Дар маълумоти молиявии басомади баланд модели қавӣ набояд танҳо пешгӯии дуруст анҷом диҳад; он ҳамчунин бояд ҷараёни иборат аз миллионҳо муомиларо бо суръати кофӣ коркард карда тавонад, ҳангоми тағйир ёфтани режими бозор маълумоти кӯҳнаро фаромӯш кунад, эҳтимолиятҳои истеҳсолкардааш хуб калибршуда бошанд ва дар шароити хароҷоти муомилот арзиши иқтисодӣ эҷод намояд. Ин таҳқиқот паҳлуҳои гуногуни ин масъаларо дар як тарҳи таҷрибавӣ месанҷад ва моделҳои minGRU, minLSTM, LSTM-и классикӣ, Temporal Convolutional Network (TCN), Transformer ва XGBoost-ро муқоиса мекунад.

Таҷрибаҳо дар маълумоти XBTUSD, ETHUSD ва SOLUSD, ки аз биржаи криптовалютии Kraken гирифта шуда, беш аз 50 миллион tick-ро фаро мегиранд, анҷом дода шудаанд. Ба ҷойи фосилаҳои собити вақт, намунагирии dollar-bar истифода мешавад, ки ҳангоми расидан ба тақрибан 10.000 USD арзиши муомилот мушоҳидаи нав эҷод мекунад. Бо ин роҳ кӯшиш мешавад, ки фарқи аз ҳад зиёди шумораи муомилаҳо дар як time bar байни давраҳои хеле фаъол ва хеле ороми бозор кам карда шавад.

Натиҷаи асосии таҳқиқот ин аст, ки ҳеҷ як меъмории ягонаи модел дар ҳамаи бозорҳо бартарӣ надорад. TCN аз ҷиҳати ҳисоббарорӣ бо фарқи равшан зудтарин модел мебошад. Дар дарозии пайдарпайии \(L=1024\), як epoch барои TCN 1,58 сония, барои minLSTM 4,90 сония, барои minGRU 4,00 сония, барои LSTM-и классикӣ 4,16 сония ва барои Transformer 19,78 сония аст.

Натиҷаҳои иқтисодӣ вобаста ба дороӣ баръакс тағйир меёбанд. Барои XBTUSD дар \(L=1024\), minLSTM бо +%9,52 баландтарин даромади мутлақро тавлид мекунад, дар ҳоле ки TCN бо нисбати Sortino-и 0,174 ва maximum drawdown-и −%0,86 профили устувортари хавфро нишон медиҳад. Дар ETHUSD, minLSTM бо +%16,43 даромад ва 0,276 Sortino ба таври равшан пешсаф аст. Дар SOLUSD бошад, ҳеҷ як модел дар намунаи умумӣ даромади мусбат тавлид намекунад.

Паёми умумитарини таҳқиқот ин аст, ки дар қаторҳои замонии молиявӣ ибораҳои “модели калонтар”, “хотираи дарозтар” ё “меъмории муосиртар” худ ба худ кафолати самаранокиро намедиҳанд. Майли индуктивии модел, дараҷаи камолоти бозор, режими волатилӣ, дарозии хотираи зарурӣ ва калибровкаи эҳтимолиятҳои пешгӯӣ бояд якҷоя арзёбӣ шаванд.

Чаро маълумоти молиявии басомади баланд фарқ мекунад?

Дар бисёр масъалаҳои sequence-learning, ба монанди забони табиӣ, контексти дарози гузашта метавонад маълумоти муҳим дошта бошад. Аммо дар микросохтори молиявӣ арзиши маълумоти кӯҳна метавонад хеле зудтар аз байн равад. Ҷараёни фармоиш, фишори кӯтоҳмуддати хариду фурӯш, тағйироти пардохтпазирӣ ва бозгаштҳои нарх метавонанд дар чанд муомила таъсири худро гум кунанд.

