Fuzzy-GRA, mühüm proqnoz girişlərini Gri Əlaqəli Analiz (Grey Relational Analysis, GRA) ilə müəyyən edən və bu girişlər arasındakı qeyri-xətti əlaqələri Mamdani tipli Bulanıq Nəticəçıxarma Sistemi (Fuzzy Inference System, FIS) ilə modelləşdirən hibrid proqnozlaşdırma çərçivəsidir. Araşdırılan tədqiqat 2010-cu ilin iyulundan 2025-ci ilin martına qədər olan dövrdə 5359 gündəlik Bitcoin müşahidəsi üzərində aktiv ünvanların sayı, əməliyyatların sayı, mədənçi gəliri, hash rate, qiymət, MVRV nisbəti və bazar əhval-ruhiyyəsi dəyişənlərini müqayisə edir. GRA nəticələrində aktiv ünvanlar, əməliyyatların sayı və mədənçi gəliri əməliyyat həcmi ilə ən güclü həndəsi oxşarlığı göstərmiş; bu üç girişlə qurulan Fuzzy-GRA modeli 145 yürüyən doğrulama pəncərəsində cəmi 4350 nümunədənkənar proqnoz istehsal etmişdir.

Əsas performans cədvəlində Fuzzy-GRA modelinin RMSE dəyəri 0.3521, xətti reqressiyanınkı isə 0.5178-dir; bu, təxminən %32.2 RMSE azalmasına uyğun gəlir. MAE-də yaxşılaşma %43.1, sMAPE-də yaxşılaşma %13.45 və MdAPE-də yaxşılaşma %8.1 olaraq bildirilmişdir. Random Forest və LSTM xətti reqressiyadan daha yaxşı nəticə versə də, Fuzzy-GRA-nın RMSE-si daha aşağıdır. Diebold–Mariano testi Fuzzy-GRA ilə xətti model arasındakı proqnoz xətası fərqinin statistik baxımdan əhəmiyyətli olduğunu göstərir.

Lakin bu nəticə “aktiv ünvanların sayı əməliyyat həcminə səbəb olur” demək deyil. Aktiv ünvanlar ilə əməliyyatların sayı əməliyyat həcminin uçot quruluşu ilə qismən mexaniki şəkildə əlaqəlidir. Tədqiqatın əsas iddiası ondan ibarətdir ki, bu zəncirüstü göstəricilər gecikməli və qeyri-xətti şəkildə istifadə edildikdə xətti modellə müqayisədə əlavə proqnoz məlumatı daşıyır. Müəlliflər bu məsələni aktiv ünvanlar və əməliyyatların sayını modeldən çıxaran dayanıqlılıq testi ilə də yoxlamışlar.

Tədqiqat problemi

Kriptovalyuta tədqiqatlarının mühüm hissəsi qiymət proqnozlaşdırmasına yönəlsə də, blokçeyn üzərində faktiki daşınan iqtisadi dəyəri təmsil edən əməliyyat həcmi daha az araşdırılmışdır. Bitcoin əməliyyat həcmi yalnız spekulyativ qiymət hərəkətinin əksi deyil; şəbəkədə ünvanlar arasında həyata keçirilən dəyər transferini ölçən zəncirüstü fəaliyyətdir. Buna görə tədqiqatın mərkəzi problemi əməliyyat həcminin hansı şəbəkə və bazar göstəriciləri ilə ən sabit şəkildə birgə hərəkət etdiyini və bu əlaqələrdən proqnozlaşdırma məqsədilə necə istifadə edilə biləcəyini müəyyən etməkdir.

Kriptovalyuta məlumatları bu problem baxımından klassik xətti modelləşdirməni çətinləşdirən xüsusiyyətlərə malikdir. Qiymət, əməliyyatların sayı və qiymətləndirmə göstəricilərində ağır quyruqlar, qəfil qırılmalar və rejimə görə dəyişən əlaqələr mövcuddur. Məsələn, mədənçi gəliri ilə həcm normal dövrlərdə birlikdə hərəkət edə bildiyi halda, Bitcoin yarılanmaları zamanı mədənçi gəlirindəki dəyişiklik əməliyyat həcmi ilə eyni anda hərəkət etməyə bilər. Şəbəkə sıxlığı dövrlərində isə həcm yüksələrkən mədənçi gəlirinin reaksiyası gecikə bilər.

