Parallel Gated Recurrent Units (PGRU), Bitcoin qiymət xüsusiyyətləri ilə blockchain-in struktur xüsusiyyətlərini iki müstəqil GRU şəbəkəsində emal edib bu iki şəbəkənin proqnozlarını üçüncü feedforward şəbəkədə birləşdirən paralel dərin öyrənmə arxitekturasıdır. Tədqiqatda gündəlik orta qiymət, açılış, aşağı və yüksək qiymət birinci məlumat qoluna; orta blok ölçüsü, hash rate, difficulty, gündəlik əməliyyat sayı və miner gəliri isə ikinci məlumat qoluna verilmişdir. 1 Yanvar 2016–31 Yanvar 2021 dövründəki 1.859 günlük müşahidədən istifadə edilərək növbəti Bitcoin qiymətinin reqressiya yolu ilə proqnozlaşdırılması məqsəd qoyulmuşdur.

Model keçmiş müşahidə uzunluğunu müəyyən edən \(w=5,10,15,20,25\) günlük sürüşən pəncərələrlə qiymətləndirilmişdir. Mənbə Cədvəl 2-yə görə PGRU-nun ən aşağı hesabat verilən MAPE dəyəri \(w=5\) üçün %2,0-dır. Mənbənin xülasəsində xüsusilə vurğulanan dəyərlər isə \(w=15\) üçün %2,641 və \(w=20\) üçün %3,243-dür. Eyni təcrübə quruluşunda yaradılan paralel LSTM alternativi bütün araşdırılan pəncərə uzunluqlarında daha yüksək MSE, RMSE, MAE və MAPE yaratmışdır.

Tədqiqatın nəticələri bir Bitcoin qiymət proqnozu modelinin keçmiş məlumat üzərində reqressiya performansını göstərir. Nəticələr canlı alqı-satqı gəlirliliyi, investisiya gəliri, əməliyyat xərcləri və ya digər kriptovalyutalarda təsdiqlənmiş ümumiləşdirilə bilmə mənasına gəlmir. Bundan əlavə zaman sırası üçün istifadə edilən 10-fold cross-validation-ın xronoloji quruluşu, z-score statistikalarının yalnız təlim məlumatından hesablanıb-hesablanmadığı və 10 günlük proqnozun dəqiq istehsal üsulu mənbədə kifayət qədər ətraflı izah edilməmişdir.

PGRU Nədir və Tək Axınlı GRU Modelindən Necə Fərqlənir?

Parallel Gated Recurrent Units (PGRU), bütün xüsusiyyətləri tək bir GRU şəbəkəsinə vermək əvəzinə qiymət məlumatlarını və Bitcoin şəbəkəsinin struktur məlumatlarını iki ayrı recurrent modeldə müstəqil şəkildə emal edən və iki modelin proqnozunu son bir feedforward birləşdirmə şəbəkəsi ilə tək qiymət proqnozuna çevirən çoxaxınlı reqressiya arxitekturasıdır.

Tədqiqatın əsas problemi

Bitcoin qiyməti yalnız keçmiş qiymət səviyyələrindən ibarət zaman sırası deyil. Bitcoin şəbəkəsinin blok istehsalı, hash gücü, difficulty, əməliyyat aktivliyi və miner gəlirləri kimi öz daxili struktur dəyişənləri də mövcuddur. Tədqiqatın əsas ideyası qiymətin keçmiş davranışı ilə blockchain şəbəkəsinin vəziyyətini eyni giriş matrisində qarışdırmaq əvəzinə iki ayrı ekspert qolunda modelləşdirməkdir.

Birinci GRU qolu qiymət davranışını öyrənir. İkinci GRU qolu blockchain və şəbəkə davranışını öyrənir. Hər iki qol eyni hədəfi, yəni növbəti Bitcoin qiymətini proqnozlaşdırmağa çalışır. Daha sonra üçüncü şəbəkə iki proqnozdan hansına nə dərəcədə etibar ediləcəyini əl ilə müəyyən edilmiş bir əmsalla deyil, təlim zamanı öyrənilən feedforward çevrilmə yolu ilə birləşdirir.

