Модели зеҳни сунъие, ки фурӯпошиҳои бозорҳои крипторо пешакӣ ҳамчун «хавфи интизоршаванда» дида метавонад

Ин матн бар асоси таҳқиқоти зеҳни сунъӣ таҳия шудааст, ки ҳадафаш пешгӯии дақиқтари силсилаҳои вақти молиявӣ, махсусан буҳронҳо ва хавфҳои ниҳоӣ мебошад. Таҳқиқоти баррасишуда унвони Probabilistic Multivariate Time Series Forecasting with Diffusion Copulas-ро дорад ва ҳамчун таҳқиқоти workshop-и ICLR дар соҳаи зеҳни сунъии молиявӣ пешниҳод шудааст.

Дар маркази таҳқиқот мушкилоти муҳим қарор дорад: хавфи молиявиро танҳо бо пешгӯии ноустувории як дороӣ чен кардан мумкин нест. Хусусан дар лаҳзаҳои буҳрон дороиҳо метавонанд якҷоя коҳиш ёбанд, коррелятсияҳо афзоиш ёбанд ва хавфҳое, ки дар давраи муқаррарӣ ҷудо ба назар мерасанд, ҳамзамон тарканд. Аз ин рӯ, модел бояд ҳам тақсимоти алоҳидаи ҳар дороӣ ва ҳам сохтори вобастагии байни дороиҳоро дарк кунад.

Муаллифон бо ин мақсад равиши ду марҳилагии Diffusion-Copula-ро пешниҳод мекунанд. Дар марҳилаи аввал тақсимоти даромади ҳар дороӣ алоҳида моделсозӣ мешавад. Дар марҳилаи дуюм сохтори вобастагии байни ин дороиҳо тавассути модели copula-и бар пояи diffusion омӯзонида мешавад. Ҳамин тавр, модел мекӯшад ҳам тақсимоти даромади крипторо бо думҳои вазнин ва ҳам фурӯпошиҳои ҳамзамони дар давраҳои буҳронӣ мушоҳидашавандаро беҳтар инъикос намояд.

Ин мавод тавсияи сармоягузорӣ нест. Таҳқиқот усули академиро барои пешгӯии эҳтимолӣ ва моделсозии хавф дар бозорҳои крипто пешниҳод мекунад. Бозёфтҳо аз нигоҳи хавфи портфел, санҷиши стресс ва сенарияҳои фурӯпошии системавӣ арзишманданд, аммо набояд ҳамчун пешниҳоди мустақими харидуфурӯш тафсир шаванд.

Таҳқиқоти нави академӣ барои беҳтар пешгӯӣ кардани фурӯпошиҳои ҳамзамон дар бозорҳои крипто модели ду марҳилагии зеҳни сунъии Diffusion-Copula-ро пешниҳод мекунад. Модел аввал тақсимоти даромади думҳои вазнини ҳар дороии крипторо алоҳида меомӯзад, баъдан сохтори вобастагии байни ин дороиҳоро бо copula-и бар пояи diffusion муттаҳид мекунад. Тибқи бозёфтҳо, моделҳои классикии diffusion баъзе фурӯпошиҳои системавиро ҳамчун рӯйдодҳои «Black Swan»-и аз ҷиҳати оморӣ қариб номумкин мебинанд, дар ҳоле ки модели пешниҳодшуда метавонад чунин буҳронҳои ҳамзамонро ҳамчун «фурӯпошиҳои интизоршаванда»-и дорои ногаҳонии камтар тасниф кунад.

Мушкилот чист?

Дар бозорҳои молиявӣ пешгӯии хавф аксаран ба ноустувории алоҳидаи дороиҳо тамаркуз мекунад. Масалан, кӯшиш мешавад пешгӯӣ карда шавад, ки Bitcoin, Ethereum ё Solana дар оянда то чӣ андоза тағйир меёбад. Аммо дар буҳронҳои воқеӣ мушкил танҳо коҳиши як дороӣ нест. Дороиҳои зиёд метавонанд ҳамзамон якбора коҳиш ёбанд.

Ин ҳолат махсусан дар бозорҳои крипто равшан аст. Дороиҳои крипто дар давраҳои муқаррарӣ гӯё ҳикояҳои гуногун доранд, вале дар давраҳои воҳима метавонанд ба як самт ва ҳамзамон ҳаракат кунанд. Яъне ҳангоми буҳрон коррелятсияҳо баланд мешаванд, таъсири диверсификатсия дар портфел заиф мегардад ва хавфи системавӣ меафзояд.

Саволи асосии таҳқиқот чунин аст: Оё модели зеҳни сунъӣ метавонад на танҳо ҳаракатҳои миёнаи бозор, балки фурӯпошиҳои фавқулодаи ҳамзамонро низ ба таври воқеӣ пешгӯӣ кунад?

