Бул изилдөө каржылык убакыт катарларында көп горизонттуу баа божомолу үчүн колдонулган тогуз терең үйрөнүү архитектурасын бирдей эксперименттик протокол астында салыштырган көзөмөлдөнгөн benchmark изилдөөсү. Autoformer, DLinear, iTransformer, LSTM, ModernTCN, N-HiTS, PatchTST, TimesNet жана TimeXer; криптовалюта, валюта жана акция индекстеринен турган үч актив класстагы 12 каржылык инструментте 4 саат жана 24 саат алдыга божомолдоо тапшырмаларында бааланган. ModernTCN — чоң ядролуу depthwise убакыттык конволюцияларды көп баскычтуу төмөн үлгүлөө менен колдонгон убакыт катарынын конволюциялык архитектурасы жана изилдөөнүн глобалдык рейтингинде 1,333 орточо орун менен биринчи орунду ээлеген. PatchTST 2,000 орточо орун менен экинчи болгон. Бирок бул жыйынтык ModernTCN ар бир активде же ар бир шартта сөзсүз үстөм дегенди билдирбейт; өзгөчө айрым криптовалюта жуптарында N-HiTS жана PatchTST эң төмөн RMSE көрсөткүчүн берген.

Эксперименттик дизайнды айырмалаган жагы — моделдер ар башка маалымат топтомдорунда же ар башка жөндөө бюджеттери менен эмес, бир эле көзөмөлдөнгөн процессте сыналган. Жалпы 918 иштетүүнүн 270и гиперпараметр оптималдаштырууга, 648и болсо тогуз модель × 12 актив × эки божомол горизонту × үч көз карандысыз seed айкалышынан турган акыркы окутууларга туура келет. Бардык моделдерге Open, High, Low, Close жана Volume маанилеринен гана турган OHLCV киргизүүсү берилген; техникалык индикатор, sentiment маалыматтары, order book же тышкы макроэкономикалык маалымат кошулган эмес.

Глобалдык жыйынтыктар айкын үч катмарлуу рейтингди көрсөткөн. ModernTCN жана PatchTST жогорку топту; iTransformer, TimeXer, DLinear жана N-HiTS орто топту; TimesNet, Autoformer жана LSTM төмөнкү топту түзгөн. ModernTCN 24 актив-горизонт баалоо чекитинин 18инде, башкача айтканда %75инде эң төмөн RMSEге жеткен. Ошентсе да ModernTCN менен PatchTST ортосундагы кичине айырма ар бир активде статистикалык жактан ажыратылган эмес; мисалы, BTC/USDT үчүн 24 сааттык горизонтто эки модель ортосундагы Diebold-Mariano салыштыруусу маанилүү эмес.

Изилдөөнүн экинчи маанилүү жыйынтыгы — баа деңгээлин төмөн ката менен божомолдоо менен баанын багытын божомолдоонун ортосунда олуттуу айырма бар экени. Тогуз модель, үч актив классы жана эки божомол горизонтунан турган 54 модель-класс-горизонт айкалышында орточо багыттык тактык %50,08 болгон. Бул көрсөткүч тыйын ыргытуу деңгээлинен айырмаланган эмес. Демек, төмөн RMSE же MAE автоматтык түрдө сатып алуу-сатуу багыты ишенимдүү божомолдонду дегенди билдирбейт.

Изилдөө ошондой эле модель параметрлеринин саны көбөйгөн сайын тактык туруктуу өсө бербесин көрсөтөт. Болжол менен 1.000 параметрлүү DLinear жүз миңдеген параметрлерди колдонгон айрым архитектуралардан жогору орун алган. Натыйжалар каржылык убакыт катарларын божомолдоодо чийки кубаттуулуктан көрө модель убакыттык түзүлүштү кандай индуктивдик ыктоо менен чагылдырганы чечүүчү болушу мүмкүн экенин колдойт.

Изилдөө маселеси: “Эң чоң модель” чындап эле эң мыкты божомолдоочубу?