Tədqiqatda istifadə olunan əsas dəyişənlər

Proqnoz hədəfi ilə eyni vaxtlı məlumat sızmasını azaltmaq üçün müstəqil dəyişənlər keçmiş dəyərləri ilə istifadə edilmişdir. Əlavə Cədvəl A2-də aktiv ünvanlar, əməliyyatların sayı və mədənçi gəliri üçün bir gündən üç günədək gecikmələr; HashRate üçün bir və iki günlük gecikmələr; qiymət, MVRV və əhval-ruhiyyə göstəriciləri üçün bir günlük gecikmə PACF analizinə əsasən göstərilmişdir.

Məlumatların ilkin emalı

GRA mərhələsində gündəlik dəyişikliklər log-gəlir formasına çevrilmişdir:

\[ r_t=\ln(v_t)-\ln(v_{t-1}) \]

Burada \(v_t\) müvafiq dəyişənin \(t\) günündəki dəyərini; \(v_{t-1}\) əvvəlki günün dəyərini; \(r_t\) isə gündəlik log dəyişməsini göstərir. Bu çevirmə multiplikativ qiymət və şəbəkə dəyişikliklərini additiv miqyasda ifadə etmək və stasionarlığı yaxşılaşdırmaq məqsədilə istifadə edilmişdir.

Cəmi 18 çatışmayan dəyər bütün müşahidələrin təxminən %0.34-nə uyğun gəlir və xətti interpolasiya ilə tamamlanmışdır. Üç IQR-dan kənarda olan ekstremal dəyərlər müəyyən edilmiş və müvafiq kənar dəyərlər 99-cu percentildə winsorize edilmişdir.

GRA üçün dəyişənlər əlavə olaraq min–max üsulu ilə 0–1 aralığına miqyaslandırılmışdır:

\[ x_{\text{norm}}= \frac{x-\min(x)} {\max(x)-\min(x)} \]

Tədqiqat daha sonra z-score normallaşdırmasını da dayanıqlılıq testi kimi tətbiq etmiş; dəyişənlərin sıralaması tam qorunmuş və GRG dəyərlərindəki dəyişiklik 0.003-dən aşağı qalmışdır.

Təlim və test bölgüsü

Əsas xronoloji məlumat bölgüsündə təlim dəsti 18 iyul 2010–31 dekabr 2021 dövründəki 4023 müşahidəni, test dəsti isə 1 yanvar 2022–21 mart 2025 dövründəki 1336 müşahidəni əhatə edir. ADF və KPSS testləri log-gəlirlərin stasionarlığı üçün istifadə edilmişdir. Bai–Perron çoxsaylı struktur qırılma analizi 2013-cü ilin dekabrı, 2020-ci ilin martı, 2021-ci ilin noyabrı və 2022-ci ilin iyunu olmaqla dörd mühüm qırılma nöqtəsi müəyyən etmişdir.

Üç vəziyyətli Gizli Markov Modeli (Hidden Markov Model, HMM) əlavə olaraq ayı bazarı, yan/düşük volatillik və öküz bazarı alt nümunələrini müəyyən etmək məqsədilə istifadə edilmişdir. Bu rejim dəyişəni proqnoz modelinin girişi deyil; yalnız alt nümunə və rejim həssaslığı araşdırmasında istifadə edilmişdir.

Gri Əlaqəli Analizdə Yüksək GRG Səbəbiyyət Mənasına Gəlirmi?

Xeyr. Grey Relational Grade (GRG), normallaşdırılmış iki seriyanın zaman üzrə həndəsi hərəkət oxşarlığını ölçür; birbaşa səbəbiyyət sübutu deyil. Yüksək GRG birbaşa təsirdən, əks səbəbiyyətdən, ortaq üçüncü amildən, mexaniki uçot əlaqəsindən və ya başqa ortaq hərəkət mənbəyindən yarana bilər. Bu tədqiqatda GRA səbəb üstünlüyünü müəyyən etmək üçün deyil, proqnoz girişlərini seçmək üçün istifadə edilmişdir.

