Предсказывая Bitcoin: Как глобальная ликвидность улучшает прогнозы

Автор: Денис Аветисян

Новое исследование демонстрирует, что учет мировых объемов ликвидности значительно повышает точность долгосрочных прогнозов цены Bitcoin.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

Архитектура TimeXer демонстрирует интеграцию внутренних и внешних потоков данных посредством специализированных механизмов внедрения и внимания, что позволяет системе адаптироваться к сложным временным зависимостям и извлекать значимую информацию из разнородных источников.

Интеграция глобальной ликвидности (денежной массы M2) в Transformer-модель TimeXer повышает эффективность прогнозирования цены Bitcoin на долгосрочном горизонте.

Прогнозирование волатильности биткоина представляет собой сложную задачу, особенно на долгосрочных горизонтах, где традиционные модели временных рядов оказываются неэффективными. В данной работе, посвященной ‘Expert System for Bitcoin Forecasting: Integrating Global Liquidity via TimeXer Transformers’, предложена экспертная система, использующая архитектуру TimeXer и интегрирующая глобальную ликвидность (агрегированный M2 из 18 крупнейших экономик) в качестве экзогенного фактора. Полученные результаты демонстрируют, что учет макроэкономической среды значительно стабилизирует долгосрочные прогнозы, снижая среднеквадратичную ошибку на 89% по сравнению с базовой моделью TimeXer. Возможно ли дальнейшее повышение точности прогнозирования биткоина за счет интеграции других макроэкономических показателей и усовершенствования архитектуры Transformer?

Пределы Традиционного Прогнозирования

Первые попытки прогнозирования цены Bitcoin, такие как модель ARIMA, столкнулись с существенными трудностями, обусловленными высокой волатильностью и нелинейной динамикой рынка криптовалют. Данная модель, традиционно используемая для анализа временных рядов, предполагает стационарность данных и линейную зависимость между прошлыми и будущими значениями. Однако, рынок Bitcoin характеризуется резкими скачками, непредсказуемыми колебаниями и отсутствием устойчивых трендов, что делает применение классических методов, основанных на линейной экстраполяции, малоэффективным. Ограниченная способность ARIMA адаптироваться к изменяющимся рыночным условиям и учитывать сложные взаимосвязи между различными факторами привела к низкой точности прогнозов и, как следствие, к поиску более совершенных моделей, способных адекватно отражать особенности данного финансового инструмента.

Рекуррентные нейронные сети (RNN), демонстрирующие способность к изучению закономерностей во временных рядах, часто оказывались неэффективными при прогнозировании на длительные периоды. Проблема заключалась в сложностях с улавливанием долгосрочных зависимостей — связей между данными, разнесенными во времени на значительные промежутки. Традиционные RNN, при обработке длинных последовательностей, испытывали трудности с «запоминанием» информации из начальных стадий, что приводило к постепенной потере контекста и снижению точности прогнозов. Данная особенность ограничивала их применение в предсказании динамично меняющихся финансовых показателей, таких как цена Bitcoin, где события в далеком прошлом могут оказывать существенное влияние на текущую ситуацию.

Анализ показывает, что цена открытия Bitcoin опережает изменения в глобальной ликвидности примерно на 12 недель, что указывает на потенциальную взаимосвязь между этими двумя показателями.

Рекуррентные Нейронные Сети: Шаг Вперед

Модели LSTM (Long Short-Term Memory) и GRU (Gated Recurrent Unit) представляют собой усовершенствования традиционных рекуррентных нейронных сетей (RNN), разработанные для решения проблемы затухания градиента и улучшения способности захватывать долгосрочные зависимости в последовательных данных. В отличие от стандартных RNN, которые испытывают трудности при обучении на длинных последовательностях из-за экспоненциального уменьшения градиента при обратном распространении, LSTM и GRU используют специальные механизмы — ячейки памяти и вентили (gates) — для регулирования потока информации. Эти вентили позволяют моделям выборочно запоминать, забывать и обновлять информацию, тем самым сохраняя важные данные на протяжении длительных последовательностей и предотвращая исчезновение градиента. В результате, LSTM и GRU демонстрируют значительно лучшую производительность в задачах, требующих анализа и прогнозирования на основе данных с долгосрочными зависимостями, таких как обработка естественного языка и анализ временных рядов.

