Fuzzy-GRA ni mfumo mseto wa utabiri unaotambua viingizo muhimu vya utabiri kwa kutumia Grey Relational Analysis (GRA) na kuunda modeli ya mahusiano yasiyo ya mstari kati ya viingizo hivyo kwa kutumia Mfumo wa Utoaji Hitimisho kwa Mantiki Fifi wa aina ya Mamdani (Fuzzy Inference System, FIS). Utafiti uliochunguzwa unalinganisha idadi ya anwani amilifu, idadi ya miamala, mapato ya wachimbaji, hash rate, bei, uwiano wa MVRV na vigezo vya hisia za soko katika uchunguzi 5359 wa kila siku wa Bitcoin katika kipindi cha Julai 2010–Machi 2025. Katika matokeo ya GRA, anwani amilifu, idadi ya miamala na mapato ya wachimbaji zilionyesha ufanano wa kijiometri wenye nguvu zaidi na ujazo wa miamala; modeli ya Fuzzy-GRA iliyojengwa kwa viingizo hivi vitatu ilitoa jumla ya utabiri 4350 wa nje ya sampuli katika madirisha 145 ya uthibitishaji wa walk-forward.

Katika jedwali kuu la utendaji, thamani ya RMSE ya modeli ya Fuzzy-GRA ni 0.3521, huku ya regresheni ya mstari ikiwa 0.5178; hii inalingana na takribani kupungua kwa RMSE kwa %32.2. Uboreshaji wa MAE uliripotiwa kuwa %43.1, wa sMAPE %13.45 na wa MdAPE %8.1. Ingawa Random Forest na LSTM zilitoa matokeo bora kuliko regresheni ya mstari, RMSE ya Fuzzy-GRA ilikuwa ya chini zaidi. Jaribio la Diebold–Mariano linaonyesha kuwa tofauti ya makosa ya utabiri kati ya Fuzzy-GRA na modeli ya mstari ni muhimu kitakwimu.

Hata hivyo, matokeo haya hayamaanishi kwamba “idadi ya anwani amilifu husababisha ujazo wa miamala”. Anwani amilifu na idadi ya miamala zina uhusiano wa sehemu na wa kimekanika na muundo wa uhasibu wa ujazo wa miamala. Dai kuu la utafiti ni kwamba viashiria hivi vya on-chain, vinapotumiwa kwa ucheleweshaji na kwa namna isiyo ya mstari, hubeba taarifa ya ziada ya utabiri ikilinganishwa na modeli ya mstari. Waandishi pia walijaribu suala hili kwa jaribio la uthabiti lililoondoa anwani amilifu na idadi ya miamala kutoka kwenye modeli.

Tatizo la utafiti

Ingawa sehemu kubwa ya tafiti za sarafu za kidijitali inalenga utabiri wa bei, ujazo wa miamala unaowakilisha thamani ya kiuchumi inayohamishwa kwa kweli kwenye blockchain umechunguzwa kwa kiwango kidogo zaidi. Ujazo wa miamala ya Bitcoin si mwangwi tu wa mabadiliko ya bei ya kubahatisha; ni shughuli ya on-chain inayopima uhamishaji wa thamani kati ya anwani ndani ya mtandao. Kwa hiyo, tatizo kuu la utafiti ni kubainisha ni viashiria gani vya mtandao na soko vinavyosogea pamoja kwa uthabiti zaidi na ujazo wa miamala, na jinsi mahusiano hayo yanavyoweza kutumika kwa madhumuni ya utabiri.

Data za sarafu za kidijitali zina sifa zinazofanya uundaji modeli wa kawaida wa mstari kuwa mgumu kwa tatizo hili. Bei, idadi ya miamala na viashiria vya uthamini zina mikia mizito, mivunjiko ya ghafla na mahusiano yanayobadilika kulingana na hali ya soko. Kwa mfano, mapato ya wachimbaji na ujazo yanaweza kusogea pamoja katika vipindi vya kawaida, lakini wakati wa halving za Bitcoin mabadiliko ya mapato ya wachimbaji yanaweza kutokwenda sambamba kwa wakati mmoja na ujazo wa miamala. Katika vipindi vya msongamano wa mtandao, ujazo unaweza kuongezeka huku mwitikio wa mapato ya wachimbaji ukichelewa.

