ASTIF — Adaptive Semantic-Temporal Integration Framework — меъмории иерархии пешгӯии молиявӣ мебошад, ки контексти семантикии бозор ва намунаҳои ададии силсилаи вақтро дар каналҳои ҷудогонаи пешгӯӣ коркард мекунад ва сипас мувофиқи эътимод ва номуайянии пешгӯӣ байни ин каналҳо интихоби мутобиқшаванда анҷом медиҳад. Таҳқиқот аз масъалае оғоз мекунад, ки танҳо ҳаракатҳои гузаштаи нарх метавонанд номуайянии сиёсӣ, ривоятҳои бозор, нишондиҳандаҳои sentiment ва робитаҳои cross-asset дар бозори криптовалютаҳоро ба қадри кофӣ ифода накунанд. ASTIF ин масъаларо бо се ҷузъ ҳал мекунад: пешгӯигари семантикии Small Language Model бар асоси MirrorPrompt, пешгӯигари гибридии вақтӣ LSTM–Random Forest ва confidence-calibrated meta-learner, ки эътимоднокии ин ду коршиносро арзёбӣ мекунад.

Таҷрибаҳо дар маълумоти ҳаррӯзаи давраи Январ 2020–Декабр 2024 гузаронида шудаанд. Панҷ криптоактиви вобаста ба AI — FET, AGIX, NMR, OCEAN ва CTX — ҳамроҳ бо саҳмияҳои NVIDIA ва Microsoft арзёбӣ шудаанд. Вурудҳои система танҳо аз нархи активи ҳадаф иборат нестанд; зиёда аз 29 хусусият истифода шудааст, ки Bitcoin, Ethereum, бахшҳои гуногуни token, индексҳои саҳомӣ, ETF-ҳои мавзӯӣ, нафт, тилло, cross-asset correlation, momentum, SMA/EMA, volatility, RSI, Bollinger Bands, Global Economic Policy Uncertainty ва нишондиҳандаҳои гуногуни media/sentiment-ро дар бар мегиранд.

Мувофиқи муқоисаи асосии манбаъ, ASTIF дар ҳамаи ҳафт актив пасттарин MAE-ро додааст. Коҳиши MAE нисбат ба беҳтарин baseline model барои FET %59,0, барои NVDA %47,1, барои NMR %35,5, барои AGIX %9,7, барои MSFT %8,6, барои CTX %8,5 ва барои OCEAN %7,2 мебошад. Аммо ин бартарӣ дар ҳамаи ченакҳои хато яксон нест: дар Ҷадвали 1 ASTIF дар ҳамаи активҳо пасттарин RMSE-ро намедиҳад. Аз ин рӯ, натиҷаро набояд ҳамчун “ASTIF дар ҳамаи метрикаҳо ҳамаи моделҳоро мағлуб кард” тафсир кард.

Таҷрибаҳои аблятсионӣ нишон медиҳанд, ки ҳамкории каналҳои семантикӣ ва вақтӣ муҳим аст. Дар ҳисоби аблятсионии манбаъ, ҳангоми хориҷ кардани SLM semantic channel афзоиши миёнаи MAE %653, ҳангоми хориҷ кардани ҷузъи LSTM %596, ҳангоми хориҷ кардани uncertainty quantification %327 ва ҳангоми хориҷ кардани adaptive meta-learner %285 гузориш шудааст. Бо вуҷуди ин, арзишҳои baseline-и NMR ва FET дар ин бахши аблятсионӣ аз арзишҳои ASTIF дар ҷадвали асосии performance фарқ мекунанд; манбаъ ду контексти таҷрибавиро ба таври равшан ба ҳам мувофиқ намекунад.

Таҳқиқот системаи real-time-и савдои криптовалюта ё санҷиши стратегияи сармоягузорӣ нест. Transaction cost, spread, slippage, portfolio return, Sharpe ratio, maximum drawdown ё арзёбии пули воқеии P&L анҷом дода нашудааст. Илова бар ин, маълумоти истифодашуда маълумоти таърихии ҳаррӯза аст ва манбаъ ба таври возеҳ ҳамчун маҳдудият қайд мекунад, ки real-time data feed ва breaking-news information ба система дохил карда нашудаанд.

ASTIF Чист ва Аз Моделҳои Статикии Пешгӯии Молиявӣ Чӣ Тафовут Дорад?