Аз ин рӯ, масъалаи асосӣ танҳо “дар хотир нигоҳ доштани гузаштаи дароз” нест. Модел бояд муайян кунад, ки кадом маълумот дигар танҳо садо аст ва ба режими нави бозор зуд мутобиқ шавад.

LSTM-и классикӣ барои ин мақсад сохторҳои forget, input ва output gate-ро истифода мебарад; аммо азбаски қадамҳои вақт пайдарпай коркард мешаванд, параллелсозии GPU маҳдуд мегардад. Transformer метавонад тамоми пайдарпайиро параллел коркард кунад, вале арзиши ҳисоббарории standard self-attention бо дарозии пайдарпайӣ тақрибан мувофиқи \(O(L^2)\) меафзояд.

Меъмориҳои рекуррентии хаттӣ, ба мисли minGRU ва minLSTM, байни ин ду равиш роҳи ҳал пешниҳод мекунанд: recurrent state нигоҳ дошта мешавад, вобастагии hidden-state аз ҳисобкунии gate хориҷ мешавад ва ҳисобро метавон ба шакли parallel associative scan табдил дод.

Чаро minGRU ва minLSTM Осонтар Параллел Мешаванд?

Update gate дар GRU-и стандартӣ тақрибан чунин аст:

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

Дар ин ҷо \(h_{t-1}\) маънои онро дорад, ки то ҳисоб шудани hidden state-и қаблӣ арзиши gate-и ҷорӣ пурра ҳисоб карда намешавад.

Дар равиши minGRU, узви recurrent hidden-state аз ҳисобкунии gate хориҷ мешавад:

\[ z_t=\sigma(W_zx_t) \]

ва ҳолати номзад:

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

ба ин шакл ҳисоб карда мешавад.

Навсозӣ:

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

мегардад.

Ин сохтор:

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

ба шакли recurrence-и хаттӣ табдил меёбад ва аз ин рӯ бо associative scan ба таври параллел ҳисоб карда мешавад. Дар чаҳорчӯбаи назариявии манбаъ, ин сохтор аз ҷиҳати ҳаҷми умумии ҳисоб \(O(L)\), аз ҷиҳати амиқии parallel reduction тақрибан \(O(\log L)\) мебошад ва ҳангоми inference барои мушоҳидаи нави воридшаванда танҳо нав кардани state-и ҷорӣ кофӣ аст.

TCN равиши дигарро истифода мебарад

Temporal Convolutional Network ба ҷойи recurrent state, causal ва dilated convolution-ро истифода мебарад. Дар таҷрибаи асосӣ андозаи kernel \(k=3\) ва арзишҳои dilation \(\{1,2\}\) мебошанд.

Effective receptive field:

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

мебошад, бинобар ин TCN-и асосӣ тақрибан 7 dollar-bar гузаштаро мебинад.

Дар варианти сеқабата бо dilation-и \(\{1,2,4\}\), receptive field тақрибан 15 bar мешавад.

Ин нуқта муҳим аст: гарчанде ки дар таҷриба пайдарпайии вурудӣ барои TCN \(L=1024\) аст, гузаштаи самараноки пешгӯии ниҳоии модел ҳамаи 1024 bar нест. Inductive bias-и TCN-и асосӣ махсусан ба омӯзиши намунаҳои хеле кӯтоҳи маҳаллии микросохтор равона шудааст.

Намунагирии Dollar-Bar Чист ва Чаро Истифода Мешавад?

Bar-ҳои стандартии 1-дақиқагӣ дар ҳар фосилаи вақт муддати баробарро фаро мегиранд, аммо ҳаҷми баробари фаъолияти иқтисодиро фаро намегиранд. Агар бозор дар як дақиқа хеле фаъол бошад, ҳазорҳо муомила рӯй дода метавонанд; дар як дақиқаи ором бошад, муомила хеле кам мешавад.

Дар ин таҳқиқот ба ҷойи он, ҳар bar-и нав вақте сохта мешавад, ки арзиши умумии муомила ба ҳадди муайяншуда бирасад:

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

ва

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

Аз ин рӯ, ҳар dollar-bar кӯшиш мекунад тақрибан ҳаҷми баробари фаъолияти иқтисодиро бо доллар ифода кунад.