Vigezo vikuu vilivyotumika katika utafiti

Ili kupunguza uvujaji wa taarifa wa wakati mmoja na lengo la utabiri, vigezo huru vilitumika kwa thamani zake za zamani. Katika Jedwali la Ziada A2, ucheleweshaji wa siku moja hadi tatu kwa anwani amilifu, idadi ya miamala na mapato ya wachimbaji; ucheleweshaji wa siku moja na mbili kwa HashRate; na ucheleweshaji wa siku moja kwa bei, MVRV na viashiria vya hisia uliainishwa kwa msingi wa uchanganuzi wa PACF.

Uchakataji wa awali wa data

Katika hatua ya GRA, mabadiliko ya kila siku yalibadilishwa kuwa mfumo wa log-return:

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

Hapa \(v_t\) inaonyesha thamani ya kigezo husika katika siku ya \(t\); \(v_{t-1}\) thamani ya siku iliyotangulia; na \(r_t\) mabadiliko ya kila siku ya log. Mabadiliko haya yalitumika kuwakilisha mabadiliko ya kuzidiana katika bei na mtandao kwa kipimo cha kujumlisha na kuboresha ustahimilivu wa mfululizo.

Jumla ya thamani 18 zilizokosekana ziliwakilisha takribani %0.34 ya uchunguzi wote na zilikamilishwa kwa linear interpolation. Thamani kali zaidi ya IQR tatu zilibainishwa na thamani husika za mwisho zili-winsorize katika percentile ya 99.

Kwa GRA, vigezo pia vilipimwa kwenye kiwango cha 0–1 kwa njia ya min–max:

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

Baadaye utafiti pia ulitumia urekebishaji wa z-score kama jaribio la uthabiti; mpangilio wa vigezo ulihifadhiwa kikamilifu na mabadiliko katika thamani za GRG yalibaki chini ya 0.003.

Mgawanyo wa mafunzo na majaribio

Katika mgawanyo mkuu wa data kwa mpangilio wa muda, seti ya mafunzo inajumuisha uchunguzi 4023 wa kipindi cha 18 Julai 2010–31 Desemba 2021, huku seti ya majaribio ikijumuisha uchunguzi 1336 wa kipindi cha 1 Januari 2022–21 Machi 2025. Majaribio ya ADF na KPSS yalitumika kutathmini ustahimilivu wa log-return. Uchanganuzi wa Bai–Perron wa mivunjiko mingi ya kimuundo ulibainisha pointi nne muhimu za kuvunjika: Desemba 2013, Machi 2020, Novemba 2021 na Juni 2022.

Hidden Markov Model (HMM) yenye hali tatu pia ilitumika kutambua sampuli ndogo za soko la kushuka, hali ya pembeni/volatility ndogo na soko la kupanda. Kigezo hiki cha hali si kiingizo cha modeli ya utabiri; kilitumika tu katika uchanganuzi wa sampuli ndogo na unyeti kwa hali ya soko.

Je, GRG ya Juu katika Grey Relational Analysis Inamaanisha Usababishaji?

Hapana. Grey Relational Grade (GRG) hupima ufanano wa mwendo wa kijiometri wa mfululizo miwili iliyorekebishwa kadri muda unavyopita; si ushahidi wa moja kwa moja wa usababishaji. GRG ya juu inaweza kutokana na athari ya moja kwa moja, usababishaji wa kinyume, sababu ya tatu ya pamoja, uhusiano wa kimekanika wa uhasibu au chanzo kingine cha mwendo wa pamoja. Katika utafiti huu, GRA ilitumika kuchagua viingizo vya utabiri, si kuamua ubora wa kisababisho.