Ədəbiyyat boşluğu

Mənbə əvvəlki tədqiqatların qiymət sıraları, blockchain xüsusiyyətləri, sosial media və ya axtarış trendləri kimi məlumat mənbələrindən istifadə etdiyini, lakin bu məlumatların əsasən tək axınlı strukturlarda emal edildiyini bildirir. PGRU-nun fərqləndirici dizaynı qiymət və struktur məlumatını müstəqil recurrent ekspertlərə ayırıb proqnoz səviyyəsində birləşdirməsidir.

Bu yanaşmanın elmi hipotezi açıq şəkildə formallaşdırılmış “H1” formasında verilməmişdir. Bununla yanaşı, təcrübə dizaynı tamamlayıcı iki məlumat qolunun təkbaşına istifadə edilən recurrent axınlardan daha yaxşı proqnoz yarada biləcəyi ideyasını sınaqdan keçirir.

Bitcoin-in Struktur Blockchain Xüsusiyyətləri Qiymət Proqnozuna Necə Əlavə Olunur?

Tədqiqatda blockchain struktur məlumatı qiymət sırasına birbaşa əlavə sütun qrupu kimi tək GRU-ya verilmir; orta blok ölçüsü, hash rate, difficulty, ümumi gündəlik əməliyyat və miner gəliri ayrıca beş xüsusiyyətli zaman sırası yaradır və bu sıra ikinci GRU qolu tərəfindən müstəqil şəkildə emal edilir.

Qiymət məlumat qolu

Blockchain struktur məlumat qolu

Hər iki məlumat dəsti 1.859 günlük müşahidəni ehtiva edir və 1 Yanvar 2016 ilə 31 Yanvar 2021 arasındakı dövrü əhatə edir.

Z-Score Normallaşdırılması Bu Tədqiqatda Niyə İstifadə Edildi?

Z-score normallaşdırılması qiymət və blockchain xüsusiyyətlərinin bir-birindən çox fərqli ədədi miqyaslarda olması səbəbilə hər bir dəyəri öz dəyişəninin ortalamasına görə mərkəzləşdirmək və standart sapmasına görə miqyaslamaq üçün istifadə edilmişdir; mənbə bu əməliyyatın böyük və kiçik dəyərlər arasındakı nisbi fərqi min–max miqyaslamaya nisbətən daha yaxşı qoruduğunu müdafiə edir.

Miqyas problemi

Mənbəyə görə qiymət məlumat dəstində maksimum orta qiymət minimumun təxminən 95 qatı, difficulty dəyişəninin maksimumu isə minimumun təxminən 185 qatıdır. Bu qədər fərqli böyüklüklərin birbaşa sinir şəbəkəsinə verilməsi optimallaşdırmanı çətinləşdirə bilər.

Mənbə tərəfindən istifadə edilən çevrilmə:

\[ z=\frac{x-\mu}{\sigma} \]

şəklindədir.

Burada \(x\) xam müşahidə dəyərini, \(\mu\) müvafiq dəyişənin ortalamasını və \(\sigma\) standart sapmanı təmsil edir. Çevrilmə nəticəsində dəyişən sıfır ətrafında mərkəzləşir və standart sapma miqyas vahidinə çevrilir.

Mənbə müzakirə bölməsində z-score normallaşdırılmasının sadə min–max miqyaslama ilə müqayisədə təxminən 5–7 faiz bəndi dəqiqlik artımı təmin etdiyini bildirir. Bununla yanaşı nəticələr bölməsində bu müqayisəni ayrıca ablasiya cədvəli ilə göstərən təcrübə hesabatı verilmədiyi üçün bu dəyər müəlliflərin müzakirə bölməsindəki hesabatı kimi qiymətləndirilməlidir.

Sürüşən pəncərə ilə giriş və hədəfin yaradılması

Normallaşdırılmış qiymət məlumat sırası \(X\), struktur məlumat sırası isə \(Y\) kimi təyin edilmişdir. Hər ikisinin uzunluğu:

\[ n=1859 \]

gündür.

\(w\) günlük pəncərə üçün mənbə girişləri konseptual olaraq:

\[ Input_1^{(i)} = [X_i,X_{i+1},...,X_{i+w-1}] \]

\[ Input_2^{(i)} = [Y_i,Y_{i+1},...,Y_{i+w-1}] \]

və hədəfi:

\[ Output^{(i)}=X_{i+w} \]

kimi verir.

