Grid Kanal Kırılımı Tahmini İçin LSTM Yapay Sinir Ağları: Derin Öğrenme Volatilite Modelleri (2026)

Klasik şebeke ticaretinin Aşil topuğu Koparma Kırılganlığıdır. Bir şebeke botu, fiyat yapılandırılmış koridoru içinde sınırlı kaldığı sürece istikrarlı, öngörülebilir karlar üretir. Ancak, fiyat alt sınırı aştığı anda kar elde etme süreci sona erer ve bot maksimum değer kaybeden stokla baş başa kalır.

Geleneksel nicel yaklaşımlar, ızgara sınırlarını Ortalama Gerçek Aralık (ATR) veya Bollinger Bantları gibi statik hareketli göstergeler kullanarak hesaplar. Bu yöntemlerin kusuru, tamamen geçmişe dönük olmalarıdır: daha önce gerçekleşmiş oynaklığı ölçerler. Bir konsolidasyon rejiminin devam etmek üzere mi yoksa şiddetli bir şekilde kopmak üzere mi olduğuna dair sıfır öngörücü içgörüye sahiptirler.

Nicel işlem masaları, Uzun Kısa Süreli Bellek (LSTM) tekrarlayan sinir ağlarını entegre ederek doğrusal olmayan zamansal dinamikleri modelleyebilir. LSTM'LER, algoritmanın grafikte gerçekleşmeden önce bir aralık kopmasının istatistiksel olasılığını tahmin etmesine izin vererek, çok günlük uçuculuk sıkıştırma modellerini yakalayan dahili bellek hücrelerini korur.< / p>

Standart ileri beslemeli sinir ağları, her bir adımı bağımsız olarak ele alır ve tarihsel bağlamı atar. Lstm'ler bu sınırlamayı üç kapıdan oluşan dahili bir geçit mekanizması aracılığıyla çözer:

• Geçidi Unut: Önceki piyasa zaman adımlarından hangi bilgilerin atılması gerektiğine karar verir: ___KOD_BLOK_0___.
• Giriş Kapısı: Hücre durumunda hangi yeni pazar özelliklerinin saklanacağını belirler: ___KOD_BLOK_1___.
• Çıkış Kapısı: Gizli durum tahmini olarak hangi filtrelenmiş bilginin yayıldığını kontrol eder: ___KOD_BLOK_2___.

Izgara bot yönetimi için, lstm'ye son 120 saatlik mumların sıralı bir penceresini besliyoruz (şekil ___KOD_BLOK_3___ tensörü). Kesin kapanış fiyatını tahmin etmeye çalışmak yerine - çok gürültülü bir regresyon görevi - 3 sınıflı bir sınıflandırma problemini çözmek için çıktı katmanını bir Softmax aktivasyonu ile yapılandırıyoruz:P(\text{Consolidation}),P(\text{Bullish Breakout})ve ___KOD_BLOK_6___.< / p>

Derin öğrenme modeli, yalnızca aldığı özellikler kadar etkilidir. Ham kapanış fiyatlarının bir lstm'ye beslenmesi ciddi aşırı uyumla sonuçlanır. Kurumsal özellik ardışık düzenleri ham piyasa verilerini durağan, normalleştirilmiş girdilere dönüştürür:

• Normalleştirilmiş Günlük Getirileri: ___KOD_BLOK_0___ yuvarlanan z-puanları ile normalleştirildi.
• Garman-Klass Oynaklığı: Yüksek, Düşük, Açık ve Kapalı verileri içeren verimli bir gün içi oynaklık tahmincisi.
• Sipariş Akışı Dengesizliği (OFI): Saatlik aralıklarla agresif alıcı ve satıcı hacmi arasında normalleştirilmiş delta.
• Sürekli Finansman Oranı Çarpıklığı: Kurumsal kaldıraç eğilimini yansıtan kümülatif 24 saatlik fonlama oranı eğilimi.
• Sınıra Uzaklık: Mevcut orta fiyatın üst ve alt grid sınırlarına olan normalleştirilmiş uzaklığı:D_{lower} = \frac{P_t - P_{lower}}{P_{upper} - P_{lower}}.

ETH / USDT ve NEAR / usdt'de 60 günlük bir canlı dağıtım testinde, Grid Bot Wars araştırma laboratuvarı, bir LSTM Koparma Tahmin modeli tarafından denetlenen 25 botla 25 statik ATR yapılandırılmış grid botunu karşılaştırdı.

Ethereum'un 3 haftalık destek seviyesinin altına düştüğü ani bir piyasa çöküşü sırasında, statik botlar tam olarak konuşlandırıldı, envanteri emdi ve ortalama -18.4% düşüş yaşadı.

LSTM denetimli botlar, olaydan 6 saat önce yaklaşan bir arıza tespit etti (modelin ___KOD_BLOĞU_0___ 0,18'den 0,84'e yükseldiği için). Botlar proaktif olarak risk azaltma prosedürünü uyguladılar: Alım limit emirlerinin en düşük %30'luk kısmını iptal ettiler ve emir aralıklarını genişlettiler. Bu proaktif ayarlama, ortalama düşüşü -6.2% seviyesine düşürdü ve 60 günlük testi statik filo için 2.94 ile 1.72 arasında keskin bir oranla tamamladı.< / p>