Каржылык убакыт катарларында терең үйрөнүү архитектураларынын саны тездик менен өсүп жатканда моделдерди адилет салыштыруу оңой эмес. Бир архитектурага көбүрөөк гиперпараметр сыноолору жүргүзүлүшү, жыйынтыктын бир гана random seed менен берилиши, жалгыз актив классынын тандалышы же бир гана божомол горизонту колдонулушу архитектуранын чыныгы күчү менен эксперименттик протоколдун таасирин аралаштырып жибериши мүмкүн. Ошондуктан изилдөө модель үй-бүлөсүнө көз каранды эмес бирдиктүү эксперименттик тартип түзүп, архитектуралык таасирди мүмкүн болушунча өзүнчө бөлүп кароону максат кылат.

Автор өзгөчө беш методологиялык боштукту карайт: тең эмес гиперпараметр оптималдаштыруу бюджеттери, бир-seed баалоо, бир божомол горизонтуна негизделген салыштыруулар, көптөгөн эки тараптуу салыштырууларда статистикалык оңдоонун жоктугу жана бир гана актив классы менен жүргүзүлгөн тар benchmarkтар. Изилдөөнүн негизги суроосу — бул көйгөйлөр бир учурда көзөмөлдөнгөн шартта кайсы убакыт катары архитектуралары ырааттуу түрдө алдыга чыгаары.

Төрт гипотеза

Каржылык Божомолдоодо Архитектуралык Индуктивдик Ыктоо Эмне Үчүн Маанилүү?

Архитектуралык индуктивдик ыктоо — модель убакыт катарындагы кайсы түзүлүштөрдү үйрөнүүнү табигый түрдө жеңилдетерин аныктаган дизайн тандоосу; бул изилдөөдө анын параметрлердин санынан да чоң түшүндүрүүчү мааниге ээ экени байкалган. ModernTCN жергиликтүү жана көп масштабдуу үлгүлөрдү чоң ядролуу конволюциялар менен, PatchTST убакыт катарын патчтарга бөлүү аркылуу, N-HiTS көп убакыт масштабдарын иерархиялык pooling менен, Autoformer жана TimesNet болсо мезгилдик же жыштыкка негизделген түзүлүштөр аркылуу чагылдырат. Каржылык маалыматтарда бул ар башка божомолдор бирдей параметр бюджети болгондо да байкаларлык иштөө айырмаларын жараткан.

Салыштырылган тогуз архитектура

Эмне үчүн каржылык убакыт катарлары татаал?

Каржылык катарлар физикалык системалар сыяктуу туруктуу мыйзамдар менен жүрбөйт. Бөлүштүрүүлөр убакыт өткөн сайын өзгөрүшү, кирешелер оор куйруктуу болушу, өзгөрмөлүүлүк топтолушу жана базар режимдери күтүүсүз алмашышы мүмкүн. Изилдөөдөгү 12 активдин сааттык log-return талдоосу да нөлгө жакын орточо кирешелерди, ачык оор куйруктарды жана актив класстары арасында чоң өзгөрмөлүүлүк айырмаларын көрсөткөн. Криптовалюталарда сааттык өзгөрмөлүүлүк болжол менен %1 масштабында болсо, валюталарда болжол менен %0,1, индекстерде болжол менен %0,2 чамасында.

Бул түзүлүш бир гана баа ийри сызыгын жаттап алган моделдин ордуна ар түрдүү убакыт масштабдарындагы өзгөрүүлөрдү жана бөлүштүрүүнүн жылышын башкара алган өкүлчүлүктөр эмне үчүн маанилүү болушу мүмкүн экенин түшүндүрөт. Бирок бул түшүндүрмө механикалык себептүүлүктүн далили эмес; ал изилдөөнүн архитектуралык салыштыруу жыйынтыктарын чечмелеген модель-дизайн түшүндүрмөсү.

Активдер дүйнөсү

Эмне үчүн киргизүү OHLCV менен гана чектелген?

Бардык моделдерге бирдей беш канал берилген: Open, High, Low, Close жана Volume. Максаттуу өзгөрмө — келечектеги Close баасы. Техникалык индикатор, кечиккен киреше, календардык өзгөрмө, жаңылык, sentiment талдоо же order book кошулбаганы атайын көзөмөл тандоосу болуп саналат. Ошентип, иштөө айырмасы мүмкүн болушунча feature engineeringден эмес, модель архитектурасынан келип чыгышы көздөлгөн.