ASTIF меъмории ensemble-и мутобиқшавандаест, ки канали Small Language Model-и коркардкунандаи маълумоти семантикии бозорро бо канали LSTM–Random Forest-и коркардкунандаи намунаҳои ададии таърихӣ дар як системаи пешгӯӣ муттаҳид мекунад ва бо confidence-calibrated meta-learning муайян мекунад, ки дар ҳар лаҳза кадом канал эътимодноктар аст. Тафовути асосии он аз ensemble-ҳои статикӣ дар он аст, ки ба ҷойи додани вазни тағйирнопазири пешакӣ муайяншуда ба ду коршинос, дар ҳар қадами қарор confidence-и пешгӯӣ, uncertainty, номувофиқии модел ва контексти бозорро ҳамчун meta-feature арзёбӣ мекунад.

Масъалае, ки таҳқиқот кӯшиш мекунад ҳал кунад

Дар бозорҳои криптовалюта раванди ташаккули нарх стационарӣ нест. Рафтори бозор, сатҳи volatility, шароити макроиқтисодӣ, таҳаввулоти танзимкунанда, робитаҳои cross-asset ва рафтори сармоягузорон метавонанд бо мурури вақт тағйир ёбанд. Аз ин рӯ, кафолат дода намешавад, ки шакли пешгӯие, ки дар як давраи муайян муваффақ аст, дар режими дигари бозор ҳамон қадар муваффақ хоҳад буд.

Мувофиқи манбаъ, дар усулҳои мавҷуда се холигии асосӣ барҷастаанд. Якум, бисёр моделҳои оморӣ, deep learning ва Transformer меъмориҳои статикиро истифода мебаранд, ки стратегияи пешгӯиро мувофиқи режими бозор тағйир намедиҳанд. Дуюм, semantic market information дар бисёр системаҳои гибридӣ танҳо ҳамчун як хусусияти ададӣ, масалан як sentiment score, ба вурудҳои нарх илова мешавад. Сеюм, механизмҳои cross-modal adaptation, ки эътимоднокии real-time-и пешгӯигарони семантикӣ ва вақтиро муқоиса карда муайян мекунанд ба кадомашон бовар кардан лозим аст, маҳдуданд.

Се саволи таҳқиқот

Се ҷузъи асосии ASTIF

Масъалаи пешгӯии молиявӣ чӣ гуна формулбандӣ мешавад?

Таҳқиқот силсилаи ҳаррӯзаи бисёрактивиро дар шароити тағйири режим ва садои гетероскедастикӣ баррасӣ мекунад. \(X_t\) сигналҳои cross-asset, нишондиҳандаҳои sentiment ва хусусиятҳои техникӣ дар вақти \(t\)-ро; \(p_t\) бошад нархи normalize-шудаи басташавии ҳадафро нишон медиҳад.

\[ \hat{f}=\arg\min_f \mathbb{E}_{(X_t,p_t)\sim P_t} \left[ \ell\left(p_{t+1},f(X_{1:t},p_{1:t})\right) \right] \]

Дар ин ҷо ҳадаф коҳиш додани талафоти интизоршавандаи пешгӯии нархи рӯзи оянда дар зери \(P_t\) мебошад, ки тақсимоташ метавонад бо мурури вақт тағйир ёбад. \(\ell\) талафоти хатои мутлақ ё квадратиро ифода мекунад. Формула ба таври математикӣ нишон медиҳад, ки система мехоҳад на танҳо дар тақсимоти собити маълумот, балки дар шароити тағйирёбандаи бозор низ пешгӯӣ кунад.

Олами маълумот

Гуфта мешавад, ки нархҳои криптовалюта аз CoinMarketCap, маълумоти нафт аз Energy Information Administration ва маълумоти гуногуни equity/index/ETF аз манбаъҳои Thomson Reuters гирифта шудаанд.

