Ин таҳқиқот меомӯзад, ки моделҳои омӯзиши амиқе, ки самти кӯтоҳмуддати бозорро дар савдои басомади баланд (High-Frequency Trading, HFT) пешгӯӣ мекунанд, чӣ гуна метавонанд ҳангоми омӯзиш бе калон кардани меъморӣ дар марҳилаи хулосабарорӣ такмил дода шаванд. Дар таҳқиқот маълумоти Limit Order Book (LOB), ки аз бозори Binance BTC/USDT тавассути CryptoHFTData гирифта шудааст, истифода гардида; ҷараёни китоби фармоишҳо дар давраи 1 октябр-30 ноябр 2025 бо фосилаҳои 250 ms намунагирӣ шуда, ҳаракати ояндаи нархи миёна ба се синфи −1, 0 ва +1 ҷудо карда шудааст. Усулҳои асосӣ Ordinal Log-Loss (OLL), ки нобаробар будани аҳамияти хатогиҳои байни синфҳоро ба назар мегирад, матритсаҳои хароҷоте мебошанд, ки аз тақсимоти маълумот ҳосил мешаванд, ва равиши Quasi-Multi-Task Learning (QMTL), ки ҳангоми омӯзиш чанд сари баромадро барои иҷрои як вазифа истифода мебарад. Дар таҷрибаҳо матритсаи хароҷоте, ки бо масофаи Wasserstein сохта шудааст, нисбат ба cross-entropy стандартӣ ва тарҳҳои дигари матритсаи хароҷот дар маҷмӯъ устувортарин натиҷаҳоро нишон дод; QMTL бошад барои баъзе меъмориҳо ва метрикаҳо далели таҷрибавӣ пешниҳод кард, ки омӯзиши бисёрсарӣ ҳатто баъд аз нигоҳ доштани танҳо як сар метавонад муфид бошад. Бо вуҷуди ин, натиҷаҳо бо як дороии крипто, як биржа, ду моҳи маълумоти таърихӣ ва метрикаҳои тасниф маҳдуданд; таҳқиқот иҷрои фармоишҳоро дар вақти воқеӣ ё даромаднокии софи савдоро исбот намекунад.

Китоби Фармоишҳои Лимитӣ (Limit Order Book, LOB)сохтори электронии бозор аст, ки фармоишҳои интизории лимитии харид ва фурӯши дороии муайянро бо сатҳҳои нарх ва ҳаҷмҳо нишон медиҳад. Ordinal Log-Loss (OLL)талафоти таснифи тартибӣ аст, ки метавонад хатогиҳои таснифро тавассути матритсаи хароҷот бо шиддатҳои гуногун ҷазо диҳад. Quasi-Multi-Task Learning (QMTL) бошад равиши омӯзиши бисёрвазифаӣ аст, ки чанд сари пешгӯии як ҳадафро ҳамроҳ бо кодгузори муштарак меомӯзонад ва имкон медиҳад ин сарҳои иловагӣ дар марҳилаи хулосабарорӣ хориҷ карда шаванд.

Чаро масъала танҳо сохтани модели калонтар нест?

Дар савдои басомади баланд на танҳо сифати пешгӯии модел, балки суръати тавлиди пешгӯӣ низ муҳим аст. Ҳатто агар шабакаи нейронии калон дақиқии таснифро баланд кунад, агар вақти хулосабарориро зиёд намояд, метавонад барои истифодаи ҳассос ба таъхир арзиши амалии худро аз даст диҳад. Аз ин рӯ, ҳадафи таҳқиқот сохтани меъмории нав ва калонтарини HFT нест. Таҳқиқот меомӯзад, ки оё бо тағйир додани раванди омӯзиш дар меъмориҳои мавҷуда метавон бо ҳамон меъмории хулосабарорӣ рафтори беҳтари пешгӯиро ба даст овард.

Ин интихоб таҳқиқотро ба ду самти ҳамдигарро пуркунанда мебарад. Самти аввал регрессияи тартибӣ аст, ки мавҷудияти тартиби табиии синфҳои самти бозор −1, 0 ва +1-ро ба назар мегирад. Самти дуюм QMTL аст, ки дар он модел танҳо ҳангоми омӯзиш бо чанд сари баромад кор мекунад. Ҳар ду равиш ҳадаф доранд, ки иттилои омӯзишро бе зарурати калон кардани танаи модел ҳангоми ҷойгиркунӣ ғанӣ гардонанд.

Маълумоти LOB чӣ гуна ба вуруди модел табдил меёбад?

Дар як акси лаҳзавии LOB барои ҳар сатҳ нархи харид, ҳаҷми харид, нархи фурӯш ва ҳаҷми фурӯш мавҷуд аст. Таҳқиқот \(N=10\) сатҳи аввалро истифода мебарад. Ҳамин тавр, як тасвири LOB дорои \(4N=40\) хусусият мешавад. Ҳангоми сохтани вуруди модел \(W=100\) тасвири пайдарпай якҷо карда шуда, тензори вуруд ба андозаи \(4N \times W = 40 \times 100\) мерасад.