Арзиши kurtosis-и 12,1 барои SOLUSD нишон медиҳад, ки байни се дороӣ рафтори нарх бо думҳои аз ҳама ғафс дар ҳамин бозор мушоҳида мешавад. XBTUSD бошад, бо 4,2 kurtosis-и пасттар дорад.

Леммаи назариявии манбаъ изҳор мекунад, ки dollar bar-ҳо дисперсияро устувор мекунанд. Аммо муодила нишон медиҳад, ки миқдори собитшуда на ҳаҷми физикии coin, балки арзиши тахминии долларии муомила, ки бо нарх × ҳаҷм чен мешавад, мебошад. Аз ин рӯ, ибораи “ҳаҷм дар ҳар bar собит аст” аз ҷиҳати техникӣ бояд бештар ҳамчун собитии dollar-notional хонда шавад.

Моделҳо Кадом Вурудҳоро Истифода Мебаранд?

Манбаъ се вурудро ҳамчун хусусиятҳои микросохтор ба таври равшан муайян мекунад.

Лог-даромад:

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

Order Flow Imbalance:

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

Tick intensity:

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

Ҳамаи хусусиятҳо барои коҳиш додани таъсири heavy-tail дар атрофи медиана марказонида шуда, бо истифода аз interquartile range тавассути RobustScaler миқёс карда шудаанд.

Бо вуҷуди ин, манбаъ вектори вурудро ҳамчун \(x_t\in\mathbb{R}^{4}\) муайян мекунад ва қабати вуруди Universal Model низ вуруди 4-ченакро ба 256 чен проексия мекунад. Аммо дар рӯйхати хусусиятҳо танҳо се тағйирёбанда ба таври равшан дода шудаанд. Хусусияти чорум дар PDF муайян нашудааст. Ин барои бозтакрори пурраи таҳқиқот камбудии муҳим мебошад.

Муқоисаи Моделҳо Чӣ Гуна Одилона Карда Мешавад?

Моделҳои амиқ дар як чаҳорчӯбаи умумии Universal Model ҷойгир шудаанд:

Вуруд → projection-и 256-ченака → sequence encoder → layer normalization → сарлавҳаи таснифоти Bear / Neutral / Bull

Аксари параметрҳои модел тақрибан дар ҳудуди 200.000–500.000 нигоҳ дошта шудаанд. Дарозии пайдарпайӣ:

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

тағйир дода шудааст.

Моделҳои муқоисашуда:

• LSTM-и классикии дуқабата,
• minGRU,
• minLSTM,
• TCN-и дуқабата бо хотираи кӯтоҳ,
• Transformer-и дуқабата бо чор attention head,
• XGBoost бо 100 estimator ва maximum depth 6.

XGBoost sequence model нест ва ҳамчун tabular baseline истифода мешавад, ки аз тағйири \(L\) мустақиман таъсир намегирад.

Transformer бошад, causal mask истифода мебарад, вале explicit positional encoding истифода намекунад. Ин тарҳи таҷрибавӣ барои шарҳи натиҷаҳои Transformer махсусан муҳим аст.

Чаро Walk-Forward Validation Муҳим Аст?

Дар қаторҳои замонии молиявӣ, ҷудокунии тасодуфии train-test метавонад боиси ворид шудани мушоҳидаҳои оянда ба гузашта шавад. Дар таҳқиқот five-fold expanding-window walk-forward validation истифода мешавад.

Қисми аввали омӯзиш %50-и маълумотро ташкил медиҳад. Баъдан равзанаи омӯзиш васеъ мешавад ва танҳо давраи баъдӣ санҷида мешавад.

Ин сохтор:

Дар гузашта омӯзон → дар оянда санҷ → равзанаи омӯзишро васеъ кун → боз санҷ

бо ҳамин мантиқ тартиби замонии бозомӯзии моделро дар вақти воқеӣ тақлид мекунад.

Backtest чӣ гуна кор мекунад?