Məsələn \(w=15\) olduqda model əvvəlki 15 günün qiymət və struktur blockchain məlumatlarından istifadə edərək növbəti günün qiymətini proqnozlaşdırır.

PGRU arxitekturasının üç şəbəkəsi

Səhifə 13-dəki Şəkil 2 iki müstəqil recurrent qolu və onları birləşdirən üçüncü şəbəkəni göstərir. Mənbə fiqurunda göstərilən lay ölçüləri aşağıdakı kimi xülasə edilə bilər:

Hər iki GRU qolu Adam optimizer istifadə edilərək reqressiya itkisini azaltmaq üçün təlim edilmişdir. Fusion network isə Levenberg–Marquardt optimallaşdırmasından istifadə edir. Tətbiq MATLAB R2020b daxilində həyata keçirilmişdir.

LSTM müqayisə arxitekturası

Nəzarətli baseline kimi iki GRU qolu LSTM layları ilə əvəz edilmişdir. Məlumat axını dəyişmir: qiymət və struktur məlumatı iki ayrı recurrent qola daxil olur və iki proqnoz eyni tip feedforward fusion network tərəfindən birləşdirilir.

Səhifə 14-dəki Şəkil 3, LSTM alternativində birinci qolda LSTM 120, Dropout 0,2, Fully Connected 70 və Fully Connected 4; ikinci qolda LSTM 112, Dropout 0,2, Fully Connected 70, 50 və 4 laylarını göstərir. Fusion şəbəkəsi yenə 13–16–13 gizli lay quruluşuna malikdir.

Cross-validation quruluşu

Mənbə bütün üç şəbəkədə 10-fold cross-validation tətbiq edildiyini və pəncərə həssaslığı təcrübələrində modelin 200 epoch təlim edildiyini bildirir.

Lakin zaman sırasının xronoloji quruluşunun fold-larda necə qorunduğu açıqlanmamışdır. Mənbə ordinary random k-fold, blocked cross-validation və ya forward-chaining variantlarından hansının istifadə edildiyini bildirmir. Maliyyə zaman sıralarında bu detal vacibdir; çünki gələcək dövrün statistikalarının keçmiş təlim fold-una sızması qiymətləndirmə xətasını süni şəkildə azalda bilər.

Eyni şəkildə z-score üçün istifadə edilən \(\mu\) və \(\sigma\) dəyərlərinin yalnız hər training fold üzərində, yoxsa bütün 1.859 müşahidədən hesablandığı aydın deyil. Buna görə məlumat sızıntısının tam qarşısının alındığı mənbə hesabatından təsdiqlənə bilmir.

Qiymətləndirmə metrikləri

Mənbə dörd reqressiya metrikindən istifadə edir.

Mean Squared Error:

\[ MSE= \frac{1}{N} \sum_{i=1}^{N} (R_i-\hat R_i)^2 \]

Böyük xətaları kvadratik olaraq daha ağır cəzalandırır.

Root Mean Squared Error:

\[ RMSE=\sqrt{MSE} \]

Xəta miqyasını yenidən qiymət vahidinə qaytarır.

Mean Absolute Error:

\[ MAE= \frac{1}{N} \sum_{i=1}^{N} |R_i-\hat R_i| \]

Orta mütləq qiymət fərqini ölçür.

Mənbədə MAPE kimi çap olunan Tənlik (4):

\[ MAPE= \frac{100}{N} \sum_{i=1}^{N} \frac{R_i-\hat R_i}{R_i} \]

Burada mühüm mənbədaxili uyğunsuzluq var. Metrik “Mean Absolute Percentage Error” adlandırılsa da çap olunmuş Tənlik (4)-də surətdəki xəta üçün mütləq dəyər işarələri görünmür. Bunun əksinə 10 günlük proqnoz cədvəlləri “Abs. Perc. Error” istifadə edir. Verianla buna görə formulu mənbədəki halı ilə göstərir və bu fərqi açıq şəkildə qoruyur.

