Parallel Gated Recurrent Units (PGRU) — Bitcoin баа өзгөчөлүктөрү менен blockchainдин структуралык өзгөчөлүктөрүн эки көз карандысыз GRU тармагында иштетип, бул эки тармактын божомолдорун үчүнчү feedforward тармагында бириктирген параллелдүү deep learning архитектурасы. Изилдөөдө күнүмдүк орточо баа, ачылыш, төмөн жана жогорку баа биринчи маалымат бутагына; орточо блок көлөмү, hash rate, difficulty, күнүмдүк транзакциялар саны жана miner кирешеси экинчи маалымат бутагына берилген. 1 Январь 2016–31 Январь 2021 мезгилиндеги 1.859 күндүк байкоону колдонуп, кийинки Bitcoin баасын регрессия аркылуу божомолдоо максат кылынган.

Модель өткөн байкоолордун узундугун аныктаган \(w=5,10,15,20,25\) күндүк жылма терезелер менен бааланган. Булактагы Таблица 2 боюнча ылайык PGRUнун эң төмөн билдирилген MAPE мааниси \(w=5\) үчүн %2,0. Булактын кыскача мазмунунда өзгөчө баса белгиленген маанилер болсо \(w=15\) үчүн %2,641 жана \(w=20\) үчүн %3,243. Ошол эле эксперименттик түзүмдө курулган параллелдүү LSTM альтернативасы каралган бардык терезе узундуктарында жогорураак MSE, RMSE, MAE жана MAPE берген.

Изилдөөнүн жыйынтыктары Bitcoin баасын божомолдоо моделинин тарыхый маалыматтагы регрессиялык натыйжалуулугун көрсөтөт. Жыйынтыктар жандуу сооданын кирешелүүлүгүн, инвестициянын кайтарымын, транзакция чыгымдарын же башка криптовалюталарда ырасталган жалпыланмалуулукту билдирбейт. Мындан тышкары убакыт катары үчүн колдонулган 10-fold cross-validationдын хронологиялык түзүмү, z-score статистикаларынын бир гана training маалыматтарынан эсептелген-эсептелбегени жана 10 күндүк божомолдун так өндүрүү ыкмасы булакта жетиштүү деталданган эмес.

PGRU Деген Эмне жана Бир Агымдуу GRU Моделинен Кантип Айырмаланат?

Parallel Gated Recurrent Units (PGRU) бардык өзгөчөлүктөрдү бир GRU тармагына берүүнүн ордуна баа маалыматтарын жана Bitcoin тармагынын структуралык маалыматтарын эки өзүнчө recurrent моделде көз карандысыз иштетип, эки моделдин божомолун акыркы feedforward бириктирүү тармагы аркылуу бир баа божомолуна айландырган көп-агымдуу регрессия архитектурасы.

Изилдөөнүн негизги көйгөйү

Bitcoin баасы бир гана өткөн баа деңгээлдеринен турган убакыт катары эмес. Bitcoin тармагы блок өндүрүү, hash күчү, difficulty, транзакция активдүүлүгү жана miner кирешелери сыяктуу өзүнүн ички структуралык өзгөрмөлөрүнө да ээ. Изилдөөнүн негизги идеясы баанын өткөн жүрүм-туруму менен blockchain тармагынын абалын бир киргизүү матрицасында аралаштыруунун ордуна эки өзүнчө эксперт бутагында моделдөө.

Биринчи GRU бутагы баа жүрүм-турумун үйрөнөт. Экинчи GRU бутагы blockchain жана тармак жүрүм-турумун үйрөнөт. Эки бутак тең бир эле максатты, башкача айтканда кийинки Bitcoin баасын божомолдоого аракет кылат. Андан кийин үчүнчү тармак эки божомолдун кайсынысына кандай деңгээлде ишенүү керектигин кол менен белгиленген коэффициент аркылуу эмес, training учурунда үйрөнүлгөн feedforward өзгөртүү аркылуу бириктирет.