Нуктаи танқидии муаллифон ин аст, ки баъзе моделҳои муосири силсилаи вақт дар асоси diffusion дорои «normality bias» мебошанд. Ин моделҳо метавонанд ҳолатҳои миёнаро хуб омӯзанд, аммо рӯйдодҳои ниҳоӣ, думҳои вазнин ва вобастагии байни дороиҳоро ҳангоми буҳрон суст инъикос кунанд. Дар натиҷа, фурӯпошиҳои ҳамзамоне, ки дар бозори воқеӣ борҳо мушоҳида мешаванд, метавонанд аз ҷониби модел ҳамчун рӯйдодҳои аз ҳад ҳайратовар ва қариб номумкин дида шаванд.

Усул чӣ пешниҳод мекунад?

Таҳқиқот ғояи классикии copula-ро бо усулҳои муосири generative AI аз нав баррасӣ мекунад. Равиши copula тақсимоти бисёртағйирёбандаро ба ду қисм ҷудо мекунад: тақсимоти худии ҳар дороӣ ва сохтори вобастагии байни ин дороиҳо.

Ин ҷудокунонӣ муҳим аст. Зеро тақсимоти алоҳидаи дороиҳо метавонад думҳои вазнин дошта бошад. Яъне ҳаракатҳои бузурги нарх нисбат ба тақсимоти нормалӣ бештар рух дода метавонанд. Ҳамзамон сохтори коррелятсияи байни дороиҳо дар лаҳзаҳои буҳрон метавонад тағйир ёбад. Кӯшиши омӯхтани ин ду хусусият бо як модели ягонаи end-to-end дар баъзе ҳолатҳо метавонад калибровкаи дороиҳои алоҳидаро халалдор кунад.

Чаҳорчӯбаи пешниҳодшудаи Diffusion-Copula аз ду марҳила иборат аст:

Марҳилаи аввал: Тақсимоти маржиналии даромади ҳар дороии крипто бо Mixture Density Network моделсозӣ мешавад. Ин модел бо истифода аз ҷузъҳои Normal, Laplace ва Student-t мекӯшад думҳои вазнин ва шаклҳои гуногуни тақсимотро инъикос кунад.

Марҳилаи дуюм: Ин тақсимоти маржиналӣ ба миқёси copula табдил дода мешаванд ва сохтори вобастагии байни дороиҳо бо Classification-Diffusion Copula омӯхта мешавад. Ҳамин тавр, система ҳангоми нигоҳ доштани тақсимоти алоҳидаи дороиҳо мекӯшад рафтори ҳаракати якҷояро дар давраҳои буҳронӣ беҳтар моделсозӣ кунад.

Ғояи асосии ин равиш чунин аст: аввал профили хавфи ҳар дороиро дуруст омӯз, баъд алоҳида моделсозӣ кун, ки ин дороиҳо чӣ гуна якҷоя фурӯ мерезанд.

Формулаҳо чиро шарҳ медиҳанд?

Формулаҳои таҳқиқот нишон медиҳанд, ки пешгӯии молиявии бисёртағйирёбанда чӣ гуна ба таври эҳтимолӣ сохта мешавад, тақсимоти маржиналӣ чӣ гуна ҷудо карда мешаванд, сохтори copula чӣ гуна ба кор медарояд ва метрикаҳои хавфи ниҳоӣ чӣ гуна арзёбӣ мегарданд.

1. Вектори даромади бисёртағйирёбанда

Дар таҳқиқот даромадҳои ҳамзамони \(d\) дороӣ бо вектори зерин ифода карда мешаванд:

\[ y_t=\{y_t^1,\ldots,y_t^d\}\in\mathbb{R}^{d} \]

Дар ин ҷо \(y_t^i\) даромади дороии рақами \(i\) дар вақти \(t\) мебошад. Ҳадафи модел ба таври эҳтимолӣ пешгӯӣ кардани он аст, ки ин дороиҳо дар давраи баъдӣ чӣ гуна метавонанд якҷоя ҳаракат кунанд.

2. Равзанаи мушоҳидаҳои гузашта

Модел равзанаи мушоҳидаҳои гузаштаро ҳамчун шарт истифода мебарад:

\[ X_t=(y_{t-k},\ldots,y_{t-1}) \]

Дар ин ҷо \(k\) шумораи қадамҳои вақтест, ки ба гузашта нигаронида мешаванд. Дар татбиқи амалии таҳқиқот фарзияи Markov бо \(k=14\) истифода мешавад. Яъне ҳангоми пешгӯии даромади ҷорӣ модел ба 14 мушоҳидаи охир тамаркуз мекунад.

