Parallel Gated Recurrent Units (PGRU) — Bitcoin narx xususiyatlari bilan blockchainning tarkibiy xususiyatlarini ikkita mustaqil GRU tarmogʻida qayta ishlab, ushbu ikki tarmoq prognozlarini uchinchi feedforward tarmoqda birlashtiradigan parallel deep learning arxitekturasidir. Tadqiqotda kunlik oʻrtacha narx, ochilish, past va yuqori narx birinchi maʼlumot tarmogʻiga; oʻrtacha blok hajmi, hash rate, difficulty, kunlik tranzaksiyalar soni va miner daromadi ikkinchi maʼlumot tarmogʻiga berilgan. 1 Yanvar 2016–31 Yanvar 2021 davridagi 1.859 kunlik kuzatuvdan foydalanib, keyingi Bitcoin narxini regressiya orqali prognozlash maqsad qilingan.
Model oʻtmishdagi kuzatuv uzunligini belgilovchi \(w=5,10,15,20,25\) kunlik sirgʻaluvchi oynalar bilan baholangan. Manba Jadval 2 ga koʻra PGRUning eng past xabar qilingan MAPE qiymati \(w=5\) uchun %2,0. Manbaning qisqacha mazmunida alohida taʼkidlangan qiymatlar esa \(w=15\) uchun %2,641 va \(w=20\) uchun %3,243. Xuddi shu tajriba tuzilmasida qurilgan parallel LSTM muqobili koʻrib chiqilgan barcha oyna uzunliklarida yuqoriroq MSE, RMSE, MAE va MAPE hosil qilgan.
Tadqiqot natijalari Bitcoin narxini prognozlash modelining tarixiy maʼlumotlardagi regressiya samaradorligini koʻrsatadi. Natijalar jonli savdo foydaliligi, investitsiya daromadi, tranzaksiya xarajatlari yoki boshqa kriptovalyutalarda tasdiqlangan umumlashtiriluvchanlikni anglatmaydi. Shuningdek, vaqt qatori uchun ishlatilgan 10-fold cross-validationning xronologik tuzilishi, z-score statistikalarining faqat training maʼlumotlaridan hisoblangan-hisoblanmagani va 10 kunlik prognozning aniq ishlab chiqarish usuli manbada yetarlicha batafsil bayon etilmagan.
PGRU Nima va Bir Oqimli GRU Modelidan Qanday Farq Qiladi?
Parallel Gated Recurrent Units (PGRU) barcha xususiyatlarni bitta GRU tarmogʻiga berish oʻrniga narx maʼlumotlari va Bitcoin tarmogʻining tarkibiy maʼlumotlarini ikkita alohida recurrent modelda mustaqil ravishda qayta ishlaydigan va ikki model prognozini yakuniy feedforward birlashtirish tarmogʻi orqali bitta narx prognoziga aylantiradigan ko‘p oqimli regressiya arxitekturasidir.
Tadqiqotning asosiy muammosi
Bitcoin narxi faqat oldingi narx darajalaridan iborat vaqt qatori emas. Bitcoin tarmogʻi blok ishlab chiqarish, hash quvvati, difficulty, tranzaksiya faolligi va miner daromadlari kabi oʻzining ichki tarkibiy oʻzgaruvchilariga ham ega. Tadqiqotning asosiy gʻoyasi narxning oʻtmishdagi xatti-harakati bilan blockchain tarmogʻi holatini bitta kirish matritsasida aralashtirish oʻrniga ikkita alohida ekspert tarmogʻida modellashtirishdir.
Birinchi GRU tarmogʻi narx xatti-harakatini oʻrganadi. Ikkinchi GRU tarmogʻi blockchain va tarmoq xatti-harakatini oʻrganadi. Har ikki tarmoq bir xil maqsadni, yaʼni keyingi Bitcoin narxini prognozlashga harakat qiladi. Soʻng uchinchi tarmoq ikki prognozning qaysi biriga qay darajada ishonish kerakligini qoʻlda belgilangan koeffitsiyent bilan emas, training davomida oʻrganilgan feedforward transformatsiya orqali birlashtiradi.