Адабияттагы боштук

Булак мурдагы изилдөөлөрдө баа катарлары, blockchain өзгөчөлүктөрү, социалдык медиа же издөө тренддери сыяктуу маалымат булактары колдонулганын, бирок бул маалыматтар көбүнчө бир агымдуу түзүмдөрдө иштетилгенин белгилейт. PGRUнун айырмалоочу дизайны баа жана структуралык маалыматтарды көз карандысыз recurrent эксперттерге бөлүп, божомол деңгээлинде бириктирүүдө.

Бул ыкманын илимий гипотезасы ачык формалдаштырылган “H1” түрүндө берилген эмес. Ошентсе да эксперименттик дизайн бири-бирин толуктаган эки маалымат бутагы өзүнчө колдонулган recurrent агымдарга караганда жакшыраак божомол бере алышы мүмкүн деген идеяны сынайт.

Bitcoinдин Структуралык Blockchain Өзгөчөлүктөрү Баа Божомолуна Кантип Кошулат?

Изилдөөдө blockchain структуралык маалыматы баа катарына түздөн-түз кошумча мамычалар тобу катары бир GRUга берилбейт; орточо блок көлөмү, hash rate, difficulty, жалпы күнүмдүк транзакциялар жана miner кирешеси өзүнчө беш өзгөчөлүктөн турган убакыт катарын түзөт жана бул катар экинчи GRU бутагы тарабынан көз карандысыз иштетилет.

Баа маалымат бутагы

Blockchain структуралык маалымат бутагы

Эки маалымат топтому тең 1.859 күндүк байкоону камтыйт жана 1 Январь 2016 менен 31 Январь 2021 ортосундагы мезгилди камтыйт.

Z-Score Нормалдаштыруу Бул Изилдөөдө Эмне Үчүн Колдонулган?

Z-score нормалдаштыруу баа жана blockchain өзгөчөлүктөрү бири-биринен абдан айырмаланган сандык масштабдарда болгондуктан, ар бир маанини өз өзгөрмөсүнүн орточо маанисине карата борборлоштуруп, стандарттык четтөөсүнө карата масштабдоо үчүн колдонулган; булак бул процесс чоң жана кичине маанилердин ортосундагы салыштырмалуу айырманы min–max масштабдоого караганда жакшыраак сактайт деп жүйө келтирет.

Масштаб көйгөйү

Булакка ылайык баа маалымат топтомундагы максималдуу орточо баа минимумдан болжол менен 95 эсе, difficulty өзгөрмөсүнүн максималдуу мааниси болсо минимумдан болжол менен 185 эсе чоң. Мынчалык айырмаланган чоңдуктарды түздөн-түз нейрон тармагына берүү оптималдаштырууну кыйындатышы мүмкүн.

Булакта колдонулган өзгөртүү:

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

түрүндө.

Бул жерде \(x\) чийки байкоо маанисин, \(\mu\) тиешелүү өзгөрмөнүн орточо маанисин жана \(\sigma\) стандарттык четтөөнү билдирет. Өзгөртүүнүн натыйжасында өзгөрмө нөлдүн тегерегинде борборлошот жана стандарттык четтөө масштаб бирдигине айланат.

Булак талкуу бөлүмүндө z-score нормалдаштыруу жөнөкөй min–max масштабдоого караганда болжол менен 5–7 пайыздык пунктка тактык өсүшүн бергенин билдирет. Бирок жыйынтык бөлүмүндө бул салыштырууну өзүнчө ablation таблицасы менен көрсөткөн эксперимент берилбегендиктен, бул маани авторлордун талкуу бөлүмүндөгү билдирүүсү катары каралышы керек.

Жылма терезе менен киргизүү жана максат түзүү

Нормалдаштырылган баа маалымат катары \(X\), структуралык маалымат катары болсо \(Y\) деп аныкталган. Экөөнүн тең узундугу:

\[ n=1859 \]

күн.

\(w\) күндүк терезе үчүн булак киргизүүлөрдү концептуалдык түрдө:

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

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

жана максатты:

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

түрүндө берет.