Tədqiqatın Metodu və Nəticələri

PGRU-nun Ən Aşağı Hesabat Verilən MAPE Dəyəri Hansı Pəncərə Uzunluğundadır?

Mənbə Cədvəl 2-dəki ən aşağı PGRU MAPE dəyəri \(w=5\) üçün %2,0-dır; tədqiqatın xülasəsi və nəticə bölməsi isə xüsusilə \(w=15\) üçün təxminən %2,64 və \(w=20\) üçün təxminən %3,24 dəyərlərini önə çıxarır.

Pəncərə uzunluğu həssaslığı

Cədvəl bütün dörd xəta metrikində \(w=5\) konfiqurasiyasının ən aşağı dəyəri verdiyini göstərir. Daha uzun keçmiş pəncərəsinin istifadə edilməsi bu təcrübədə avtomatik olaraq daha yaxşı proqnoz yaratmamışdır.

Bu nəticə daha çox tarixi məlumatın həmişə faydalı olduğu fərziyyəsinə qarşı əhəmiyyətlidir. Bununla yanaşı tədqiqat \(w=5\)-in niyə daha yaxşı olduğuna dair ablasiya və ya mexanizm təhlili aparmır.

PGRU, Paralel LSTM Arxitekturasından Daha Yaxşı Nəticə Veribmi?

Bəli. Mənbənin eyni məlumat quruluşu ilə yaratdığı LSTM müqayisəsində PGRU, \(w=5,10,15,20,25\) pəncərə uzunluqlarının hamısında daha aşağı MSE, RMSE, MAE və MAPE yaratmış, eyni avadanlıqdakı ölçmələrdə də daha qısa icra müddəti göstərmişdir.

PGRU və LSTM xəta nəticələrinin müqayisəsi

LSTM-in tam xəta cədvəlində MSE və MAE dəyərləri də PGRU-dan yüksəkdir. Buna görə tədqiqatın öz nəzarətli müqayisəsi daxilində PGRU üstünlüyü yalnız MAPE metrikindən asılı deyil.

İcra müddəti

Müddətlər Intel Core i7-6700HQ CPU və NVIDIA GTX 960 GPU istifadə edilən sistemdə üç icranın ortalaması kimi hesabat verilmişdir. GRU arxitekturası bütün pəncərə uzunluqlarında LSTM alternativindən daha qısa icra müddətinə malikdir.

10 günlük PGRU və LSTM proqnozları

PGRU ilk üç gündə %0,51–%1,21 mütləq faiz xətası yaratdığı halda sonrakı yüksək hərəkətli günlərdə xəta nəzərəçarpacaq dərəcədə artır. Onuncu gündə PGRU-nun mütləq faiz xətası %10,24-ə, LSTM-in isə %15,72-yə çatır.

Bu cədvəl PGRU-nun hər gün LSTM-dən üstün olduğu mənasına gəlmir. Məsələn dördüncü və beşinci günlərdə LSTM-in mütləq faiz xətası PGRU-dan daha aşağıdır. Buna qarşı xüsusilə 8–10. günlərdə PGRU daha aşağı xəta yaradır.

10 günlük təcrübənin yenidən istehsal edilə bilmə problemi

Model metod bölməsində növbəti günü proqnozlaşdıran tək-addımlı struktur kimi təsvir edilmişdir. Buna qarşı mənbə 10 günlük horizon istehsal edərkən:

• ilk proqnozun növbəti günün girişi kimi istifadə edilib-edilmədiyini,
• reallaşan yeni qiymətlərin hər addımda modelə geri verilib-verilmədiyini,
• 10 çıxışın bir dəfəyə yaradılıb-yaradılmadığını

açıqlamır. Buna görə 10 günlük performansın tam inference proseduru mənbə mətnindən yenidən qurula bilmir.

Bundan əlavə metod bölməsindəki məlumat dəsti 31 Yanvar 2021-də başa çatdığı halda Section 5.2 “January 2016 to December 2021” ifadəsini istifadə edir. Şəkil və həqiqi qiymət sırası Fevral 2021-ə uyğun gəldiyindən bu tarix ifadəsi mənbədaxili digər zaman məlumatları ilə uyğun deyil.

Şəkil 4 və Şəkil 5 nə göstərir?