Adabiyotdagi boʻshliq
Manba oldingi tadqiqotlarda narx qatorlari, blockchain xususiyatlari, ijtimoiy tarmoqlar yoki qidiruv trendlar kabi maʼlumot manbalaridan foydalanilganini, biroq bu maʼlumotlar asosan bir oqimli tuzilmalarda qayta ishlanganini taʼkidlaydi. PGRUning ajralib turuvchi dizayni narx va tarkibiy maʼlumotlarni mustaqil recurrent ekspertlarga ajratib, prognoz darajasida birlashtirishidir.
Ushbu yondashuvning ilmiy gipotezasi ochiq shaklda formalizatsiya qilingan “H1” koʻrinishida berilmagan. Shunga qaramay, tajriba dizayni bir-birini toʻldiruvchi ikki maʼlumot tarmogʻi alohida qoʻllanilgan recurrent oqimlarga qaraganda yaxshiroq prognoz ishlab chiqishi mumkinligi gʻoyasini sinaydi.
Bitcoinning Tarkibiy Blockchain Xususiyatlari Narx Prognoziga Qanday Qoʻshiladi?
Tadqiqotda blockchainning tarkibiy maʼlumoti narx qatoriga toʻgʻridan-toʻgʻri qoʻshimcha ustunlar guruhi sifatida bitta GRUga berilmaydi; oʻrtacha blok hajmi, hash rate, difficulty, jami kunlik tranzaksiyalar va miner daromadi alohida besh xususiyatli vaqt qatorini hosil qiladi va bu qator ikkinchi GRU tarmogʻi tomonidan mustaqil ravishda qayta ishlanadi.
Narx maʼlumot tarmogʻi
| Narx xususiyati | Ilmiy roli |
|---|---|
| Oʻrtacha kunlik narx | Kunning umumiy narx darajasini ifodalaydi. |
| Ochilish narxi | Kunning boshlangʻich narx darajasini beradi. |
| Past narx | Kun ichidagi quyi narx darajasini ifodalaydi. |
| Yuqori narx | Kun ichidagi yuqori narx darajasini ifodalaydi. |
Blockchain tarkibiy maʼlumot tarmogʻi
| Tarkibiy xususiyat | Manbadagi taʼrif |
|---|---|
| Average Block Size | 24 soatlik oʻrtacha blok hajmi; MB bilan beriladi. |
| Hash Rate | Sekundiga taxminiy terahash miqdori. |
| Difficulty | Yangi blok topishning nisbiy qiyinlik darajasi. |
| Total Transactions | Kunlik jami tranzaksiyalar soni. |
| Miner Revenue | Coinbase mukofotlari va tranzaksiya toʻlovlarining jami qiymati. |
Har ikki maʼlumot toʻplami 1.859 kunlik kuzatuvni oʻz ichiga oladi va 1 Yanvar 2016 bilan 31 Yanvar 2021 oraligʻidagi davrni qamrab oladi.
Z-Score Normallashtirish Nega Bu Tadqiqotda Ishlatilgan?
Z-score normallashtirish narx va blockchain xususiyatlari bir-biridan juda farqli sonli masshtablarda boʻlgani sababli har bir qiymatni oʻz oʻzgaruvchisining oʻrtachasiga nisbatan markazlash va standart ogʻishiga nisbatan masshtablash uchun ishlatilgan; manba bu jarayon katta va kichik qiymatlar oʻrtasidagi nisbiy farqni min–max masshtablashga qaraganda yaxshiroq saqlashini taʼkidlaydi.
Masshtab muammosi
Manbaga koʻra narx maʼlumot toʻplamidagi maksimal oʻrtacha narx minimumdan taxminan 95 baravar, difficulty oʻzgaruvchisining maksimumi esa minimumdan taxminan 185 baravar katta. Bunday farqli kattaliklarni toʻgʻridan-toʻgʻri neyron tarmoqqa berish optimallashtirishni qiyinlashtirishi mumkin.
Manbada ishlatilgan transformatsiya:
\[ z=\frac{x-\mu}{\sigma} \]
koʻrinishidadir.
Bu yerda \(x\) xom kuzatuv qiymatini, \(\mu\) tegishli oʻzgaruvchining oʻrtachasini va \(\sigma\) standart ogʻishni bildiradi. Transformatsiya natijasida oʻzgaruvchi nol atrofida markazlashadi va standart ogʻish masshtab birligiga aylanadi.