Мисалы, \(w=15\) болсо, модель мурунку 15 күндүн баа жана структуралык blockchain маалыматтарын колдонуп кийинки күндүн баасын божомолдойт.

PGRU архитектурасынын үч тармагы

13-беттеги 2-сүрөт эки көз карандысыз recurrent бутагын жана аларды бириктирген үчүнчү тармакты көрсөтөт. Булактагы фигурада көрсөтүлгөн катмар өлчөмдөрүн төмөнкүдөй жыйынтыктоого болот:

Эки GRU бутагы тең Adam optimizer колдонулуп, регрессия жоготуусун азайтуу үчүн окутулган. Fusion network болсо Levenberg–Marquardt оптималдаштыруусун колдонот. Ишке ашыруу MATLAB R2020b ичинде жүргүзүлгөн.

LSTM салыштыруу архитектурасы

Контролдук baseline катары эки GRU бутагы LSTM катмарлары менен алмаштырылган. Маалымат агымы өзгөрбөйт: баа жана структуралык маалымат эки өзүнчө recurrent бутагына кирет жана эки божомол ошол эле түрдөгү feedforward fusion network тарабынан бириктирилет.

14-беттеги 3-сүрөт LSTM альтернативасында биринчи бутакта LSTM 120, Dropout 0,2, Fully Connected 70 жана Fully Connected 4; экинчи бутакта LSTM 112, Dropout 0,2, Fully Connected 70, 50 жана 4 катмарларын көрсөтөт. Fusion тармагы кайра эле 13–16–13 жашыруун катмар түзүмүнө ээ.

Cross-validation түзүмү

Булак үч тармактын баарында 10-fold cross-validation колдонулганын жана терезе сезгичтиги эксперименттеринде модель 200 epoch окутулганын билдирет.

Бирок убакыт катарынын хронологиялык түзүмү foldдордо кандай сакталгандыгы түшүндүрүлгөн эмес. Булак ordinary random k-fold, blocked cross-validation же forward-chaining варианттарынын кайсынысы колдонулганын айтпайт. Финансылык убакыт катарларында бул деталь маанилүү; анткени келечектеги мезгилдин статистикалары мурунку training foldго агып кетсе, баалоо катасы жасалма түрдө төмөндөшү мүмкүн.

Ошондой эле z-score үчүн колдонулган \(\mu\) жана \(\sigma\) маанилери ар бир training fold боюнча гана же бардык 1.859 байкоодон эсептелгени так эмес. Ошондуктан маалымат агып кетүүсү толугу менен алдын алынганы булак отчетунан ырасталбайт.

Баалоо метрикалары

Булак төрт регрессия метрикасын колдонот.

Mean Squared Error:

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

Чоң каталарды квадраттык түрдө көбүрөөк жазалайт.

Root Mean Squared Error:

\[ RMSE=\sqrt{MSE} \]

Ката масштабын кайра баа бирдигине алып келет.

Mean Absolute Error:

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

Орточо абсолюттук баа айырмасын өлчөйт.

Булакта MAPE катары басылган Теңдеме (4):

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

Бул жерде маанилүү булак-ички дал келбестик бар. Метрика “Mean Absolute Percentage Error” деп аталганы менен, басылган Теңдеме (4) ичинде бөлүмдүн жогору жагындагы ката үчүн абсолюттук маани белгилери көрүнбөйт. Ал эми 10 күндүк божомол таблицалары “Abs. Perc. Error” колдонот. Ошондуктан Verianla формуланы булактагыдай көрсөтөт жана бул айырманы ачык сактайт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

PGRUнун Эң Төмөн Билдирилген MAPE Мааниси Кайсы Терезе Узундугунда?

Булактагы Таблица 2 ичиндеги эң төмөн PGRU MAPE мааниси \(w=5\) үчүн %2,0; изилдөөнүн кыскача мазмуну жана жыйынтык бөлүмү болсо өзгөчө \(w=15\) үчүн болжол менен %2,64 жана \(w=20\) үчүн болжол менен %3,24 маанилерин баса белгилейт.

