مقدمه: چالش بزرگ پیشبینی در اقیانوس نوسانات کریپتو
بازار ارزهای دیجیتال به دلیل نوسانات شدید، دینامیکهای پیچیده و ماهیت غیر ایستا (Non-Stationary)، همواره بهعنوان یکی از دشوارترین حوزهها برای پیشبینی دقیق کوتاهمدت مطرح بوده است. برای تریدرها، توانایی پیشبینی لحظهای قیمت یک دارایی (مانند بیتکوین و اتریوم) یک مزیت رقابتی حیاتی محسوب میشود.
در سالهای اخیر، مدلهای یادگیری عمیق، بهویژه شبکههای حافظه طولانی کوتاهمدت (LSTM) و معماریهای مبتنی بر ترنسفورمر، مانند Temporal Fusion Transformer یا TFT، عملکرد قابل قبولی در مدلسازی وابستگیهای زمانی از خود نشان دادهاند. TFT به دلیل ساختار خود-توجهی (Self-Attention) و قابلیت ترکیب دادههای مختلف، توانسته است نتایج پیشگامانهای در پیشبینی سریهای زمانی به دست آورد.
با این حال، محققان دریافتند که استفاده ساده از این مدلها بر روی دادههای خام کریپتو، بهویژه با رویکرد سنتی پنجرههای کشویی با طول ثابت (Fixed-Length Sliding Windows)، کارآمد نیست. این مدلها به دلیل عدم سازگاری با ماهیت متغیر فازهای بازار (نمیتواند تشخیص دهد یک فاز رشد چقدر طول میکشد)، اغلب منجر به نتایج سست و ناکافی میشود. در پاسخ به این محدودیتها، محققان رویکرد نوین شبکه ترکیبی تطبیقی همجوشی زمانی (Adaptive Temporal Fusion Transformer یا Adaptive TFT) را معرفی کردهاند که تحلیل بازار را با ریتم طبیعی حرکت قیمت همگام میسازد.
Adaptive TFT به زبان ساده
تصور کنید که بازار یک رمان است. مدلهای سنتی مثل LSTM، این رمان را صرفاً به صفحات ۵۰ کلمهای (طول ثابت) تقسیم میکنند و تلاش میکنند هر صفحه را پیشبینی کنند، بدون توجه به اینکه جمله قبل کجا تمام شده است. در مقابل، Adaptive TFT این رمان را به بخشها یا فصلهای معنیدار (طول متغیر) تقسیم میکند. هر فصل زمانی به پایان میرسد که یک رویداد مهم (اوج قیمت معنادار) رخ دهد. سپس، مدل برای پیشبینی فصل بعدی، به سبک نوشتاری انتهای فصل قبل نگاه میکند. اگر فصل قبلی با یک هیجان تمام شده باشد، مدل تخصصی پیشبینی هیجان فعال میشود. به این ترتیب، Adaptive TFT بهجای پیشبینی کورکورانه، پیشبینی را شرطی به زمینه و الگوی قبلی بازار انجام میدهد و بهشدت دقت خود را افزایش میدهد.
مکانیزم Adaptive TFT: تطبیق با پویاییهای بازار
رویکرد Adaptive TFT برای حل چالش غیرایستا بودن بازار کریپتو، بر دو نوآوری کلیدی بنا شده است که مدل را قادر میسازد تا بهطور پویا با فازهای متغیر بازار هماهنگ شود:
الف) تقسیمبندی تطبیقی (Adaptive Segmentation) بر اساس نقاط عطف
این مدل، سریهای زمانی قیمت را بر اساس فازهای طبیعی بازار تقسیم میکند. بهطور خاص، مرزهای قطعات (Subseries) در نقاط ماکزیممهای نسبی (Relative Maxima) (اوج قیمت) تعیین میشوند. اما نه هر اوجی، بلکه تنها اوجهایی که نشاندهنده یک حرکت صعودی معنادار هستند.
- آستانه معناداری ($$T_h$$): یک اوج قیمت ($$P_{peak}$$) تنها زمانی بهعنوان پایان یک قطعه پذیرفته میشود که افزایش آن از آخرین نقطه مینیمم نسبی ($$P_{min, last}$$) از یک آستانه درصد معین ($$T_h$$) (مثلاً ۱.۵ درصد) فراتر رفته باشد. این شرط، تضمین میکند که هر قطعه، یک فاز بازار است که در یک “حرکت بزرگ” (Growth Phase) به پایان رسیده و نویزهای کوچک فیلتر شدهاند.
- طول متغیر: نتیجه این فرآیند، ایجاد قطعاتی با طول کاملاً متغیر است که کاملاً با ریتم طبیعی فازهای بازار همسو هستند.