Gri əlaqəli əmsal

Referans seriya \(X_0\) əməliyyat həcmi, müqayisə olunan seriya \(X_i\) isə namizəd izahlı dəyişənlərdən biridir. Hər \(k\) zaman nöqtəsində fərq:

\[ \Delta_{0i}(k)=|X_0(k)-X_i(k)| \]

kimi hesablanır. Gri əlaqəli əmsal:

\[ \gamma(X_0(k),X_i(k)) = \frac{\Delta_{\min}+\rho\Delta_{\max}} {\Delta_{0i}(k)+\rho\Delta_{\max}} \]

şəklindədir. \(\Delta_{\min}\) və \(\Delta_{\max}\) bütün mütləq fərqlərin qlobal minimum və maksimum dəyərləridir. \(\rho\) fərqləndirici əmsaldır. Əsas modeldə ənənəvi dəyər olan \(\rho=0.5\) istifadə edilmiş; əlavə olaraq 0.1, 0.3, 0.5, 0.7 və 0.9 dəyərlərində həssaslıq analizi aparılmışdır.

Bir dəyişən üçün bütün müşahidələr üzrə gri əlaqəli əmsalların orta qiyməti Gri Əlaqəli Dərəcəni verir:

\[ \Gamma(X_0,X_i) = \frac{1}{n} \sum_{k=1}^{n} \gamma(X_0(k),X_i(k)) \]

GRA amillərinin sıralaması

Zaman seriyasının asılılıq quruluşunu qorumaq üçün etibar intervalları müstəqil müşahidə bootstrap-ı əvəzinə 21 günlük blok uzunluğuna malik moving-block bootstrap ilə yaradılmışdır. Hər GRG üçün 10.000 yenidən nümunələmə aparılmış və %2.5–%97.5 percentilləri %95 interval kimi bildirilmişdir.

GRA-dan müstəqil nəzarət kimi istifadə olunan LASSO da eyni üç dəyişəni seçmişdir: standartlaşdırılmış əmsal böyüklükləri aktiv ünvanlarda 0.412, əməliyyatların sayında 0.378 və mədənçi gəlirində 0.291-dir. HashRate daxil olmaqla qalan dəyişənlərin LASSO əmsalları sıfıra qədər kiçildilmişdir. GRA sırası ilə LASSO sırası arasındakı Spearman sıra korrelyasiyası 1.00 olaraq bildirilmişdir.

Sıralama rejimlər arasında sabitdirmi?

365 günlük sürüşən pəncərə və üç aylıq addımlarla 2011-ci ilin iyulundan 2025-ci ilin martına qədər 55 üst-üstə düşən GRA pəncərəsi araşdırılmışdır. Aktiv ünvanların GRG dəyəri bütün bazar rejimlərində təxminən 0.87–0.94 aralığında qalmış; 2013, 2017 və 2021-ci illərin öküz dövrlərində müvafiq olaraq təxminən 0.93, 0.92 və 0.94 dəyərlərinə çatmışdır. Əməliyyatların sayı 0.79–0.89 arasında daha çox rejim həssaslığı göstərdiyi halda, qiymətin əlaqəli dərəcəsi təxminən 0.85-dən 2015-ci il ayı bazarında 0.74-ə qədər enmişdir.

Bulanıq nəticəçıxarma niyə istifadə edildi?

GRA hansı dəyişənlərin hədəf seriya ilə oxşar hərəkət etdiyini sıralayır, lakin dəyişənlərin birlikdə yaratdığı qeyri-xətti qayda strukturunu təkbaşına modelləşdirmir. Buna görə ən yüksək sıralanan aktiv ünvanlar, əməliyyatların sayı və mədənçi gəliri Mamdani tipli Bulanıq Nəticəçıxarma Sisteminə ötürülmüşdür.