Терезе узундугунун сезгичтиги

Таблица бардык төрт ката метрикасында \(w=5\) конфигурациясы эң төмөн маанини бергенин көрсөтөт. Узунураак тарыхый терезе колдонуу бул экспериментте автоматтык түрдө жакшыраак божомол берген эмес.

Бул жыйынтык көбүрөөк тарыхый маалымат дайыма пайдалуу деген божомолго каршы маанилүү. Бирок изилдөө эмне үчүн \(w=5\) жакшыраак экенин түшүндүргөн ablation же механизм анализин жүргүзбөйт.

PGRU Параллелдүү LSTM Архитектурасынан Жакшыраак Натыйжа Бердиби?

Ооба. Булактын ошол эле маалымат түзүмү менен курган LSTM салыштыруусунда PGRU \(w=5,10,15,20,25\) терезе узундуктарынын баарында төмөнүрөөк MSE, RMSE, MAE жана MAPE берген; ошол эле жабдыктагы өлчөөлөрдө да кыскараак аткаруу убактысын көрсөткөн.

PGRU жана LSTM ката жыйынтыктарын салыштыруу

LSTMнин толук ката таблицасында MSE жана MAE маанилери да PGRUдан жогору. Ошондуктан изилдөөнүн өзүнүн контролдук салыштыруусу ичинде PGRU артыкчылыгы бир гана MAPE метрикасына байланыштуу эмес.

Аткаруу убактысы

Убакыттар Intel Core i7-6700HQ CPU жана NVIDIA GTX 960 GPU колдонулган системада үч иштетүүнүн орточо мааниси катары билдирилген. GRU архитектурасы бардык терезе узундуктарында LSTM альтернативасына караганда кыскараак аткаруу убактысына ээ.

10 күндүк PGRU жана LSTM божомолдору

PGRU алгачкы үч күндө %0,51–%1,21 абсолюттук пайыздык ката берген болсо, кийинки жогорку кыймылдуу күндөрдө ката байкаларлык өсөт. Онунчу күнү PGRUнун абсолюттук пайыздык катасы %10,24 көрсөткүчүнө, LSTMники болсо %15,72 көрсөткүчүнө жетет.

Бул таблица PGRU күн сайын LSTMден артык болгонун билдирбейт. Мисалы, төртүнчү жана бешинчи күндөрдө LSTMнин абсолюттук пайыздык катасы PGRUдан төмөн. Ал эми өзгөчө 8–10. күндөрдө PGRU төмөнүрөөк ката берет.

10 күндүк эксперименттин кайра өндүрүлүү көйгөйү

Модель ыкма бөлүмүндө кийинки күндү божомолдогон бир-кадамдуу түзүм катары аныкталган. Бирок булак 10 күндүк horizon түзүп жатканда:

• биринчи божомол кийинки күндүн киргизүүсү катары колдонулган-колдонулбаганын,
• ишке ашкан жаңы баалар ар бир кадамда моделге кайра берилген-берилбегенин,
• 10 чыгыш бир эле жолу чыгарылган-чыгарылбаганын

түшүндүрбөйт. Ошондуктан 10 күндүк performanceтин так inference процедурасын булак текстинен кайра түзүүгө мүмкүн эмес.

Мындан тышкары ыкма бөлүмүндөгү маалымат топтому 31 Январь 2021 жылы аяктаса, Section 5.2 “January 2016 to December 2021” деген билдирүүнү колдонот. Сүрөт жана чыныгы баа катары Февраль 2021 жылына туура келгендиктен, бул дата билдирүүсү булактагы башка убакыт маалыматы менен шайкеш эмес.

4-сүрөт жана 5-сүрөт эмнени көрсөтөт?