Manba muhokama boʻlimida z-score normallashtirish oddiy min–max masshtablashga nisbatan taxminan 5–7 foiz punktlik aniqlik oshishini taʼminlaganini bildiradi. Biroq natijalar boʻlimida bu taqqoslashni alohida ablation jadvali bilan koʻrsatadigan tajriba keltirilmaganligi sababli, ushbu qiymat mualliflarning muhokama boʻlimidagi bayonoti sifatida baholanishi kerak.
Sirgʻaluvchi oyna bilan kirish va maqsadni yaratish
Normallashtirilgan narx maʼlumot qatori \(X\), tarkibiy maʼlumot qatori esa \(Y\) deb belgilangan. Har ikkisining uzunligi:
\[ n=1859 \]
kun.
\(w\) kunlik oyna uchun manba kirishlarni konseptual tarzda:
\[ Input_1^{(i)} = [X_i,X_{i+1},...,X_{i+w-1}] \]
\[ Input_2^{(i)} = [Y_i,Y_{i+1},...,Y_{i+w-1}] \]
va maqsadni:
\[ Output^{(i)}=X_{i+w} \]
koʻrinishida beradi.
Masalan, \(w=15\) boʻlsa, model oldingi 15 kunlik narx va tarkibiy blockchain maʼlumotlaridan foydalanib keyingi kun narxini prognozlaydi.
PGRU arxitekturasining uchta tarmogʻi
13-sahifadagi Shakl 2 ikkita mustaqil recurrent tarmoq va ularni birlashtiruvchi uchinchi tarmoqni koʻrsatadi. Manba figurasida koʻrsatilgan qatlam oʻlchamlarini quyidagicha umumlashtirish mumkin:
| Tarmoq | Kirish | Manba shaklida koʻrsatilgan tuzilma | Chiqish |
|---|---|---|---|
| GRU tarmogʻi 1 | Narx xususiyatlari | GRU 120 → Fully Connected 70 → Fully Connected 4 | Bitta narx prognozi |
| GRU tarmogʻi 2 | Tarkibiy blockchain xususiyatlari | GRU 112 → Fully Connected 70 → Fully Connected 50 → Fully Connected 4 | Bitta narx prognozi |
| Fusion network | Ikki GRU prognozi | Hidden 13 → Hidden 16 → Hidden 13 | Yakuniy narx prognozi |
Har ikki GRU tarmogʻi Adam optimizer yordamida regressiya yoʻqotishini kamaytirish uchun oʻqitilgan. Fusion network esa Levenberg–Marquardt optimallashtirishidan foydalanadi. Amalga oshirish MATLAB R2020b muhitida bajarilgan.
LSTM taqqoslash arxitekturasi
Nazoratli baseline sifatida ikki GRU tarmogʻi LSTM qatlamlari bilan almashtirilgan. Maʼlumot oqimi oʻzgarmaydi: narx va tarkibiy maʼlumotlar ikkita alohida recurrent tarmoqqa kiradi va ikki prognoz xuddi shunday feedforward fusion network tomonidan birlashtiriladi.
14-sahifadagi Shakl 3 LSTM muqobilida birinchi tarmoqda LSTM 120, Dropout 0,2, Fully Connected 70 va Fully Connected 4; ikkinchi tarmoqda LSTM 112, Dropout 0,2, Fully Connected 70, 50 va 4 qatlamlarini koʻrsatadi. Fusion tarmogʻi yana 13–16–13 yashirin qatlam tuzilmasiga ega.
Cross-validation tuzilishi
Manba uchala tarmoqning barchasida 10-fold cross-validation qoʻllanganini va oyna sezgirligi tajribalarida model 200 epoch davomida oʻqitilganini bildiradi.
Biroq vaqt qatorining xronologik tuzilishi foldlarda qanday saqlangani tushuntirilmagan. Manba ordinary random k-fold, blocked cross-validation yoki forward-chaining variantlaridan qaysi biri ishlatilganini bildirmaydi. Moliyaviy vaqt qatorlarida bu tafsilot muhim, chunki kelajak davr statistikasining oldingi training foldga sizib kirishi baholash xatosini sunʼiy ravishda kamaytirishi mumkin.
Xuddi shuningdek z-score uchun ishlatilgan \(\mu\) va \(\sigma\) qiymatlari faqat har bir training foldda yoki barcha 1.859 kuzatuvdan hisoblanganmi — bu aniq emas. Shu sababli data leakage toʻliq oldi olingani manba bayonotidan tasdiqlanmaydi.