Hər giriş “Aşağı”, “Orta” və “Yüksək” olmaqla üç linqvistik üzvlük sinfinə bölünmüşdür. Üzvlük dərəcəsi üçbucaqlı funksiya ilə hesablanır:

\[ \mu_{\text{triangular}}(x,a,b,c) = \max\left( \min\left( \frac{x-a}{b-a}, \frac{c-x}{c-b} \right),0 \right) \]

\(a\) və \(c\) bulanıq çoxluğun aşağı və yuxarı sərhədlərini, \(b\) isə üzvlüyün 1 olduğu zirvə nöqtəsini göstərir. Sərt sinif hədləri əvəzinə üst-üstə düşən üzvlük funksiyalarının istifadəsi, məsələn, bir artım tempinin eyni anda qismən “Orta” və qismən “Yüksək” kimi təmsil edilməsinə imkan verir.

GRA gündəlik log-gəlirlər üzərində aparıldığı halda, bulanıq nəticəçıxarma sisteminin linqvistik üzvlükləri illik artım templəri ilə işləyir:

\[ YoY\_Growth_t = \exp[\ln(v_t)-\ln(v_{t-365})]-1 \]

Mənbəyə görə bunun səbəbi gündəlik gəlirlərin çox kiçik və səs-küylü dəyərlər yaratması, illik artımın isə “aşağı/orta/yüksək artım” kimi linqvistik çoxluqlara daha aydın iqtisadi məna qazandırmasıdır. Hər yürüyən proqnoz pəncərəsində bu artım yalnız proqnoz tarixində artıq məlum olan tarixi dəyərlərdən hesablanır.

Üzvlük funksiyaları necə müəyyən edilmişdir?

Parametrləşdirmə üç mərhələlidir. Birinci mərhələdə üç zəncirüstü analiz mütəxəssisi üç raundlu Delphi prosesi ilə ilkin “Aşağı–Orta–Yüksək” sərhədlərini müəyyən etmişdir. İkinci mərhələdə yalnız təlim dövrünün %20, %40, %60 və %80 percentillərindən istifadə edilmişdir. Üçüncü mərhələdə parametrlər empirik dəyərlərin təxminən ±%10 ətrafında grid search ilə incə tənzimlənmiş və 2021 doğrulama məlumatındakı RMSE minimumlaşdırılmışdır.

Bu sabit kalibrasiya izahedici model üçündür. Nümunədənkənar walk-forward proqnozlaşdırmada üzvlük funksiyaları hər pəncərədə yalnız həmin anda mövcud olan ən son 1000 günlük məlumatdan yenidən qiymətləndirilmişdir. Beləliklə, 2021-ci ildə aparılan izahedici kalibrasiya əvvəlki dövr proqnozlarına sızdırılmamışdır.

Üç sinxronlaşdırılmış bulanıq qayda

Qayda çəkiləri GRG dəyərlərindən törədilmişdir. Birinci qayda aktiv ünvanların normallaşdırılmış GRG çəkisinə, üçüncü qayda əməliyyatların sayının çəkisinə, ikinci qayda isə üç çəkinin orta qiymətinə əsaslanır. Çıxışın tək rəqəmə çevrilməsində centroid defuzzification üsulu istifadə edilmişdir.

Tədqiqatın Metodu və Nəticələri

Walk-forward doğrulama

Modelin əsas qiymətləndirilməsi klassik tək təlim/test bölgüsündən daha sərt yürüyən pəncərə protokolu ilə aparılmışdır. Hər pəncərədə son 1000 gün təlim məlumatı kimi istifadə edilmiş, növbəti 30 gün proqnozlaşdırılmış və pəncərə 30 gün irəli sürüşdürülmüşdür. Cəmi 145 pəncərə × 30 gün = 4350 nümunədənkənar proqnoz hazırlanmışdır.

Hər pəncərədə GRA sıralamaları, üzvlük parametrləri və qayda çəkiləri yalnız proqnoz anında mövcud olan məlumatlardan istifadə edilməklə yenidən hesablanmışdır. Üç əsas girişin kimliyi, üç sinxronlaşdırılmış qayda quruluşu, centroid üsulu və əsas \(\rho=0.5\) tərifi isə metodoloji sabitlərdir.