Ҷараёни хоми CryptoHFTData танҳо аз аксҳои лаҳзавии мунтазам иборат нест; он тасвирҳои пурраи соатӣ ва навсозиҳои тағйиротро дар байни онҳо якҷо дар бар мегирад. Дар таҳқиқот ин ҷараёни ба рӯйдод асосёфта аввал аз нав сохта мешавад ва сипас бо фосилаҳои \(\delta t=250\,\mathrm{ms}\) мунтазам намунагирӣ мешавад. Агар дар як фосила чанд тағйирот бошад, ҳолати охирин интихоб мешавад; агар тағйирот набошад, ҳолати пешинаи LOB нигоҳ дошта мешавад.

Равзанаи вуруд 100 намуна дарозӣ дорад ва барои сохтани нуқтаи нави маълумот равзана 20 намуна пеш бурда мешавад. Аз ин сабаб, вурудҳои ҳамсоя қисман ба ҳам мепӯшанд. Таҳқиқот ин интихобро барои зиёд кардани ҳаҷми маълумот ва сохтани намунаҳои устувортар нисбат ба ҷобаҷошавиҳои хурди вақт истифода мебарад.

Нархи миёна ва синфҳои ҳаракати оянда

Вақте ки беҳтарин нархи фурӯш бо \(p_t^{a1}\) ва беҳтарин нархи харид бо \(p_t^{b1}\) нишон дода мешавад, spread:

\[ s_t=p_t^{a1}-p_t^{b1} \]

ва нархи миёна:

\[ m_t=\frac{p_t^{a1}+p_t^{b1}}{2} \]

муайян карда мешавад. Ҳадафи таҳқиқот пешгӯии мустақими сатҳи ояндаи нарх бо регрессия нест, балки тасниф кардани он аст, ки нархи миёна дар ояндаи наздик ба таври маънодор поён меравад, бетағйир мемонад ё боло меравад.

Вурудҳо бо z-score стандартӣ нормализатсия мешаванд:

\[ \tilde{x}_i=\frac{x_i-\mu}{\sigma} \]

Манбаъ нишон медиҳад, ки қисмҳои омӯзиш, санҷиши эътибор ва тест бо қиматҳои худи \(\mu\) ва \(\sigma\) алоҳида нормализатсия шудаанд.

Сохтани нишонаҳо бо Triple Barrier Method

Таҳқиқот ба ҷойи танҳо дидани тағйироти миёнаи нархи оянда Triple Barrier Method (TBM)-ро истифода мебарад. Барои нархи миёнаи ҷорӣ \(m_t\) ва ҳадди нисбӣ \(\alpha\), монеаҳои болоӣ ва поёнӣ:

\[ u_t=m_t(1+\alpha) \]

\[ \ell_t=m_t(1-\alpha) \]

мебошанд. Дар таҷрибаҳои манбаъ \(\alpha=0.001\) ва уфуқи вақт \(k=100\) интихоб шудааст. Агар дар силсилаи нархҳои оянда аввал монеаи болоӣ убур шавад, нишонаи \(+1\), агар аввал монеаи поёнӣ убур шавад, \(−1\), ва агар то монеаи вақт ҳеҷ кадоме убур нашавад, \(0\) сохта мешавад. Ҳамин тавр, нишона на танҳо аз қимати нархи оянда дар як лаҳзаи муайян, балки аз он вобаста аст, ки дар уфуқи муайяншуда кадом монеаи нарх аввал рух медиҳад.

Чаро Регрессияи Тартибӣ Дар Ин Масъалаи HFT Муҳим Аст?

Регрессияи тартибӣ дар ин масъала муҳим аст, зеро синфҳои −1, 0 ва +1 табиатан тартиби \(−1 \prec 0 \prec +1\) доранд ва ҳамаи хатогиҳои тасниф як самти иқтисодиро ифода намекунанд. Вақте синфи ҳақиқӣ +1 аст, пешгӯии 0 ва вақте синфи ҳақиқӣ +1 аст, пешгӯии −1 хатогиҳои масофаи яксон нестанд; таҳқиқот бо ворид кардани ин сохтор ба функсияи талафот ҳадаф дорад, ки модел шиддати хатогиҳоро низ омӯзад.

Cross-entropy стандартии бисёрсинфа эҳтимоли ба синфи дуруст додашударо тақвият медиҳад, аммо масофаи байни синфҳои нодурустро мустақиман истифода намебарад. Дар манбаъ cross-entropy классикӣ:

\[ \mathcal{L}_{CE}=-\mathbf{y}^{T}\log(\mathbf{p}) \]

навишта мешавад. Дар ин ҷо \(\mathbf{y}\) намоиши one-hot-и синфи ҳақиқӣ ва \(\mathbf{p}\) эҳтимолҳои синфии модел мебошанд.