3. Ҳадафи пешгӯии эҳтимолӣ

Модел танҳо як пешгӯии нуқтавӣ тавлид намекунад. Баръакс, он мекӯшад зичии эҳтимолии шартиро омӯзад:

\[ p(y_t\mid X_t) \]

Ин ифода нишон медиҳад, ки ҳангоми маълум будани мушоҳидаҳои гузашта \(X_t\), дороиҳо бо кадом эҳтимол ва кадом арзишҳои даромад метавонанд якҷоя пайдо шаванд. Аз нигоҳи идоракунии хавф, ин равиш аз пешгӯии ягонаи «даромади интизоршаванда» арзишмандтар аст.

4. Ҷудокунии Copula

Ҷудокунии асосие, ки ба теоремаи Sklar такя мекунад, чунин дода мешавад:

\[ p(y_t\mid X_t)= \prod_{i=1}^{d}\left\{p^{i}(y_t^{i}\mid X_t)\right\} \cdot c(u_t^{1},\ldots,u_t^{d}\mid X_t) \]

Ин формула қалби таҳқиқот аст. Ҳосили аввал тақсимоти маржиналии ҳар дороиро ифода мекунад. \(c(\cdot)\) бошад, зичии copula аст, ки чӣ гуна якҷо ҳаракат кардани ин дороиҳоро дарбар мегирад.

Ба ибораи дигар, модел саволҳои «Bitcoin танҳо чӣ гуна рафтор мекунад?», «Ethereum танҳо чӣ гуна рафтор мекунад?» ва «Инҳо дар лаҳзаи буҳрон якҷоя чӣ гуна рафтор мекунанд?»-ро дар қабатҳои ҷудогона баррасӣ мекунад.

5. Табдил ба миқёси Copula

Қимати ҳар дороӣ тавассути функсияи тақсимоти кумулятивии маржиналии худ ба миқёси copula интиқол дода мешавад:

\[ u_t^i=P^{i}(y_t^{i}\mid X_t) \]

Дар ин ҷо \(u_t^i\) арзише дар фосилаи \([0,1]\) мебошад. Ин табдил дороиҳои дорои тақсимоти гуногунро ба миқёси умумӣ меорад ва моделсозии сохтори вобастагиро осон мекунад.

6. Ҳисоб кардани даромад

Даромад аз силсилаи нархи хом чунин ҳисоб карда мешавад:

\[ y_t=\frac{P_t-P_{t-1}}{P_{t-1}} \]

Муаллифон ба ҷойи сатҳҳои нарх бо даромадҳо кор мекунанд. Зеро нархҳои крипто дар дарозмуддат метавонанд хеле зуд афзоиш ё коҳиш ёбанд ва ин метавонад омӯзиши моделро душвор созад. Истифодаи даромад имкон медиҳад, ки силсилаи вақт бо сохтори якхелатар баррасӣ шавад.

7. Тақсимоти маржиналӣ бо Mixture Density Network

Тақсимоти маржиналии даромади ҳар дороӣ ҳамчун зичии омехта моделсозӣ мешавад:

\[ p^{i}(y_t^{i}\mid X_t;\Psi) = \sum_{k=1}^{K} \pi_k(X_t)\cdot f_k(y_t^{i};\theta_k(X_t)) \]

Дар ин ҷо \(\pi_k(X_t)\) вазнҳои омехтаро; \(f_k\) зичии ҷузъҳо, ба монанди Normal, Laplace ё Student-t-ро; ва \(\theta_k(X_t)\) параметрҳои ҷузъҳоро ифода мекунад. Ин сохтор мекӯшад думҳои вазнин ва рафторҳои гуногуни даромадро бидуни фишурдани онҳо ба як тақсимоти сода моделсозӣ кунад.

8. Фарзияи Markov бо 14 қадам

Дар таҳқиқот гузаштаи кӯтоҳмуддат чунин муайян карда мешавад:

\[ X_t=\{y_{t-14},y_{t-13},\ldots,y_{t-1}\} \]

Ин фарзия мегӯяд, ки модел тақсимоти даромади ҷориро танҳо бо нигоҳ кардан ба 14 мушоҳидаи охир пешгӯӣ мекунад. Дар бозорҳои крипто ҷамъшавии ноустувории кӯтоҳмуддат ва баргаштҳои тамоюл дар дохили ин равзана дарёфт карда мешаванд.

9. Функсияи талафоти модели маржиналӣ

Mixture Density Network бо ҳадафи negative log-likelihood омӯзонида мешавад:

\[ L(\theta)= -\frac{1}{N}\sum_{t=1}^{N} \log \left( \sum_{k=1}^{K} \pi_k(X_t)f_k(y_t;\theta_k) \right) +\lambda H(\pi) \]

Ин формула аз модел талаб мекунад, ки даромадҳои мушоҳидашударо бо эҳтимоли баланд шарҳ диҳад. Истилоҳи \(H(\pi)\) бошад, entropy regularisation буда, истифодаи мутавозинтари ҷузъҳои омехтаро ташвиқ мекунад.