Əsas proqnoz performansı

Mənbə həmçinin iki maşın öyrənməsi müqayisəsi bildirir. Random Forest RMSE=0.4321 ilə xətti reqressiyaya nisbətən %16.6, LSTM isə RMSE=0.3956 ilə %23.8 yaxşılaşma göstərmişdir. Fuzzy-GRA-nın RMSE-si 0.3521 olduğundan Random Forest-dan %18.7, LSTM-dən isə %11.0 daha aşağı xəta vermişdir.

Fuzzy-GRA-nın Xətti Reqressiyadan Daha Yaxşı Olması Statistik Baxımdan Dəstəklənirmi?

Bəli, tədqiqatın nümunədənkənar proqnozları daxilində dəstəklənir. Diebold–Mariano testi kvadrat xəta itkisi üçün \(DM=-8.437\) və \(p<0.0001\) vermiş; orta itki fərqinin %95 etibar intervalı tamamilə sıfırın altında qalmışdır. Mütləq xəta itkisi ilə təkrarlandıqda da \(DM=-7.218\) və \(p<0.0001\) alınmışdır. Bu nəticə tədqiqat daxilində proqnoz üstünlüyünü dəstəkləyir; Bitcoin-dən başqa aktivlərə avtomatik ümumiləşdirmə təmin etmir.

Ablasiya: yaxşılaşmanı hansı məlumat qrupu daşıyır?

Müəlliflərin ayırmasına görə ümumi 32.2 faiz bəndlik RMSE yaxşılaşmasının 28.8 bəndi zəncirüstü girişlərlə əlaqəlidir; bu, təxminən %89 paya uyğun gəlir. Bazar və əhval-ruhiyyə dəyişənləri qalan təxminən %11 tamamlayıcı töhfəni təmin edir.

Aktiv Ünvanlar və Əməliyyatların Sayı Onsuz da Həcmin Bir Hissəsidirsə, Nəticə Yalnız Mexaniki Əlaqədirmi?

Mənbə bu riski qəbul edir və tamamilə mexaniki izahı yoxlamaq üçün aktiv ünvanların sayı ilə əməliyyatların sayını modeldən çıxaran ayrıca dayanıqlılıq testi aparır. Yalnız mədənçi gəliri və HashRate-dən istifadə edən azaldılmış Fuzzy-GRA modeli RMSE=0.3984 verdiyi halda, eyni iki girişli xətti model RMSE=0.5171 səviyyəsində qalmış; Fuzzy-GRA təxminən %23.1 daha aşağı xəta vermişdir. Bu nəticə mexaniki eyniliyin bütün proqnoz üstünlüyünü izah etmədiyini dəstəkləyir, lakin yenə də struktur səbəbiyyət sübutu deyil.

Granger proqnozlaşdırıla bilmə testləri

Buradakı “Granger-cause” ifadəsi keçmiş dəyərlərin hədəfin gələcək dəyərlərini statistik olaraq proqnozlaşdırmağa kömək edib-etmədiyini yoxlayır. Bu test iqtisadi və ya fiziki struktur səbəbiyyətini təkbaşına sübut etmir.

Qayda sayı və həddindən artıq uyğunlaşma

Modelin yalnız üç qaydadan istifadə etməsi təsadüfi deyil. RMSE bir qaydada 0.412, iki qaydada 0.378 və üç qaydada 0.352-yə enir. Dörd və beş qaydada performans təxminən plato yaratdığı halda, altı və daha çox qaydada xəta yenidən artır. Yeddi qaydada RMSE 0.389, səkkiz qaydada 0.415 və doqquz qaydada 0.447-dir. Bütün 27 mümkün qaydanı əhatə edən sistem də seçilmiş üç qaydalı quruluşdan daha pis nəticə verir.