Mgawo wa uhusiano wa kijivu

Mfululizo wa rejea \(X_0\) ni ujazo wa miamala, na mfululizo wa kulinganisha \(X_i\) ni mojawapo ya vigezo elezi vinavyowania. Katika kila nukta ya muda \(k\), tofauti huhesabiwa kama:

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

Mgawo wa uhusiano wa kijivu ni:

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

\(\Delta_{\min}\) na \(\Delta_{\max}\) ni thamani ya chini na ya juu ya kimataifa ya tofauti zote kamili. \(\rho\) ni mgawo wa utofautishaji. Katika modeli kuu, thamani ya kawaida \(\rho=0.5\) ilitumika; uchanganuzi wa unyeti pia ulifanywa kwa thamani 0.1, 0.3, 0.5, 0.7 na 0.9.

Wastani wa migawo ya uhusiano wa kijivu katika uchunguzi wote kwa kigezo kimoja hutoa Grey Relational Grade:

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

Mpangilio wa vipengele vya GRA

Ili kuhifadhi muundo wa utegemezi wa mfululizo wa muda, vipindi vya kujiamini viliundwa kwa moving-block bootstrap yenye urefu wa block wa siku 21 badala ya bootstrap ya uchunguzi huru. Kwa kila GRG, resampling 10.000 zilifanywa na percentile za %2.5–%97.5 ziliripotiwa kama kipindi cha %95.

LASSO, iliyotumika kama ukaguzi huru wa GRA, pia ilichagua vigezo vilevile vitatu: ukubwa wa mgawo uliosanifishwa ulikuwa 0.412 kwa anwani amilifu, 0.378 kwa idadi ya miamala na 0.291 kwa mapato ya wachimbaji. Migawo ya LASSO ya vigezo vilivyobaki, ikiwa ni pamoja na HashRate, ilipunguzwa hadi sifuri. Uhusiano wa mpangilio wa Spearman kati ya mpangilio wa GRA na mpangilio wa LASSO uliripotiwa kuwa 1.00.

Je, mpangilio ni thabiti kati ya hali tofauti za soko?

Kwa dirisha linalosogea la siku 365 na hatua za miezi mitatu, madirisha 55 ya GRA yaliyopishana yalichunguzwa kati ya Julai 2011–Machi 2025. Thamani ya GRG ya anwani amilifu ilibaki takribani katika kiwango cha 0.87–0.94 katika hali zote za soko; katika vipindi vya soko la kupanda vya 2013, 2017 na 2021 ilifikia takribani 0.93, 0.92 na 0.94 mtawalia. Idadi ya miamala ilionyesha unyeti mkubwa zaidi kwa hali ya soko kati ya 0.79–0.89, wakati daraja la uhusiano wa bei lilishuka kutoka takribani 0.85 hadi 0.74 katika soko la kushuka la 2015.

Kwa nini utoaji hitimisho kwa mantiki fifi ulitumika?

GRA hupanga ni vigezo gani vinavyosogea kwa kufanana na mfululizo lengwa, lakini haiundi yenyewe modeli ya muundo wa sheria usio wa mstari unaoundwa kwa pamoja na vigezo. Kwa hiyo anwani amilifu, idadi ya miamala na mapato ya wachimbaji, vilivyokuwa juu katika mpangilio, vilihamishiwa kwenye Mfumo wa Utoaji Hitimisho kwa Mantiki Fifi wa aina ya Mamdani.

Kila kiingizo kiligawanywa katika madaraja matatu ya uanachama wa kilugha: “Chini”, “Wastani” na “Juu”. Daraja la uanachama huhesabiwa kwa kazi ya pembetatu:

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

\(a\) na \(c\) zinawakilisha mipaka ya chini na ya juu ya seti fifi, huku \(b\) ikiwakilisha nukta ya kilele ambapo uanachama ni 1. Kutumia kazi za uanachama zinazopishana badala ya mipaka mikali ya madaraja huruhusu, kwa mfano, kiwango cha ukuaji kuwakilishwa kwa wakati mmoja kama sehemu “Wastani” na sehemu “Juu”.