ب) پیشبینی شرطی و دستهبندی مبتنی بر الگو
پس از تقسیمبندی تطبیقی، نوبت به آموزش متخصصان پیشبینی میرسد. این مدل از یک استراتژی پیشبینی شرطی (Pattern-Conditioned) استفاده میکند که در آن، پیشبینی برای یک قطعه زمانی، بر اساس الگوی پایان قطعه قبلی شرطی میشود:
- استخراج الگوی پایانی ($$P_{end}$$): از انتهای هر قطعه زمانی کاملشده ($$S_i$$)، یک الگوی ثابت با طول مشخص ($$P_{len}$$) استخراج میشود. این الگو بهعنوان امضای حالت بازار درست قبل از اوجگیری عمل میکند.
- آموزش مدلهای تخصصی: قطعه زمانی بعدی ($$S_{i+1}$$) به یک دستهبندی اختصاص مییابد که با الگوی پایان قطعه قبلی ($$P_{i}$$) مرتبط است. سپس یک مدل Adaptive TFT مجزا برای هر دستهبندی آموزش داده میشود.
- مزیت تخصصی شدن: این مدلها به متخصصانی تبدیل میشوند که میتوانند عواقب یا تکامل هر الگوی خاص قبلی را پیشبینی کنند. به عبارت دیگر، مدل بهجای پیشبینی تصادفی، بر اساس این فرض که “پس از الگوی X، بازار معمولاً به Y واکنش نشان میدهد” عمل میکند.
دادهها، آزمایشها و سنجش عملکرد Adaptive TFT
برای تأیید عملی این رویکرد، Adaptive TFT بر روی دادههای معاملاتی ۱۰ دقیقهای جفتارز ETH-USDT از صرافی بایننس در یک دوره آزمایشی دو ماهه، آزمایش و با مدلهای متداول مقایسه شد.
الف) پیشپردازش دادهها و تمرکز بر نرخ نوسان
در این تحقیق، دادههای خام قیمت نهایی (Closing Price) به سریهای نرخ نوسان (Volatility Rate) تبدیل شدند. نرخ نوسان، تغییرات قیمتی را بهصورت درصد نشان میدهد و به مدل کمک میکند تا بر حرکات نسبی قیمت تمرکز کند و از مشکلات ناشی از تغییر مقیاس قیمت در طول زمان جلوگیری شود. تمرکز اصلی بر نرخ نوسان، مدل را قادر ساخت تا مستقیماً به دینامیکهای حرکتی قیمت بپردازد.
ب) برتری در دقت و سودآوری
نتایج سنجش عملکرد Adaptive TFT در مقایسه با مدلهای مرجع (LSTM و TFT با طول ثابت)، برتری معناداری را نشان داد:
- کاهش خطای پیشبینی: Adaptive TFT بهطور قابل توجهی کمترین میانگین مجذور خطای ریشه (RMSE) و کمترین درصد میانگین خطای مطلق (MAPE) را به دست آورد. این شاخصها نشان میدهند که پیشبینیهای Adaptive TFT، از نظر عددی، نزدیکترین تخمینها به قیمت واقعی آینده بودهاند.
- افزایش سودآوری معاملاتی: مهمتر از دقت خام، شبیهسازیهای معاملاتی نشان داد که استراتژیهای مبتنی بر Adaptive TFT، منجر به سودآوری بالاتری در دوره تست شدند. این موضوع به دلیل توانایی مدل در تولید سیگنالهای معاملاتی دقیقتر و بهموقع در شرایط بازار متغیر است.
این یافتهها تأکید میکنند که همسویی تقسیمبندی با نقاط عطف معنادار بازار، در ترکیب با استفاده از مدلهای تخصصی برای هر زمینه، یک چارچوب پیشبینی بسیار قوی و پاسخگو برای بازار پرنوسان ارزهای دیجیتال ایجاد میکند.
جمعبندی و کاربرد Adaptive TFT برای تریدرها
مدل Adaptive TFT با تلفیق پتانسیل معماری ترنسفورمر و مکانیزمهای تطبیقی مبتنی بر رفتار بازار، نسل جدیدی از مدلهای پیشبینی را معرفی کرده است. این روش با دو نوآوری اصلی خود – تقسیمبندی بر اساس آستانه$$T_h$$ و پیشبینی شرطی بر اساس الگوی پایانی – محدودیتهای مدلهای قبلی در مواجهه با ماهیت متغیر بازار کریپتو را برطرف میسازد.
برای تریدرها و سرمایهگذاران فارسیزبان، درک و استفاده از چنین مدلهایی به معنای دسترسی به ابزارهای تحلیلی است که:
- ریسک را کاهش میدهد: با پیشبینی دقیقتر حرکتهای کوتاهمدت، تریدر میتواند حجم معاملات را بهتر مدیریت کند.