Səhifə 15-dəki Şəkil 4, \(w=15\) üçün 1 Noyabr 2020–31 Yanvar 2021 dövründə həqiqi Bitcoin qiyməti ilə PGRU proqnozunu eyni zaman oxunda göstərir. İki əyri ümumi trend boyunca böyük ölçüdə birlikdə hərəkət edir; Şəkil 5 isə eyni dövrün proqnoz–həqiqət fərqlərini sıfır oxu ətrafında göstərir.

Bu vizual uyğunluq modelin həmin tarixi dövrün qiymət nümunəsini izləyə bildiyini dəstəkləyir. Lakin qrafik təkbaşına gələcəkdəki fərqli bazar rejimlərində eyni xətanın qorunacağını sübut etmir.

Şəkil 6 ilə Şəkil 9 arasındakı fərq

Səhifə 16-dakı Şəkil 6 PGRU-nun 10 günlük proqnozunu, səhifə 17-dəki Şəkil 9 isə LSTM alternativini göstərir. Xüsusilə 8–10 Fevral 2021 ətrafındakı kəskin qiymət artımında hər iki model həqiqi qiymətdən aşağı qalır; lakin LSTM-in sapması daha böyükdür.

Bu dövr modelin orta xəta metrikindən əlavə sürətli rejim dəyişikliklərində necə davrana bildiyinin ayrıca araşdırılmalı olduğunu göstərir.

Əvvəlki tədqiqatlarla mənbədə verilən MAPE müqayisəsi

Mənbə bu cədvəli PGRU-nun əvvəlki yanaşmalara nisbətən daha aşağı MAPE yaratdığının göstəricisi kimi təqdim edir. Lakin metodlar eyni Bitcoin məlumat dövrü, eyni training/test bölümü və eyni məlumatın ilkin emalı altında yenidən işlədilməmişdir. Patel tədqiqatının hədəf aktivi həm də Litecoin-dir. Buna görə cədvəl nəzarətli head-to-head benchmark deyil, dərc olunmuş nəticələrin ədəbiyyat səviyyəsində müqayisəsidir.

Tədqiqatın dəstəklədiyi nəticələr

• Araşdırılan Bitcoin məlumat dəstində iki paralel GRU qolunun fusion şəbəkə ilə birləşdirildiyi PGRU arxitekturası tətbiq edilə bilmişdir.
• Mənbə Cədvəl 2-də ən aşağı PGRU MAPE dəyəri \(w=5\) üçün %2,0-dır.
• PGRU eyni tədqiqatda yaradılan paralel LSTM alternativindən bütün araşdırılan pəncərə uzunluqlarında daha aşağı xəta yaratmışdır.
• GRU əsaslı struktur eyni avadanlıqda LSTM alternativindən daha qısa icra müddəti göstərmişdir.
• Qiymət və blockchain struktur məlumatlarının ayrı recurrent qollarda emal edilməsi mənbə təcrübəsində işlək fusion arxitekturası yaratmışdır.
• PGRU 10 günlük nümunədə xüsusilə son günlərdə LSTM alternativindən daha aşağı xəta yaratmışdır.

Tədqiqatın dəstəkləmədiyi nəticələr

• PGRU-nun canlı Bitcoin ticarətində mənfəət yaradacağı göstərilməmişdir.
• Model əməliyyat haqqını, slippage, spread, funding və ya portfolio riskini qiymətləndirməmişdir.
• Modelin digər kriptovalyutalarda eyni dəqiqliklə işlədiyi təcrübi olaraq göstərilməmişdir.
• PGRU-nun bütün müasir Transformer və ya aktual 2025–2026 proqnoz arxitekturalarından üstün olduğu göstərilməmişdir.
• Table 7-dəki əvvəlki tədqiqatlarla müqayisə ortaq benchmark protokolu altında həyata keçirilməmişdir.
• 10-fold cross-validation-ın time-series leakage-i tamamilə önlədiyi mənbədə sübut edilməmişdir.
• Z-score-un 5–7 faiz bəndi üstünlüyü ayrıca, görünən normalization ablation cədvəli ilə göstərilməmişdir.
• 10 günlük proqnozun recursive, direct və ya rolling mexanizmi açıq şəkildə bildirilməmişdir.