Wakati GRA inafanywa juu ya log-return za kila siku, uanachama wa kilugha wa mfumo wa utoaji hitimisho kwa mantiki fifi hufanya kazi na viwango vya ukuaji wa mwaka kwa mwaka:

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

Kulingana na chanzo, sababu ni kwamba mapato ya kila siku hutoa thamani ndogo sana na zenye kelele, ilhali ukuaji wa mwaka kwa mwaka hutoa maana ya kiuchumi iliyo wazi zaidi kwa seti za kilugha kama “ukuaji wa chini/wastani/juu”. Katika kila dirisha la utabiri wa walk-forward, ukuaji huu huhesabiwa tu kutoka kwa thamani za kihistoria ambazo tayari zilijulikana katika tarehe ya utabiri.

Kazi za uanachama ziliamuliwaje?

Uwekaji vigezo una hatua tatu. Katika hatua ya kwanza, wataalamu watatu wa uchanganuzi wa on-chain waliweka mipaka ya awali ya “Chini–Wastani–Juu” kupitia mchakato wa Delphi wa raundi tatu. Katika hatua ya pili, percentile za %20, %40, %60 na %80 za kipindi cha mafunzo pekee zilitumika. Katika hatua ya tatu, vigezo vilisahihishwa kwa grid search ndani ya takribani ±%10 ya thamani za empiria na RMSE kwenye data ya uthibitishaji ya 2021 ilipunguzwa hadi kiwango cha chini.

Ukalibishaji huu usiobadilika ni kwa ajili ya modeli ya kueleza. Katika utabiri wa nje ya sampuli wa walk-forward, kazi za uanachama zilikadiriwa upya katika kila dirisha kwa kutumia tu data za siku 1000 za karibuni zilizopatikana wakati huo. Kwa njia hii, ukalibishaji wa kueleza uliofanywa mwaka 2021 haukuvuja kwenda kwenye utabiri wa vipindi vya awali.

Sheria tatu fifi zilizosawazishwa

Uzito wa sheria ulitokana na thamani za GRG. Sheria ya kwanza ilitegemea uzito wa GRG uliorekebishwa wa anwani amilifu, sheria ya tatu uzito wa idadi ya miamala, na sheria ya pili wastani wa uzito hizo tatu. Njia ya centroid defuzzification ilitumika kubadilisha pato kuwa thamani moja.

Mbinu na Matokeo ya Utafiti

Uthibitishaji wa walk-forward

Tathmini kuu ya modeli ilifanywa kwa itifaki ya dirisha linalosogea iliyo kali zaidi kuliko mgawanyo mmoja wa kawaida wa mafunzo/majaribio. Katika kila dirisha, siku 1000 za mwisho zilitumika kama data ya mafunzo, siku 30 zilizofuata zilitabiriwa na dirisha likasogezwa mbele kwa siku 30. Jumla ya madirisha 145 × siku 30 = utabiri 4350 wa nje ya sampuli ulitolewa.

Katika kila dirisha, mipangilio ya GRA, vigezo vya uanachama na uzito wa sheria zilihesabiwa upya kwa kutumia tu data zilizokuwapo wakati wa utabiri. Utambulisho wa viingizo vitatu vya msingi, muundo wa sheria tatu zilizosawazishwa, njia ya centroid na ufafanuzi mkuu wa \(\rho=0.5\) ni vipengele vya mbinu visivyobadilika.

Utendaji mkuu wa utabiri

Chanzo pia kinaripoti ulinganisho miwili wa ujifunzaji wa mashine. Random Forest ilionyesha uboreshaji wa %16.6 dhidi ya regresheni ya mstari kwa RMSE=0.4321, na LSTM uboreshaji wa %23.8 kwa RMSE=0.3956. Kwa kuwa RMSE ya Fuzzy-GRA ni 0.3521, ilitoa kosa la chini kwa %18.7 kuliko Random Forest na kwa %11.0 kuliko LSTM.