Муҳандисии хусусиятҳо

Ҳамаи тағйирёбандаҳо бо усули Min-Max ба фосилаи \([0,1]\) scale карда мешаванд:

\[ x_i'= \frac{x_i-\min(X)} {\max(X)-\min(X)} \]

Ин табдил тағйирёбандаҳои молиявии дорои scale-ҳои гуногунро ба як фосилаи ададии умумӣ меорад. Аммо манбаъ дар ҷумлаи равшан нишон намедиҳад, ки арзишҳои \(\min(X)\) ва \(\max(X)\) танҳо аз training set ҳисоб шудаанд ё не. Гарчанде таҳқиқот тақсимоти хронологӣ ва ҳадафи пешгирӣ аз leakage-ро баён мекунад, ҷузъиёти scaler fitting аз ҷиҳати reproducibility метавонист возеҳтар гузориш шавад.

Дар байни хусусиятҳои техникӣ momentum барои таъхирҳои гуногун мавҷуд аст:

\[ M_{t,k}= \frac{p_t-p_{t-k}}{p_{t-k}}, \qquad k\in\{1,2,3,5,7\} \]

SMA, EMA, rolling volatility, RSI, Bollinger Bands ва rolling cross-asset correlation низ истифода мешаванд. Коррелятсияи cross-asset:

\[ \rho_{i,j}(t) = \operatorname{corr} \left( p_{i,t-w:t}, p_{j,t-w:t} \right) \]

ба ин шакл ифода мешавад.

MirrorPrompt Чист ва Ду Канал Чиро Аз Ҳам Ҷудо Мекунанд?

MirrorPrompt сохтори semantic predictor аст, ки як ҳолати бозорро тавассути ду намояндагии ҷудогона ба Small Language Model пешниҳод мекунад: numeric channel пайдарпаии охирини нархро ҳамчун тасвири ададии дақиқ нигоҳ медорад, дар ҳоле ки semantic channel аз momentum, volatility, нишондиҳандаҳои cross-asset ва тағйирёбандаҳои sentiment/policy контексти забони табиӣ месозад; ба ин тартиб намунаи миқдорӣ ва тафсири контекстӣ бе коҳиш додан ба як feature vector-и хом коркард мешаванд.

Numeric channel

Numeric channel пайдарпаии нархи гузаштаро:

\[ n_t = [p_{t-w+1},p_{t-w+2},...,p_t] \]

ба ин шакл ва бо дақиқии шаш рақами даҳӣ пешниҳод мекунад. Дар бахши implementation гуфта шудааст, ки барои MirrorPrompt \(w=8\) нархи гузашта истифода шудааст.

Semantic channel

Semantic channel контекстро:

\[ S(c_t) = f_{\mathrm{template}} (\Delta p_t,\sigma_t,I_t,S_t) \]

ба ин шакл эҷод мекунад. Дар ин ҷо \(\Delta p_t\) тағйири нарх, \(\sigma_t\) volatility, \(I_t\) нишондиҳандаҳои cross-asset ва \(S_t\) хусусиятҳои sentiment/policy-ро ифода мекунад.

Як фарқи муҳим вуҷуд дорад: система матнҳои breaking-news ё ҷараёни зиндаи хабарро мустақиман намехонад. Semantic channel дар манбаъ нишондиҳандаҳои сохторёфтаи бозор ва sentiment-ро ба тавзеҳоти template-driven бо забони табиӣ табдил медиҳад.

Се равзанаи ҳампӯшон ва пешгӯии confidence-weighted

MirrorPrompt \(K=3\) равзанаи ҳампӯшон месозад. Ҳар равзана як пешгӯии return \(\hat r_k\) ва confidence \(c_k\) медиҳад. Small Language Model бо deterministic sampling, яъне бо истифода аз temperature \(\tau=0\), иҷро мешавад.

\[ \hat r_{\mathrm{SLM}} = \frac{\sum_{k=1}^{K} c_k\hat r_k} {\sum_{k=1}^{K}c_k} \]

\[ c_{\mathrm{SLM}} = \frac{1}{K} \sum_{k=1}^{K}c_k \]

\[ u_{\mathrm{SLM}} = 1-\min(c_{\mathrm{SLM}},1) \]

Аз ин рӯ, пешгӯии return-и равзанае, ки confidence-и баландтар медиҳад, дар натиҷаи ensemble вазни бештар мегирад; uncertainty бошад ҳамчун пуркунандаи confidence ба meta-learner интиқол дода мешавад.

Ҷузъиёти implementation-и SLM

Дар таҷрибаҳо ҳамчун Small Language Model Gemma-3-1b-it тавассути LM Studio API истифода шудааст. Response timeout 30 сония, max_tokens=150 бо нобаёнӣ, 600 барои reasoning моделҳо ва temperature 0 гузориш шудааст.