Бул тандоо ошол эле учурда маанилүү чечмелөө чегин түзөт. Жаңылык, order-book, техникалык индикатор же байыраак тышкы өзгөрмөлөрдү атайын колдонууга ылайыкталган архитектуранын бул жердеги рейтинги, ошол моделдин бардык мүмкүн болгон каржылык божомолдоо тапшырмаларындагы абсолюттук рейтинги эмес.

Түздөн-түз көп кадамдуу божомол

Ар бир модель бүтүндөй божомол горизонтун бир эле алдыга өтүүдө чыгарат. Модель киргизүүсү \(X_t \in \mathbb{R}^{w \times 5}\), ал эми чыгышы келечектеги жабылуу бааларынан турган \(\hat{y}_{t+1:t+h}\) вектору:

\[ \hat{y}_{t+1:t+h}=f_{\theta}(X_t), \qquad h \in \{4,24\}. \]

Бул жерде \(w\) артка кароо терезеси, \(h\) божомол горизонту, \(f_{\theta}\) болсо үйрөнүлүүчү \(\theta\) параметрлери менен аныкталган модель. Төрт сааттык тапшырма үчүн \(w=24\), 24 сааттык тапшырма үчүн \(w=96\) колдонулган. Моделдер мурунку божомолду кайра киргизүү катары колдонбогондуктан, классикалык рекурсивдүү көп кадамдуу божомолдо кездешкен ката топтолушу бул эксперименттик дизайнга киргизилген эмес.

Нормалдаштыруу жана маалымат агып кетишинин алдын алуу

Ар бир активдин эң акыркы 30.000 сааттык жазуусу колдонулган. Z-score нормалдаштыруунун орточо мааниси жана стандарттык четтөөсү окутуу бөлүгүндө гана эсептелип, ошол эле өзгөртүү валидация жана тест маалыматтарына колдонулган. Ошентип келечектеги бөлүштүрүү тууралуу маалымат scaler аркылуу окутуу процессине өтүп кетишинин алдын алынган. Божомолдор баалоодон мурда кайра баштапкы баа масштабына которулган.

Эч бир баскычта убакыт ирети аралаштырылган эмес.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Беш баскычтуу көзөмөлдөнгөн эксперименттик протокол

Гиперпараметр оптималдаштыруу

Optuna Tree-structured Parzen Estimator колдонулган. Ар бир модель × актив классы × божомол горизонту айкалышы үчүн беш HPO trial бөлүнүп, HPO seedи 42 болуп туруктуу коюлган. Өкүл активдер крипто үчүн BTC/USDT, forex үчүн EUR/USD жана индекстер үчүн Dow Jones. HPO учурунда ар бир trial эң көп дегенде 50 epoch иштетилген.

Беш trial кең гиперпараметр мейкиндиги үчүн чектелген бюджет болуп саналат. Автор муну бардык архитектураларга симметриялуу бюджет колдонуу жана каржылык маалыматтардагы убактылуу базар режимдерине ашыкча ылайыкташуу тобокелдигин азайтуу үчүн тандаган. Ошентсе да бул чечим изилдөөнүн маанилүү чектөөлөрүнүн бири; кеңири HPO бюджети өзгөчө орто рейтингдеги моделдердин ордун өзгөртүшү мүмкүн.

Акыркы окутуу протоколу

• Seedдер: 123, 456 жана 789.
• Максималдуу epoch: 100.
• Оптималдаштыруу: Adam.
• Weight decay: \(10^{-4}\).
• Үйрөнүү ылдамдыгынын schedulerи: ReduceLROnPlateau.
• Scheduler patience: 5; азайтуу коэффициенти: 0,5; минималдуу үйрөнүү ылдамдыгы: \(10^{-6}\).
• Early stopping patience: 15.
• Минималдуу жакшыртуу босогосу: \(10^{-4}\).
• Gradient clipping: \(\ell_2\) нормасы 1,0 менен чектелген.
• Жоготуу функциясы: Mean Squared Error.