Je, Ubora wa Fuzzy-GRA dhidi ya Regresheni ya Mstari Unaungwa Mkono Kitakwimu?

Ndiyo, ndani ya utabiri wa nje ya sampuli wa utafiti unaungwa mkono. Jaribio la Diebold–Mariano kwa hasara ya kosa mraba lilitoa \(DM=-8.437\) na \(p<0.0001\); kipindi cha kujiamini cha %95 cha tofauti ya wastani ya hasara kilibaki kabisa chini ya sifuri. Liliporudiwa kwa hasara ya kosa kamili, \(DM=-7.218\) na \(p<0.0001\) pia zilipatikana. Matokeo haya yanaunga mkono ubora wa utabiri ndani ya utafiti; hayatoi uhamishaji wa moja kwa moja kwa mali nyingine zisizo Bitcoin.

Ablation: ni kundi gani la taarifa linalobeba uboreshaji?

Kulingana na mgawanyo wa waandishi, kati ya uboreshaji wote wa RMSE wa pointi 32.2 za asilimia, pointi 28.8 zinahusishwa na viingizo vya on-chain; hii ni takribani sehemu ya %89. Vigezo vya soko na hisia hutoa mchango wa ziada wa takribani %11 iliyobaki.

Ikiwa Anwani Amilifu na Idadi ya Miamala Tayari ni Sehemu ya Ujazo, Je, Matokeo ni Uhusiano wa Kimekanika Pekee?

Chanzo kinakubali hatari hii na kufanya jaribio tofauti la uthabiti linaloondoa idadi ya anwani amilifu na idadi ya miamala kutoka kwenye modeli ili kupima maelezo ya kimekanika kabisa. Modeli iliyopunguzwa ya Fuzzy-GRA inayotumia tu mapato ya wachimbaji na HashRate ilitoa RMSE=0.3984, huku modeli ya mstari yenye viingizo vilevile viwili ikibaki RMSE=0.5171; Fuzzy-GRA ilitoa kosa la chini kwa takribani %23.1. Matokeo haya yanaunga mkono kwamba utambulisho wa kimekanika hauwezi kueleza faida yote ya utabiri, lakini bado si ushahidi wa usababishaji wa kimuundo.

Majaribio ya uwezo wa kutabiri ya Granger

Neno “Granger-cause” hapa hupima ikiwa thamani zilizopita zinasaidia kitakwimu kutabiri thamani za baadaye za lengo. Jaribio hili peke yake halithibitishi usababishaji wa kimuundo wa kiuchumi au kimwili.

Idadi ya sheria na overfitting

Matumizi ya sheria tatu pekee katika modeli si ya bahati nasibu. RMSE hushuka kutoka 0.412 kwa sheria moja hadi 0.378 kwa sheria mbili na 0.352 kwa sheria tatu. Kwa sheria nne na tano utendaji hufikia takribani plateau, huku kwa sheria sita au zaidi kosa likianza kuongezeka tena. Kwa sheria saba RMSE ni 0.389, kwa sheria nane 0.415 na kwa sheria tisa 0.447. Mfumo unaojumuisha sheria zote 27 zinazowezekana pia hutoa matokeo mabaya kuliko muundo uliochaguliwa wa sheria tatu.

Katika muhtasari wa overfitting, RMSE ya mafunzo ya Fuzzy-GRA ni 0.3247, RMSE ya majaribio 0.3512 na thamani ya overfit ratio 0.081. Kwa modeli ya mstari, thamani zinazolingana ni 0.4602, 0.5178 na 0.126. Thamani ya RMSE ya majaribio 0.3512 katika chanzo ina kutofautiana kidogo na 0.3521 katika jedwali kuu la utendaji; kwa hiyo thamani ya Jedwali kuu 7 imechukuliwa kama msingi katika ulinganisho mkuu wa utendaji.