Baholash metrikalari
Manba toʻrtta regressiya metrikasidan foydalanadi.
Mean Squared Error:
\[ MSE= \frac{1}{N} \sum_{i=1}^{N} (R_i-\hat R_i)^2 \]
Katta xatolarni kvadratik ravishda kuchliroq jazolaydi.
Root Mean Squared Error:
\[ RMSE=\sqrt{MSE} \]
Xato masshtabini yana narx birligiga qaytaradi.
Mean Absolute Error:
\[ MAE= \frac{1}{N} \sum_{i=1}^{N} |R_i-\hat R_i| \]
Oʻrtacha mutlaq narx farqini oʻlchaydi.
Manbada MAPE deb chop etilgan Tenglama (4):
\[ MAPE= \frac{100}{N} \sum_{i=1}^{N} \frac{R_i-\hat R_i}{R_i} \]
Bu yerda muhim manba-ichki nomuvofiqlik mavjud. Metrika “Mean Absolute Percentage Error” deb atalgan boʻlsa-da, chop etilgan Tenglama (4)da suratdagi xato uchun mutlaq qiymat belgilari koʻrinmaydi. Aksincha, 10 kunlik prognoz jadvallarida “Abs. Perc. Error” ishlatiladi. Shu sababli Verianla formulani manbadagi holida koʻrsatadi va ushbu farqni ochiq saqlaydi.
Tadqiqot Usuli va Natijalari
PGRUning Eng Past Xabar Qilingan MAPE Qiymati Qaysi Oyna Uzunligida?
Manba Jadval 2 dagi eng past PGRU MAPE qiymati \(w=5\) uchun %2,0; tadqiqotning qisqacha mazmuni va natijalar boʻlimi esa ayniqsa \(w=15\) uchun taxminan %2,64 va \(w=20\) uchun taxminan %3,24 qiymatlarini taʼkidlaydi.
Oyna uzunligi sezgirligi
| Oyna \(w\) | MSE | RMSE | MAE | MAPE |
|---|---|---|---|---|
| 5 | 49.334,9 | 222,1 | 120,2 | %2,0 |
| 10 | 50.941,0 | 225,7 | 127,2 | %2,6 |
| 15 | 54.575,6 | 233,6 | 136,0 | %2,6 |
| 20 | 61.648,1 | 248,3 | 143,3 | %3,2 |
| 25 | 63.330,9 | 251,7 | 165,4 | %3,9 |
Jadval barcha toʻrtta xato metrikasida \(w=5\) konfiguratsiyasi eng past qiymatni berganini koʻrsatadi. Uzunroq tarixiy oyna ishlatish ushbu tajribada avtomatik ravishda yaxshiroq prognoz bermagan.
Bu natija koʻproq tarixiy maʼlumot har doim foydali degan taxminga qarshi muhimdir. Biroq tadqiqot nima uchun \(w=5\) yaxshiroq ekaniga doir ablation yoki mexanizm tahlilini oʻtkazmaydi.
PGRU Parallel LSTM Arxitekturasidan Yaxshiroq Natija Berdimi?
Ha. Manbaning xuddi shu maʼlumot tuzilmasi bilan qurilgan LSTM taqqoslashida PGRU \(w=5,10,15,20,25\) oyna uzunliklarining barchasida pastroq MSE, RMSE, MAE va MAPE hosil qilgan; ayni apparatdagi oʻlchovlarda ham qisqaroq bajarilish vaqtini koʻrsatgan.
PGRU va LSTM xato natijalarini taqqoslash
| \(w\) | PGRU MAPE | LSTM MAPE | PGRU RMSE | LSTM RMSE |
|---|---|---|---|---|
| 5 | %2,0 | %3,2 | 222,1 | 348,1 |
| 10 | %2,6 | %3,5 | 225,7 | 349,7 |
| 15 | %2,6 | %3,7 | 233,6 | 350,0 |
| 20 | %3,2 | %4,1 | 248,3 | 365,6 |
| 25 | %3,9 | %4,2 | 251,7 | 382,2 |
LSTMning toʻliq xato jadvalida MSE va MAE qiymatlari ham PGRUdan yuqori. Shu sababli tadqiqotning oʻz nazoratli taqqoslashi doirasida PGRU ustunligi faqat MAPE metrikasiga bogʻliq emas.