10. Табдили додаҳои Copula

Пас аз омӯхтани тақсимоти маржиналӣ барои ҳар дороӣ табдили CDF татбиқ мешавад:

\[ u^{i}=F_i(x^{i}) \]

Дар натиҷаи ин табдил ҳар андоза ба фосилаи \([0,1]\) интиқол дода мешавад. Ҳамин тавр, модел дигар ба миқёси алоҳидаи дороиҳо не, балки ба сохтори вобастагии байни онҳо таваҷҷуҳ мекунад.

11. Табдил ба миқёси Gaussian

Classification-Diffusion Copula додаҳои copula-ро ба миқёси Gaussian интиқол медиҳад:

\[ z^{i}=\Phi^{-1}(u^{i}) \]

Дар ин ҷо \(\Phi^{-1}\) функсияи баръакси тақсимоти кумулятивии тақсимоти нормалии стандартӣ мебошад. Ин қадам барои омӯхтани сохтори вобастагӣ тавассути раванди diffusion истифода мешавад.

12. Зичии Classification-Diffusion Copula

Яке аз формулаҳои муҳимтарини copula дар таҳқиқот чунин аст:

\[ c(u)= \frac{ P_{\theta}(t=0\mid z=\Phi^{-1}(u)) }{ P_{\theta}(t=T_K\mid z=\Phi^{-1}(u)) } \]

Ин формула зичии copula-ро ҳамчун таносуби тасниф ифода мекунад. \(t=0\) ҳолати додаҳои воқеии вобастаро ифода мекунад; \(t=T_K\) бошад, ҳолати садои мустақилеро, ки вобастагӣ дар он бартараф шудааст, намояндагӣ мекунад. Модел бо омӯхтани фарқ кардани ин ду ҳолат зичии вобастагиро пешгӯӣ мекунад.

13. Талафоти омехтаи омӯзиши CDC

Омӯзиши модели copula бо ҳадафи гибридие анҷом дода мешавад, ки ҷузъҳои тасниф ва score matching-ро муттаҳид мекунад:

\[ L_{cdc}(\theta)= \alpha \sum_{s=1}^{K} \mathbb{E}_{z\sim\tilde{p}_{T_s}} \left[ -\log c_{dc}^{(s)}(z;\theta) \right] + \sum_{s=1}^{K} \mathbb{E}_{z_{T_1},\epsilon} \left[ \|\hat{\epsilon}_s(z_s;\theta)-\epsilon\|^2 \right] \]

Истилоҳи аввал ба модел имкон медиҳад, ки қадамҳои вақти diffusion-ро дуруст фарқ кунад. Истилоҳи дуюм барои устувортар омӯхтани градиентҳои зичии зарурӣ ҳангоми намунагирӣ кӯмак мерасонад.

14. Равиши score барои намунагирии Copula

Ҳангоми тавлиди намунаҳои вобастаи оянда модел функсияи score-и тахминиро, ки аз градиентҳои classifier ҳосил шудааст, истифода мебарад:

\[ \nabla_u\log c_s(u) \propto \nabla_z\log P(t=T_s\mid z) - \nabla_z\log P(t=T_K\mid z) \]

Ин ифода муайян мекунад, ки дар раванди намунагирии diffusion ба кадом самт ҳаракат кардан лозим аст. Ҳадаф аз садои мустақил оғоз карда, тавлид намудани намунаҳое мебошад, ки сохтори вобастагии воқеии дар давраҳои буҳронӣ мушоҳидашударо доранд.

15. Табдил аз Gaussian ба миқёси Copula

Пас аз анҷоми раванди denoising тағйирёбандаҳои Gaussian боз ба миқёси copula-и \([0,1]\) интиқол дода мешаванд:

\[ u_0^i=\Phi(z_0^i) \]

Дар натиҷаи ин қадам модел намунаҳои муштаракеро тавлид мекунад, ки сохтори вобастагии байни дороиҳоро дар бар доранд.

16. Табдили баръакси маржиналӣ

Дар марҳилаи ниҳоӣ намунаҳои copula боз ба арзишҳои даромад табдил дода мешаванд:

\[ y_t^i=F_i^{-1}(u^i\mid X_t;\Psi) \]

Ин формула намунаҳои copula-ро, ки сохтори вобастагӣ дар онҳо омӯхта шудааст, ба тақсимоти маржиналии ҳар дороӣ бармегардонад. Ҳамин тавр, даромадҳои тавлидшуда ҳам ба тақсимоти алоҳидаи дороиҳо ва ҳам ба вобастагии буҳронии байни дороиҳо мувофиқ мешаванд.