Tədqiqatın güclü tərəfləri

Modelin dizaynı aydın və moduldur. Qiymət və blockchain struktur məlumatını ayrı qollara bölməsi hər məlumat qrupunun öz zaman dinamikasını öyrənməsinə imkan verir. Nəzarətli LSTM alternativi eyni ümumi struktur daxilində yaradıldığı üçün PGRU–LSTM müqayisəsi müxtəlif məqalələrdən götürülmüş MAPE müqayisəsinə nisbətən daha mənalıdır.

Bundan əlavə tədqiqat yalnız bir xəta metrikindən asılı deyil; MSE, RMSE, MAE və MAPE birlikdə hesabat verilir. Beş pəncərə uzunluğu və icra müddəti nəticələri modelin accuracy–computation əlaqəsi haqqında əlavə məlumat verir.

Əsas metodoloji məhdudiyyətlər

Cross-validation detalı: 10-fold strukturun xronoloji olub-olmadığı bildirilməmişdir.

Normalization leakage detalı: Z-score statistikalarının yalnız training məlumatından hesablandığı açıq şəkildə yazılmamışdır.

10 günlük inference mexanizmi: Çox-addımlı proqnoz proseduru izah edilməmişdir.

Tarix uyğunsuzluğu: Məlumat toplama bölməsi 31 Yanvar 2021-də başa çatdığı halda Section 5.2 Dekabr 2021-ə qədər məlumat istifadə edildiyini yazır.

MAPE tənliyi: Çap olunmuş Tənlik (4) mütləq dəyər işarələrini göstərmir.

Statistik qeyri-müəyyənlik: Cross-validation ortalamalarının standart sapması, etibar intervalı və ya çoxsaylı random-seed paylanması verilməmişdir.

Xarici ümumiləşdirmə: Təcrübi hədəf yalnız Bitcoin-dir.

Ədəbiyyat benchmarkı: Table 7 müxtəlif məlumat və tədqiqat protokollarından hesabat verilən MAPE dəyərlərini yanaşı təqdim edir.

Gələcək tədqiqat istiqamətləri

Mənbə PGRU arxitekturasına yeni müstəqil məlumat qollarının əlavə edilməsini təklif edir. Nümunələr arasında qlobal iqtisadi göstəricilər, digər böyük kriptovalyutaların qiymətləri və sosial şəbəkə sentiment/trend məlumatları var.

Bu təkliflər mənbə tərəfindən gələcək tədqiqat kimi verilir; mövcud təcrübələrdə bu məlumat axınları istifadə edilməmişdir.

Mənbə və Metod Qeydi

Orijinal başlıq: Cryptocurrency Price Prediction Using Parallel Gated Recurrent Units

Müəlliflər: Milad Asadpour; Alireza Rezaee; Farshid Hajati.

Qurumlar: College of Interdisciplinary Science and Technology, University of Tehran, Tehran, Iran; School of Science and Technology, University of New England, Armidale, NSW, Australia.

Mənbə növü: Preprint.

Platforma: arXiv / CoRR.

arXiv: 2512.22599v1 [cs.LG].

arXiv göndərilmə tarixi: 27 Dekabr 2025.

PDF-də verilən tarix: 30 Dekabr 2025.

Rəy statusu: Cari biblioqrafik yoxlamada ayrıca rəyli journal və ya conference versiyası müəyyən edilməmişdir; tədqiqat preprint kimi qiymətləndirilmişdir.

Müstəqil journal DOI: Təsdiqlənməmişdir.

Corresponding author: Mənbə PDF ayrıca corresponding-author işarəsi vermir.

Tədqiqat növü: Bitcoin qiymətinə yönəlmiş hesablama dərin öyrənmə/reqressiya təcrübəsi.

Hədəf dəyişən: Bitcoin-in gələcək qiyməti.

Məlumat dövrü: Əsas məlumat tərifində 1 Yanvar 2016–31 Yanvar 2021.

Müşahidə sayı: Hər iki məlumat axınında 1.859 günlük qeyd.

Qiymət xüsusiyyətləri: Orta gündəlik qiymət, açılış qiyməti, aşağı qiymət, yüksək qiymət.