Сармояи ибтидоӣ:

\[ 100.000\ \text{USD} \]

муайян шудааст.

Баландтарин эҳтимолияти синфии модел:

\[ \tau=0,40 \]

агар аз ин ҳад гузарад, мувофиқи синфи Bear ё Bull мавқеи short ё long кушода мешавад. Вақте сигнал ба самти муқобил мегардад, мавқеъ баста мешавад.

Алгоритм инчунин fee ва slippage-ро дар бар мегирад. Аммо PDF арзишҳои рақамии истифодашудаи ин ду параметрро нишон намедиҳад. Азбаски шумораи муомилаҳои тавлидкардаи моделҳо ба таври назаррас фарқ мекунад, ин камбудӣ метавонад ба бозтакроршавии net PnL мустақиман таъсир расонад.

Усул ва Натиҷаҳои Таҳқиқот

Вақти ҳисоббарорӣ: чаро TCN пешсаф аст?

TCN дар ҳамаи дарозиҳои пайдарпайӣ пасттарин вақти epoch-ро дорад.

Барои \(L=1024\), TCN нисбат ба minLSTM тақрибан:

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

маротиба тезтар аст.

Муқоиса бо Transformer:

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

маротиба мебошад.

Аз ин рӯ, ибораи “15× faster than Transformers” дар abstract ва қисми натиҷаҳои манбаъ бо нисбати тақрибан 12,5×, ки мустақиман аз арзишҳои Ҷадвали 2 ба даст меояд, пурра мувофиқат намекунад.

Оё Дақиқии Пешгӯӣ ва Даромади Молиявӣ Як Чизанд?

Не. Яке аз натиҷаҳои муҳими таҳқиқот ин аст, ки macro F1 бо даромади иқтисодӣ робитаи хаттӣ нишон намедиҳад.

Дар ҳудуди тақрибан 0,30–0,43 будани ҳамаи арзишҳои F1 нисбати пасти signal-to-noise дар маълумоти криптовалютии басомади баландро нишон медиҳад.

Бо вуҷуди ин, фарқи чанд хол дар таснифот ба натиҷаи молиявӣ як ба як табдил намеёбад. Натиҷаи иқтисодии стратегия ба он вобаста аст, ки сигнал дар кадом давраҳои бозор дуруст буд, андозаи пешгӯии нодуруст чӣ қадар буд, мавқеъ чанд вақт нигоҳ дошта шуд, калибровкаи эҳтимолият ва басомади муомила чӣ гуна буд.

Дар Bitcoin Кадом Рафтори Модел Дида Мешавад?

Натиҷаҳои XBTUSD барои \(L=1024\):

Дар даромади мутлақ minLSTM ва LSTM пешсафанд, дар ҳоле ки TCN даромади камтар, аммо Sortino-и баландтар ва maximum drawdown-и пасттар нишон медиҳад.

Дар контексти \(L=512\), даромади LSTM-и классикӣ +%12,58, Sortino-и он 0,159; даромади TCN +%7,20, аммо Sortino-и он 0,209 гузориш шудааст.

Ин натиҷа нишон медиҳад, ки дар Bitcoin контексти дарозтар худкор беҳтар нест. Ба гуфтаи манбаъ, хотираи миёна аз ҷиҳати даромади мутлақ ва хотираи кӯтоҳи маҳаллӣ аз ҷиҳати устувории бо хавф тасҳеҳшуда бартарӣ дошта метавонад.

Чаро minLSTM Дар Ethereum Пешсаф Аст?

Дар натиҷаҳои ETHUSD барои \(L=1024\), minLSTM ба таври равшан фарқ мекунад:

Манбаъ инро бо он вобаста мекунад, ки хотираи recurrent метавонад маълумоти momentum-и дарозтар дар Ethereum-ро нигоҳ дорад.

Аммо натиҷаи дарозии пайдарпайӣ монотонӣ нест:

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

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

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

Аз ин рӯ, натиҷаро ҳамчун “пайдарпайии дарозтар ҳамеша беҳтар аст” шарҳ додан мумкин нест. Таъсири мутақобилаи дарозии муайяни контекст бо режими бозор муҳим аст.