Ordinal Log-Loss, ки дар таҳқиқот истифода мешавад, матритсаи хароҷоти \(\mathbf{C}\)-ро илова мекунад:

\[ \mathcal{L}_{OLL} =-\sum_{l\in\mathcal{L}}\log(1-p_l)c_{y,l}^{\alpha} \]

Дар таҳқиқоти манбаъ барои OLL \(\alpha=1\) гирифта мешавад. Ҳамин тавр ифода:

\[ \mathcal{L}_{OLL} =-\mathbf{y}^{T}\mathbf{C}\log(\mathbf{1}-\mathbf{p}) \]

ба ин шакл оварда мешавад. Дар ин муодила \(c_{y,l}\) муайян мекунад, ки вақте синфи ҳақиқӣ \(y\) аст, эҳтимоли равонашуда ба синфи \(l\) то чӣ андоза сахт ҷазо дода мешавад. Қисми муҳими таҳқиқот маҳз ба тарзи ҳисоб кардани ин хароҷотҳо бахшида шудааст.

Чор равиши матритсаи хароҷот

Таҳқиқот чор усулро муқоиса мекунад: Linear (L), SLACE (S), Mahalanobis (M) ва Wasserstein (W). Ҳамаи матритсаҳо танҳо аз маълумоти омӯзиш ҳисоб мешаванд ва барои пешгирии ихроҷи маълумот, маълумоти санҷиши эътибор ё тест дар сохтани матритсаи хароҷот истифода намешаванд. Барои осон кардани муқоиса ҳар матритса ба унсури калонтарини худ тақсим шуда, ба фосилаи \([0,1]\) миқёс дода мешавад.

Усули Linear танҳо ба тартиби синфҳо такя мекунад:

\[ c_{i,j}=|i-j| \]

Ин равиш хатои байни −1 ва +1-ро нисбат ба хатои байни синфҳои ҳамсоя сахттар ҷазо медиҳад; аммо шабоҳати воқеии тақсимоти маълумоти синфҳоро истифода намекунад.

Усули бар SLACE асосёфтақиматҳои proximity-ро, ки аз басомадҳои синфҳо ҳосил шудаанд, истифода мебарад. Аз сабаби номувозинии шадиди синфҳо дар маҷмӯи маълумот, матритсаи хароҷоти ҳосилшуда ба таври равшан асимметрӣ аст. Таҷрибаҳо нишон медиҳанд, ки ин хусусият метавонад махсусан бо тамоюли аз ҳад зиёд ба синфи бетараф алоқаманд бошад.

Равиши Mahalanobisвуруди андозаи \(40\times100\)-ро ба вектори дарозиаш \(4000\) табдил дода, фарқи байни намояндагони синфҳоро бо ковариатсияи маълумот миқёс мекунад:

\[ c_{i,j} = \sqrt{(\bar{\mathbf v}_i-\bar{\mathbf v}_j)^T \mathbf{\Sigma}^{-1} (\bar{\mathbf v}_i-\bar{\mathbf v}_j)} \]

Дар ин ҷо \(\mathbf{\Sigma}\) матритсаи тахминии ковариатсияи вурудҳо мебошад. Матни манбаъ миқдори \(\bar{\mathbf v}_j\)-ро ҳамчун миёнаи вурудҳои синфи дахлдор муайян мекунад. Бо вуҷуди ин, дар Муодилаи (5.12)-и манбаъ ҳади тақсим ба шумораи намунаҳо барои ин миёна дида намешавад; ин фарқи нотационӣ дар ин ҷо хомӯшона ислоҳ нашудааст.

Матритсаи Хароҷоти Бар Wasserstein Асосёфта Чӣ Гуна Сохта Мешавад?

Матритсаи хароҷоти бар Wasserstein асосёфта вурудҳои LOB-и ҳар синфро ба намояндагии якандозаи Order Book Imbalance табдил медиҳад, барои синфҳои −1, 0 ва +1 тақсимоти ҷудогонаи OBI месозад ва хароҷоти байни синфҳоро ҳамчун масофаи Wasserstein-1-и ин тақсимот муайян мекунад. Ҳамин тавр, ҷазо на танҳо ба индекси синф, балки ба ҷудошавии омории синфҳо дар маълумоти омӯзиш вобаста мешавад.

Агар функсияҳои тақсимоти ҷамъшавандаи ду тақсимоти якандоза \(U\) ва \(V\) бошанд, масофаи Wasserstein-1:

\[ W_1(u,v)=\int_{-\infty}^{+\infty}|U(x)-V(x)|\,dx \]

чунин ифода мешавад.