Miundo mbadala ya mantiki fifi

Ingawa ANFIS ilitoa RMSE ya chini kwa takribani %1.1, waandishi walichagua muundo wa Mamdani kwa sababu ya lengo kuu la utafiti la ufafanukaji. Kwa hiyo, utafiti haudai kwamba “Mamdani hutoa usahihi wa juu kabisa kati ya miundo yote”; sababu ya uchaguzi ni mizani kati ya usahihi na ufafanukaji.

Majaribio mengine ya uthabiti

Katika urekebishaji wa z-score, mpangilio wa GRA ulihifadhiwa kikamilifu. Data za kila siku zilipokusanywa kwa wiki, faida ya RMSE ya Fuzzy-GRA dhidi ya modeli ya mstari iliendelea kuwa %28.3 na jaribio la Diebold–Mariano tena lilitoa \(p<0.0001\). Modeli ilipojengwa kwa kutumia data hadi mwisho wa 2021 pekee na kujaribiwa kwenye 2022, uboreshaji wa RMSE ulikuwa %30.1. Ukaguzi huu unaunga mkono kwamba matokeo kuu hayategemei tu njia fulani ya urekebishaji, kelele ndogo za data za kila siku au kipindi baada ya 2022.

Mkakati wa biashara uliorahisishwa

Chanzo pia kiliunda simulizi rahisi ya biashara ya Bitcoin ili kuonyesha jinsi tofauti ya usahihi wa utabiri inaweza kuonekana kwa kipimo cha vitendo. Modeli fifi hutabiri ukuaji wa ujazo wa siku inayofuata kwa kutegemea taarifa zilizopita; ikiwa utabiri unazidi median ya utabiri wa siku 60 zilizopita, huchukuliwa nafasi ndefu katika Bitcoin, vinginevyo fedha taslimu. Gharama ya %0.1 kwa kila muamala ilitumika.

Je, Simulizi Hii ya Biashara ni Ushahidi wa Mkakati wa Bitcoin Wenye Faida kwa Fuzzy-GRA?

Hapana. Waandishi wa chanzo wanaweka wazi kwamba sehemu hii ni simulizi ya kueleza. Kwa sababu hesabu haijumuishi hali zote halisi za biashara kama slippage, athari ya soko, gharama za ufadhili na vikwazo vya udhibiti, mapato na uwiano wa Sharpe ulioripotiwa haupaswi kutafsiriwa kama utendaji halisi wa uwekezaji au ushauri wa uwekezaji.

Matokeo yanayoungwa mkono na utafiti

• Uhusiano wa kijiometri wenye nguvu zaidi na thabiti zaidi na ujazo wa miamala unaonekana katika anwani amilifu na idadi ya miamala.
• Mapato ya wachimbaji pia yana GRG ya juu kuliko bei na hisia za soko.
• Fuzzy-GRA hutoa kosa la nje ya sampuli lililo chini kwa kiasi kikubwa kuliko regresheni ya mstari ndani ya seti hii ya data na itifaki ya uthibitishaji.
• Faida ya mbinu zisizo za mstari inaonekana zaidi hasa katika siku ngumu zaidi na zenye volatility kubwa.
• Taarifa za on-chain hubeba sehemu kuu ya uboreshaji wa jumla wa utabiri.
• Sheria tatu zilizosawazishwa hutoa matokeo yenye nguvu katika mizani ya usahihi–ufafanukaji ikilinganishwa na msingi mpana wa sheria.
• Matokeo kwa ujumla yanadumu katika ukaguzi wa urekebishaji, ukusanyaji wa data wa kila wiki, kuondoa kipindi baada ya 2022 na miundo mbadala ya mantiki fifi.