Окутуу жоготуусу:

\[ \mathcal{L}(\theta)=\frac{1}{n}\sum_{i=1}^{n}\left\|y_i-\hat{y}_i\right\|^2. \]

Бул жоготуу чоң божомол каталарын квадраттык түрдө жазалайт. Бир эле максат функциясынын бардык моделдерде колдонулушу кандайдыр бир архитектура башка окутуу максатынын эсебинен жасалма артыкчылык алышына жол бербейт.

RMSE, MAE жана Багыттык Тактык Бир Эле Нерсени Өлчөйбү?

Жок. RMSE жана MAE божомолдонгон баа менен иш жүзүндөгү баанын ортосундагы чоңдук катасын өлчөсө, багыттык тактык баа өзгөрүүсүнүн белгиси туура божомолдонгон-божомолдонбогонун өлчөйт. Бул изилдөөдө моделдер RMSE жана MAE боюнча айкын айырмаланса да, багыттык тактык болжол менен %50 деңгээлинде калган; ошондуктан жакшы баа-деңгээл божомолдоочу автоматтык түрдө жакшы сатып алуу-сатуу багытын божомолдоочу деп жыйынтык чыгарууга болбойт.

RMSE

\[ \mathrm{RMSE}= \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}. \]

RMSE чоң каталарга жогору салмак берет жана изилдөөнүн негизги рейтинг метрикасы.

MAE

\[ \mathrm{MAE}= \frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i|. \]

MAE абсолюттук ката чоңдугун өлчөйт жана экстремалдуу каталарга RMSE сыяктуу күчтүү квадраттык жаза колдонбойт. Изилдөөдө RMSE менен MAE рейтингдеринин өтө жогорку шайкештиги модель рейтинги бир гана ката метрикасына таандык эмес экенин колдойт.

Directional Accuracy

\[ \mathrm{DA}= \frac{1}{n} \sum_{i=1}^{n} \mathbf{1} \left[ \operatorname{sign}(\hat{y}_i-\hat{y}_{i-1}) = \operatorname{sign}(y_i-y_{i-1}) \right]. \]

Бул метрика божомолдонгон баа кыймылынын багыты менен иш жүзүндөгү багыт дал келген кадамдардын үлүшүн өлчөйт.

Эксперименттин жалпы масштабы

Глобалдык иштөө рейтинги

Бул таблица эки маанилүү нерсени көрсөтөт. Биринчиден, модель үй-бүлөсү өзү эле ийгиликти түшүндүрбөйт: Transformer үй-бүлөсүнө экинчи орундагы PatchTST да, сегизинчи орундагы Autoformer да кирет; ушундай эле CNN үй-бүлөсүндө ModernTCN биринчи болсо, TimesNet жетинчи. Экинчиден, конкреттүү убакыттык өкүлчүлүк механизми кеңири “Transformer/CNN/RNN” энбелгисине караганда көбүрөөк айырмалоочу көрүнөт.

Актив боюнча эң төмөн RMSE берген модель

Таблицадан түз эсептегенде ModernTCN криптодон тышкаркы forex жана индекс баалоолорунун жалпы 16 чекитинин 15ин жеңген. Жалгыз өзгөчө учур — GBP/USD үчүн 4 сааттык божомолдо PatchTST. 24 сааттык горизонт гана каралганда ModernTCN forex жана индекстерде 8/8 чекитте эң төмөн RMSEни берет. Булактын талкуу текстиндеги “24 саатта 16/16” деген билдирүү бул таблица менен сандык жактан дал келбегендиктен, бул жерде таблицанын маалыматтары негиз катары алынган.

Актив классы деңгээлиндеги ката жыйынтыктары

Үч актив классынын баарында ModernTCNдин класстык орточо көрсөткүчү эң төмөн RMSE жана MAE маанисин берет. PatchTST үч класста тең абдан жакын экинчи топто. Криптовалюта жыйынтыктарында ModernTCN менен PatchTST ортосундагы орточо RMSE айырмасы болжол менен %0,07 сыяктуу өтө кичине; ошондуктан крипто тармагында “жалгыз талашсыз жеңүүчү” деген чечмелөө таблица көрсөткөндөн күчтүүрөөк доомат болуп калат.