Азбаски вурудҳои LOB бисёрандозаанд, таҳқиқот аввал нархҳоро хориҷ мекунад ва танҳо ҳаҷмҳои харид/фурӯшро истифода мебарад. Вуруд ба тензори \(X_{ijk}\), ки самти харид/фурӯш, сатҳи LOB ва меҳварҳои вақтро дар бар мегирад, табдил дода мешавад. Харитасозии OBI-и пешниҳодшуда дар таҳқиқот:

\[ \mathrm{OBI} = \sum_{i=1}^{2} \sum_{j=1}^{N} \sum_{k=1}^{W} (-1)^i\lambda^{j+k}X_{ijk} \]

мебошад. \(\lambda\) таъсири сатҳҳои амиқтари LOB ва намунаҳои кӯҳнатари вақтро ба таври экспоненсиалӣ кам мекунад. Дар таҷрибаҳо \(\lambda=0.5\) истифода шудааст. Қиматҳои OBI-и ҳар нишона тақсимоти алоҳида ташкил мекунанд ва хароҷот:

\[ c_{i,j}=W_1(u_i,u_j) \]

муайян карда мешавад.

Дар Расми 6-и манбаъ тақсимоти OBI-и шартӣ ба синф нишон дода мешавад. Ҳангоми ба самтҳои гуногуни меҳвари OBI гузаштани синфҳои −1 ва +1, синфи бетараф дар атрофи 0 тақсимоти марказитар ва думҳои васеътар нишон медиҳад. Ин сохтори тақсимот барои шарҳ додани он истифода мешавад, ки чаро масофаҳои байни синфҳои ҳамсоя дар матритсаи хароҷот ба ҳам наздиканд, вале аз сифр ба таври маънодор фарқ мекунанд.

QMTL Чӣ Гуна Бе Зиёд Кардани Хароҷоти Хулосабарорӣ Истифода Мешавад?

QMTL ҳангоми омӯзиш ба кодгузори муштарак чанд сари баромадро мепайвандад, ки як ҳадафро пешгӯӣ мекунанд; пас аз анҷоми омӯзиш сарҳои иловагӣ хориҷ шуда, танҳо як сар истифода мешавад, аз ин рӯ меъмории асосии хулосабарории модели ҷойгиршуда маҷбур нест калон шавад. Дар ин таҳқиқот QMTL ҳамчун ensemble истифода намешавад; ҳадаф интиқол додани таъсири омӯзиши бисёрсарӣ ба кодгузори муштарак ба хулосабарории яксарӣ аст.

Дар QMTL ҳар сар ҳамон ҳадафи −1/0/+1-ро пешгӯӣ мекунад. Манбаъ роҳҳои гуногуни гузариш ба як сарро дар охири омӯзиш баррасӣ мекунад; дар таҷрибаҳо роҳи соддатарин интихоб шуда, яке аз сарҳо ба таври тасодуфӣ нигоҳ дошта мешавад. Ин интихоб махсусан ҳамчун самти кушодаи такмил барои таҳқиқоти оянда нишон дода шудааст.

Барои мувозинат кардани талафоти чанд сар Gradient Normalization (GradNorm) истифода мешавад. Талафоти умумии бисёрвазифаӣ:

\[ \mathcal{L}_{total}=\sum_{i=1}^{m}w_i\mathcal{L}_i \]

тасаввур кардан мумкин аст. GradNorm ҳадаф дорад, ки вазнҳои \(w_i\)-ро мувофиқи суръатҳои нисбии омӯзиши вазифаҳо ҳангоми омӯзиш танзим кунад. Дар ин таҳқиқот, гарчанде ҳадафҳои вазифаҳо яксонанд, GradNorm аз сабаби нобаробар будани суръати омӯзиши сарҳои гуногун интихоб шудааст.

Се меъмории санҷидашуда

Модели Baselineба чор гурӯҳи қабатҳои конволютсионӣ, ки вуруди LOB-ро коркард мекунанд, ва як қабати пурра пайваст, ки ба се синф мебарояд, асос меёбад. Дар мутобиқсозии QMTL қисми CNN ҳамчун кодгузори муштарак ва қисми охирини пурра пайваст ҳамчун сар истифода мешавад.

DeepLOBқабатҳои конволютсиониро бо сохтори inception ва LSTM якҷо мекунад. Дар таҳқиқот қисми CNN ва inception ҳамчун танаи муштарак, LSTM ва қисми охирини пурра пайваст ҳамчун сари вазифа истифода мешаванд. Азбаски ин интихоб хароҷоти ҳисоббарориро барои ҳар сар зиёд мекунад, вақти омӯзиши QMTL дар DeepLOB бештар меафзояд.