Matokeo ambayo utafiti hauungi mkono

• Mpangilio wa GRA si ushahidi wa usababishaji wa kimuundo.
• Usababishaji wa Granger haumaanishi usababishaji wa kiuchumi au kimwili.
• Haiwezi kusemwa kwamba anwani amilifu na idadi ya miamala ni vigezo vinavyojitegemea kabisa kutoka kwa ujazo wa miamala.
• Haijaonyeshwa kwamba Fuzzy-GRA itatoa mafanikio yale yale katika sarafu zote za kidijitali.
• Hakuna uthibitishaji wa mali mbalimbali uliofanywa kwenye Ethereum au mitandao ya proof-of-stake.
• Modeli si mfumo unaojirekebisha kikamilifu ambao hujipatanisha moja kwa moja na mabadiliko ya baadaye ya hali za soko.
• Simulizi ya biashara si ushahidi wa faida iliyohakikishwa katika ulimwengu halisi wala ushauri wa uwekezaji.

Vikwazo

Kikwazo kikuu cha kwanza kilichotajwa na waandishi wa chanzo ni kwamba muundo wa sheria ni tuli. Ingawa baadhi ya vigezo vinavyotegemea data hukadiriwa upya katika tathmini ya walk-forward, viingizo vitatu vya msingi vilivyochaguliwa na muundo wa sheria hubaki thabiti. Matukio ya halving yajayo au mabadiliko ya hali ya soko yanaweza kubadilisha mahusiano haya.

Kikwazo cha pili ni upeo wa vigezo. Kwa kuwa modeli inalenga misingi ya blockchain, vigezo vyote vya mitandao ya kijamii, viashiria vya uchumi mkuu na vigezo vya matukio ya udhibiti havikujumuishwa kwenye modeli.

Kikwazo cha tatu ni kwamba utafiti ulifanywa kwenye Bitcoin pekee. Bila uthibitishaji katika mitandao yenye miundo tofauti ya kiuchumi kama proof-of-stake, haiwezi kudhaniwa kuwa mpangilio uleule wa vipengele utaendelea kuwa halali.

Kikwazo cha nne ni uhusiano wa kimaana kati ya baadhi ya viashiria vikuu vya on-chain na muundo wa uhasibu wa kigezo lengwa. Ingawa chanzo kinajaribu kujibu tatizo hili kwa jaribio la modeli iliyopunguzwa, muundo huu unaendelea kuweka mipaka kwenye tafsiri za kisababisho.

Maelezo ya Chanzo na Mbinu

Kichwa asili: Integrating Fuzzy Logic with Grey Relational Analysis for Enhanced Cryptocurrency Transaction Modelling

Waandishi: Kongolo Olivier Musampa; Clement Jules Mba.

Waandishi wa mawasiliano: Kongolo Olivier Musampa na Clement Jules Mba.

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

Jarida: Economies.

Mchapishaji: MDPI.

Rekodi ya bibliografia: 2026, Juzuu 14, Toleo 9, Makala 401.

DOI: 10.3390/economies14090401.

Tarehe: Iliwasilishwa 11 Machi 2026; marekebisho 3 Mei 2026; ilikubaliwa 5 Mei 2026; ilichapishwa 9 Septemba 2026.

Toleo: Version of Record.

Leseni: Creative Commons Attribution (CC BY).

Aina ya chanzo: Utafiti wa empiria wa utabiri/uundaji modeli juu ya mfululizo wa muda wa kila siku wa Bitcoin.

Data kuu: Uchunguzi 5359 wa kila siku wa Bitcoin. Sehemu kuu ya mbinu inaeleza kipindi cha data kuwa 18 Julai 2010–21 Machi 2025, huku Jedwali la Ziada A1 likionyesha tarehe ya mwisho kuwa 22 Machi 2025.

Vyanzo vya data: CoinMetrics, alternative.me kwa Crypto Fear & Greed Index, na CoinMarketCap kwa data za soko zilizotajwa katika utafiti.