24 Сааттык Божомол Горизонту Моделдердин Рейтингин Бузабы?

Жалпысынан жок: абсолюттук божомол катасы 24 сааттык горизонтто байкаларлык өссө да, моделдердин салыштырмалуу рейтинги негизинен сакталган. Он эки активдин баарында 4 жана 24 сааттык модель рейтингдеринин ортосундагы Spearman корреляциясы оң жана маанилүү; бириктирилген Stouffer тести да горизонттор аралык рейтинг туруктуулугун күчтүү колдойт. Ошентсе да орто топтогу айрым моделдер активге жараша бир нече орунга өйдө же ылдый жылышы мүмкүн.

BTC/USDT мисалы

LSTMдин салыштырмалуу өсүү пайызы төмөн көрүнгөнү жакшыраак узак-горизонт иштөөсүнөн келип чыкпайт; 4 сааттык баштапкы катасы ансыз деле башка моделдерден кыйла жогору. Бул мисал пайыздык начарлоону баштапкы деңгээлди билбей туруп чечмелебөө керектигин көрсөтөт.

Горизонттор аралык рейтинг туруктуулугунун статистикалык далили

Он эки активдин 4 жана 24 сааттык модель рейтингдеринин ортосунда Spearman \(\rho\) маанилери 0,683төн 1,000ге чейин өзгөргөн. EUR/USD үчүн рейтинг толугу менен сакталган. Он эки активдин бир тараптуу p-маанилерин бириктирген Stouffer тести:

\[ Z_S = 6{,}17,\qquad p=3{,}47\times10^{-10} \]

жыйынтыгын берген. Бул жыйынтык жогорку орундар узак божомол горизонтунда толугу менен таралып кетпегенин жана салыштырмалуу архитектуралык артыкчылык олуттуу деңгээлде сакталганын колдойт.

Seed таасири канчалык чоң?

Чийки масштабда архитектуранын %99,90 үлүшү абдан чоң; бирок бул мааниге LSTMдин башка моделдерге салыштырмалуу өтө чоң каталары таасир этет. Ошондуктан z-normalize жыйынтык тең салмактуу чечмеленүүгө тийиш. LSTMсиз заманбап моделдер арасында да архитектура үлүшү %68,33, seed үлүшү болгону %0,02. Демек, изилдөөнүн негизги туруктуу жыйынтыгы “ар бир шартта так %99,90 архитектуралык таасир бар” деген эмес, seed дисперсиясы бардык анализ ыкмаларында өтө кичине калып, архитектура тандоосу seed тандоосуна караганда кыйла маанилүү болушу.

24 сааттык үч өкүл активде класс ичиндеги корреляция коэффициенти 0,99дан жогору. Бул моделдер ортосундагы айырмалар random баштапкы абалга караганда архитектуралык идентичтүүлүк менен көбүрөөк байланыштуу экенин көз карандысыз статистикалык ыкма менен колдойт.

Глобалдык маанилүүлүк тести

Глобалдык Friedman–Iman–Davenport тести тогуз моделдин күтүлгөн рейтинги тең деген нөлдүк гипотезаны күчтүү түрдө четке кагат. Глобалдык деңгээлде жүргүзүлгөн 36 Holm-оңдолгон Wilcoxon салыштыруусунун 33ү маанилүү. Маанилүү эмес үч жуп — TimeXer–iTransformer, Autoformer–TimesNet жана DLinear–N-HiTS. Бул түзүлүш глобалдык үч катмарлуу рейтинг жөн гана визуалдык ирээт эмес экенин колдойт.

ModernTCN менен PatchTST ортосундагы айырма ар бир базарда бирдей ачык эмес

BTC/USDT үчүн 24 сааттык Diebold–Mariano тестинде ModernTCN менен PatchTST ортосундагы айырма Holm оңдоосунан кийин маанилүү эмес (\(p_{\mathrm{Holm}}=0{,}453\)). EUR/USDде болсо ошол эле эки моделдин 24 сааттык салыштыруусунда ModernTCN пайдасына айырма абдан күчтүү ажыраган (\(p_{\mathrm{Holm}}=2{,}77\times10^{-24}\)). Бул жыйынтык бир гана глобалдык рейтинг ар бир активде бирдей статистикалык айырмалоо күчүнө ээ эмес экенин көрсөтөт.