17. RMSE

Дар таҳқиқот RMSE низ барои чен кардани дақиқии пешгӯии нуқтавӣ истифода мешавад:

\[ RMSE= \sqrt{ \frac{1}{n} \sum_{i=1}^{n} (y_i-\hat{y}_i)^2 } \]

RMSE ба хатогиҳои бузурги пешгӯӣ сахттар ҷазо медиҳад.

18. MAE

Хатои мутлақи миёна чунин ҳисоб карда мешавад:

\[ MAE= \frac{1}{n} \sum_{i=1}^{n} |y_i-\hat{y}_i| \]

MAE ба таври мустақимтар нишон медиҳад, ки пешгӯиҳо ба ҳисоби миёна аз қиматҳои мушоҳидашуда чӣ қадар дур мебошанд.

19. CRPS

Барои чен кардани сифати пешгӯиҳои эҳтимолӣ Continuous Ranked Probability Score истифода мешавад:

\[ CRPS(F,y)= \int_{-\infty}^{\infty} \left[ F(x)-\mathbf{1}\{x\geq y\} \right]^2 dx \]

CRPS чен мекунад, ки тамоми тақсимоти пешгӯишуда бо арзиши воқеишуда то чӣ андоза мувофиқат дорад. Аз ин рӯ, он дар пешгӯиҳои эҳтимолӣ арзёбии ғанитареро нисбат ба танҳо хатогиҳои нуқтавӣ пешниҳод мекунад.

20. Tail Event Accuracy

Муваффақияти модел дар дарёфти рӯйдодҳои ниҳоӣ бо метрикаи Tail чен карда мешавад:

\[ Tail= \frac{ \sum_{i=1}^{n} \mathbf{1}\{y_i>\tau\wedge \hat{y}_i>\tau\} }{ \sum_{i=1}^{n} \mathbf{1}\{y_i>\tau\} } \]

Ин метрика нишон медиҳад, ки кадом ҳиссаи ҳаракатҳои ниҳоии воқеишуда аз ҷониби модел низ ҳамчун ҳаракатҳои ниҳоӣ пешгӯӣ шудаанд. Дар бозорҳои аз ҳад ноустувор, ба монанди крипто, ин меъёр барои идоракунии хавф муҳим аст.

21. Қимати PIT

Probability Integral Transformation барои чен кардани калибровкаи тақсимоти пешгӯишуда истифода мешавад:

\[ u_t=\hat{F}_t(y_t)= \int_{-\infty}^{y_t} \hat{p}_t(x)dx \]

Агар модел хуб калибровка шуда бошад, қиматҳои \(u_t\) бояд дар фосилаи \([0,1]\) ба таври яксон тақсим шаванд. Ин нишон медиҳад, ки пешгӯиҳои номуайянии модел ба додаҳои воқеӣ мувофиқанд.

Паёми асосии графикҳо, ҷадвалҳо ва схемаҳо

Дар PDF Расми 1 натиҷаи marginal calibration-ро нишон медиҳад. Хати сиёҳи кандашуда калибровкаи комилро ифода мекунад. Модели пешниҳодшудаи CDC ба ин хат наздиктар ҳаракат мекунад. Ин нишон медиҳад, ки модел тақсимоти даромади алоҳидаи дороиҳои крипторо беҳтар калибровка мекунад.

Расми 2 рафтори думҳоро тавассути QQ plot таҳлил мекунад. Инҳирофи шакли S, ки дар моделҳои CSDI ва TMDM дида мешавад, нишон медиҳад, ки ин моделҳо думҳои вазнинро ба қадри кофӣ дарёфт накардаанд. CDC бошад, дар квантилҳои ниҳоӣ ба хат наздиктар монда, тақсимоти мувофиқтар ба ҳаракатҳои экстремалӣ тавлид мекунад.

Ҷадвали 1 метрикаҳои RMSE, MAE, CRPS ва Tail Event Accuracy-ро муқоиса мекунад. Модели CDC дар RMSE ва Tail Event Accuracy натиҷаи беҳтарин медиҳад. Аз ҷумла, он ки арзиши Tail Event Accuracy барои CDC 0.025172, барои CSDI 0.015926 ва барои TMDM 0.004483 мебошад, нишон медиҳад, ки CDC дар дарёфти ҳаракатҳои ниҳоӣ қавитар аст.

Расми 3 нишон медиҳад, ки сохтори коррелятсия дар квантилҳои ниҳоӣ то чӣ андоза дуруст дарёфт шудааст. Дар сенарияҳои буҳронӣ ғарази коррелятсияи CDC ба сифр наздиктар мешавад. Ин нишон медиҳад, ки модел ҳаракатҳои ҳамзамони байни дороиҳоро устувортар дарёфт мекунад.