MLPLOBасосан аз қабатҳои пурра пайваст ва сохтори MLP иборат аст, ки дар меҳварҳои фазоӣ/вақтӣ ба таври навбатӣ коркард мекунад. Блокҳои охирини пурра пайваст ҳамчун сар ва қисми пешина ҳамчун кодгузори муштарак гирифта мешаванд.

Усул ва Натиҷаҳои Таҳқиқот

Тақсимоти маълумот ва номувозинии синфҳо

Таҳқиқот маълумоти октябри 2025-ро барои омӯзиш ва санҷиши эътибор, маълумоти ноябри 2025-ро барои тест истифода мебарад. Маълумоти октябр дар дохили худ ба %80 омӯзиш ва %20 санҷиши эътибор тақсим шудааст. Он ки қисми тест тақрибан нисфи тамоми маълумотро ташкил медиҳад, дар муқоиса бо таҳқиқоти классикии омӯзиши мошинӣ ғайриодӣ аст; манбаъ инро бо ҳаҷми хеле зиёди маълумот ва он шарҳ медиҳад, ки маҳдудияти асосӣ хароҷоти ҳисоббарории омӯзиш аст.

Он ки тақрибан %98-и маълумот дар синфи 0 қарор дорад, метавонад дақиқии хомро дар танҳоӣ гумроҳкунанда гардонад. Модел метавонад ҳамаи намунаҳоро 0 пешгӯӣ карда, accuracy-и хеле баланд ба даст орад, аммо қобилияти фарқ кардани ҳаракатҳои самти −1 ва +1-ро надошта бошад. Аз ин рӯ, таҳқиқот вазнҳои синфро истифода мебарад:

\[ w_i=\frac{N}{C\,n_i} \]

Дар ин ҷо \(N\) шумораи умумии намунаҳо, \(C\) шумораи синфҳо ва \(n_i\) шумораи намунаҳои синфи дахлдор мебошад.

Метрикаҳои арзёбӣ

Дар баробари Accuracy, precision, recall ва F1-score, Cohen's kappa ва Restricted Accuracy (RA) истифода мешаванд. Cohen's kappa:

\[ \kappa=\frac{p_o-p_e}{1-p_e} \]

бо ин ифода чен мекунад, ки мувофиқати мушоҳидашудаи тасниф аз мувофиқате, ки танҳо аз рӯи тасодуф интизор мешавад, то чӣ андоза баландтар аст. Хусусан дар маҷмӯаҳои маълумоти хеле номувозин, он метавонад нисбат ба танҳо accuracy иттилоотноктар бошад.

Restricted Accuracy мувофиқи таърифи таҳқиқот махсусан барои пайгирӣ кардани он тарҳрезӣ шудааст, ки пешгӯиҳои самти −1 ва +1 то чӣ андоза дуруст аз ҳам ҷудо мешаванд. Дар махраҷи Муодилаи (3.16)-и манбаъ ҳамон ҳади \(n_{-1,+1}\) ду бор чопшуда менамояд. Аз ин сабаб, формула дар ин ҷо бо ворид кардани ислоҳе, ки дар манбаъ нест, аз нав навишта нашудааст; метрика тибқи тавзеҳи матнии муаллиф тафсир шудааст.

Протоколи омӯзиш

• Сахтафзор: кластери NVIDIA A40 GPU; ҳар омӯзиши як модели алоҳида дар як GPU.
• Optimizer: Adam.
• Learning rate: \(10^{-3}\).
• Weight decay: \(10^{-4}\).
• Early stopping: дар талафоти муттаҳидаи санҷиши эътибор patience = 10.
• Марҳилаи тест: checkpoint бо беҳтарин талафоти санҷиши эътибор.
• Пешгӯии тести QMTL: танҳо яке аз сарҳо ва интихоби тасодуфӣ дар протоколи таҷрибавии таҳқиқот.
• Сутунҳои хато: фосилаи эътимоди %95 барои миёнаи таҷрибаҳои такрорӣ.
• Комбинатсияҳои хароҷот/сар дар Baseline: ҳар комбинатсия 100 такрор.
• Комбинатсияҳои меъмории пешрафта: ҳар комбинатсия 40 такрор.

Дар бахши асосии experiment setup-и манбаъ андозаи mini-batch ва seed-и тасодуфӣ ба таври возеҳ гузориш нашудаанд. Ин маълумот параметрҳое мебошанд, ки аз нигоҳи пуррагии такрорпазирӣ дар манбаъ намерасанд; дар ин ҷо қимате сохта нашудааст.

Матритсаҳои хароҷоти аз маълумот гирифташуда

Қиматҳои зерин танҳо аз маълумоти омӯзиш ҳисоб шуда, тавре нормализатсия шудаанд, ки қимати максималии ҳар матритса 1 бошад. Сатрҳо синфи ҳақиқӣ ва сутунҳо синферо нишон медиҳанд, ки хароҷот ба он татбиқ мешавад.