Həddindən artıq uyğunlaşma xülasəsində Fuzzy-GRA-nın təlim RMSE-si 0.3247, test RMSE-si 0.3512 və overfit ratio dəyəri 0.081 kimi göstərilir. Xətti model üçün müvafiq dəyərlər 0.4602, 0.5178 və 0.126-dır. Mənbədəki 0.3512 test RMSE dəyəri əsas performans cədvəlindəki 0.3521 ilə kiçik uyğunsuzluq göstərir; buna görə əsas performans müqayisələrində əsas Cədvəl 7 dəyəri götürülmüşdür.

Alternativ bulanıq arxitekturalar

ANFIS təxminən %1.1 daha aşağı RMSE yaratmasına baxmayaraq, müəlliflər tədqiqatın əsas məqsədi olan izah edilə bilmə səbəbilə Mamdani quruluşunu seçmişlər. Buna görə tədqiqat “Mamdani bütün arxitekturalar arasında mütləq ən yüksək dəqiqliyi verir” iddiasını irəli sürmür; seçimin əsaslandırması dəqiqliklə şərh edilə bilmə arasındakı balansdır.

Digər dayanıqlılıq testləri

Z-score normallaşdırmasında GRA sıralaması tamamilə qorunmuşdur. Gündəlik məlumat həftəlik aqreqasiya edildikdə Fuzzy-GRA-nın xətti modelə nisbətən RMSE üstünlüyü %28.3 olaraq davam etmiş və Diebold–Mariano testi yenə \(p<0.0001\) vermişdir. Model yalnız 2021-ci ilin sonuna qədər olan məlumatlarla qurulub 2022 üzərində sınaqdan keçirildikdə RMSE yaxşılaşması %30.1 olmuşdur. Bu yoxlamalar əsas nəticənin yalnız müəyyən normallaşdırma üsulundan, gündəlik mikro-səs-küydən və ya 2022-dən sonrakı dövrdən asılı olmadığını dəstəkləyir.

Sadələşdirilmiş əməliyyat strategiyası

Mənbə proqnoz dəqiqliyindəki fərqin praktik miqyasda necə görünə biləcəyini göstərmək üçün əlavə olaraq sadələşdirilmiş Bitcoin ticarət simulyasiyası qurmuşdur. Bulanıq model ertəsi gün həcm artımını əvvəlki məlumatlara əsasən proqnozlaşdırır; proqnoz son 60 günlük proqnoz medianını aşarsa Bitcoin-də uzun mövqe, əks halda nağd pul qəbul edilir. Hər əməliyyat üçün %0.1 xərc tətbiq edilmişdir.

Bu Əməliyyat Simulyasiyası Fuzzy-GRA ilə Mənfəətli Bitcoin Strategiyasının Sübutudurmu?

Xeyr. Mənbə müəllifləri bu hissəni xüsusi olaraq izahedici simulyasiya kimi məhdudlaşdırırlar. Hesab slippage, bazar təsiri, maliyyələşdirmə xərcləri və tənzimləyici məhdudiyyətlər kimi real ticarət şərtlərinin hamısını əhatə etmədiyindən, bildirilən gəlir və Sharpe nisbətləri faktiki investisiya performansı və ya investisiya tövsiyəsi kimi şərh edilə bilməz.

Tədqiqatın dəstəklədiyi nəticələr

• Əməliyyat həcmi ilə ən güclü və sabit həndəsi əlaqə aktiv ünvanlar və əməliyyatların sayında müşahidə olunur.
• Mədənçi gəliri də qiymət və bazar əhval-ruhiyyəsindən daha yüksək GRG dəyərinə malikdir.
• Fuzzy-GRA bu məlumat dəsti və doğrulama protokolu daxilində xətti reqressiyadan nəzərəçarpacaq dərəcədə daha aşağı nümunədənkənar xəta yaradır.
• Qeyri-xətti üsulların üstünlüyü xüsusilə daha çətin və yüksək volatillikli günlərdə nəzərə çarpır.
• Zəncirüstü məlumat ümumi proqnoz yaxşılaşmasının əsas hissəsini daşıyır.
• Üç sinxronlaşdırılmış qayda daha geniş qayda bazaları ilə müqayisədə dəqiqlik–şərh edilə bilmə balansında güclü nəticə verir.
• Nəticələr normallaşdırma, həftəlik aqreqasiya, 2022-dən sonrakı dövrün çıxarılması və alternativ bulanıq arxitektura yoxlamalarında ümumilikdə qorunur.