Натиҷаҳои Solana Дар Бораи Маҳдудиятҳои Модел Чӣ Нишон Медиҳанд?

Дар SOLUSD барои \(L=1024\), ҳамаи моделҳо дар намунаи умумӣ зарар мебинанд:

Ин шояд муҳимтарин натиҷаи манфии муқоисаи моделҳо бошад. Интихоби меъмории хуб худ ба худ манбаи қавии alpha эҷод намекунад. Дар шароити волатилии хеле баланд ва думҳои ғафс маҷмӯи сигнале, ки танҳо аз хусусиятҳои микросохтор иборат аст, метавонад нокифоя бошад.

Манбаъ маҳз аз ҳамин сабаб барои оянда омӯзиши Level-2 order book, cross-exchange liquidity ва қабатҳои иловагии risk-management-ро пешниҳод мекунад.

Чаро Калибровка Ба Андозаи Дақиқии Таснифот Муҳим Аст?

Агар модел гӯяд “эҳтимолияти Bull %80 аст”, интизор меравад тақрибан %80-и ин пешгӯиҳо воқеан Bull бошанд. Ин мутобиқат бо probability calibration чен карда мешавад.

ECE-и пасттар калибровкаи беҳтарро нишон медиҳад. minLSTM аз рӯи ин ченак натиҷаи беҳтаринро медиҳад.

Графики ҳассосияти threshold дар саҳифаи 8 нишон медиҳад, ки ҳангоми тағйир додани confidence threshold аз 0,30 то 0,60 дар ETHUSD, даромади XGBoost дар байни тақрибан −%80 ва +%20 хеле тез тағйир меёбад. minLSTM ва LSTM бошад, каҷҳои ҳамвортар медиҳанд.

Ин натиҷа нишон медиҳад, ки на танҳо синфи пешгӯӣ, балки дараҷаи эътимоде, ки ба пешгӯӣ дода мешавад, низ устувории стратегияро тағйир медиҳад.

Оё Бадтарин Муомилаҳо Рафтори Хотираи Моделҳоро Нишон Медиҳанд?

Натиҷаҳои worst-trade барои ETHUSD дар fold-и сеюми walk-forward:

Манбаъ зарари 99 bar-и LSTM-ро ҳамчун масъалаи “state persistence” шарҳ медиҳад: модел шояд ҳолати кӯҳнаи бозорро аз ҳад зиёд нигоҳ дошта бошад.

Аммо “Max Loss %” дар ин ҷадвал ва “Max Drawdown %” дар ҷадвали умумии стратегия як миқдор нестанд. Масалан, барои minLSTM worst trade −%13,39 аст, дар ҳоле ки maximum drawdown-и умумии equity −%1,28 мебошад. Манбаъ муфассал шарҳ намедиҳад, ки ин ду фоиз нисбат ба кадом базаҳои гуногун нормализатсия шудаанд; бинобар ин онҳоро мустақиман муқоиса кардан лозим нест.

Натиҷаҳои Bootstrap То Кадом Андоза Эътимодноканд?

Манбаъ 1.000 намунагирии bootstrap истифода мебарад. Дар XBTUSD гуфта мешавад, ки интервалҳои Sharpe барои LSTM, minLSTM, TCN ва XGBoost ба таври назаррас ҳампӯшанд ва аз ин рӯ фарқҳои самаранокии бо хавф тасҳеҳшуда аз ҷиҳати оморӣ ба таври возеҳ ҷудо намешаванд.

Барои ETHUSD \(L=1024\), интервали Sharpe-и minLSTM:

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

интервали TCN:

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

гузориш шудааст ва интервалҳо ҳампӯш намешаванд.