LSTM–Random Forest temporal predictor

Канали вақтӣ ду оилаи гуногуни моделро муттаҳид мекунад. LSTM вобастагиҳои дароз ва кӯтоҳи пайдарпаии гузаштаро коркард мекунад, дар ҳоле ки Random Forest кӯшиш мекунад таъсири мутақобилаи ғайрихаттии хусусиятҳоро дарёфт кунад.

LSTM аз се қабат иборат аст:

64 → 32 → 16 воҳид

ва sequence length \(L=10\), dropout 0,2, batch normalization, Adam optimizer ва learning rate 0,001-ро истифода мебарад.

Амалҳои асосии ячейкаи LSTM дар манбаъ бо ин занҷир дода шудаанд:

\[ f_t=\sigma(W_f[h_{t-1},x_t]+b_f) \]

\[ i_t=\sigma(W_i[h_{t-1},x_t]+b_i) \]

\[ \tilde C_t= \tanh(W_C[h_{t-1},x_t]+b_C) \]

\[ C_t=f_t\odot C_{t-1}+i_t\odot\tilde C_t \]

\[ o_t=\sigma(W_o[h_{t-1},x_t]+b_o), \qquad h_t=o_t\odot\tanh(C_t) \]

Канали Random Forest 100 tree истифода мекунад. Манбаъ maximum depth-ро 20 нишон медиҳад ва бо minimum-sample маҳдудиятҳо ҳадафи кам кардани overfitting-ро дорад.

Пешгӯии ниҳоии temporal prediction дар бахши implementation:

\[ \hat y^{ML} = 0.7\hat y^{LSTM} + 0.3\hat y^{RF} \]

омехтаи собити LSTM–RF мебошад.

Номуайянии канали вақтӣ

Номувофиқии нисбии байни ду модел:

\[ u_{ML,t} = \frac{ |\hat y_{t+1}^{LSTM}-\hat y_{t+1}^{RF}| }{ \max( \hat y_{t+1}^{LSTM}, \hat y_{t+1}^{RF} ) } \]

ҳисоб карда мешавад. Баъдан:

\[ c_{ML,t}=1-u_{ML,t} \]

ба ин тарз confidence ба даст меояд. Ин равиш ба мантиқе асос ёфтааст, ки агар ду модели вақтӣ ба як натиҷа наздик шаванд, эътимод баландтар ва агар аз ҳам дур шаванд, эътимод пасттар мешавад.

Meta-learner ба чӣ нигоҳ мекунад?

Meta-learner як Random Forest classifier аст, ки дар feature vector-и 12-ченакаи \(z_t\) кор мекунад. Meta-feature-ҳои асосие, ки манбаъ медиҳад, инҳоянд: confidence-и ҳар ду канал, uncertainty, фарқи нисбии байни пешгӯиҳо, фарқҳои confidence ва uncertainty, volatility, қувваи trend, арзишҳои model accuracy-и давраи охир ва price momentum.

Meta-classifier 20 estimator ва maximum depth 5 истифода мекунад. Манбаъ инчунин minimum-sample маҳдудиятҳо ва temporal validation-ро зикр мекунад.

Meta-selection

Meta-selector:

\[ \delta(z_t)\in\{\mathrm{SLM},\mathrm{ML}\} \]

ба ин шакл муайян мешавад ва интихоб мекунад, ки кадом канали пешгӯӣ истифода шавад.

Арзиши нисбии disagreement-и ду канал:

\[ d_t= \frac{ |\hat y_{t+1}^{SLM}-\hat y_{t+1}^{ML}| }{ \max( \hat y_{t+1}^{SLM}, \hat y_{t+1}^{ML} ) } \]

чен карда мешавад.