Bajarilish vaqti
| Oyna | GRU asosidagi | LSTM asosidagi |
|---|---|---|
| \(w=5\) | 10:58 | 12:51 |
| \(w=10\) | 11:37 | 13:29 |
| \(w=15\) | 12:18 | 14:27 |
| \(w=20\) | 12:56 | 15:03 |
| \(w=25\) | 13:43 | 15:49 |
Vaqtlar Intel Core i7-6700HQ CPU va NVIDIA GTX 960 GPU ishlatilgan tizimda uchta ishga tushirishning oʻrtachasi sifatida xabar qilingan. GRU arxitekturasi barcha oyna uzunliklarida LSTM muqobiliga qaraganda qisqaroq bajarilish vaqtiga ega.
10 kunlik PGRU va LSTM prognozlari
| Kun | Haqiqiy narx | PGRU prognozi | PGRU mutlaq % xato | LSTM prognozi | LSTM mutlaq % xato |
|---|---|---|---|---|---|
| 1 | 33.515,7 | 33.174,3 | %1,02 | 32.756,6 | %2,26 |
| 2 | 35.485,2 | 35.913,2 | %1,21 | 36.062,5 | %1,62 |
| 3 | 37.646,8 | 37.837,7 | %0,51 | 38.116,5 | %1,24 |
| 4 | 36.982,1 | 39.913,6 | %7,93 | 38.502,0 | %4,11 |
| 5 | 38.297,6 | 37.145,8 | %3,01 | 37.314,4 | %2,56 |
| 6 | 39.256,6 | 36.810,9 | %6,23 | 36.746,4 | %6,39 |
| 7 | 38.852,9 | 37.646,1 | %3,11 | 36.651,5 | %5,66 |
| 8 | 46.395,7 | 43.232,2 | %6,82 | 39.437,6 | %14,99 |
| 9 | 46.508,6 | 42.189,7 | %9,29 | 39.265,4 | %15,57 |
| 10 | 44.836,0 | 40.245,3 | %10,24 | 37.784,1 | %15,72 |
PGRU dastlabki uch kunda %0,51–%1,21 mutlaq foiz xato hosil qilgan boʻlsa, keyingi keskin harakatli kunlarda xato sezilarli ravishda oshadi. Oʻninchi kunda PGRUning mutlaq foiz xatosi %10,24 ga, LSTMniki esa %15,72 ga yetadi.
Bu jadval PGRU har kuni LSTMdan ustun degani emas. Masalan, toʻrtinchi va beshinchi kunlarda LSTMning mutlaq foiz xatosi PGRUdan pastroq. Bunga qarshi, ayniqsa 8–10. kunlarda PGRU pastroq xato hosil qiladi.
10 kunlik tajribaning qayta ishlab chiqarish muammosi
Model usul boʻlimida keyingi kunni prognozlaydigan bir qadamli tuzilma sifatida taʼriflangan. Biroq manba 10 kunlik horizon yaratishda:
- birinchi prognoz keyingi kun kirishi sifatida ishlatilgan-ishlatilmaganini,
- amalga oshgan yangi narxlar har qadamda modelga qaytarib berilgan-berilmaganini,
- 10 chiqish bir martada yaratilgan-yaratilmaganini
tushuntirmaydi. Shu sababli 10 kunlik performance uchun toʻliq inference protsedurasini manba matnidan qayta tiklab boʻlmaydi.
Shuningdek, usul boʻlimidagi maʼlumot toʻplami 31 Yanvar 2021 da tugasa-da, Section 5.2 “January 2016 to December 2021” iborasini ishlatadi. Shakl va haqiqiy narx qatori Fevral 2021 ga mos kelgani uchun bu sana iborasi manbadagi boshqa vaqt maʼlumotlari bilan mos emas.
Shakl 4 va Shakl 5 nimani koʻrsatadi?
15-sahifadagi Shakl 4, \(w=15\) uchun 1 Noyabr 2020–31 Yanvar 2021 davrida haqiqiy Bitcoin narxi va PGRU prognozini bir xil vaqt oʻqida koʻrsatadi. Ikki egri chiziq umumiy trend boʻylab katta darajada birga harakat qiladi; Shakl 5 esa shu davrdagi prognoz–haqiqiy farqlarini nol oʻqi atrofida koʻrsatadi.