15-беттеги 4-сүрөт, \(w=15\) үчүн 1 Ноябрь 2020–31 Январь 2021 мезгилинде чыныгы Bitcoin баасы менен PGRU божомолун бир эле убакыт огунда көрсөтөт. Эки ийри сызык жалпы тренд боюнча негизинен бирге кыймылдайт; 5-сүрөт болсо ошол эле мезгилдеги божомол–чыныгы айырмаларды нөл огунун тегерегинде көрсөтөт.

Бул визуалдык шайкештик модель ошол тарыхый мезгилдин баа үлгүсүн ээрчий алганын колдойт. Бирок график өзү эле келечектеги башка рынок режимдеринде ошол эле ката сакталарын далилдебейт.

6-сүрөт менен 9-сүрөттүн айырмасы

16-беттеги 6-сүрөт PGRUнун 10 күндүк божомолун, 17-беттеги 9-сүрөт болсо LSTM альтернативасын көрсөтөт. Өзгөчө 8–10 Февраль 2021 айланасындагы кескин баа өсүшүндө эки модель тең чыныгы баадан төмөн калат; бирок LSTMдин четтөөсү чоңураак.

Бул мезгил моделдин орточо ката метрикасынан тышкары тез режим өзгөрүүлөрүндө кандай жүрүм-турум кыла аларын өзүнчө карап чыгуу керектигин көрсөтөт.

Мурунку изилдөөлөр менен булакта берилген MAPE салыштыруусу

Булак бул таблицаны PGRU мурунку ыкмаларга караганда төмөнүрөөк MAPE бергенинин көрсөткүчү катары сунуштайт. Бирок ыкмалар ошол эле Bitcoin маалымат мезгили, ошол эле training/test бөлүнүшү жана ошол эле маалыматты алдын ала иштетүү шартында кайра иштетилген эмес. Patel изилдөөсүнүн максаттуу активи да Litecoin. Ошондуктан таблица контролдук head-to-head benchmark эмес, жарыяланган жыйынтыктардын адабият деңгээлиндеги салыштыруусу.

Изилдөө колдогон жыйынтыктар

• Каралган Bitcoin маалымат топтомунда эки параллелдүү GRU бутагы fusion тармак менен бириктирилген PGRU архитектурасы колдонулушу мүмкүн болгон.
• Булактагы Таблица 2 ичинде эң төмөн PGRU MAPE мааниси \(w=5\) үчүн %2,0.
• PGRU ошол эле изилдөөдө түзүлгөн параллелдүү LSTM альтернативасына караганда бардык каралган терезе узундуктарында төмөнүрөөк ката берген.
• GRU негизиндеги түзүм ошол эле жабдыкта LSTM альтернативасына караганда кыскараак аткаруу убактысын көрсөткөн.
• Баа жана blockchain структуралык маалыматтарын өзүнчө recurrent бутактарда иштетүү булак экспериментинде иштеген fusion архитектурасын түзгөн.
• PGRU 10 күндүк мисалда өзгөчө акыркы күндөрдө LSTM альтернативасына караганда төмөнүрөөк ката берген.

Изилдөө колдобогон жыйынтыктар

• PGRU жандуу Bitcoin соодасында киреше алып келери көрсөтүлгөн эмес.
• Модель транзакция төлөмүн, slippage, spread, funding же portfolio riskти баалаган эмес.
• Модель башка криптовалюталарда ошол эле тактык менен иштей турганы эксперименттик түрдө көрсөтүлгөн эмес.
• PGRU бардык заманбап Transformer же учурдагы 2025–2026 божомол архитектураларынан артык экени көрсөтүлгөн эмес.
• Table 7 ичиндеги мурунку изилдөөлөр менен салыштыруу жалпы benchmark протоколу астында жүргүзүлгөн эмес.
• 10-fold cross-validation time-series leakageти толук алдын алганы булакта далилденген эмес.
• Z-scoreдун 5–7 пайыздык пункт артыкчылыгы өзүнчө, көрүнүктүү normalization ablation таблицасы менен көрсөтүлгөн эмес.
• 10 күндүк божомолдун recursive, direct же rolling механизми ачык көрсөтүлгөн эмес.