Рафтори функсияҳои талафот дар таҷрибаҳои Baseline

Дар Расми 7-и манбаъ конфигуратсияҳо бо 1 то 5 сари QMTL муқоиса мешаванд. Азбаски ҳар комбинатсияи сар-талафот 100 бор иҷро шудааст, тамоюлҳои график на ба як иҷрои омӯзиш, балки ба миёнаи такрорҳо асос ёфтаанд.

Усули Wasserstein аз рӯи F1-score ва Cohen's kappa қавитарин ва устувортарин усул аст. Бо зиёд шудани шумораи сарҳо дар қимати F1 низ афзоиши тадриҷӣ дида мешавад. Mahalanobis дар баъзе конфигуратсияҳо наздик мешавад, аммо байни таҷрибаҳо вариатсияи баландтар нишон медиҳад.

Усули бар SLACE асосёфта бошад масъалаи ҷиддии номувозинии синфҳоро ошкор мекунад. Бо вуҷуди додани accuracy-и тақрибан %98, Cohen's kappa ба сифр наздик ва Restricted Accuracy сифр аст. Санҷиши пешгӯии манбаъ нишон медиҳад, ки модел амалан танҳо синфи 0-ро интихоб мекунад. Ин натиҷа намунаи равшани он аст, ки чаро дар таснифи хеле номувозин accuracy-и баланд дар танҳоӣ меъёри боэътимоди муваффақият нест.

Усули Linear ҳам дар ҳолати яксарӣ натиҷаи паст нишон медиҳад, аммо бо зиёд шудани шумораи сарҳо қиматҳои precision ва Restricted Accuracy ба таври назаррас беҳтар мешаванд. Усули Wasserstein натиҷаҳои аллакай қавии яксарии худро дар омӯзиши бисёрсарӣ камтар, вале ба таври мушоҳидашаванда беҳтар мекунад.

Аз рӯи accuracy тартиби усулҳо аз дигар метрикаҳо фарқ мекунад. Дар матни манбаъ SLACE ва Linear тақрибан %98, Wasserstein тақрибан %87, Cross-Entropy ва Mahalanobis тақрибан %76 гузориш шудаанд. Ин фарқ нишон медиҳад, ки accuracy-и баланд метавонад асосан аз пешгӯии синфи бартаридоштаи 0 сарчашма гирад ва бояд ҳамроҳ бо муваффақияти дарёфти ҳаракатҳои самтӣ арзёбӣ шавад.

Хароҷоти омӯзиши QMTL

Гарчанде омӯзиши бисёрсарӣ ба хароҷоти хулосабарорӣ интиқол намеёбад, омӯзиш ройгон нест. Расми 8-и манбаъ нишон медиҳад, ки бо зиёд шудани шумораи сарҳо вақти воқеии омӯзиш тақрибан хаттӣ меафзояд. Бо вуҷуди ин, дар бисёр конфигуратсияҳо бо зиёд шудани шумораи сарҳо шумораи epoch-ҳои лозим барои расидан ба early stopping кам мешавад. Муаллиф баррасӣ мекунад, ки ин рафтор метавонад бо наздикшавии зудтар, таъсири регуляризатсионии омӯзиши бисёрсарӣ ё омезиши ҳар ду механизм алоқаманд бошад; таҳқиқот нишон намедиҳад, ки кадом механизм сабаби дақиқ аст.

Таҷрибаҳои меъмории пешрафта бо DeepLOB ва MLPLOB

Барои маҳдуд кардани хароҷоти ҳисоббарорӣ дар меъмориҳои пешрафта танҳо Cross-Entropy (C)-и стандартӣ бо Wasserstein (W), ки муваффақтарин равиши хароҷот буд, муқоиса шудааст. Дар Расми 9-и манбаъ барои Baseline, DeepLOB ва MLPLOB бо 1-5 сар натиҷаҳои умумии 40 такрор пешниҳод мешаванд.

Дар намунаи умумӣ талафоти Wasserstein нисбат ба версияи Cross-Entropy-и ҳамон меъморӣ дар аксари метрикаҳо натиҷаҳои беҳтар медиҳад. Истиснои умумии равшан recall аст; дар ҳар се меъморӣ Cross-Entropy аз рӯи recall ба қиматҳои баландтар мерасад. Барои DeepLOB precision ва Restricted Accuracy ва барои Baseline низ Restricted Accuracy дар баъзе конфигуратсияҳо истисно аз бартарии умумии Wasserstein мебошанд.

Дар MLPLOB бо Wasserstein, ҳангоми зиёд шудани шумораи сарҳо баъзе метрикаҳо, аз ҷумла F1-score, Cohen's kappa ва accuracy, меафзоянд, дар ҳоле ки Restricted Accuracy кам мешавад. Манбаъ инро бо мубодилаи нишондиҳанда байни таснифи беҳтари синфи бетараф, ки аллакай тақрибан %98-ро ташкил медиҳад, ва таваҷҷуҳ ба синфҳои камёби ±1 алоқаманд мекунад.