Параметрлердин саны иштөөнү түшүндүрөбү?

Жок; изилдөөдө монотондуу татаалдык-иштөө байланышы табылган эмес. Болжол менен 1.000 параметрлүү DLinear глобалдык рейтингде бешинчи болсо, болжол менен 438.000 параметрлүү Autoformer сегизинчи орунда. Болжол менен 103.000 параметрлүү PatchTST экинчи, болжол менен 230.000 параметрлүү ModernTCN биринчи орунда.

Үч параметр өлчөмү тобун баалаган Jonckheere–Terpstra тесттеринин эч биринде маанилүү монотондуу байланыш табылган эмес; алты актив-класс × горизонт айкалышынын баарында \(p>0{,}35\) билдирилген. Ошондуктан “чоңураак тармак = төмөнүрөөк божомол катасы” деген жөнөкөй жалпылоо изилдөө тарабынан колдоого алынбайт.

Багыттык тактык: эң маанилүү терс жыйынтык

MSE менен окутулган моделдер баа деңгээлине жакын божомолдорду чыгарганы менен, сааттык баа өзгөрүүсүнүн багытын ишенимдүү божомолдой алган эмес. BTC/USDT, 24 саат мисалындагы бир үлгүлүү z-тесттерде да Holm оңдоосунан кийин эч бир модель %50 деңгээлинен маанилүү айырмаланган эмес.

Бул табылга өзгөчө маанилүү, анткени моделдин чыныгы баа ийри сызыгын визуалдык жактан жакын ээрчиши өзгөрүүнүн белгисин туура божомолдогонун билдирбейт. Эгер каржылык соода стратегиясынын максаты багытты божомолдоо болсо, MSEге негизделген баа регрессиясынан башка окутуу максаты, багыттык surrogate loss же өзүнчө ыктымалдык чечим катмары талап кылынышы мүмкүн. Изилдөө мындай моделди сынаган эмес; муну келечектеги изилдөө багыты катары сунуштайт.

Модель боюнча чечмелөө

ModernTCN: 24 баалоо чекитинин 18инде биринчи болуп, эң туруктуу модель. Чоң ядролуу depthwise конволюциялар, көп баскычтуу төмөн үлгүлөө жана RevIN каржылык маалыматтын ар башка убакыт масштабдарындагы түзүлүшүн моделдөө үчүн натыйжалуу айкалыш көрсөткөн. Бирок бул механизмдердин өздөрү себептик артыкчылыкты “далилдейт” деп айтууга болбойт; жыйынтык бүтүндөй архитектурага таандык.

PatchTST: Патчка негизделген токенизация аркылуу жергиликтүү убакыт үлгүсүн жана Transformer attention аркылуу кеңири көз карандылыктарды бириктирет. Глобалдык рейтингде экинчи жана ModernTCNге өтө жакын жыйынтыктарды берет. BTC/USDT үчүн 4 сааттык RMSE 731,05, ModernTCN үчүн 731,63; айырма болгону болжол менен %0,08.

iTransformer жана TimeXer: Жалпы орто топтун жогорку бөлүгүндө. iTransformer OHLCV өзгөрмөлөрүнүн убакыттык траекторияларын токен катары бааласа, TimeXer максат менен башка өзгөрмөлөр ортосундагы cross-attentionду ачык моделдейт.

DLinear: Өтө кичине параметр бюджетине карабастан бешинчи орунда. Бул натыйжа татаал attention же кайталануучу түзүлүштөргө ээ болуу каржылык божомолдоодо автоматтык артыкчылык жаратпасын көрсөтөт.

N-HiTS: Жалпы рейтингде алтынчы болгонуна карабастан, ETH/USDTде эки горизонтто тең жана ADA/USDTде 4 сааттык горизонтто эң төмөн RMSEге жеткен. Ошондуктан глобалдык орточо рейтинг активге мүнөздүү артыкчылыктардын баарын жашырып коюшу мүмкүн.