Изилдөөнүн күчтүү жактары

Моделдин дизайны түшүнүктүү жана модулдук. Баа менен blockchain структуралык маалыматтарын өзүнчө бутактарга бөлүшү ар бир маалымат тобуна өзүнүн убакыттык динамикасын үйрөнүүгө мүмкүндүк берет. Контролдук LSTM альтернативасы ошол эле жалпы түзүмдүн ичинде түзүлгөндүктөн, PGRU–LSTM салыштыруусу ар башка макалалардан алынган MAPE салыштыруусуна караганда маанилүүрөөк.

Мындан тышкары изилдөө бир гана ката метрикасына таянбайт; MSE, RMSE, MAE жана MAPE бирге билдирилет. Беш терезе узундугу жана аткаруу убактысынын жыйынтыктары моделдин accuracy–computation мамилеси тууралуу кошумча маалымат берет.

Негизги методологиялык чектөөлөр

Cross-validation деталдары: 10-fold түзүм хронологиялык экени же эместиги көрсөтүлгөн эмес.

Normalization leakage деталдары: Z-score статистикалары бир гана training маалыматтарынан эсептелгени ачык жазылган эмес.

10 күндүк inference механизми: Көп-кадамдуу божомол процедурасы түшүндүрүлгөн эмес.

Дата дал келбестиги: Маалымат чогултуу бөлүмү 31 Январь 2021 жылы аяктаса, Section 5.2 Декабрь 2021 жылына чейин маалымат колдонулганын жазат.

MAPE теңдемеси: Басылган Теңдеме (4) абсолюттук маани белгилерин көрсөтпөйт.

Статистикалык белгисиздик: Cross-validation орточолорунун стандарттык четтөөсү, ишеним аралыгы же көп random-seed бөлүштүрүүсү берилген эмес.

Тышкы жалпылоо: Эксперименттик максат бир гана Bitcoin.

Адабият benchmarkы: Table 7 ар кандай маалымат жана изилдөө протоколдорунан билдирилген MAPE маанилерин катар коёт.

Келечектеги изилдөө багыттары

Булак PGRU архитектурасына жаңы көз карандысыз маалымат бутактарын кошууну сунуштайт. Мисалдарга глобалдык экономикалык көрсөткүчтөр, башка ири криптовалюталардын баалары жана социалдык тармак sentiment/trend маалыматтары кирет.

Бул сунуштар булак тарабынан келечектеги изилдөө катары берилет; учурдагы эксперименттерде бул маалымат агымдары колдонулган эмес.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталыш: Cryptocurrency Price Prediction Using Parallel Gated Recurrent Units

Авторлор: Milad Asadpour; Alireza Rezaee; Farshid Hajati.

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

Булак түрү: Preprint.

Платформа: arXiv / CoRR.

arXiv: 2512.22599v1 [cs.LG].

arXiv жөнөтүлгөн дата: 27 Декабрь 2025.

PDFте берилген дата: 30 Декабрь 2025.

Рецензия абалы: Учурдагы библиографиялык текшерүүдө өзүнчө рецензияланган journal же conference версиясы аныкталган эмес; изилдөө preprint катары бааланган.

Өз алдынча journal DOI: Ырасталган эмес.

Corresponding author: Булак PDF өзүнчө corresponding-author белгисин бербейт.

Изилдөө түрү: Bitcoin баасына багытталган эсептөөчү deep learning/регрессия эксперименти.

Максаттуу өзгөрмө: Bitcoinдин келечектеги баасы.

Маалымат мезгили: Негизги маалымат аныктамасында 1 Январь 2016–31 Январь 2021.

Байкоолор саны: Эки маалымат агымында тең 1.859 күндүк жазуу.

Баа өзгөчөлүктөрү: Орточо күнүмдүк баа, ачылыш баасы, төмөн баа, жогорку баа.

Структуралык өзгөчөлүктөр: Орточо блок көлөмү, hash rate, difficulty, жалпы күнүмдүк транзакциялар, miner кирешеси.