Дар DeepLOB баъзе метрикаҳои ҳаракати самтӣ бо шумораи сарҳо беҳтар мешаванд, дар ҳоле ки accuracy ва Cohen's kappa метавонанд коҳиш ёбанд. Аз ин рӯ, таъсири QMTL аз меъморӣ ва метрикаи интихобшуда вобаста аст; таҳқиқот хулосаи «сарҳои бештар ҳамеша беҳтар аст»-ро дастгирӣ намекунад.

Дар муқоисаи моделҳо Baseline аз рӯи F1 ва precision қавӣ аст; DeepLOB аз рӯи accuracy ва Cohen's kappa натиҷаҳои баланд медиҳад; MLPLOB бошад аз рӯи recall ва махсусан Restricted Accuracy қавӣ аст. Аз ин рӯ, манбаъ як меъмориро барои ҳамаи ҳадафҳо бартар шуморида эълон намекунад.

Оё Ин Натиҷаҳо Стратегияи Даромадноки HFT-ро Исбот Мекунанд?

Не. Таҳқиқот дар маълумоти таърихии BTC/USDT LOB метрикаҳои таснифи самти бозор ва рафтори омӯзишро чен мекунад; фоидаи соф, хароҷоти муомила, таъсири bid-ask spread, slippage, мавқеъ дар навбати фармоиш, таъхири воқеии сар-то-сар ё нишондиҳандаи иҷрои фармоишҳои зинда тағйирёбандаҳои асосии натиҷавии таҷрибаҳо нестанд. Аз ин рӯ, F1, kappa ё Restricted Accuracy-и баландтарро наметавон мустақиман ҳамчун стратегияи даромадноки HFT тафсир кард.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Вазифаи самти бозори −1, 0 ва +1 метавонад ҳамчун сохтори тартибӣ моделсозӣ шавад.
• Тарҳи матритсаи хароҷот дар дохили OLL метавонад рафтори моделро ба таври қавӣ тағйир диҳад.
• Дар ин маҷмӯи маълумот матритсаи хароҷоти бар Wasserstein асосёфта дар байни алтернативаҳои санҷидашуда дар маҷмӯъ устувортарин натиҷаҳоро медиҳад.
• QMTL метавонад дар баъзе функсияҳои талафот ва меъмориҳо омӯзишро пеш аз хулосабарории яксарӣ беҳтар кунад.
• Хориҷ кардани сарҳои иловагӣ пас аз омӯзиши бисёрсарӣ пешгирӣ мекунад, ки хароҷоти ҳисоббарории сарҳои иловагӣ ба меъмории асосии ҷойгиркунӣ интиқол ёбад.
• Аз сабаби номувозинии шадиди синфҳо accuracy дар танҳоӣ метрикаи кофии арзёбӣ нест.

Умумисозиҳое, ки таҳқиқот дастгирӣ намекунад

• Натиҷаҳоро ба ҳамаи бозорҳои саҳмия, асъор ё крипто ба таври худкор умумӣ кардан мумкин нест.
• Нишон дода нашудааст, ки матритсаи хароҷоти Wasserstein дар ҳар маҷмӯи маълумот аз Cross-Entropy бартар хоҳад буд.
• Нишон дода нашудааст, ки сарҳои бештари QMTL дар ҳар меъморӣ ва ҳар метрика нишондиҳандаро беҳтар мекунанд.
• Афзоиши нишондиҳандаи тасниф исбот намекунад, ки фоидаи воқеии савдо зиёд мешавад.
• Таҳқиқот бартарии таъхири сар-то-сарро дар инфрасохтори зиндаи HFT тасдиқ накардааст.
• Азбаски танҳо BTC/USDT ва давраи ду-моҳа омӯхта шудааст, барои режимҳои дигари бозор санҷиши алоҳида лозим аст.

Хароҷоти ҳисоббарорӣ ва устуворӣ

Тезис хароҷоти энергетикии омӯзиши моделҳоро низ чен мекунад. Дар гурӯҳи охирини таҷрибаҳо Baseline дар маҷмӯъ 150,44 соат омӯзиш ва 16,55 kWh; DeepLOB 726,02 соат ва 177,87 kWh; MLPLOB 27,7 соат ва 5,54 kWh масраф кардааст. Ҳар се дар якҷоягӣ 904,16 соат омӯзиши GPU ва 199,96 kWh энергияро ташкил додаанд.