Confidence calibration

Манбаъ raw probability-и meta-classifier-ро мувофиқи confidence-и миёнаи каналҳо аз нав scale мекунад:

\[ p_{\mathrm{cal}}= \begin{cases} 0.4+0.2(p_{\mathrm{raw}}-0.5), & \bar c<0.6\\ 0.3+0.4p_{\mathrm{raw}}, & 0.6\leq \bar c<0.8\\ 0.2+0.6p_{\mathrm{raw}}, & \bar c\geq0.8 \end{cases} \]

Дар ин ҷо:

\[ \bar c= \frac{c_{SLM}+c_{ML}}{2} \]

буда, confidence-и калибршуда бо ҳадди аксар 0,85 маҳдуд карда мешавад. Ин ҳадд механизми амниятии муайянкардаи манбаъ мебошад, ки ҳадафаш пешгирӣ кардани рафтори аз ҳад зиёд эътимодноки meta-learner махсусан дар шароити volatility мебошад.

Sanity check

Пешгӯии ниҳоӣ бояд дар domain-и normalize-шудаи \([0,1]\) бимонад. Илова бар ин, тағйири нисбии single-step:

\[ \frac{|\hat y_i-p_t|}{p_t}\leq\tau_{\max} \]

ба ин шарт тобеъ аст ва дар манбаъ:

\[ \tau_{\max}=0.5 \]

дода шудааст. Агар пешгӯӣ ин ҳудудҳоро вайрон кунад, система метавонад ба модели алтернативӣ гузарад ё prediction capping-и эҳтиёткоронаро татбиқ кунад.

Усул ва Натиҷаҳои Таҳқиқот

Тартиби омӯзиш ва арзёбӣ

Дар манбаъ ба қадри кофӣ шарҳ дода нашудааст, ки %30 meta-learning temporal holdout ва internal validation, ки ба %10 охирини қисми training ҷудо шудааст, дақиқ чӣ гуна дар дохили ҳам татбиқ шудаанд. Аз ин рӯ, онҳоро набояд ҳамчун як нисбати ягона муттаҳид кард.

Талафоти training-и LSTM

\[ L_{LSTM} = \frac{1}{N} \sum_{i=1}^{N} (y_i-\hat y_{LSTM,i})^2 \]

Ин талафоти Mean Squared Error имкон медиҳад LSTM фарқи квадратии байни нархи пешгӯишуда ва воқеии normalize-шударо коҳиш диҳад.

Ҳадафи training-и Meta-learner

Нишонаи ground-truth-и Meta-learner мувофиқи он сохта мешавад, ки дар маълумоти validation кадом коршинос хатои камтар додааст. Барои Meta-classifier дар манбаъ шакли cross-entropy:

\[ L_{meta} = -\frac{1}{T} \sum_{t=1}^{T} \left[ y_t^{SLM}\log P(SLM|z_t) + y_t^{ML}\log P(ML|z_t) \right] \]

истифода мешавад.

\(y_t^{SLM}=1\) вақте истифода мешавад, ки дар қадами дахлдор SLM хатои камтар тавлид кунад; \(y_t^{ML}=1-y_t^{SLM}\) бошад, вақте модели вақтӣ муваффақтар аст.

Метрикаҳои арзёбӣ

MAE:

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

RMSE:

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

ва coefficient of determination:

\[ R^2= 1- \frac{ \sum_{i=1}^{n}(y_i-\hat y_i)^2 }{ \sum_{i=1}^{n}(y_i-\bar y)^2 } \]

истифода мешаванд. Манбаъ инчунин мегӯяд, ки барои confidence calibration reliability diagram ва арзёбии bin-based calibration error анҷом дода шудааст.

Моделҳои baseline-и муқоисашуда

Натиҷаҳои MAE ва RMSE дар ҳафт актив

Ин ки ASTIF дар ҳамаи ҳафт актив пасттарин MAE-ро додааст, равшантарин натиҷаи муқоисавии таҳқиқот мебошад. Бузургтарин фоидаи нисбӣ дар FET, дуюмин дар NVDA ва хурдтарин дар OCEAN гузориш шудааст.

Оё Бартарии ASTIF Дар Ҳамаи Ченакҳои Хато Эътибор Дорад?

Не. Гарчанде манбаъ ASTIF-ро умуман аз ҳамаи baseline-ҳо бартарӣ медиҳад, арзишҳои муфассали Ҷадвали 1 нишон медиҳанд, ки ASTIF дар ҳамаи ҳафт актив пасттарин MAE-ро додааст, аммо пасттарин RMSE-ро танҳо дар NMR, MSFT ва NVDA додааст; дар CTX LSTM, дар FET Informer/TFT, дар OCEAN ва AGIX Informer RMSE-и пасттар доранд. Аз ин рӯ, натиҷаи устувортар бартарии MAE аст; “бартарии мутлақ дар ҳамаи ченакҳо” аз ҷониби ҷадвали манбаъ дастгирӣ намешавад.