Бо вуҷуди ин, гарчанде ки дар қисми метод “%95 bootstrap confidence interval” гуфта мешавад, шарҳ дода шудааст, ки ҳадҳои поёнӣ ва болоӣ персентилҳои 5 ва 95 мебошанд. Дар истилоҳоти стандартии percentile-bootstrap, персентилҳои 5.–95. интервали марказии %90 медиҳанд; барои интервали марказии %95 одатан персентилҳои 2,5.–97,5. истифода мешаванд. Ин як номувофиқии ҳисоботи омории манбаъ мебошад, ки бояд ислоҳ шавад.

Агар Хотираи TCN Танҳо 7 Bar Бошад, Чаро Он Ин Қадар Хуб Кор Мекунад?

Манбаъ инро бо locality-и қавии микросохтори молиявӣ шарҳ медиҳад. Тағйироти хеле кӯтоҳмуддати order-flow imbalance ва tick intensity, махсусан дар бозорҳои баркамол ва пардохтпазир, метавонанд аз гузаштаи дур муҳимтар бошанд.

Вақте receptive field-и TCN аз тақрибан 7 bar то 15 bar васеъ мешавад, даромади XBTUSD:

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

ва ETHUSD:

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

тағйир меёбад.

Ин васеъкунӣ то андозае беҳбудӣ медиҳад, аммо ETHUSD-ро ба даромади мусбат намебарад. Манбаъ бар он аст, ки натавонистани TCN ба таври мутобиқшаванда вазн додан ба гузаштаи дур метавонад дар бозорҳои momentum-марказ маҳдудкунанда бошад.

Натиҷаҳои Асосие, ки Таҳқиқот Дастгирӣ Мекунад

• TCN дар муҳити таҷрибавии истифодашудаи A100/PyTorch нисбат ба neural sequence model-ҳои муқоисашуда зудтар омӯзонида мешавад.
• Вақти омӯзиши Transformer бо зиёд шудани дарозии пайдарпайӣ нисбат ба моделҳои дигар хеле зудтар меафзояд.
• Вақти ҳисоббарории minGRU ва minLSTM бо дарозии пайдарпайӣ тақрибан хаттӣ миқёс мешавад.
• Байни F1 ва даромади backtest робитаи як ба як вуҷуд надорад.
• Дар XBTUSD, TCN-и кӯтоҳи маҳаллӣ метавонад устувории беҳтари бо хавф тасҳеҳшуда нишон диҳад, дар ҳоле ки LSTM/minLSTM метавонанд даромади мутлақи баландтар диҳанд.
• Дар таҷрибаи ETHUSD \(L=1024\), minLSTM бо +%16,43 даромад ва 0,276 Sortino натиҷаи қавӣ медиҳад.
• minLSTM бо 0,032 ECE беҳтарин калибровкаи эҳтимолиятро таъмин мекунад.
• Дар SOLUSD бо \(L=1024\), ҳамаи моделҳо дар маҷмӯъ манфӣ мебошанд.
• Самаранокии модел ба дороӣ, дарозии пайдарпайӣ ва режими волатилӣ вобаста аст.
• Васеъ кардани receptive field-и TCN натиҷаҳоро то андозае беҳтар мекунад, аммо тартиби моделҳоро комилан тағйир намедиҳад.

Натиҷаҳое, ки Таҳқиқот Дастгирӣ Намекунад

Таҳқиқот нишон намедиҳад, ки minLSTM дар ҳамаи бозорҳои криптовалюта беҳтарин модел аст.

Зудтарин будани TCN маънои сердаромадтарин модел будани онро надорад.

Натиҷаи сусти Transformer дар ин таҷриба исбот намекунад, ки ҳамаи моделҳои Transformer ё attention-based барои HFT номуносибанд; Transformer-и санҷидашуда explicit positional encoding истифода намекунад.

Даромадҳои backtest даромади воқеии савдои зинда нестанд. Exchange latency, order-book queue position, market impact ва параметрҳои воқеии fee/slippage метавонанд натиҷаҳоро тағйир диҳанд.

Истифодаи беш аз 50 миллион tick кафолат намедиҳад, ки модел дар оянда низ даромаднок хоҳад буд.