TimesNet жана Autoformer: Эки модель тең мезгилдүүлүккө же жыштык мейкиндигинин түзүлүшүнө айкын басым жасайт жана бул benchmarkта төмөнкү топто калган. Автор сааттык каржылык катарларда күчтүү жана стационардык мезгилдик түзүлүштөрдүн чектелүү болушу бул жыйынтыкты түшүндүрүшү мүмкүн экенин талкуулайт; бул чечмелөө түз эксперименттик механизм ажыратуу эмес.

LSTM: Изилдөөнүн классикалык recurrent эталону. Каталары категорияга жараша эң жакшы моделден болжол менен 7–33 эсе жогору болуп, глобалдык рейтингде акыркы орунда калган. Бул жыйынтык ушул жерде колдонулган түз көп кадамдуу, OHLCV-only жана жалпы окутуу протоколуна гана тиешелүү; бардык мүмкүн болгон LSTM колдонмолору жалпысынан ийгиликсиз экенин далилдебейт.

Изилдөө колдогон жыйынтыктар

• Тогуз архитектуранын иштөөсү тең эмес.
• ModernTCN жана PatchTST бул эксперименттик дизайнда айкын жогорку топту түзгөн.
• 4 сааттан 24 саатка өткөндө абсолюттук ката өссө да, салыштырмалуу модель рейтинги негизинен сакталган.
• Seed баштапкы өзгөрмөлүүлүгү архитектура жана актив-контекст таасирлерине салыштырмалуу өтө кичине.
• Модель параметрлеринин саны менен божомол ийгилигинин ортосунда монотондуу байланыш табылган эмес.
• MSE менен окутулган моделдер сааттык багыт божомолунда %50 деңгээлинен маанилүү түрдө айырмалана алган эмес.
• Айрым активдерде глобалдык лидерден башка моделдер эң төмөн RMSEни бере алат.

Изилдөө колдобогон жыйынтыктар

• ModernTCN бардык каржылык базарларда, жыштыктарда жана маалымат түрлөрүндө сөзсүз эң жакшы модель деген жыйынтык чыгарууга болбойт.
• Төмөн RMSE кирешелүү сатып алуу-сатуу стратегиясын түзөрү көрсөтүлгөн эмес.
• Транзакция чыгымы, slippage, market impact, позиция өлчөмү, Sharpe катышы же максималдуу drawdown сыналган эмес.
• Күндүк, мүнөттүк, tick-level же H4 маалыматында ошол эле рейтинг сакталары көрсөтүлгөн эмес.
• Товарлар, облигациялар, өнүгүп жаткан базар активдери же кең altcoin дүйнөсүнө жалпылоо жүргүзүлгөн эмес.
• Жаңылык, sentiment, техникалык индикатор жана order-book маалыматы кошулса архитектура рейтинги ошол бойдон калары көрсөтүлгөн эмес.
• Изилдөө жандуу forward-walk соода чөйрөсүндө реалдуу убакытта deploy жасалган система тести эмес.

Чектөөлөр

Кайра өндүрүмдүүлүк

Изилдөөнүн булак коду, конфигурация файлдары, маалыматтары, HPO жазуулары, бекитилген гиперпараметрлери, 648 окутулган модель checkpointи, баалоо чыгыштары жана статистикалык тест жыйынтыктары долбоор репозиторийинде бөлүшүлгөн. Random seed башкаруусу Python, NumPy, PyTorch CPU/CUDA жана PYTHONHASHSEED катмарларында колдонулган; cuDNN үчүн deterministic=True жана benchmark=False колдонулган.

Бирок torch.use_deterministic_algorithms(True) иштетилген эмес. Ошондуктан бир эле программалык конфигурацияда да ар башка GPU архитектураларынын ортосунда кичине floating-point айырмачылыктары теориялык жактан калышы мүмкүн. Үч көз карандысыз seed колдонулушу бул белгисиздиктин эксперименттик жыйынтыктар ичиндеги чоңдугун өлчөөгө жардам берет.