Тафовут дар сатҳи актив аз рӯи RMSE

Ин тафовут ҳамчунин нишон медиҳад, ки MAE ва RMSE ба хусусиятҳои гуногуни хато ҳассосанд. Азбаски RMSE хатогиҳои калонро квадрат мекунад, ба шумораи ками инҳирофҳои калони пешгӯӣ нисбат ба MAE вазни бештар медиҳад.

Performance-е, ки шаклҳои манбаъ нишон медиҳанд

Шакли 3-и манбаъ арзишҳои MAE-и ASTIF-ро дар ҳафт актив бо беҳтарин baseline паҳлу ба паҳлу нишон медиҳад ва махсусан фарқҳо дар FET ва NVDA равшананд. Шакли 4; MAE-и миёна, R², тақсимоти хато ва муқоисаи моделҳо дар баъзе активҳоро дар чор panel нишон медиҳад. Шакли 5 бошад, actual ва predicted price trajectory-ро барои NMR, CTX, MSFT ва NVDA муқоиса мекунад.

Наздик будани визуалии ин хатҳо худ аз худ далели trading profitability нест. Ҳамин тавр, хатои пасти нархи normalize-шуда бо direction accuracy ё risk-adjusted return ҳаммаъно нест; манбаъ чунин trading backtest анҷом надодааст.

Аблятсия: кадом ҷузъ то чӣ андоза муҳим аст?

Дар ҳисоби миёнаи худи манбаъ, ҳангоми хориҷ кардани semantic SLM channel MAE %653, ҳангоми хориҷ кардани LSTM %596, ҳангоми хориҷ кардани uncertainty mechanism %327 ва ҳангоми хориҷ кардани meta-learner %285 меафзояд.

Аммо арзишҳои ASTIF baseline дар ин ҷадвали аблятсия бо арзишҳои NMR ва FET ASTIF дар Ҷадвали 1-и асосии performance яксон нестанд. Азбаски манбаъ ин фарқро ба таври возеҳ шарҳ намедиҳад, ҷадвалҳо бояд ҳамчун контекстҳои гуногуни таҷрибавӣ баррасӣ шаванд.

Оё Dual-channel encoding воқеан саҳм мегузорад?

Манбаъ барои сохтори пурраи dual-channel дар як криптоактиви намояндагии volatile MAE 0,0133 гузориш медиҳад. Барои сохтори numeric-only MAE 0,0325 ва барои semantic-only 0,0378 аст. Мувофиқи ҳисоби манбаъ, равиши dual-channel мутаносибан тақрибан %59,0 ва %64,7 беҳбудӣ медиҳад.

Дар активи дуюми арзёбӣ гуфта мешавад, ки бартарии dual-channel хурдтар аст: нисбат ба равиши numeric-only %3,4 ва нисбат ба semantic-only %14,9.

Cross-asset context

Конфигуратсияи Cross-asset expanded feature дар ду криптоактиви баррасишуда MAE 0,0278 ва 0,0292 тавлид кардааст; нисбат ба semantic configuration-и асосӣ беҳбудиҳои %15,5 ва %9,6 гузориш шудаанд. Гуфта мешавад, ки хусусиятҳои Volatility–momentum низ саҳм гузоштаанд, дар ҳоле ки хусусиятҳои sentiment ва market indicator фоидаи маҳдудтар, вале ченшаванда додаанд.

Ҳассосияти Temporal window

Манбаъ дар sensitivity analysis андозаи равзанаи 8-ро беҳтарин тавозуни accuracy–efficiency гузориш медиҳад. Ҳангоми истифодаи Window size 12, MAE-и FET %47,3 ва MAE-и NMR %42,0 зиёд шудааст. Муаллифон инро ҳамчун рафтори overfitting тафсир мекунанд.

Ҳамчунин гуфта шудааст, ки ensemble-и ду-model нисбат ба сохтори як-model дар FET ва NMR мутаносибан %5,3 ва %4,3 беҳбудии MAE додааст; аз ин хулоса шудааст, ки сохторҳои мураккабтари ensemble ҳатман беҳтар нестанд.