Несмотря на улучшения, модели LSTM и GRU все еще демонстрируют ограничения при обработке чрезвычайно длинных последовательностей данных. Это связано с тем, что даже с механизмами предотвращения затухания градиента, информация, передаваемая через большое количество временных шагов, может искажаться или теряться. Кроме того, эти модели испытывают трудности с эффективной интеграцией внешних факторов, влияющих на цену Bitcoin, таких как новостные события, изменения в регулировании или макроэкономические показатели. Простое добавление этих факторов в качестве дополнительных входных данных не всегда приводит к существенному улучшению точности прогнозирования, требуя более сложных архитектур и методов анализа для корректной интерпретации и использования этой информации.

Трансформерная Революция в Прогнозировании Bitcoin

Архитектура Transformer, основанная на механизме самовнимания (self-attention), обеспечивает существенное преимущество в моделировании долгосрочных зависимостей во временных рядах. В отличие от рекуррентных нейронных сетей (RNN), которые последовательно обрабатывают данные, Transformer позволяет параллельно обрабатывать все элементы временного ряда, значительно сокращая время вычислений. Механизм самовнимания позволяет модели взвешивать важность различных частей входной последовательности при прогнозировании, что особенно критично для долгосрочного прогнозирования, где прошлые события могут оказывать влияние на будущие значения через значительные промежутки времени. Это позволяет Transformer более эффективно улавливать сложные взаимосвязи и улучшать точность прогнозов по сравнению с традиционными моделями.

Метод PatchTST оптимизирует обработку временных рядов путем их разделения на отдельные «патчи». Этот подход позволяет модели концентрироваться на локальных корреляциях внутри каждого патча, что значительно снижает вычислительную сложность и повышает эффективность обработки длинных последовательностей данных. Вместо обработки всей последовательности целиком, PatchTST обрабатывает каждый патч параллельно, что ускоряет процесс обучения и инференса. Кроме того, разбиение на патчи способствует улучшению точности прогнозирования за счет более эффективного извлечения признаков и снижения влияния шума, особенно в долгосрочных прогнозах.

Система TimeXer представляет собой фреймворк для интеграции экзогенных переменных, таких как глобальная ликвидность, в процесс прогнозирования. Использование механизма кросс-внимания (Cross-Attention) позволяет учитывать влияние внешних факторов и уточнять прогнозы. В частности, при включении данных о глобальной денежной массе M2, TimeXer продемонстрировал снижение ошибки прогнозирования цены Bitcoin на 89% для горизонтов в 70 дней, по сравнению со стандартными бенчмарками.

Установление Равновесия: Глобальная Ликвидность и Bitcoin

Анализ коинтеграции выявил долгосрочную равновесную связь между ценой Bitcoin и глобальной ликвидностью, что указывает на предсказуемую взаимосвязь между макроэкономическими факторами и стоимостью криптовалюты. Коинтеграция подразумевает, что, несмотря на краткосрочные отклонения, существует тенденция к возвращению цены Bitcoin и показателей глобальной ликвидности к устойчивому равновесию. Это означает, что изменения в глобальной ликвидности, измеряемой, например, денежной массой M2, могут оказывать значительное влияние на цену Bitcoin в долгосрочной перспективе, и наоборот. Статистическая значимость коинтеграционного соотношения подтверждается соответствующими тестами, что позволяет использовать данную связь для прогнозирования будущих ценовых движений Bitcoin на основе показателей глобальной ликвидности.

Коэффициент коррекции ошибок (Error Correction Term) количественно определяет скорость возврата к долгосрочному равновесию между ценой Bitcoin и глобальной ликвидностью. Оценка данного коэффициента составляет -0.12, что указывает на то, что приблизительно 12% любого отклонения от долгосрочного равновесия корректируется ежемесячно. Это означает, что после внешнего шока, вызывающего отклонение цены Bitcoin от равновесного значения, примерно 12% этого разрыва будет устранено в течение месяца, что позволяет оценить динамику взаимосвязи между этими двумя показателями.

В рамках TimeXer, показатель глобальной ликвидности, измеряемый денежной массой M2, используется в качестве ключевого экзогенного фактора, значительно повышающего прогностическую способность модели. Анализ долгосрочной эластичности выявил связь между денежной массой M2 и ценой Bitcoin, равную 2.65. Это означает, что увеличение M2 на 1% коррелирует с увеличением цены Bitcoin на 2.65%. Данная взаимосвязь позволяет использовать изменения в M2 для прогнозирования динамики цены Bitcoin в рамках TimeXer.

