Ushbu tadqiqot moliyaviy bozorlardagi noaniqlikni keskin chegaralar bilan emas, balki oʻzgaruvchilar turli holatlarga muayyan darajalarda mansub boʻla oladigan noaniq mantiq (fuzzy logic) yondashuvi orqali savdo qarorlariga qanday oʻtkazishni oʻrganadi. Taklif etilgan tizim aksiya narxi momentumi, YAIM oʻsishi, inflyatsiya va ishsizlik kabi oʻzgaruvchilarni noaniq toʻplamlarga aylantiradi va ekspert bilimlari bilan belgilangan IF–THEN qoidalari orqali sotib olish, kutish yoki sotish signalini ishlab chiqaradi. Keyin genetik algoritmlar qoidalar bazasini optimallashtirish, neyron tarmoqlar esa modelni nozik sozlash uchun baholanadi. Risklarni boshqarishda centroid defuzzification yordamida noaniq chiqish aniq savdo qiymatiga aylantiriladi va volatillikka bogʻliq dinamik stop-loss darajalari taklif qilinadi.

Shu bilan birga, tadqiqotning HFT kontekstidagi empirik kuchini ehtiyotkorlik bilan baholash kerak. Maqolada mikrosoniya darajasidagi yuqori chastotali savdo tizimlari tilga olingan boʻlsa-da, empirik qoʻllanma kunlik narx qatorlari, besh kunlik momentum va oʻn kunlik harakatlanuvchi oʻrtacha kabi past chastotali oʻzgaruvchilarga asoslanadi. Maʼlumotlar tavsifida “Company A”ning kunlik maʼlumotlari Xitoy moliyaviy maʼlumotlar bazalaridan olingani aytiladi, shu bilan bir vaqtda maʼlumotlar random functions yordamida algoritmik ravishda yaratilgani ham qayd etiladi. Shuning uchun tadqiqot real mikrosoniyali HFT buyurtma oqimida oʻtkazilgan samaradorlik sinovi emas, balki fuzzy logic asosidagi savdo qarori mexanizmining umumiyroq simulyatsiya/backtest namoyishidir.

Noaniq mantiq oʻzgaruvchining faqat “toʻgʻri” yoki “notoʻgʻri” boʻlishi oʻrniga 0 bilan 1 orasida turli aʼzolik darajalariga ega boʻlishiga imkon beradi. Masalan, bozor momentumi mutlaqo “ijobiy” yoki mutlaqo “neytral” boʻlishi shart emas; u bir vaqtning oʻzida maʼlum nisbatlarda ikkala toifaga ham mansub boʻlishi mumkin.

Keskin qaror chegaralari nega muammo tugʻdirishi mumkin?

Klassik qoidaga asoslangan savdo strategiyalarida qarorlar odatda muayyan chegaralardan oʻtishga bogʻlanadi. Masalan, narx harakatlanuvchi oʻrtachadan yuqori boʻlsa “sotib ol”, past boʻlsa “sot” degan tizimda chegara atrofidagi juda kichik narx oʻzgarishlari butunlay boshqa qarorlarni yuzaga keltirishi mumkin.

Fuzzy logic bu oʻtishni yumshatadi. Momentum qiymati bir vaqtning oʻzida %70 “ijobiy”, %30 “neytral” deb qabul qilinishi mumkin. Shu tariqa tizim oʻzgaruvchilarning faqat toifasini emas, balki ushbu toifaga qay darajada mansub ekanini ham qayta ishlashi mumkin.

Noaniq Mantiq Moliyaviy Noaniqlikni Qanday Ifodalaydi?

Noaniq mantiqda har bir kirish qiymati bir yoki bir nechta toʻplamga aʼzolik darajasi orqali bogʻlanadi. Aʼzolik darajasi 0 bilan 1 orasida boʻladi. Tadqiqot ayniqsa uchburchak yoki shunga oʻxshash hisoblash xarajati past aʼzolik funksiyalaridan foydalanadi.

Manbada berilgan uchburchak aʼzolik funksiyasi:

\[ \mu_A(x)= \begin{cases} 0, & x<a,\\ \dfrac{x-a}{b-a}, & a\leq x<b,\\ \dfrac{c-x}{c-b}, & b\leq x<c,\\ 0, & x\geq c \end{cases} \]

koʻrinishidadir. Bu yerda \(a\), \(b\) va \(c\) aʼzolik funksiyasining shaklini belgilaydi; \(\mu_A(x)\) esa \(x\) qiymatining \(A\) noaniq toʻplamiga aʼzolik darajasidir.