Ushbu vizual moslik model mazkur tarixiy davr narx naqshini kuzata olganini qoʻllab-quvvatlaydi. Biroq grafik oʻz-oʻzidan kelajakdagi boshqa bozor rejimlarida ayni xato saqlanishini isbotlamaydi.
Shakl 6 bilan Shakl 9 oʻrtasidagi farq
16-sahifadagi Shakl 6 PGRUning 10 kunlik prognozini, 17-sahifadagi Shakl 9 esa LSTM muqobilini koʻrsatadi. Ayniqsa 8–10 Fevral 2021 atrofidagi keskin narx oshishida har ikki model haqiqiy narxdan pastda qoladi; biroq LSTMning ogʻishi kattaroq.
Ushbu davr modelning oʻrtacha xato metrikasidan tashqari tezkor rejim oʻzgarishlarida qanday xatti-harakat qilishini alohida koʻrib chiqish kerakligini koʻrsatadi.
Oldingi tadqiqotlar bilan manbada berilgan MAPE taqqoslashi
| Usul | Manbada berilgan MAPE |
|---|---|
| PGRU — ushbu tadqiqot | %3,24 (\(w=20\)); %2,64 (\(w=15\)) |
| Roy va hamkorlari | %9,69 |
| Hitam va hamkorlari — PSO-SVM | %9,6 |
| Garg va hamkorlari — ARIMA | <%6 |
| Rizwan va hamkorlari — GRU | %5,3 |
| Ji va hamkorlari — LSTM | %4,46 (\(w=20\)) |
| Patel va hamkorlari — Litecoin GRU | %4,94 |
Manba ushbu jadvalni PGRU oldingi yondashuvlarga qaraganda pastroq MAPE hosil qilganining koʻrsatkichi sifatida taqdim etadi. Biroq usullar ayni Bitcoin maʼlumot davri, ayni training/test boʻlinishi va ayni maʼlumotlarni oldindan qayta ishlash sharoitida qayta ishga tushirilmagan. Patel tadqiqotining maqsad aktivi ham Litecoin. Shu sababli jadval nazoratli head-to-head benchmark emas, balki chop etilgan natijalarning adabiyot darajasidagi taqqoslashidir.
Tadqiqot qoʻllab-quvvatlaydigan xulosalar
- Koʻrib chiqilgan Bitcoin maʼlumot toʻplamida ikki parallel GRU tarmogʻi fusion tarmoq bilan birlashtirilgan PGRU arxitekturasi qoʻllanishi mumkin boʻlgan.
- Manba Jadval 2 da eng past PGRU MAPE qiymati \(w=5\) uchun %2,0.
- PGRU shu tadqiqotda yaratilgan parallel LSTM muqobilidan koʻrib chiqilgan barcha oyna uzunliklarida pastroq xato hosil qilgan.
- GRU asosidagi tuzilma ayni apparatda LSTM muqobiliga qaraganda qisqaroq bajarilish vaqtini koʻrsatgan.
- Narx va blockchain tarkibiy maʼlumotlarini alohida recurrent tarmoqlarda qayta ishlash manba tajribasida ishlaydigan fusion arxitekturasini hosil qilgan.
- PGRU 10 kunlik misolda ayniqsa soʻnggi kunlarda LSTM muqobiliga qaraganda pastroq xato hosil qilgan.
Tadqiqot qoʻllab-quvvatlamaydigan xulosalar
- PGRU jonli Bitcoin savdosida foyda keltirishi koʻrsatilmagan.
- Model tranzaksiya toʻlovi, slippage, spread, funding yoki portfolio riskini baholamagan.
- Model boshqa kriptovalyutalarda ayni aniqlikda ishlashi tajribaviy tarzda koʻrsatilmagan.
- PGRU barcha zamonaviy Transformer yoki dolzarb 2025–2026 prognoz arxitekturalaridan ustun ekani koʻrsatilmagan.
- Table 7 dagi oldingi tadqiqotlar bilan taqqoslash umumiy benchmark protokoli ostida amalga oshirilmagan.
- 10-fold cross-validation time-series leakageni toʻliq oldini olgani manbada isbotlanmagan.
- Z-scorening 5–7 foiz punktlik ustunligi alohida, koʻrinadigan normalization ablation jadvali bilan koʻrsatilmagan.