Келечектеги изилдөө сунуштары

Булак өзгөчө чоңураак гиперпараметр издөө бюджеттерин, Cohen's d effect size көрсөткүчтөрүн, багыттык жоготуу функцияларын, кеңири божомол горизонтторун, көбүрөөк altcoin жана актив класстарын, бай feature топтомдорун, ModernTCN менен PatchTST сыяктуу ар башка индуктивдик ыктоолорду бириктирген гетерогендик ensembleдарды, альтернативдүү убакыт жыштыктарын жана rolling forward-walk баалоону артыкчылыктуу изилдөө багыттары катары көрсөтөт.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска изилдөө: A Controlled Comparison of Deep Learning Architectures for Multi-Horizon Financial Forecasting: Evidence from 918 Experiments

Автор: Nabeel Ahmad Saidd

Мекеме: Dr. A.P.J. Abdul Kalam Technical University (AKTU)

Булак түрү: arXiv preprint / эсептөөчү каржылык убакыт катары benchmark изилдөөсү.

arXiv: 2603.16886v1

Биринчи версия датасы: 27 Февраль 2026.

arXiv категориясы: q-fin.ST.

DOI: Берилген PDFте жана текшерилген arXiv жазуусунда DOI көрсөтүлгөн эмес.

Журнал / том / сан: Берилген версия үчүн текшерилген рецензияланган журналдык библиографиялык маалымат табылган эмес; ошондуктан изилдөө рецензияланган журнал макаласы катары көрсөтүлбөшү керек.

Расмий булак: https://arxiv.org/abs/2603.16886

Долбоор репозиторийи: https://github.com/NabeelAhmad9/compare_forecasting_models

Лицензия: Долбоор репозиторийинин учурдагы лицензиялык түшүндүрмөсүндө макала жана коштоочу сүрөттөр үчүн Creative Commons Attribution 4.0 International (CC BY 4.0), булак код үчүн MIT License көрсөтүлгөн. Берилген PDFтин өзүндө толук лицензия энбелгиси көрүнбөгөндүктөн, бул маалымат repository билдирүүсүнө негизделген.

Каржылоо: Берилген PDFте өзүнчө каржылоо билдирүүсү аныкталган эмес.

Кызыкчылыктардын кагылышы: Автор изилдөөгө, талдоого же жыйынтыктарга таасир этиши мүмкүн болгон белгилүү атаандаш каржылык кызыкчылык же жеке мамиле жок экенин билдирет.

Маалымат жана код жеткиликтүүлүгү: Изилдөө чийки жана иштетилген маалыматтар, конфигурациялар, HPO жазуулары, checkpointтер жана benchmark чыгыштары долбоор репозиторийинде бар экенин билдирет.

Негизги ыкма чеги: Жыйынтыктар 12 актив, сааттык OHLCV маалымат, 4 жана 24 сааттык божомол горизонту, чектелген HPO бюджети жана batch форматындагы тарыхый тест топтому үчүн жарактуу. Реалдуу убакыт соода кирешелүүлүгү же жандуу базар deploy иштөөсү сыналган эмес.

Булак ичиндеги сандык дал келбестик эскертүүсү: 8-таблица боюнча ModernTCN forex жана индекстердин жалпы 16 баалоо чекитинин 15ин, 24 сааттык ички топтомдун болсо 8/8ин жеңген. Талкуудагы “24 саатта 16/16” деген билдирүү таблицага туура келбейт. Мындан тышкары, 9-таблица ModernTCNди forex RMSE боюнча 0,1098 менен биринчи көрсөтсө, тексттин бир жеринде PatchTSTтин 0,1108 мааниси “категория лидери” деп сүрөттөлгөн. Verianla баянында сандык таблицалар негиз катары алынган.

Автордук укук жана баяндоо ыкмасы: Бул мазмун түпнуска изилдөөнүн сүйлөм же абзац түзүлүшүн кайра жаратпайт. Булактагы ыкма, сандык жыйынтык, теңдеме жана чечмелөө чектери илимий фактылар деңгээлинде бөлүнүп алынып, Verianla үчүн өз алдынча окутуучу түзүлүш ичинде кайра уюштурулган.