Manba 2-rasmda aksiya momentumi uchun uchta asosiy aʼzolik toʻplamini koʻrsatadi:

• Manfiy momentum: Soʻnggi davrda narx pasayishi.
• Neytral momentum: Aniq yoʻnalishni koʻrsatmaydigan narx harakati.
• Ijobiy momentum: Soʻnggi davrda narx koʻtarilishi.

YAIM oʻsishi esa past, oʻrta va yuqori oʻsish toʻplamlariga ajratilgan. Shu tariqa bir xil maʼlumot nuqtasi keskin sinf chegaralari oʻrniga qoʻshni iqtisodiy holatlarga turli darajalarda mansub boʻlishi mumkin.

Fuzzy rule base qanday ishlaydi?

Aʼzolik darajalari bevosita savdo buyrugʻiga aylanmaydi. Tizim avval ularni qoidalar bazasi orqali baholaydi.

Manbadagi namunaviy qoidalar:

• IF Stock Momentum is Positive AND GDP Growth is High → Buy
• IF Stock Momentum is Negative AND GDP Growth is Low → Sell
• IF Stock Momentum is Neutral OR GDP Growth is Moderate → Hold

Bu tuzilma bir vaqtning oʻzida bir nechta koʻrsatkichni birgalikda baholashga imkon beradi. Shunday qilib, savdo qarori faqat narx momentumi yoki faqat makroiqtisodiy oʻzgaruvchi asosida qabul qilinmaydi.

Noaniq Qaror Qanday Qilib Haqiqiy Savdo Signaliga Aylantiriladi?

Fuzzy inference natijasida tizim “sotib olish istagi = 0,72” kabi noaniq chiqish hosil qilishi mumkin. Biroq haqiqiy savdo mexanizmi amalda qoʻllash mumkin boʻlgan qaror chiqarishi uchun bu natija aniq qiymatga aylantirilishi kerak. Bu jarayon defuzzification deb ataladi.

Tadqiqot centroid yoki “ogʻirlik markazi” yondashuvidan foydalanadi. Ushbu usul barcha noaniq chiqish maydonining geometrik markazini hisoblab, yagona qaror qiymatini hosil qiladi.

Manba 10-rasmda uchburchak “buy strength” toʻplami va uning oʻrtasidagi centroid nuqtasini koʻrsatadi. Tizim ushbu nuqtani savdo qarorining aniq kuchi sifatida talqin qiladi.

Bu yondashuv nega keskin chegaradan farq qiladi?

Klassik tizim “momentum 5 dan yuqori boʻlsa sotib ol” deyishi mumkin. Fuzzy tizim esa momentum, oʻsish, inflyatsiya va boshqa kirishlarning aʼzolik darajalarini birgalikda baholab, sotib olish qarorining kuchini uzluksiz shkala boʻyicha hosil qilishi mumkin.

Shu tariqa qaror yuzasi yumshoqroq boʻladi va chegara atrofidagi kichik oʻzgarishlarning mutlaqo qarama-qarshi operatsiyalarni yuzaga keltirish ehtimoli kamayishi mumkin.

Tadqiqot Usuli va Natijalari

Maʼlumotlar tuzilmasi

Manba “Company A” uchun taxminan bir yillik kunlik maʼlumotlardan foydalanganini bildiradi. 1-jadvalda 1 Yanvar 2022 dan boshlangan namunaviy qatorlarda aksiya narxi, YAIM oʻsish surʼati, inflyatsiya va ishsizlik darajasi keltirilgan.

Biroq maʼlumotlar metodologiyasida muhim noaniqlik mavjud. Matn bir tomondan tarixiy kunlik aksiya maʼlumotlari Xitoy moliyaviy maʼlumotlar bazalaridan yigʻilganini aytsa, shu boʻlimning oʻzida:

“The Data were algorithmically generated using random functions to simulate the natural volatility and fluctuations observed in financial markets.”

degan jumla orqali maʼlumotlar random funksiyalar yordamida yaratilganini bildiradi.

Shuning uchun maʼlumotlar toʻplamining qaysi qismi haqiqiy va qaysi qismi sintetik ekani manba matnidan aniq ajratib boʻlmaydi.

Bu haqiqatan ham yuqori chastotali maʼlumotmi?

Manba kirish va motivatsiya boʻlimlarida HFT, tick data va mikrosoniyali kechikish haqida gapiradi. Ammo haqiqiy backtest qoʻllanmasida:

• kunlik yopilish narxlari,
• 5 kunlik momentum,
• 10 kunlik harakatlanuvchi oʻrtacha,
• kunlik makroiqtisodiy oʻzgaruvchilar

ishlatilgan.