Tədqiqatın dəstəkləmədiyi nəticələr

• GRA sıralaması struktur səbəbiyyət sübutu deyil.
• Granger səbəbiyyəti iqtisadi və ya fiziki səbəbiyyət demək deyil.
• Aktiv ünvanlar və əməliyyatların sayının əməliyyat həcmindən tamamilə müstəqil dəyişənlər olduğu deyilə bilməz.
• Fuzzy-GRA-nın bütün kriptovalyutalarda eyni uğuru təmin edəcəyi göstərilməmişdir.
• Ethereum və ya proof-of-stake şəbəkələri üzərində çarpaz aktiv doğrulaması aparılmamışdır.
• Model gələcək rejim dəyişikliklərinə avtomatik uyğunlaşan tam adaptiv sistem deyil.
• Əməliyyat simulyasiyası real dünyada zəmanətli mənfəətlilik və ya investisiya tövsiyəsi deyil.

Məhdudiyyətlər

Mənbə müəlliflərinin bildirdiyi ilk əsas məhdudiyyət qayda quruluşunun statik olmasıdır. Walk-forward qiymətləndirmədə bəzi məlumatdan asılı parametrlər yenidən qiymətləndirilsə də, seçilmiş üç əsas giriş və qayda quruluşu sabitdir. Gələcək halving hadisələri və ya bazar rejimi dəyişiklikləri bu əlaqələri dəyişə bilər.

İkinci məhdudiyyət dəyişənlərin əhatə dairəsidir. Model blokçeyn fundamentallarına fokuslandığı üçün daha geniş sosial media dəyişənləri, makroiqtisadi göstəricilər və tənzimləyici hadisə dəyişənlərinin hamısı modelə daxil edilməmişdir.

Üçüncü məhdudiyyət tədqiqatın yalnız Bitcoin üzərində aparılmasıdır. Proof-of-stake kimi fərqli iqtisadi arxitekturaya malik şəbəkələrdə doğrulama aparılmadan eyni amil sıralamasının keçərli olduğu fərz edilə bilməz.

Dördüncü məhdudiyyət bəzi əsas zəncirüstü göstəricilərin hədəf dəyişənin uçot quruluşu ilə tərif etibarilə əlaqəli olmasıdır. Mənbə azaldılmış model testi ilə bu problemə cavab verməyə çalışsa da, bu struktur səbəbiyyət şərhlərini məhdudlaşdırmaqda davam edir.

Mənbə və Metod Qeydi

Orijinal başlıq: Integrating Fuzzy Logic with Grey Relational Analysis for Enhanced Cryptocurrency Transaction Modelling

Müəlliflər: Kongolo Olivier Musampa; Clement Jules Mba.

Məsul müəlliflər: Kongolo Olivier Musampa və Clement Jules Mba.

Qurum: School of Economics, University of Johannesburg, Auckland Park, Johannesburg, South Africa.

Jurnal: Economies.

Nəşriyyat: MDPI.

Biblioqrafik qeyd: 2026, Cild 14, Say 9, Məqalə 401.

DOI: 10.3390/economies14090401.

Tarixlər: Alınma 11 mart 2026; reviziya 3 may 2026; qəbul 5 may 2026; nəşr 9 sentyabr 2026.

Versiya: Version of Record.

Lisenziya: Creative Commons Attribution (CC BY).

Mənbə növü: Bitcoin gündəlik zaman sıraları üzərində empirik proqnozlaşdırma/modelləşdirmə tədqiqatı.

Əsas məlumat: 5359 gündəlik Bitcoin müşahidəsi. Əsas metod bölməsi məlumat intervalını 18 iyul 2010–21 mart 2025 kimi göstərdiyi halda, Əlavə Cədvəl A1 son tarixi 22 mart 2025 kimi göstərir.

Məlumat mənbələri: CoinMetrics, Crypto Fear & Greed Index üçün alternative.me və tədqiqatda göstərilən bazar məlumatları üçün CoinMarketCap.