Mbinu kuu: ubadilishaji wa log-return wa kila siku; urekebishaji wa min–max; Grey Relational Analysis; ukaguzi wa unyeti wa \(\rho=0.1–0.9\); uthibitishaji wa LASSO; madirisha ya GRA ya siku 365 yanayosogea; Mfumo wa Utoaji Hitimisho kwa Mantiki Fifi wa aina ya Mamdani; kazi za uanachama za pembetatu; uwekaji vigezo wa uanachama wa hatua tatu; centroid defuzzification; uthibitishaji wa walk-forward; moving-block bootstrap; jaribio la Diebold–Mariano; ablation; majaribio ya Granger na uchanganuzi wa uthabiti wa modeli mbadala.

Muundo wa walk-forward: dirisha la mafunzo la siku 1000, upeo wa utabiri wa siku 30, hatua ya kusogea ya siku 30, madirisha 145 na utabiri 4350 wa nje ya sampuli. Sehemu kuu ya mbinu inaweka kipindi cha uthibitishaji kuwa Oktoba 2013–Machi 2025, huku muhtasari wa Appendix D ukitumia 2019–2025; tofauti hii ya ndani ya chanzo haipaswi kuunganishwa kuwa kipindi kimoja cha tarehe kama ukweli wa mwisho bila kutatuliwa.

Ufadhili: Utafiti haukupokea ufadhili wa nje.

Maadili: Masharti ya Institutional Review Board na informed consent hayatumiki.

Upatikanaji wa data: Inaelezwa kwamba viashiria vya miamala na on-chain vya Bitcoin pamoja na data za hisia zinapatikana hadharani kutoka kwenye vyanzo vya wahusika wengine vilivyotumika. Inaripotiwa kuwa utekelezaji wa Fuzzy-GRA kwa Python unaweza kupatikana kutoka kwa corresponding author kwa ombi linalofaa.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi.

Michango ya waandishi: Uundaji wa dhana K.O.M. na C.J.M.; mbinu na programu K.O.M.; uthibitishaji waandishi wote wawili; uchanganuzi rasmi na uchunguzi K.O.M.; uratibu wa data waandishi wote wawili; rasimu ya kwanza K.O.M.; mapitio na uhariri waandishi wote wawili; uwasilishaji wa kuona K.O.M.; usimamizi C.J.M.; usimamizi wa mradi K.O.M.

Taarifa ya matumizi ya akili bandia: Waandishi wa chanzo wanaeleza kwamba walitumia modeli kubwa ya lugha iitwayo Claude kwa uhariri wa juu juu wa lugha, sarufi, tahajia na upangaji wa marejeo pekee; hawakutumia akili bandia generative kwa wazo la utafiti, muundo wa utafiti, ukusanyaji wa data, GRA, muundo wa FIS, uchanganuzi wa takwimu, uundaji wa jedwali/kielelezo au tafsiri ya kisayansi.

Dokezo la kutofautiana ndani ya chanzo: tofauti ya tarehe ya mwisho ya data ya 21/22 Machi 2025; tofauti ya kipindi cha uthibitishaji cha 2013–2025/2019–2025; kutajwa kwa “viingizo vinne” katika maelezo ya FIS licha ya kuorodheshwa viingizo vitatu; kuchanganyika katika sehemu hiyo hiyo kwa maelezo ya mfumo wa sheria 27 na mfumo wa mwisho wa sheria tatu; tofauti ya RMSE ya majaribio 0.3521/0.3512 kati ya jedwali kuu na la overfitting, pamoja na kutolingana kwa thamani za sMAPE za modeli ya mstari kati ya paneli mbili, vinaonekana katika chanzo. Thamani hizi hazijaunganishwa kimya kimya katika maandishi ya Verianla.

Mpaka wa tafsiri: Matokeo makuu ya kisayansi ya utafiti ni utendaji wa utabiri na mahusiano ya empiria. Mahusiano ya GRA na majaribio ya Granger si ushahidi wa usababishaji wa kimuundo wa kiuchumi; mkakati wa biashara pia si ushauri wa uwekezaji wala ushahidi wa faida halisi ya soko.