Shu sababli tajribaviy qoʻllanma mikrosoniya yoki millisoniya darajasidagi buyurtmalar kitobi maʼlumotidan foydalanadigan haqiqiy HFT tizimi sifatida baholanmasligi kerak.

Taqqoslangan strategiyalar

Tadqiqot nazariy jihatdan toʻrtta anʼanaviy yondashuvni belgilaydi:

• momentum,
• mean reversion,
• statistical arbitrage,
• market making.

Biroq empirik tasvirlarda asosiy taqqoslash momentum va mean-reversion strategiyalari bilan amalga oshiriladi.

Momentum strategiyasi

Momentum yondashuvida narx 10 kunlik harakatlanuvchi oʻrtachadan yuqori boʻlsa sotib olish, past boʻlsa sotish signali ishlab chiqariladi.

Manba 4-rasmda bu signallarni kunlik narx qatori ustida koʻrsatadi. Mualliflar signal sonining koʻpligi haqiqiy savdo muhitida tranzaksiya xarajatlarini oshirishi mumkinligiga eʼtibor qaratadilar.

Mean-reversion strategiyasi

Mean-reversion yondashuvi Bollinger Bands dan foydalanadi. Narx pastki tasmaga tushganda sotib olish, yuqori tasmaga chiqqanda sotish signali ishlab chiqariladi.

Manba 5-rasmda ushbu strategiyaning narx qatori ustidagi signallarini koʻrsatadi.

Fuzzy strategy

Fuzzy tizimda narx momentumi va makroiqtisodiy koʻrsatkichlar birgalikda baholanadi. Manba 6-rasmda hosil qilingan sotib olish va sotish signallarini kunlik narx qatori ustida koʻrsatadi.

Mualliflarning asosiy daʼvosi shundaki, bir koʻrsatkichli strategiyalarga nisbatan bir nechta oʻzgaruvchining aʼzolik darajalarini birgalikda baholash yanada nozik qaror chiqarish imkonini beradi.

Manbada Fuzzy Strategiyaning Ustunligi Isbotlanganmi?

Manba matni xulosa va yakun boʻlimida fuzzy-logic strategiyasi anʼanaviy HFT yondashuvlariga nisbatan yuqori samaradorlik berishi va riskka moslashtirilgan daromadlar oshishini daʼvo qiladi. Biroq maqolada taqdim etilgan vizual natijalar bu xulosani oʻz-oʻzicha tasdiqlash uchun yetarli emas.

Manba 7-rasmda koʻrsatilgan kumulyativ daromadlar taxminan:

• Momentum strategiyasi: taxminan 165–170,
• Fuzzy logic strategiyasi: taxminan 70–75,
• Mean-reversion strategiyasi: nolga yaqin yoki manfiy

darajalarga yetadi.

Demak, xom kumulyativ daromad nuqtai nazaridan grafikda momentum strategiyasi fuzzy strategiyasidan yaqqol yuqori.

Nazariy jihatdan fuzzy yondashuv yuqoriroq Sharpe ratio yoki pastroq drawdown tufayli riskka moslashtirilgan yaxshiroq natija berishi mumkin. Ammo manbada strategiyalarni raqamli taqqoslaydigan batafsil Sharpe, Sortino, maksimal drawdown, tranzaksiya xarajati yoki ishonch oraligʻi jadvali berilmagan.

Shu sababli tadqiqotning “consistent superiority” va “higher risk-adjusted returns” iboralari mavjud hisobot asosida mustaqil ravishda tasdiqlanmaydi.

Sharpe ratio

Tadqiqot riskka moslashtirilgan samaradorlikni baholash uchun Sharpe nisbatini:

\[ \text{Sharpe Ratio} = \frac{R_p-R_f}{\sigma_p} \]

koʻrinishida taʼriflaydi.

Bu yerda \(R_p\) kutilayotgan portfel daromadi, \(R_f\) risksiz foiz stavkasi va \(\sigma_p\) portfel daromadlarining standart ogʻishidir.

Biroq ushbu tenglama keltirilganiga qaramay, turli strategiyalarning haqiqiy Sharpe natijalari manbada keng qamrovli taqqoslash jadvali bilan berilmagan.

Tranzaksiya xarajatlari

Manba momentum strategiyasi koʻp sonli savdo signallarini ishlab chiqarishi va bu yuqori transaction cost ga olib kelishi mumkinligini aytadi. Shunga qaramay, taqqoslangan daromadlar tranzaksiya xarajatlaridan keyingi sof samaradorlik shaklida batafsil hisobot qilinmagan.