Тақсимоти Confidence чиро нишон медиҳад?

Шакли 6-и манбаъ тақсимоти confidence-и каналҳои semantic ва temporal-ро нишон медиҳад. Тақсимоти semantic confidence умуман ба минтақаи confidence-и баландтар мегузарад, дар ҳоле ки temporal confidence дар арзишҳои пасттар ҷамъ мешавад. Муаллифон тафсир мекунанд, ки вақте ду канал ба ҳам наздик мешаванд, confidence-и meta-learner меафзояд; вақте каналҳо аз ҳам дур мешаванд, uncertainty зиёд мешавад.

Ин натиҷа маънои онро надорад, ки арзишҳои confidence тамоми хавфи воқеии бозорро чен мекунанд. Онҳо нишондиҳандаҳои номуайянӣ дар дохили сохтори пешгӯӣ ва calibration mechanism-и худи модел мебошанд.

Хулосаҳое, ки таҳқиқот дастгирӣ мекунад

• ASTIF дар ҳамаи ҳафт активи баррасишуда мувофиқи ченаки MAE-и Ҷадвали 1 нисбат ба baseline-ҳои муқоисашуда хатои пасттар додааст.
• Бартарии MAE вобаста ба актив аз %7,2 то %59,0 тағйир меёбад.
• Хориҷ кардани ҷузъҳои Semantic SLM, temporal LSTM, uncertainty quantification ва meta-learning дар шароити аблятсия performance-ро паст кардааст.
• Dual-channel encoding дар таҷрибаҳои манбаъ аз сохторҳои single-channel натиҷаи беҳтар додааст.
• Хусусиятҳои Cross-asset ва temporal context-и андозаи миёна дар баъзе таҷрибаҳо дақиқиро беҳтар кардаанд.
• Confidence-aware model selection дар таҷрибаҳои манбаъ алтернативаеро ба якҷоя кардани semantic ва temporal expert-ҳо бо як вазни статикии ягона пешниҳод кардааст.

Хулосаҳое, ки таҳқиқот дастгирӣ намекунад

Таҳқиқот нишон намедиҳад, ки ASTIF дар ҳамаи бозорҳои молиявӣ ё ҳамаи криптоактивҳо беҳтарин модел аст. Олами тест бо панҷ token-и вобаста ба AI ва ду саҳмияи технологӣ маҳдуд аст.

Таҳқиқот стратегияи харидуфурӯш бо пули воқеӣ, transaction cost, spread, slippage, order-book impact, Sharpe ratio, Sortino ratio, maximum drawdown ё санҷиши portfolio P&L анҷом надодааст. Аз ин рӯ, гуфтан мумкин нест, ки MAE-и паст бевосита маънои стратегияи trading-и фоидаоварро дорад.

Таҳқиқот системаи multi-step forecasting нест; вазифаи асосӣ next-step prediction мебошад. Multi-step forecasting дар манбаъ ҳамчун мавзӯи таҳқиқоти оянда зикр шудааст.

Система ҷараёни real-time-и хабарро истифода намекунад. Манбаъ ба таври возеҳ мегӯяд, ки historical data истифода шудааст ва breaking news / real-time feed integration вуҷуд надорад.

Манбаъ натиҷаҳоро бо p-value, confidence interval ё тақсимоти performance-и бисёр random-seed дастгирӣ намекунад. Аз ин рӯ, дар бораи сатҳи inferential statistical significance-и фарқҳои baseline берун аз манбаъ ҳукм баровардан мумкин нест.

Маҳдудиятҳо

Самтҳои таҳқиқоти оянда

Манбаъ барои оянда real-time data integration, automated prompt optimization бо reinforcement learning, multi-step forecasting, арзёбии васеътари asset class ва edge computing optimization-ро пешниҳод мекунад.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: ASTIF: Adaptive Semantic-Temporal Integration for Cryptocurrency Price Forecasting

Муаллифон: Hafiz Saif Ur Rehman, Ling Liu, Kaleem Ullah Qasim

Corresponding author: Ling Liu

Муассисаҳо: Southwestern University of Finance and Economics, Chengdu, Sichuan, China; Southwest Jiaotong University, Chengdu, Sichuan, China.