Проверка Прогнозов и Повышение Уверенности

Методика множества доверия моделей (Model Confidence Set) представляет собой статистический инструмент, позволяющий оценить эффективность прогностических моделей, таких как TimeXer. Данный подход не просто ранжирует модели по точности, но и позволяет выделить подмножество, демонстрирующее стабильно надежные прогнозы. Суть заключается в проверке статистической гипотезы о том, что определенные модели действительно превосходят остальные, учитывая изменчивость данных и погрешности. Использование множества доверия позволяет избежать ложных выводов о превосходстве одной модели над другой, обеспечивая более обоснованную оценку их прогностической силы и способствуя принятию взвешенных решений на основе полученных результатов.

Оценка достоверности прогнозов позволяет количественно определить надежность предсказаний цены Bitcoin, что имеет решающее значение для принятия обоснованных инвестиционных решений и разработки эффективных стратегий управления рисками. Анализ, основанный на статистических методах, позволяет выявить модели, демонстрирующие стабильно высокую точность, и, следовательно, повысить уверенность в прогнозах. Это особенно важно на волатильном рынке криптовалют, где точные предсказания могут существенно повлиять на финансовые результаты. В результате, инвесторы получают возможность более осознанно оценивать потенциальные риски и доходность, а также адаптировать свои стратегии к изменяющимся рыночным условиям.

Проведенная строгая валидация продемонстрировала значительный потенциал моделей на основе архитектуры Transformer, особенно при включении в них внешних переменных. В частности, модель TimeXer-Exog достигла значения P-value, равного 1.000, в анализе Model Confidence Set на горизонтах прогнозирования в 63 и 70 дней. Этот результат свидетельствует о статистической значимости и превосходстве данной модели над другими, что подтверждает её способность к более точным долгосрочным прогнозам. Полученные данные позволяют предположить, что использование Transformer-моделей с учетом внешних факторов может существенно повысить надежность прогнозирования временных рядов, открывая новые возможности для анализа и планирования.

Работа демонстрирует, что предсказания о цене Bitcoin становятся значительно точнее, когда учитывается не только историческая динамика, но и глобальная ликвидность, представленная денежной массой M2. Этот подход, использующий TimeXer Transformers и механизмы кросс-внимания, напоминает о сложности систем. Кен Томпсон однажды заметил: «В информатике есть всё, что ещё не было изобретено». Эта фраза подчеркивает, что даже самые передовые модели, такие как представленные в данной работе, лишь приближение к истине, а поиск оптимального решения — бесконечный процесс. Каждый новый слой внимания, каждая дополнительная переменная, отражающая макроэкономические факторы, — это попытка предугадать будущие сбои, а не их предотвращение.

Что дальше?

Представленная работа, демонстрируя влияние глобальной ликвидности на прогнозы стоимости Bitcoin, лишь приоткрывает завесу над сложной взаимосвязью между макроэкономическими факторами и динамикой крипторынков. Масштабируемость этой модели — не более чем слово, которым оправдывается неизбежная сложность. Добавление новых источников данных, безусловно, повысит точность прогнозов в краткосрочной перспективе, но любое чрезмерное упрощение — это пророчество о будущей негибкости системы.

Более глубокое исследование потребует отказа от представления о рынке как о замкнутой системе. Следующим шагом видится разработка моделей, способных учитывать не только количественные показатели, но и качественные факторы — настроения инвесторов, геополитические риски, регуляторные изменения. Идеальная архитектура — это миф, необходимый нам, чтобы не сойти с ума, но стремление к ней должно быть направлено не на достижение абсолютной точности, а на создание устойчивой и адаптивной системы.

В конечном счете, задача заключается не в предсказании будущего, а в понимании его вероятностной природы. Изучение нелинейных зависимостей и хаотических процессов, лежащих в основе динамики рынка, может привести к созданию принципиально новых подходов к прогнозированию, способных учитывать неопределенность и непредсказуемость.

Оригинал статьи: https://arxiv.org/pdf/2512.22326.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2025-12-30 15:39