Əsas metod: gündəlik log-gəlir çevirməsi; min–max normallaşdırması; Grey Relational Analysis; \(\rho=0.1–0.9\) həssaslıq yoxlaması; LASSO doğrulaması; 365 günlük sürüşən GRA pəncərələri; Mamdani tipli Bulanıq Nəticəçıxarma Sistemi; üçbucaqlı üzvlük funksiyaları; üç mərhələli üzvlük parametrləşdirilməsi; centroid defuzzification; walk-forward doğrulama; moving-block bootstrap; Diebold–Mariano testi; ablasiya; Granger testləri və alternativ model dayanıqlılıq təhlilləri.

Walk-forward dizaynı: 1000 günlük təlim pəncərəsi, 30 günlük proqnoz üfüqü, 30 günlük irəliləmə addımı, 145 pəncərə və 4350 nümunədənkənar proqnoz. Əsas metod bölməsi doğrulama zaman intervalını 2013-cü ilin oktyabrı–2025-ci ilin martı kimi verdiyi halda, Appendix D xülasəsi 2019–2025 ifadəsini istifadə edir; bu mənbədaxili fərq həll edilmədən tək bir zaman intervalı qəti həqiqət kimi birləşdirilməməlidir.

Maliyyələşdirmə: Tədqiqat xarici maliyyələşdirmə almamışdır.

Etika: Institutional Review Board və informed consent müddəaları tətbiq edilə bilməz.

Məlumatların əlçatanlığı: Bitcoin əməliyyat və zəncirüstü göstəriciləri ilə əhval-ruhiyyə məlumatlarının istifadə olunan üçüncü tərəf mənbələrində ictimaiyyətə açıq olduğu bildirilir. Fuzzy-GRA Python tətbiqinin corresponding author-dan əsaslandırılmış tələb əsasında əldə edilə biləcəyi qeyd olunur.

Maraqların toqquşması: Müəlliflər maraqların toqquşması barədə məlumat verməmişlər.

Müəllif töhfələri: Konseptuallaşdırma K.O.M. və C.J.M.; metod və proqram təminatı K.O.M.; doğrulama hər iki müəllif; formal təhlil və araşdırma K.O.M.; məlumatların kurasiyası hər iki müəllif; ilkin layihə K.O.M.; nəzərdən keçirmə və redaktə hər iki müəllif; vizuallaşdırma K.O.M.; nəzarət C.J.M.; layihə idarəçiliyi K.O.M. tərəfindən həyata keçirilmişdir.

Süni intellektdən istifadə bəyanatı: Mənbə müəllifləri Claude adlı böyük dil modelindən yalnız səthi dil redaktəsi, qrammatika, yazı və istinad formatlaşdırması məqsədilə istifadə etdiklərini; tədqiqat ideyası, tədqiqat dizaynı, məlumat toplama, GRA, FIS dizaynı, statistik təhlil, cədvəl/şəkil yaradılması və ya elmi şərh üçün generativ süni intellektdən istifadə etmədiklərini bildirirlər.

Mənbədaxili uyğunsuzluq qeydi: məlumatın bitmə tarixində 21/22 mart 2025 fərqi; doğrulama zaman intervalında 2013–2025/2019–2025 fərqi; FIS izahında “dörd giriş” ifadəsinə baxmayaraq üç girişin sadalanması; 27 qaydalı izah ilə yekun üç qaydalı sistemin eyni bölmədə qarışması; əsas və overfitting cədvəllərində 0.3521/0.3512 test RMSE fərqi və xətti model sMAPE dəyərlərinin iki panel arasında uyğun gəlməməsi mənbədə görünən vəziyyətdədir. Bu dəyərlər Verianla mətnində səssizcə birləşdirilməmişdir.

Şərh sərhədi: Tədqiqatın əsas elmi nəticəsi proqnoz performansı və empirik əlaqələrdir. GRA əlaqələri və Granger testləri struktur iqtisadi səbəbiyyətin sübutu deyil; əməliyyat strategiyası da investisiya tövsiyəsi və ya real bazar mənfəətliliyinin sübutu deyil.