додаҳои таърихии бозор ва benchmark-и модели ҳисоббарорӣ истифода мебарад, ба таҷриба бо иштирокчии инсонӣ асос намеёбад; preprint-и боршуда бахши алоҳидаи кумитаи ахлоқ пешниҳод намекунад.
Дастрасии додаҳо/код: Манбаъ CTBench-ро ҳамчун benchmark-и манбаи кушода ва манбаи додаҳо тавсиф мекунад; дар PDF-и v1-и боршуда бахши алоҳидаи Data Availability Statement вуҷуд надорад.
Саҳмҳои муаллифон: Дар preprint-и v1-и боршуда CRediT ё бахши алоҳидаи саҳмҳои муаллифон вуҷуд надорад.
Ҳудуди асосии илмӣ: CAGR, Sharpe, drawdown ва каҷҳои сармоя дар гузориш натиҷаҳои benchmark/backtest мебошанд, ки дар додаҳои таърихӣ сохта шудаанд; онҳо кафолати он нестанд, ки дар оянда бо сармояи воқеӣ ҳамон натиҷа ба даст меояд, ва далели савдои зинда ҳам нестанд.
Шарҳ гузоред
Нишонии почтаи электронии шумо нашр намешавад. Майдонҳои ҳатмӣ бо * нишон дода шудаанд