- 10 kunlik prognozning recursive, direct yoki rolling mexanizmi aniq koʻrsatilmagan.
Tadqiqotning kuchli tomonlari
Model dizayni tushunarli va modulli. Narx va blockchain tarkibiy maʼlumotlarini alohida tarmoqlarga ajratishi har bir maʼlumot guruhiga oʻz vaqt dinamikasini oʻrganish imkonini beradi. Nazoratli LSTM muqobili ayni umumiy tuzilma ichida yaratilgani sababli PGRU–LSTM taqqoslashi turli maqolalardan olingan MAPE taqqoslashiga qaraganda mazmunliroq.
Shuningdek, tadqiqot faqat bitta xato metrikasiga tayanmaydi; MSE, RMSE, MAE va MAPE birga xabar qilinadi. Beshta oyna uzunligi va bajarilish vaqti natijalari modelning accuracy–computation munosabati haqida qoʻshimcha maʼlumot beradi.
Asosiy uslubiy cheklovlar
Cross-validation tafsiloti: 10-fold tuzilma xronologik ekanligi yoki emasligi koʻrsatilmagan.
Normalization leakage tafsiloti: Z-score statistikalarining faqat training maʼlumotlaridan hisoblangani aniq yozilmagan.
10 kunlik inference mexanizmi: Koʻp qadamli prognoz protsedurasi tushuntirilmagan.
Sana nomuvofiqligi: Maʼlumot yigʻish boʻlimi 31 Yanvar 2021 da tugasa-da, Section 5.2 maʼlumotlardan Dekabr 2021 gacha foydalanilganini yozadi.
MAPE tenglamasi: Chop etilgan Tenglama (4) mutlaq qiymat belgilarini koʻrsatmaydi.
Statistik noaniqlik: Cross-validation oʻrtachalarining standart ogʻishi, ishonch oraligʻi yoki koʻp random-seed taqsimoti berilmagan.
Tashqi umumlashtirish: Tajriba maqsadi faqat Bitcoin.
Adabiyot benchmarki: Table 7 turli maʼlumotlar va tadqiqot protokollaridan xabar qilingan MAPE qiymatlarini yonma-yon qoʻyadi.
Kelajak tadqiqot yoʻnalishlari
Manba PGRU arxitekturasiga yangi mustaqil maʼlumot tarmoqlarini qoʻshishni taklif qiladi. Misollar qatorida global iqtisodiy koʻrsatkichlar, boshqa yirik kriptovalyutalar narxlari va ijtimoiy tarmoq sentiment/trend maʼlumotlari bor.
Ushbu takliflar manba tomonidan kelajak tadqiqoti sifatida berilgan; mavjud tajribalarda bu maʼlumot oqimlari ishlatilmagan.
Manba va Usul Haqida Izoh
Asl sarlavha: Cryptocurrency Price Prediction Using Parallel Gated Recurrent Units
Mualliflar: Milad Asadpour; Alireza Rezaee; Farshid Hajati.
Tashkilotlar: College of Interdisciplinary Science and Technology, University of Tehran, Tehran, Iran; School of Science and Technology, University of New England, Armidale, NSW, Australia.
Manba turi: Preprint.
Platforma: arXiv / CoRR.
arXiv: 2512.22599v1 [cs.LG].
arXiv topshirilgan sana: 27 Dekabr 2025.
PDFda berilgan sana: 30 Dekabr 2025.
Taqriz holati: Joriy bibliografik tekshiruvda alohida taqrizli journal yoki conference versiyasi aniqlanmadi; tadqiqot preprint sifatida baholandi.
Mustaqil journal DOI: Tasdiqlanmagan.
Corresponding author: Manba PDF alohida corresponding-author belgisini bermaydi.
Tadqiqot turi: Bitcoin narxiga qaratilgan hisoblashga asoslangan deep learning/regressiya tajribasi.
Maqsad oʻzgaruvchisi: Bitcoinning kelajak narxi.
Maʼlumot davri: Asosiy maʼlumot taʼrifida 1 Yanvar 2016–31 Yanvar 2021.
Kuzatuvlar soni: Har ikki maʼlumot oqimida 1.859 kunlik yozuv.
Narx xususiyatlari: Oʻrtacha kunlik narx, ochilish narxi, past narx, yuqori narx.