Расми 5 нишон медиҳад, ки ҳангоми ҳамзамон аз сар гузарондани афзоиши шадид ё фурӯпошии якчанд дороӣ моделҳо ба ин рӯйдод чӣ қадар эҳтимол медиҳанд. Дар моделҳои baseline ҳангоми бузургтар шудани рӯйдод эҳтимол зуд коҳиш меёбад. CDC бошад, барои фурӯпошиҳои ҳамзамон захираи эҳтимолии баландтар боқӣ мегузорад.

Расми 6 ҷудокунии «Black Swan» ва «Expected Crashes»-ро ба таври визуалӣ нишон медиҳад. Моделҳои baseline фурӯпошиҳои бузургро ҳамчун рӯйдодҳои дорои ногаҳонии баланд тасниф мекунанд, дар ҳоле ки CDC ин рӯйдодҳоро ҳамчун буҳронҳои дорои ногаҳонии камтар ва дар дохили тақсимоти пешгӯӣ бештар интизоршаванда ҷой медиҳад. Ин аз нигоҳи идоракунии хавф ҷолибтарин бозёфти таҳқиқот аст.

Таҷрибаҳо чӣ гуна анҷом дода шуданд?

Дар таҳқиқот нӯҳ криптовалютаи пешсаф истифода шудааст: BTC, ETH, LTC, XRP, BNB, ADA, SOL, DOGE ва LINK. Додаҳои хом аз маълумоти якдақиқаинаи OHLCV дар тӯли соли 2022 иборатанд. Баъдан додаҳо ба басомади 10-дақиқаӣ коҳиш дода шудаанд.

Таҳлил махсусан ба се семоҳаи аввали соли 2022 тамаркуз мекунад. Ин давра барои бозорҳои крипто аз ҷиҳати ноустуворӣ, ислоҳҳои шадид ва намунаҳои фишори системавӣ ғанӣ мебошад.

Барои тақсимоти маржиналӣ Mixture Density Network истифода шудааст. Ин шабака сохтори омехтаи нуҳҷузъиро тавлид мекунад, ки аз се тақсимоти Normal, се Laplace ва се Student-t иборат аст. Силсилаҳои даромади гузашта бо LSTM, хусусиятҳои ёрирасон, ба монанди ноустуворӣ ва геометрияи роҳ, бошад, бо MLP-и параллелӣ коркард шудаанд.

Барои сохтори вобастагӣ Classification-Diffusion Copula истифода шудааст. Барои муқоиса моделҳои муосири силсилаи вақти бисёртағйирёбандаи бар пояи diffusion, аз ҷумла CSDI ва TMDM, истифода шудаанд.

Муваффақияти модел на танҳо бо метрикаҳои хатои миёна, балки бо таҳлили marginal calibration, QQ plot, tail event accuracy, joint extreme probability, CRPS ва Black Swan surprise арзёбӣ шудааст. Ин нишон медиҳад, ки таҳқиқот на танҳо ба саволи «оё пешгӯии миёна хуб аст?», балки ба саволи «оё модел воқеан лаҳзаҳои буҳрониро дармеёбад?» низ тамаркуз кардааст.

Натиҷаҳо чиро нишон медиҳанд?

Натиҷаи аввалини таҳқиқот ин аст, ки моделҳои маржиналии алоҳида метавонанд барои калибровкаи хавфи молиявӣ бартарӣ дошта бошанд. Омӯхтани ҷудогонаи тақсимоти думҳои вазнини ҳар дороӣ хавфи нарм кардани рӯйдодҳои ниҳоӣ аз ҷониби як модели ягонаи муштаракро коҳиш медиҳад.

Натиҷаи дуюм таъмин шудани калибровкаи беҳтар аз ҷониби модели CDC дар рӯйдодҳои ниҳоӣ мебошад. Дар графикҳои PIT ва QQ CDC ба хатти идеалии калибровка наздиктар меистад. Ин нишон медиҳад, ки модел номуайяниро на танҳо дар минтақаи миёна, балки дар думҳо низ воқеитар ифода мекунад.

Натиҷаи сеюм ҳангоми моделсозии буҳронҳои ҳамзамон ба даст меояд. Дар бозорҳои крипто ҳамзамон фурӯ рехтани дороиҳои зиёд хавфи нодир, вале муҳим аст. Моделҳои baseline ба чунин рӯйдодҳо эҳтимоли хеле паст дода, онҳоро қариб номумкин меҳисобанд, дар ҳоле ки CDC ба ин рӯйдодҳо эҳтимоли пурмаънотар медиҳад.