Баа маалыматынын булагы: Булак изилдөө Investing.com historical Bitcoin маалыматына шилтеме берет.

Структуралык маалымат булагы: Булак изилдөө bitcoin.com сайтындагы market/network charts булагына шилтеме берет.

Алдын ала иштетүү: Z-score нормалдаштыруу.

Терезе узундуктары: 5, 10, 15, 20 жана 25 күн.

Модель: Эки параллелдүү GRU predictor + feedforward fusion network.

Контролдук салыштыруу: Эки параллелдүү LSTM predictor + ошол эле жалпы fusion ыкмасы.

Программалык камсыздоо: MATLAB R2020b.

GRU optimizer: Adam.

Fusion optimizer: Levenberg–Marquardt.

Окутуу: Терезе сезгичтиги экспериментинде 200 epoch.

Cross-validation: 10-fold; foldдордун убакыт катары формасы булакта деталданган эмес.

Performance метрикалары: MSE, RMSE, MAE жана булак тарабынан MAPE деп аталган пайыздык ката метрикасы.

Жабдык: Intel Core i7-6700HQ CPU жана NVIDIA GTX 960 GPU; аткаруу убактысынын жыйынтыктары үч иштетүүнүн орточо мааниси.

Каржылоо: Берилген PDFте өзүнчө funding statement аныкталган эмес.

Кызыкчылыктардын кагылышы: Берилген PDFте өзүнчө conflict-of-interest declaration аныкталган эмес.

Маалымат жеткиликтүүлүгү: Өзүнчө Data Availability Statement жок; маалымат булактары ыкма бөлүмүндө web булактары катары көрсөтүлгөн.

Код жеткиликтүүлүгү: Берилген PDFте текшериле турган public code repository көрсөтүлгөн эмес.

Автордук салымдар: Өзүнчө CRediT author-contribution statement жок.

Лицензия: Каралган PDF жана ырасталган расмий arXiv көрүнүшүндө кайра колдонуу үчүн ишенимдүү ырастала турган ачык лицензия түрү аныкталбагандыктан fail-closed ыкмасы колдонулган. Булактагы сүрөттөр түз көчүрүлбөшү; илимий байланыштар жана таблица маанилери Verianla үчүн өз алдынча кайра чийилиши керек.

Булак ичиндеги сан эскертүүсү: Кыскача мазмун \(w=20\) жана \(w=15\) үчүн тиешелүүлүгүнө жараша %3,243 жана %2,641 MAPEни баса белгилесе, Таблица 2 ичинде \(w=5\) үчүн төмөнүрөөк %2,0 MAPE билдирилет.

Булак ичиндеги дата эскертүүсү: Негизги маалымат бөлүмү 2016-01-01–2021-01-31 мезгилин берсе, Section 5.2 10 күндүк эксперимент үчүн January 2016–December 2021 деген сөз айкашын колдонот. Ошол эле эксперименттин графиги жана чыныгы баа катары Февраль 2021 жылына туура келет.

Булак ичиндеги формула эскертүүсү: Теңдеме (4) MAPE катары белгиленгени менен, басылган туюнтмада ката мүчөсүнүн айланасында абсолюттук маани белгиси көрүнбөйт; Table 3 жана Table 5 болсо абсолюттук пайыздык катаны билдирет.

Негизги чечмелөө чеги: Жыйынтыктар тарыхый Bitcoin маалыматындагы модель-ката performance болуп саналат. Жандуу рынок кирешелүүлүгү, инвестициялык кеңеш, транзакция чыгымдары же башка криптовалюталардагы ырасталган performance катары чечмеленбеши керек.

Автордук укук/баяндоо ыкмасы: Verianla тексти булак изилдөөдөгү сүйлөм же абзац тартибин кайра чыгарбайт. Булакта берилген маалымат, модель түзүмү, формулалар, таблицалар, сүрөттөр, жыйынтыктар жана чектөөлөр илимий инвентарга бөлүнүп, өз алдынча үйрөтүүчү Кыргызча түзүмдүн ичинде кайра курулган.