Tarkibiy xususiyatlar: Oʻrtacha blok hajmi, hash rate, difficulty, jami kunlik tranzaksiyalar, miner daromadi.
Narx maʼlumoti manbai: Manba tadqiqoti Investing.com historical Bitcoin maʼlumotiga havola qiladi.
Tarkibiy maʼlumot manbai: Manba tadqiqoti bitcoin.com saytidagi market/network charts manbasiga havola qiladi.
Oldindan qayta ishlash: Z-score normallashtirish.
Oyna uzunliklari: 5, 10, 15, 20 va 25 kun.
Model: Ikkita parallel GRU predictor + feedforward fusion network.
Nazoratli taqqoslash: Ikkita parallel LSTM predictor + ayni umumiy fusion yondashuvi.
Dasturiy taʼminot: MATLAB R2020b.
GRU optimizer: Adam.
Fusion optimizer: Levenberg–Marquardt.
Training: Oyna sezgirligi tajribasida 200 epoch.
Cross-validation: 10-fold; foldlarning vaqt qatori shakli manbada batafsil bayon etilmagan.
Performance metrikalari: MSE, RMSE, MAE va manba tomonidan MAPE deb atalgan foiz xato metrikasi.
Apparat: Intel Core i7-6700HQ CPU va NVIDIA GTX 960 GPU; bajarilish vaqti natijalari uchta ishga tushirishning oʻrtachasidir.
Moliyalashtirish: Taqdim etilgan PDFda alohida funding statement aniqlanmagan.
Manfaatlar toʻqnashuvi: Taqdim etilgan PDFda alohida conflict-of-interest declaration aniqlanmagan.
Maʼlumot mavjudligi: Alohida Data Availability Statement mavjud emas; maʼlumot manbalari usul boʻlimida web manbalari sifatida koʻrsatilgan.
Kod mavjudligi: Taqdim etilgan PDFda tasdiqlanishi mumkin boʻlgan public code repository koʻrsatilmagan.
Muallif hissalari: Alohida CRediT author-contribution statement mavjud emas.
Litsenziya: Koʻrib chiqilgan PDF va tasdiqlangan rasmiy arXiv koʻrinishida qayta foydalanish uchun ishonchli tarzda tasdiqlanishi mumkin boʻlgan ochiq litsenziya turi aniqlanmagani sababli fail-closed yondashuvi qoʻllanilgan. Manba shakllari aynan koʻchirilmasligi; ilmiy aloqalar va jadval qiymatlari Verianla uchun mustaqil ravishda qayta chizilishi kerak.
Manba ichidagi son izohi: Qisqacha mazmun \(w=20\) va \(w=15\) uchun mos ravishda %3,243 va %2,641 MAPE ni taʼkidlasa-da, Jadval 2 da \(w=5\) uchun pastroq %2,0 MAPE xabar qilingan.
Manba ichidagi sana izohi: Asosiy maʼlumot boʻlimi 2016-01-01–2021-01-31 davrini bergan boʻlsa-da, Section 5.2 10 kunlik tajriba uchun January 2016–December 2021 iborasini ishlatadi. Shu tajribaning grafigi va haqiqiy narx qatori Fevral 2021 ga mos keladi.
Manba ichidagi formula izohi: Tenglama (4) MAPE deb belgilangan boʻlsa-da, chop etilgan ifodada xato hadining atrofida mutlaq qiymat belgisi koʻrinmaydi; Table 3 va Table 5 esa mutlaq foiz xatosini xabar qiladi.
Asosiy talqin chegarasi: Natijalar tarixiy Bitcoin maʼlumotlaridagi model-xato performanceidir. Jonli bozor foydaliligi, investitsiya tavsiyasi, tranzaksiya xarajatlari yoki boshqa kriptovalyutalardagi tasdiqlangan performance sifatida talqin qilinmasligi kerak.
Mualliflik huquqi/bayon usuli: Verianla matni manba tadqiqotdagi gap yoki paragraf tartibini qayta yaratmaydi. Manbadagi maʼlumot, model tuzilmasi, formulalar, jadvallar, shakllar, natijalar va cheklovlar ilmiy inventarga ajratilib, mustaqil taʼlimiy Oʻzbekcha tuzilma ichida qayta qurilgan.
Izoh qoldiring
E-pochta manzilingiz chop etilmaydi. Majburiy maydonlar * bilan belgilangan