Натиҷаи чорум ба тафсири Black Swan дахл дорад. Тибқи таҳқиқот, модели CDC баъзе фурӯпошиҳои бузурги системавиро на ҳамчун «рӯйдодҳои ногаҳоние, ки модел умуман интизор набуд», балки ҳамчун «фурӯпошиҳои интизоршавандае, ки метавонанд дар дохили тақсимоти пешгӯӣ ҷой гиранд» тасниф мекунад. Ин барои менеҷерони хавф муҳим аст. Зеро умуман интизор нашудани буҳронҳо аз ҷониби модел метавонад дар мавриди захираи сармоя ва санҷиши стресс натиҷаҳои гумроҳкунанда ба вуҷуд орад.

Натиҷаи панҷум ин эҳтимол аст, ки моделҳои diffusion-и end-to-end бо вуҷуди дар давраҳои муқаррарӣ хуб ба назар расидан, дар хавфҳои ниҳоӣ ғарази хатарнок доранд. Муаллифон инро «normality bias» меноманд. Хуб омӯхтани ҳолатҳои миёна маънои дуруст омӯхтани лаҳзаҳои буҳрониро надорад.

Ин чаро муҳим аст?

Дар зеҳни сунъии молиявӣ моделҳо аксаран аз рӯи муваффақияти миёнаи пешгӯӣ арзёбӣ мешаванд. Аммо аз нигоҳи идоракунии хавф саволи воқеан муҳим баъзан чунин аст: Оё модел бадтарин рӯзҳоро дида метавонад?

Дар бозорҳои крипто ин савол боз ҳам муҳимтар аст. Зеро дороиҳо дар давраҳои муқаррарӣ метавонанд гуногун рафтор кунанд, вале дар лаҳзаи буҳрон ҳамзамон коҳиш ёбанд. Агар модел ин фурӯпошиҳои ҳамзамонро қариб номумкин шуморад, хавфи портфел метавонад аз воқеият пасттар ҳисоб карда шавад.

Равиши Diffusion-Copula барои ин мушкил чаҳорчӯбаи устувортар пешниҳод мекунад. Модел аввал мекӯшад тақсимоти худии ҳар дороиро дуруст калибровка кунад. Сипас вобастагии ниҳоии байни дороиҳоро тавассути сохтори алоҳидаи diffusion-copula меомӯзад. Ҳамин тавр, сенарияҳои фишори системавиро воқеитар тавлид кардан мумкин аст.

Ин равиш метавонад дар чунин самтҳо, ба монанди санҷиши стрессии портфел, ҳисобкунии Expected Shortfall, нархгузории маҳсулоти ҳосилавии бисёрдороиагӣ ва тавлиди сенарияҳои буҳронӣ муҳим бошад. Махсусан барои менеҷерони хавф арзишманд аст, ки модел ба ҷойи гуфтани «ман ин фурӯпоширо умуман интизор набудам» тавонад бигӯяд: «Ин сенарияи дорои эҳтимоли паст, вале имконпазир аст».

Нуктаҳои муҳим

Ин таҳқиқот тавсияи сармоягузорӣ нест. Модел усули академиро барои пешгӯии хавф ва тавлиди сенарияҳои эҳтимолӣ дар бозорҳои крипто пешниҳод мекунад.

Таҳқиқот ба нӯҳ дороии крипто ва давраи муайяни соли 2022 тамаркуз кардааст. Дар давраҳои дигар, гурӯҳҳои дигари дороиҳо ё режимҳои гуногуни бозор натиҷаҳо метавонанд тағйир ёбанд.

Модел ду марҳила дорад. Аввал тақсимоти маржиналӣ омӯхта мешаванд, баъд сохтори вобастагӣ моделсозӣ мегардад. Аз ин рӯ, хатогиҳои марҳилаи аввал метавонанд ба модели copula-и марҳилаи дуюм гузаранд.

Гарчанде модели CDC натиҷаҳои қавӣ диҳад, хароҷоти ҳисоббарорӣ, интихоби модел ва устувории намунагирӣ дар портфелҳои дорои андозаи баландтар бояд алоҳида санҷида шаванд.

Таҳқиқот иддао мекунад, ки фурӯпошиҳои молиявиро «беҳтар интизор» шуда метавонад; аммо ин маънои онро надорад, ки он нархи дороии муайяни крипторо дақиқ пешгӯӣ карда метавонад. Ҳадаф дар ин ҷо бештар пешгӯии хавфи тақсимотӣ ва рӯйдодҳои ниҳоии системавӣ мебошад.

Дар бозорҳои крипто бисёр омилҳои беруна, аз қабили пардохтпазирӣ, қатъшавии биржа, хабарҳои танзимгарӣ, шокҳои on-chain, буҳронҳои stablecoin ва таъсири макробозор метавонанд ба иҷрои модел таъсир расонанд.