Муаллиф барои ба ҳисоб гирифтани омӯзишҳои иловагие, ки ҳангоми таҳия анҷом дода шудаанд, масрафи умумии омӯзиши моделҳоро тақрибан 399,92 kWh арзёбӣ мекунад. Бо илова кардани масрафи тахминии компютери таҳия барои лоиҳа тақрибан 487,92 kWh ҳисоб мешавад. Ҳадафи ин бахш нишон додани он аст, ки фоидаи эҳтимолии энергетикии истифодаи модели хурд дар хулосабарорӣ бояд ҳамроҳ бо хароҷоти иловагии омӯзишии равандҳои мураккабтари омӯзиш арзёбӣ шавад.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: Distance-based Loss functions for High-Frequency Trading

Муаллиф: Jonathan Rodríguez Barja

Роҳбари тезис: Daniel P. Palomar

Tutor-и маҳаллӣ: Jordi Castro

Муассисаҳо: Universitat Politècnica de Catalunya - BarcelonaTech (UPC); таҳқиқот дар HKUST анҷом дода шудааст. Ҳуҷҷат ба барномаи дугонаи бакалаврии Data Science & Engineering / Engineering Physics дар доираи Centre de Formació Interdisciplinària Superior (CFIS) тааллуқ дорад.

Навъи манбаъ: Тезиси хатми бакалаврӣ / Bachelor thesis / Treball Final de Grau.

Сана: Санаи муқоваи PDF феврали 2026; санаи сабти расмии repository 26 феврали 2026.

Платформа: UPCommons, бойгонии академии институтсионалии Universitat Politècnica de Catalunya.

Шиносаи доимии сабт: 2117/457644.

DOI: Дар манбаъ ва сабти расмии repository DOI нишон дода нашудааст.

Маҷалла / ҷилд / шумора: Татбиқ намешавад; таҳқиқот мақолаи маҷалла нест.

Ҳолати баррасии ҳамтоён: Мақолаи маҷаллаи баррасишуда нест. Кори хатмии бакалаврии донишгоҳӣ мебошад.

Дастрасӣ ва иҷозатнома: Сабти расмии repository дастрасии кушодаро таъмин мекунад ва асарро таҳти иҷозатномаи CC BY-NC-ND 4.0 нишон медиҳад. Бо сабаби шарти NoDerivatives матни Verianla ҳамчун тарҷума ё бознависии наздики матни манбаъ сохта нашудааст; шаклҳои манбаъ тағйир дода ё аз нав услубӣ шуда истифода нашудаанд. Усули илмӣ, рақамҳои санҷишшаванда, муодилаҳо ва натиҷаҳо бо баёни мустақили омӯзишӣ аз нав сохторбандӣ шудаанд.

Манбаи маълумот: Маълумоти Binance BTC/USDT LOB тавассути CryptoHFTData. Фосилаи санаи истифодашуда дар таҳқиқот 1 октябр-30 ноябр 2025 аст.

Нармафзор ва таҳия: Таҳқиқот чаҳорчӯбаи бар LibMTL асосёфтаро мутобиқ карда; QMTL, early stopping ва ҷузъҳои монанди logging бо Weights & Biases-ро илова кардааст. Дар манбаъ изҳороти алоҳида дар бораи дастрасии код ё иҷозатномаи код дода нашудааст.

Маблағгузорӣ: Дар манбаъ изҳороти алоҳидаи стандартии маблағгузорӣ мавҷуд нест. Дар бахши сипосгузорӣ дастгирии CFIS зикр шудааст; ин баён ҳамчун фонди таҳқиқотӣ ё гранти лоиҳа аз нав тафсир нашудааст.

Бархӯрди манфиатҳо: Дар манбаъ изҳороти алоҳида оид ба бархӯрди манфиатҳо муайян карда нашудааст.

Маҳдудиятҳои асосии методологӣ: Як дороӣ ва як биржа; танҳо давраи ду-моҳаи таърихӣ; номувозинии қавии синфҳо бо тақрибан %98 синфи бетараф; метрикаҳои тасниф ба ҷойи даромаднокии воқеии савдо; интихоби тасодуфии сари хулосабарорӣ дар QMTL; вобастагии хароҷоти Wasserstein ба харитасозии OBI-и махсуси татбиқ; гузориш нашудани равшани баъзе ҷузъиёти омӯзиш, аз ҷумла андозаи mini-batch ва random seed.

Огоҳии нотационӣ дар манбаъ 1: Дар махраҷи Restricted Accuracy дар Муодилаи (3.16) як ҳади таснифи байнисинфӣ такроршуда менамояд. Verianla ин ифодаро хомӯшона ислоҳ накардааст.

Огоҳии нотационӣ дар манбаъ 2: Муодилаи (5.12) барои \(\bar{\mathbf v}_j\), ки дар матн ҳамчун миёнаи синф шарҳ дода шудааст, ифодаи ҷамъро медиҳад, аммо дар формулаи намоён ҳади тақсим ба шумораи намунаҳои синф мавҷуд нест. Ин фарқ дар баёни усули Mahalanobis низ алоҳида ҳифз шудааст.