Намунагирии dollar-bar исбот намекунад, ки маълумоти молиявӣ пурра stationary ё IID мешавад; он танҳо коҳиш додани гетерогении шиддати фаъолиятро ҳадаф дорад.

Натиҷаи SOLUSD маънои онро надорад, ки deep learning дар ҳамаи бозорҳои altcoin кор намекунад.

Таҳқиқот иҷрои order-routing-ро дар сатҳи наносония/микросония дар инфрасохтори зиндаи биржа чен намекунад; он моделсозии маълумоти басомади баландро дар контексти омӯзиш ва backtest таҳқиқ мекунад.

Ёддошт оид ба Манбаъ ва Усул

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

Муаллиф: Ahoora Rostamian.

Муассиса: University of Essex.

Навъи нашр: SSRN preprint; шакли preprint, ки ба Elsevier фиристода шудааст.

Санаи фиристодан ба SSRN: 27 May 2026.

SSRN Abstract ID: 6839368.

DOI: 10.2139/ssrn.6839368.

Ҳолати рецензия: Манбаъ ба таври возеҳ мегӯяд, ки аз peer review нагузаштааст.

Ҳуқуқи муаллиф / иҷозатнома: Сабти SSRN ҳолати “All rights reserved; no reuse allowed without permission”-ро нишон медиҳад. Аз ин рӯ, шаклҳо ва ҷадвалҳои манбаъ дар Verianla дубора нашр нашудаанд.

Манбаи маълумот: Маълумоти tick аз биржаи криптовалютии Kraken.

Дороиҳо: XBTUSD, ETHUSD ва SOLUSD.

Ҳаҷми умумии маълумоти хом: Манбаъ беш аз 50 миллион tick-ро гузориш медиҳад.

Ҳадди dollar-bar: 10.000 USD.

Шумораи тахминии bar: XBTUSD 699.299; ETHUSD 450.100; SOLUSD 320.500.

Давраи тақвимӣ: PDF санаҳои дақиқи оғоз ва анҷоми намунаи маълумотро равшан гузориш намедиҳад.

Моделҳо: LSTM, minGRU, minLSTM, TCN, Transformer ва XGBoost.

Дарозии пайдарпайӣ: 256, 512 ва 1024.

Таҷҳизот: Як NVIDIA A100-SXM4 GPU, 40 GB HBM2e.

Нармафзор: PyTorch 2.1 ва CUDA 12.1; режими torch.compile reduce-overhead дар minRNN-ҳо.

Санҷиш: Five-fold expanding-window walk-forward validation.

Backtest: 100.000 USD сармояи ибтидоӣ, 0,40 confidence threshold; сигналҳои long/short.

Маҳдудиятҳои асосии бозтакрор: Хусусияти чоруми input муайян нашудааст; арзишҳои fee ва slippage дода нашудаанд; exact dataset date range нишон дода нашудааст.

Ёддошти ҳисоботи оморӣ: Манбаъ ибораи %95 bootstrap CI-ро истифода мебарад, аммо мегӯяд, ки персентилҳои 5.–95.-ро гузориш медиҳад; дар шарҳи стандартии percentile ин интервали марказии %90 мебошад.

Ёддошти ҳисоббарорӣ: Манбаъ мегӯяд, ки TCN аз Transformer 15× тезтар аст; азбаски арзишҳои \(L=1024\) дар Ҷадвали 2 19,78 сон ва 1,58 сон мебошанд, нисбати мустақим тақрибан 12,5× аст.

Шарҳи Transformer: Азбаски baseline-и санҷидашуда explicit positional encoding истифода намекунад, натиҷаҳоро набояд ба ҳамаи вариантҳои оилаи Transformer умумӣ кард.

Ҳадди шарҳи молиявӣ: Фоизҳои гузоришшуда натиҷаҳои walk-forward backtest-и таҳқиқот мебошанд; онҳо даромади воқеии сармоягузорӣ, натиҷаи зиндаи HFT ё кафолати иҷрои оянда нестанд.