Навъи манбаъ: arXiv preprint.

arXiv: 2512.18661v1

Категорияи arXiv: cs.AI

Санаи версияи аввал: 21 Декабр 2025.

Ҳолати тақриз: Азбаски нашри тасдиқшудаи маҷаллаи тақризшуда ёфт нашуд, ҳамчун preprint баррасӣ шудааст.

Маълумоти маҷалла: Дар матни manuscript-и коркардкардаи ArXiv майдони “journal: Nuclear Physics B” дида мешавад; аммо азбаски бо ин унвон сабти тасдиқшавандаи нашри Nuclear Physics B ё DOI-и мустақили маҷалла ёфт нашуд, ин ифода ҳамчун ҳолати нашр истифода нашудааст.

DOI: DOI-и мустақили тасдиқшудаи маҷалла вуҷуд надорад. Бо сабти arXiv 2512.18661 муайян мешавад.

Давраи маълумот: Январ 2020 – Декабр 2024.

Активҳои ҳадаф: FET, AGIX, NMR, OCEAN, CTX, MSFT, NVDA.

Модели асосӣ: MirrorPrompt SLM + LSTM–Random Forest temporal learner + confidence-calibrated Random Forest meta-learner.

SLM: Gemma-3-1b-it, LM Studio API.

Метрикаҳои асосии арзёбӣ: MAE, RMSE, R² ва calibration error.

Дастрасии маълумот: Дар PDF-и пешниҳодшуда Data Availability Statement-и ҷудогона ё пайванди тасдиқшавандаи public dataset repository вуҷуд надорад.

Дастрасии код: Дар PDF-и пешниҳодшуда пайванди тасдиқшавандаи GitHub ё code repository вуҷуд надорад.

Маблағгузорӣ: Дар PDF-и пешниҳодшуда funding statement-и ҷудогона муайян нашудааст.

Бархӯрди манфиатҳо: Дар PDF-и пешниҳодшуда conflict-of-interest statement-и ҷудогона муайян нашудааст.

Саҳми муаллифон: Баёнияи ҷудогонаи CRediT/саҳми муаллифон муайян нашудааст.

Иҷозатнома: Азбаски дар PDF-и пешниҳодшуда ва сабти ибтидоии библиографии тасдиқшаванда open reuse license боэътимод муайян нашудааст, мавҷудияти иҷозатнома фарз карда нашудааст. Шаклҳои манбаъ набояд айнан нусхабардорӣ шаванд; маълумоти ададӣ ва робитаҳои илмӣ бояд барои Verianla мустақилона аз нав кашида шаванд.

Ёддошти тафсири дохили манбаъ: Ҷадвали 1 нишон медиҳад, ки ASTIF дар ҳамаи ҳадафҳо пасттарин MAE-ро додааст, аммо дар ҳамаи ҳадафҳо пасттарин RMSE-ро надодааст. Аз ин рӯ, ифодаи умумии “outperforms all baselines” дар ривояти манбаъ бояд боэҳтиёттарин тарз дар контексти MAE ва арзёбии ҷамъбастии пешниҳодшуда дар манбаъ тафсир шавад.

Ёддошти reproducibility-и дохили манбаъ: Арзишҳои NMR/FET ASTIF baseline байни Ҷадвали 1 ва Table 3 фарқ мекунанд. Илова бар ин, муносибати татбиқии %30 temporal holdout барои meta-learner бо %10 internal validation-и охир дар дохили global %80/%20 split дар манбаъ пурра шарҳ дода нашудааст.

Ҳудуди асосии усул: Ин таҳқиқот performance-и next-step forecast-ро дар маълумоти таърихии ҳаррӯза чен мекунад. Ҷараёни real-time-и хабар, live trading, transaction cost ва performance-и portfolio бо пули воқеӣ берун аз доираи таҷрибавии таҳқиқот мемонанд.

Ҳуқуқи муаллиф/усули баён: Матни Verianla ҷумлаҳо ё тарҳи шаклҳои таҳқиқоти манбаъро аз нав тавлид намекунад. Усул, математика, параметрҳои таҷриба, арзишҳои ҷадвал ва ҳудудҳои натиҷа аз таҳқиқоти манбаъ бароварда шуда, дар сохтори мустақили омӯзишии Тоҷикӣ аз нав ташкил шудаанд.