- دقت ورود و خروج را بالا میبرد: شناسایی الگوهای پایانی و فعال شدن مدل تخصصی، سیگنالهای واضحتری برای ورود و خروج بهینه فراهم میکند.
تحقیقات آینده بر روی این مدل شامل ادغام دادههای پیچیدهتر مانند دادههای آنچین و بهبود مکانیزم تطبیقی برای پاسخگویی به شوکهای لحظهای بازار است. Adaptive TFT یک گام بزرگ به سمت ایجاد سیستمهای معاملاتی خودکاری است که قادر به یادگیری و سازگاری با سرعت نور در بازار کریپتو هستند.
منابع و مراجع علمی
در تهیه این مقاله جامع و همچنین توسعه مدل شبکه ترکیبی تطبیقی همجوشی زمانی (Adaptive TFT)، از یافتهها و پژوهشهای متعددی در زمینه تحلیل سریهای زمانی مالی، مدلهای یادگیری عمیق و دینامیک بازار ارزهای دیجیتال استفاده شده است. منابع اصلی به شرح زیر دستهبندی میشوند:
الف) مقالات مرتبط با مدل Adaptive TFT و تحقیقات پیشین
این بخش، شامل مقالاتی است که به طور مستقیم چارچوب Adaptive TFT و تحقیقات پیشین محققان آن را معرفی کردهاند:
- ** Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction** – مقاله اصلی که مدل Adaptive TFT را معرفی میکند.
- Leveraging time series categorization and temporal fusion transformers to improve cryptocurrency price forecasting
- Enhancing Cryptocurrency Price Prediction by Applying Temporal Fusion Transformers on Subseries
ب) مبانی مدلهای عمیق و ترنسفورمرها
این مراجع، اساس و پایههای نظری مدلهای یادگیری عمیق مورد استفاده در این مقاله را تشکیل میدهند:
- Attention is all you need – مقاله بنیادین معرفی معماری ترنسفورمر که اساس مدل TFT را شکل داده است.
- Temporal fusion transformers for interpretable multi-horizon time series forecasting – مقاله معرفی مدل Temporal Fusion Transformer (TFT).
- Informer: Beyond efficient transformer for long sequence time-series forecasting
- Time-series well performance prediction based on long short-term memory (LSTM) neural network model
ج) تحلیل و پیشبینی قیمت ارزهای دیجیتال و عوامل مؤثر
این پژوهشها، اهمیت پیشبینی قیمت در بازار کریپتو و عوامل مختلف تأثیرگذار بر آن را بررسی میکنند:
- Cryptocurrencies as a financial asset: A systematic analysis
- Factors affecting cryptocurrency prices: Evidence from ethereum
- Forecasting mid-price movement of bitcoin futures using machine learning
- Cryptocurrency price forecasting–a comparative analysis of ensemble learning and deep learning methods
د) روشها و رویکردهای پیشرفته در سریهای زمانی
منابع زیر به مدلهای پیشرفته، روشهای دستهبندی سریهای زمانی و تحلیل چندوجهی (Multimodal) اشاره دارند:
- Rhine: A regime-switching model with nonlinear representation for discovering and forecasting regimes in financial markets
- A deep fusion model for stock market prediction with news headlines and time series data
- Investigating the informativeness of technical indicators and news sentiment in financial market price prediction
- An adaptive multimodal learning model for financial market price prediction
ه) منابع داده و ابزارهای توسعه
- GitHub – arashitc2/Adaptive-TFT – مخزن گیتهاب مدل Adaptive TFT.
- GitHub – arashitc2/Binance-1-minute-candles – منبع دادههای خام استفاده شده برای آزمایش مدل.
سوالات متداول درباره مدل Adaptive TFT
۱. Adaptive TFT دقیقاً چیست و چه تفاوتی با مدلهای قدیمیتر دارد؟
Adaptive TFT (شبکه ترکیبی تطبیقی همجوشی زمانی) یک مدل پیشبینی پیشرفته است که بر پایه معماری ترنسفورمر (Transformer) ساخته شده است. تفاوت اصلی آن با مدلهایی مثل LSTM یا TFT معمولی این است که Adaptive TFT از روشهای ثابت (پنجرههای با طول مشخص) استفاده نمیکند؛ بلکه بهطور پویا و تطبیقی، بازار را بر اساس الگوهای واقعی و نقاط عطف معنادار تقسیمبندی و پیشبینی میکند تا دقت را در بازارهای پرنوسان کریپتو بالا ببرد.