Haqiqiy HFT baholashida komissiya, spread, slippage, market impact, latency va navbatdagi oʻrin kabi omillar kritik boʻlgani uchun, bu kamchilik natijalarning haqiqiy bozorda qoʻllanishini cheklaydi.

Genetik Algoritm va Neyron Tarmoq Fuzzy Tizimni Qanday Optimallashtiradi?

Tadqiqot fuzzy rule base ni genetik algoritm yordamida optimallashtirish mumkinligini taklif qiladi. Jarayon quyidagi bosqichlardan iborat:

1. potensial qoidalar toʻplamlarining boshlangʻich populyatsiyasini yaratish,
2. backtest samaradorligiga koʻra tanlash,
3. crossover,
4. mutation,
5. past samarali qoidalarni yangilari bilan almashtirish,
6. toʻxtash mezonigacha yangi avlodlarni yaratish.

Manba 8-rasmda 100 avlod davomida eng yaxshi qoidalar toʻplamining samaradorligi umuman olganda oshib boradigan yaqinlashuv egri chizigʻini koʻrsatadi.

Shu bilan birga, yakun boʻlimida mualliflar GA optimallashtirish faqat bir marta ishga tushirilganini va population size, mutation rate yoki elite count kabi giperparametrlar uchun sensitivity analysis oʻtkazilmaganini tan oladilar.

Neyron tarmoqning roli

Neyron tarmoq tarixiy bozor kirishlari bilan natijalar oʻrtasidagi chiziqli boʻlmagan munosabatlarni oʻrganish uchun qoʻllanadi. Manba 9-rasmda 100 epoch davomida MSE loss taxminan 0,9 darajasidan 0,1 atrofiga tushgan oʻqitish egri chizigʻini koʻrsatadi.

Bu grafik tarmoq oʻqitish maʼlumotlariga yaxshiroq fit boʻlganini koʻrsatadi; ammo oʻz-oʻzicha haqiqiy bozorda umumlashtirish muvaffaqiyatini isbotlamaydi. Manba ham ortiqcha oʻqitishda overfitting xavfi borligini bildiradi.

Fuzzy Logic Risklarni Boshqarishda Qanday Qoʻllanishi Mumkin?

Tadqiqotning amaliy jihatdan eng aniq boʻlimlaridan biri volatillikka bogʻliq dinamik stop-loss yondashuvidir.

Klassik tizimlarda stop-loss masofasi doimiy boʻlishi mumkin. Fuzzy yondashuvda esa volatillik “past”, “oʻrta” yoki “yuqori” kabi aʼzolik darajalari bilan baholanib, stop masofasi moslashuvchan ravishda oʻzgartirilishi mumkin.

Manba 11-rasmda:

• past volatillikda torroq stop-loss,
• yuqori volatillikda kengroq stop-loss

misoli koʻrsatiladi.

Buning mantiqi shundaki, yuqori volatillikda odatiy narx tebranishlari kattaroq boʻladi. Juda tor stop-loss ishlatilishi pozitsiyalarning oddiy bozor shovqini tufayli erta yopilishiga olib kelishi mumkin.

Shunga oʻxshash tizim take-profit masofasini ham joriy bozor sharoitlariga qarab dinamik tarzda sozlash uchun qoʻllanishi mumkin.

Tadqiqotning kuchli tomoni nimada?

Maqolaning eng foydali tomoni fuzzy logic tarkibiy qismlarini yagona savdo oqimida birlashtirishidir:

Maʼlumotlar → aʼzolik funksiyalari → fuzzy qoidalar → inference → defuzzification → savdo qarori → risk nazorati → GA/NN optimallashtirish.

Bu tuzilma moliyaviy qaror tizimlarida keskin chegaralarga qaraganda moslashuvchanroq qaror yuzasini qanday yaratish mumkinligini tushunarli tarzda koʻrsatadi.