Struktur xüsusiyyətlər: Orta blok ölçüsü, hash rate, difficulty, ümumi gündəlik əməliyyatlar, miner gəliri.

Qiymət məlumatı mənbəyi: Mənbə tədqiqat Investing.com historical Bitcoin məlumatına istinad edir.

Struktur məlumat mənbəyi: Mənbə tədqiqat bitcoin.com üzərindəki market/network charts mənbəsinə istinad edir.

İlkin emal: Z-score normallaşdırılması.

Pəncərə uzunluqları: 5, 10, 15, 20 və 25 gün.

Model: İki paralel GRU predictor + feedforward fusion network.

Nəzarətli müqayisə: İki paralel LSTM predictor + eyni ümumi fusion yanaşması.

Proqram təminatı: MATLAB R2020b.

GRU optimizer: Adam.

Fusion optimizer: Levenberg–Marquardt.

Təlim: Pəncərə həssaslığı təcrübəsində 200 epoch.

Cross-validation: 10-fold; fold-ların zaman sırası forması mənbədə ətraflı göstərilməmişdir.

Performans metrikləri: MSE, RMSE, MAE və mənbə tərəfindən MAPE adlandırılan faiz xəta metriki.

Avadanlıq: Intel Core i7-6700HQ CPU və NVIDIA GTX 960 GPU; icra müddəti nəticələri üç icranın ortalamasıdır.

Maliyyələşdirmə: Təqdim olunan PDF-də ayrıca funding statement müəyyən edilməmişdir.

Maraqlar toqquşması: Təqdim olunan PDF-də ayrıca conflict-of-interest declaration müəyyən edilməmişdir.

Məlumat əlçatanlığı: Ayrı Data Availability Statement yoxdur; məlumat mənbələri metod bölməsində web mənbələri kimi göstərilmişdir.

Kod əlçatanlığı: Təqdim olunan PDF-də təsdiqlənə bilən public code repository göstərilməmişdir.

Müəllif töhfələri: Ayrı CRediT author-contribution statement yoxdur.

Lisenziya: Araşdırılan PDF və təsdiqlənmiş rəsmi arXiv görünüşündə yenidən istifadə üçün etibarlı şəkildə təsdiqlənən açıq lisenziya növü müəyyən edilmədiyi üçün fail-closed yanaşması tətbiq edilmişdir. Mənbə şəkilləri olduğu kimi kopyalanmamalı; elmi əlaqələr və cədvəl dəyərləri Verianla üçün müstəqil şəkildə yenidən çəkilməlidir.

Mənbədaxili say qeydi: Xülasə \(w=20\) və \(w=15\) üçün müvafiq olaraq %3,243 və %2,641 MAPE-ni önə çıxardığı halda Cədvəl 2-də \(w=5\) üçün daha aşağı %2,0 MAPE hesabat verilir.

Mənbədaxili tarix qeydi: Əsas məlumat bölməsi 2016-01-01–2021-01-31 dövrünü verdiyi halda Section 5.2, 10 günlük təcrübə üçün January 2016–December 2021 ifadəsini istifadə edir. Eyni təcrübənin qrafiki və həqiqi qiymət sırası Fevral 2021-ə uyğun gəlir.

Mənbədaxili formula qeydi: Tənlik (4) MAPE kimi etiketlənsə də çap olunmuş ifadədə xəta termininin ətrafında mütləq dəyər işarəsi görünmür; Table 3 və Table 5 isə mütləq faiz xətası hesabat verir.

Əsas şərh sərhədi: Nəticələr tarixi Bitcoin məlumatı üzərində model-xəta performansıdır. Canlı bazar gəlirliliyi, investisiya məsləhəti, əməliyyat xərcləri və ya digər kriptovalyutalarda təsdiqlənmiş performans kimi şərh edilməməlidir.

Müəllif hüququ/təqdimat üsulu: Verianla mətni mənbə tədqiqatın cümlə və ya paraqraf sırasını yenidən yaratmır. Mənbədə verilən məlumat, model strukturu, formullar, cədvəllər, şəkillər, nəticələr və məhdudiyyətlər elmi inventara ayrılmış və müstəqil öyrədici Azərbaycan dili quruluşu daxilində yenidən qurulmuşdur.