۲. چرا مدلهای قدیمیتر مانند LSTM یا Transformer معمولی برای بازار کریپتو ناکافی هستند؟
این مدلها معمولاً از پنجرههای زمانی با طول ثابت استفاده میکنند (مثلاً هر یک ساعت). مشکل اینجاست که فازهای بازار (مانند یک روند صعودی یا اصلاحی) به زمان ثابت محدود نمیشوند. مدلهای قدیمیتر نمیتوانند خود را با طول متغیر این فازها وفق دهند، در نتیجه، الگوهای واقعی بازار را نادیده گرفته و دقت لازم را برای معاملات کوتاهمدت از دست میدهند.
۳. منظور از “تقسیمبندی تطبیقی” در Adaptive TFT چیست؟
تقسیمبندی تطبیقی به این معنی است که مدل، دادهها را بر اساس نقاط اوج معنادار قیمت تقسیم میکند. یک اوج قیمت زمانی بهعنوان مرز پایان یک فاز بازار در نظر گرفته میشود که افزایش قیمت آن از آخرین کف، از یک آستانه مشخص (
Th
) (مثلاً ۱.۵ درصد) فراتر رفته باشد. این کار تضمین میکند که هر قطعه زمانی، یک فاز کامل و مهم بازار را نشان دهد و طول آن متناسب با ریتم بازار باشد، نه یک عدد ثابت.
۴. “پیشبینی شرطی مبتنی بر الگو” به چه معناست؟
در این مکانیزم، مدل برای پیشبینی یک فاز جدید بازار، کورکورانه عمل نمیکند. ابتدا، الگوی دقیق پایان فاز قبلی را شناسایی میکند (مثلاً یک حرکت سریع صعودی). سپس، قطعه زمانی جدید را بر اساس آن الگو دستهبندی کرده و مدل تخصصی TFT را که آموزش دیده تا نتایج آن الگوی خاص را پیشبینی کند، برای تخمین آینده انتخاب میکند. به این ترتیب، پیشبینی به زمینه و الگوی قبلی بازار شرطی میشود.
۵. Adaptive TFT برای پیشبینی قیمت کدام ارزهای دیجیتال آزمایش شده است؟
این مدل بهطور خاص بر روی دادههای ۱۰ دقیقهای جفتارز ETH-USDT (اتریوم در مقابل تتر) صرافی بایننس در یک دوره آزمایشی دو ماهه آزمایش شده است.
۶. آیا این مدل متغیرهای جانبی را در نظر میگیرد؟
اگرچه تمرکز اصلی در هسته مدل بر روی نرخ نوسان (Volatility Rate) قیمت نهایی قرار داشت، اما معماری TFT این قابلیت را دارد که انواع ورودیها و متغیرهای جانبی مانند حجم معاملات، شاخصهای تکنیکال و دادههای زمانی را در پیشبینی خود ترکیب و وزندهی کند.
۷. نتایج Adaptive TFT در مقایسه با سایر روشها چگونه بود؟
نتایج نشان داد که Adaptive TFT بهطور قابل توجهی خطای کمتری در شاخصهای پیشبینی (مانند RMSE و MAPE) نسبت به مدلهای LSTM و TFT با طول ثابت دارد. مهمتر اینکه، استراتژیهای معاملاتی مبتنی بر این مدل، سودآوری بالاتری را در شبیهسازیهای معاملاتی کسب کردند.
۸. آیا Adaptive TFT میتواند نویزهای کوچک بازار را فیلتر کند؟
بله. مکانیزم تقسیمبندی تطبیقی، تنها اوجهایی را بهعنوان مرز فازها میپذیرد که افزایش قیمت آنها از یک آستانه معنادار (
Th
) فراتر رود. این کار بهطور ذاتی، نوسانات کوچک و کماهمیت (نویزها) را فیلتر کرده و مدل را بر روی حرکات مهم و ساختاری قیمت متمرکز میسازد.
۹. این مدل چه کمکی به تریدرهای کوتاهمدت میکند؟
Adaptive TFT با ارائه پیشبینیهای دقیقتر و پاسخگوتر به تغییرات سریع بازار، به تریدرها کمک میکند تا:- ریسک را بهینهسازی کنند (با کاهش انحراف پیشبینی).
- نقاط ورود و خروج خود را در نوسانات لحظهای با اطمینان بیشتری تعیین کنند.
- ۱۰. مسیر آینده توسعه Adaptive TFT چیست؟
تحقیقات آتی روی این مدل شامل ادغام دادههای پیچیدهتر و خارجی مانند دادههای آنچین (On-Chain Data) و تحلیل احساسات بازار خواهد بود تا قدرت پیشبینی مدل در شرایط و بازههای زمانی متنوعتری، افزایش یابد.
بر اساس مقاله علمی Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction – arXiv:2509.10542v1