Tadqiqotning asosiy cheklovlari

• “HFT” daʼvosiga qaramay, backtest kunlik chastotada oʻtkazilgan.
• Haqiqiy limit buyurtmalar kitobi yoki mikrosoniyali savdo oqimi ishlatilmagan.
• Maʼlumotlar haqiqiymi yoki sintetikmi ekani tavsifda izchil emas.
• Kompaniya “Company A” sifatida anonim qoldirilgan.
• Maʼlumotlar davri taxminan faqat bir yil va 2022 rejimiga bogʻliq boʻlishi mumkin.
• Out-of-sample yoki walk-forward test tafsilotlari berilmagan.
• Tranzaksiya xarajati, spread, slippage va latency realistik tarzda modellashtirilmagan.
• Fuzzy strategiyaning ustunligini qoʻllab-quvvatlovchi batafsil riskka moslashtirilgan samaradorlik jadvali mavjud emas.
• 7-rasmda momentum strategiyasi fuzzy strategiyadan yuqoriroq kumulyativ daromad koʻrsatadi.
• GA faqat bitta ishga tushirish bilan baholangan.
• GA giperparametrlari sezgirlik tahlili oʻtkazilmagan.
• Deep reinforcement learning bilan taqqoslash oʻtkazilmagan.
• Cross-asset va cross-market yaroqliligi sinovdan oʻtkazilmagan.
• Manbalar roʻyxatida mavzuga aloqasiz iqtiboslar mavjud.
• [22]–[30] havolalari manbalar roʻyxatida yoʻq.

Manba va Usul Haqida Izoh

Asl sarlavha: Harnessing Fuzzy Logic in High-Frequency Trading for Enhanced Market Resilience

Mualliflar: Abdulsalam Kamara; Li Zhen; Kadiatu Fofanah.

Jurnal: International Journal of Fuzzy Logic and Intelligent Systems.

Jild / son: 26 / 2.

Sahifalar: 211–227.

Nashr sanasi: Iyun 2026.

DOI: 10.5391/IJFIS.2026.26.2.211.

Maqola tarixi: Received 5 February 2025; Revised 9 October 2025; Accepted 14 February 2026.

Muassasalar: Abdulsalam Kamara va Li Zhen — School of Management, Jiangsu University, Zhenjiang, China. Kadiatu Fofanah — School of International Trade and Economics, Jiangxi University of Finance and Economics, Nanchang, China.

Litsenziya: Creative Commons Attribution Non-Commercial License 3.0 (CC BY-NC 3.0).

Tadqiqot turi: Fuzzy logic asosidagi trading-strategy dizayni, simulyatsiya/backtest, genetik algoritm optimallashtirishi va neural-network fine-tuning qoʻllanmasi.

Maʼlumotlar chastotasi: Empirik boʻlimda kunlik chastota ishlatiladi. Shu sababli bu haqiqiy mikrosoniyali HFT sinovi emas.

Maʼlumotlar manbasi haqida ogohlantirish: Manba Company A maʼlumotlari Xitoy moliyaviy maʼlumotlar bazalaridan olinganini bildirar ekan, shu boʻlimning oʻzida maʼlumotlar random functions yordamida algoritmik tarzda yaratilganini aytadi. Shu sababli maʼlumotlarning kelib chiqishi toʻliq shaffof emas.

Asosiy fuzzy kirishlari: Stock price momentum, GDP growth, inflation va unemployment.

Asosiy chiqish: Buy / Hold / Sell.

Defuzzification: Centroid method.

Optimallashtirish: Genetic Algorithm va Neural Network.

Samaradorlik oʻlchovlari: Manba Sharpe ratio, Sortino ratio va drawdown tushunchalarini muhokama qiladi; biroq strategiyalar oʻrtasida toʻliq raqamli, riskka moslashtirilgan taqqoslash jadvalini taqdim etmaydi.

Manbadagi natija nomuvofiqligi: Xulosa fuzzy strategiya anʼanaviy usullardan izchil ustunligini daʼvo qilsa, 7-rasmda momentum strategiyasi fuzzy strategiyadan yuqoriroq kumulyativ daromad koʻrsatadi. Shu sababli ustunlik daʼvosi faqat taqdim etilgan kumulyativ daromad grafigi bilan qoʻllab-quvvatlanmaydi.

Manbalar roʻyxati yaxlitligi haqida ogohlantirish: Manbalar roʻyxatida HFT bilan bevosita bogʻliq boʻlmagan ayrim ishlar bor va [22]–[30] raqamlari “No item” deb qoldirilgan. Shunga qaramay matnda ushbu raqamlarga havola beriladi.

Manfaatlar toʻqnashuvi: Mualliflar maqola bilan bogʻliq potensial manfaatlar toʻqnashuvi yoʻqligini bildiradilar.

Talqin chegarasi: Tadqiqot fuzzy logic ni trading qarorlarida qanday qoʻllash mumkinligini koʻrsatadigan oʻrgatuvchi va amalda qoʻllanishi mumkin boʻlgan arxitekturani taqdim etadi. Biroq mavjud tajribalar fuzzy logic haqiqiy mikrosoniyali HFT tizimlarida bozor bardoshliligi yoki foydalilikni ustun darajada oshirishini tasdiqlash uchun yetarli emas.