Хулоса

Ин таҳқиқоти академӣ бо таври қавӣ нишон медиҳад, ки дар пешгӯии силсилаҳои вақти молиявӣ танҳо ба иҷрои миёна нигаристан кофӣ нест. Хусусан дар бозорҳои крипто, қисми хатарноктарини хавф рӯйдодҳои системавие мебошанд, ки дар онҳо дороиҳои зиёд ҳамзамон ҳаракати шадид мекунанд.

Модели Diffusion-Copula барои ин мушкил ҳалли ду марҳилагӣ пешниҳод мекунад: аввал тақсимоти даромади думҳои вазнини дороиҳои алоҳида дуруст калибровка карда мешавад; баъдан вобастагии буҳронии байни ин дороиҳо бо copula-и бар пояи diffusion моделсозӣ мегардад.

Бозёфтҳо нишон медиҳанд, ки модели CDC метавонад рӯйдодҳои ниҳоӣ ва фурӯпошиҳои ҳамзамонро воқеитар инъикос кунад. Ҳангоме ки моделҳои baseline баъзе буҳронҳоро ҳамчун «Black Swan»-и қариб номумкин мебинанд, CDC метавонад ин рӯйдодҳоро ҳамчун «Expected Crashes»-и бештар интизоршаванда дар дохили тақсимоти пешгӯӣ ҷой диҳад.

Паёми асосии ин таҳқиқот барои Verianla чунин аст: моделҳои зеҳни сунъии молиявӣ ба ҳамон андоза арзишманданд, ки на танҳо рӯзҳои хуб, балки рӯзҳои бадро низ моделсозӣ карда тавонанд. Хавфи воқеӣ дар бозорҳои крипто бештар дар эҳтимоли ҳамзамон фурӯ рехтани дороиҳои зиёд пинҳон аст, на танҳо дар ноустувории як дороӣ.

Ёддошт оид ба манбаъ ва усул

Ин мундариҷа пас аз баррасии PDF-и академӣ бо унвони Probabilistic Multivariate Time Series Forecasting with Diffusion Copulas омода шудааст. Матн тарҷумаи айнан нест. Ҳадаф, усул, формулаҳои асосӣ, тарҳи таҷриба, паёмҳои графику ҷадвалҳо, бозёфтҳо ва маҳдудиятҳои таҳқиқот барои хонандагони Verianla бо забони содашуда, мустақил ва таҳририи тоҷикӣ бозгӯ шудаанд.

Формулаҳо бо риояи сохтори асосии математикии таҳқиқот дар формати LaTeX-и мувофиқ ба MathJax пешниҳод шудаанд. Ин матн тавсияи сармоягузорӣ, пешниҳоди портфел ё пешгӯии бозори зинда нест.

Ёддошти иттилоотӣ ва ислоҳ

Ин муҳтаво дар асоси тадқиқоти академии дахлдор ва бо истифода аз абзорҳои ёрирасони зеҳни сунъӣ омода шудааст. Ҳадаф ба шакли фаҳмотар ва дастрас пешниҳод кардани мавзӯи асосӣ, усул ва натиҷаҳои тадқиқот мебошад.

Ҳарчанд ҳангоми омода кардани муҳтаво ба риояи манбаи аслӣ таваҷҷуҳ шудааст, дар раванди тавлиди муҳтаво бо ёрии зеҳни сунъӣ метавонад хатои маъноӣ, баёнӣ, тарҷумавӣ ё тафсирӣ рух диҳад. Агар хатои илмӣ, техникӣ ё матниро ошкор кунед, метавонед тавассути info@verianla.com.tr ба мо хабар диҳед. Мавридҳои гузоришшуда баррасӣ шуда, ислоҳҳои зарурӣ ворид карда мешаванд.

Илова бар ин, муаллиф, соҳиби ҳуқуқ ё намояндаи ваколатдори мақолае, ки тадқиқоташ дар Verianla ҷой дода шудааст, метавонад ҳазфи муҳтавои дахлдорро дархост кунад. Барои дархости ҳазф фиристодани пайванди мақола ва шарҳи кӯтоҳи дархост ба info@verianla.com.tr кофист. Пас аз баррасии дархост чораҳои зарурӣ андешида мешаванд.

Verianla ҳадафи иваз кардани тадқиқоти академиро надорад; ҳадафи он мусоидат ба фаҳмиши муҳтавои илмӣ аз ҷониби доираи васеи хонандагон аст. Барои арзёбиҳои академӣ ё касбӣ ҳамеша такя ба манбаи аслии тадқиқот тавсия дода мешавад.

Мубодила: