ব্যাখ্যাযোগ্য গভীর শিক্ষণ মডেলের মাধ্যমে বিনিময় হার পূর্বাভাস উন্নয়ন

1. ভূমিকা ও সংক্ষিপ্ত বিবরণ

এই গবেষণা বিশ্বব্যাপী আর্থিক স্থিতিশীলতা ও আন্তর্জাতিক বাণিজ্যের একটি মৌলিক স্তম্ভ, অস্থির RMB/USD বিনিময় হার পূর্বাভাস দেওয়ার গুরুত্বপূর্ণ চ্যালেঞ্জ মোকাবেলা করে। গবেষণাপত্রটি ফরেক্স ডেটার অন্তর্নিহিত অরৈখিকতা ও জটিলতা সামলাতে অক্ষমতার জন্য ঐতিহ্যগত তাত্ত্বিক ও পরিমাণগত মডেলগুলোর সমালোচনা করে। এর প্রতিক্রিয়ায়, এটি ডেটা-চালিত, অরৈখিক পদ্ধতির দিকে পরিবর্তনের প্রস্তাব করে, বিশেষভাবে উন্নত গভীর শিক্ষণ (DL) মডেলগুলো অন্বেষণ করে। মূল উদ্ভাবন শুধুমাত্র পূর্বাভাসের জন্য DL প্রয়োগে নয়, বরং Grad-CAM-এর মতো কৌশলের মাধ্যমে মডেলের ব্যাখ্যাযোগ্যতা কঠোরভাবে একীভূত করার মধ্যে নিহিত, যার লক্ষ্য উচ্চ নির্ভুলতা ও বাস্তবায়নযোগ্য আর্থিক অন্তর্দৃষ্টির মধ্যে ব্যবধান পূরণ করা।

2. পদ্ধতি ও মডেলসমূহ

2.1 ডেটা ও বৈশিষ্ট্য প্রকৌশল

গবেষণাটি ৬টি শ্রেণীতে বিভক্ত ৪০টি বৈশিষ্ট্য সহ একটি ব্যাপক ডেটাসেট ব্যবহার করে: ম্যাক্রোইকোনমিক নির্দেশক (যেমন, চীন-মার্কিন বাণিজ্যের পরিমাণ, সুদের হার), মুদ্রা জোড়ার হার (যেমন, EUR/RMB, JPY/USD), পণ্যমূল্য, বাজার মনোভাব সূচক, এবং RMB/USD ধারাবাহিকতা থেকে উদ্ভূত প্রযুক্তিগত নির্দেশক। সর্বাধিক পূর্বাভাসমূলক চলক চিহ্নিত করতে একটি কঠোর বৈশিষ্ট্য নির্বাচন প্রক্রিয়া প্রয়োগ করা হয়, যা দ্বিপাক্ষিক বাণিজ্য প্রবাহের মতো মৌলিক অর্থনৈতিক ডেটার পাশাপাশি ক্রস-কারেন্সি পারস্পরিক সম্পর্কের সর্বোচ্চ গুরুত্ব তুলে ধরে।

2.2 গভীর শিক্ষণ স্থাপত্য

গবেষণাটি বেশ কয়েকটি অত্যাধুনিক DL স্থাপত্যের তুলনা করে:

• লং শর্ট-টার্ম মেমরি (LSTM): অনুক্রমিক ডেটাতে সময়গত নির্ভরতা ও দীর্ঘ-পরিসরের প্যাটার্ন ধারণ করে।
• কনভোলিউশনাল নিউরাল নেটওয়ার্ক (CNN): সময়-সিরিজ ডেটা জুড়ে স্থানীয় প্যাটার্ন ও বৈশিষ্ট্য আহরণ করে।
• ট্রান্সফরমার-ভিত্তিক মডেল: স্ব-মনোযোগ প্রক্রিয়া ব্যবহার করে বিভিন্ন সময় ধাপ ও বৈশিষ্ট্যের গুরুত্ব বিশ্বব্যাপী ওজন নির্ধারণ করে।
• TSMixer: এই কাজের জন্য সবচেয়ে কার্যকর হিসেবে চিহ্নিত একটি অভিনব মডেল। এটি সম্ভবত সময় ও চলক মাত্রা জুড়ে বৈশিষ্ট্য মিশ্রণের জন্য মাল্টি-লেয়ার পারসেপট্রন (MLP)-ভিত্তিক স্থাপত্য ব্যবহার করে, যা বহুচলক সময় সিরিজের জন্য ক্ষমতা ও দক্ষতার একটি শক্তিশালী ভারসাম্য প্রদান করে।

2.3 Grad-CAM এর মাধ্যমে ব্যাখ্যাযোগ্যতা

DL মডেলগুলোর "ব্ল্যাক বক্স" প্রকৃতির বিরুদ্ধে লড়াই করতে, গবেষণাটি গ্রেডিয়েন্ট-ওয়েটেড ক্লাস অ্যাক্টিভেশন ম্যাপিং (Grad-CAM) একীভূত করে। এই কৌশলটি ইনপুট বৈশিষ্ট্য স্পেসের সেই অঞ্চলগুলো (যেমন, নির্দিষ্ট সময়কাল ও বৈশিষ্ট্যের প্রকার) হাইলাইট করে দৃশ্য ব্যাখ্যা তৈরি করে যা একটি নির্দিষ্ট পূর্বাভাসের জন্য সবচেয়ে প্রভাবশালী ছিল। একটি মডেলের চূড়ান্ত স্তরের জন্য, Grad-CAM বৈশিষ্ট্য মানচিত্রের সাপেক্ষে লক্ষ্য পূর্বাভাসের গ্রেডিয়েন্ট গণনা করে, গুরুত্বপূর্ণ অঞ্চলের একটি মোটা লোকালাইজেশন মানচিত্র তৈরি করে। এটি বিশ্লেষকদের দেখতে দেয়, উদাহরণস্বরূপ, একটি পূর্বাভাস প্রাথমিকভাবে বাণিজ্যের পরিমাণ ডেটার একটি স্পাইক দ্বারা চালিত হয়েছিল নাকি অন্য একটি মুদ্রা জোড়ার পরিবর্তন দ্বারা।

3. পরীক্ষামূলক ফলাফল

3.1 কর্মদক্ষতা মেট্রিক্স

মডেলগুলো মূল গড় ত্রুটি (MAE), মূল গড় বর্গ ত্রুটি (RMSE), এবং সম্ভবত দিকনির্দেশক নির্ভুলতার মতো মানক পূর্বাভাস মেট্রিক্স ব্যবহার করে মূল্যায়ন করা হয়। গবেষণাপত্রটি রিপোর্ট করে যে TSMixer মডেলটি RMB/USD বিনিময় হার পূর্বাভাসে LSTM, CNN, এবং Transformer বেসলাইনগুলোর চেয়ে ভালো পারফর্ম করেছে। এই উচ্চতর কর্মদক্ষতা আর্থিক সময়-সিরিজ ডেটার মধ্যে জটিল, বহুচলক মিথস্ক্রিয়া মডেলিংয়ে মডেলটির কার্যকারিতাকে জোর দেয়।

3.2 মূল ফলাফল ও বৈশিষ্ট্যের গুরুত্ব

Grad-CAM-এর প্রয়োগ বৈশিষ্ট্যের গুরুত্বের মূর্ত, দৃশ্য প্রমাণ সরবরাহ করে। বিশ্লেষণটি নিশ্চিত করে যে মৌলিক অর্থনৈতিক নির্দেশক, বিশেষ করে চীন-মার্কিন বাণিজ্যের পরিমাণ এবং অন্যান্য প্রধান মুদ্রার বিনিময় হার (যেমন, EUR/RMB এবং JPY/USD), ধারাবাহিকভাবে মডেলের পূর্বাভাসের গুরুত্বপূর্ণ চালক হিসেবে হাইলাইট করা হয়েছিল। এটি ফরেক্স চলাচলের পিছনের অর্থনৈতিক অন্তর্দৃষ্টিকে বৈধতা দেয় এবং মডেলের সিদ্ধান্ত গ্রহণ প্রক্রিয়ায় আত্মবিশ্বাস বাড়ায়, খাঁটি সংখ্যাগত নির্ভুলতার বাইরে গিয়ে বিশ্বাসযোগ্য, ব্যাখ্যাযোগ্য পূর্বাভাসের দিকে অগ্রসর হয়।

4. প্রযুক্তিগত বিশ্লেষণ ও কাঠামো

4.1 গাণিতিক সূত্রায়ন

মূল পূর্বাভাস সমস্যাটিকে বহুচলক বৈশিষ্ট্যের একটি ঐতিহাসিক উইন্ডো $\mathbf{X}_t = \{\mathbf{x}_{t-n}, ..., \mathbf{x}_t\}$ দেওয়া হলে ভবিষ্যত বিনিময় হার $y_{t+\Delta t}$ পূর্বাভাস দেওয়া হিসেবে ফ্রেম করা যেতে পারে, যেখানে $\mathbf{x}_t \in \mathbb{R}^d$ এবং $d=40$ হল বৈশিষ্ট্যের সংখ্যা। $\theta$ দ্বারা প্যারামিটারাইজড একটি মডেল $f_\theta$ (যেমন, TSMixer) ম্যাপিং শেখে: $\hat{y}_{t+\Delta t} = f_\theta(\mathbf{X}_t)$।

একটি নির্দিষ্ট পূর্বাভাসের জন্য Grad-CAM একটি নির্বাচিত কনভোলিউশনাল স্তরের প্রতিটি বৈশিষ্ট্য মানচিত্র $A^k$ এর জন্য একটি ওজন $\alpha_k^c$ গণনা করে: $$\alpha_k^c = \frac{1}{Z} \sum_i \sum_j \frac{\partial y^c}{\partial A_{ij}^k}$$ যেখানে $y^c$ হল লক্ষ্যের স্কোর (যেমন, পূর্বাভাসিত পরিবর্তন), এবং $Z$ হল বৈশিষ্ট্য মানচিত্রের উপাদানের সংখ্যা। Grad-CAM হিটম্যাপ $L^c$ তখন এই মানচিত্রগুলোর একটি ওয়েটেড সমন্বয়: $L^c = ReLU(\sum_k \alpha_k^c A^k)$। $ReLU$ নিশ্চিত করে যে শুধুমাত্র ইতিবাচক প্রভাব সহ বৈশিষ্ট্যগুলো বিবেচনা করা হয়।

4.2 বিশ্লেষণ কাঠামোর উদাহরণ

পরিস্থিতি: একটি কোয়ান্টিটেটিভ হেজ ফান্ড TSMixer মডেলের RMB অবমূল্যায়নের পূর্বাভাস ব্যাখ্যা করতে চায়।

কাঠামোর প্রয়োগ:

1. পূর্বাভাস: মডেল পরবর্তী সপ্তাহে RMB/USD-এ ০.৫% অবমূল্যায়নের পূর্বাভাস দেয়।
2. Grad-CAM অ্যাক্টিভেশন: ইনপুট বৈশিষ্ট্য-সময় ম্যাট্রিক্সের উপর একটি হিটম্যাপ তৈরি করুন।
3. ব্যাখ্যা: হিটম্যাপটি নিম্নলিখিতগুলিতে উচ্চ অ্যাক্টিভেশন দেখায়:
   • ৩ দিন আগের "মার্কিন ১০-বছরের ট্রেজারি ইয়েল্ড"-এর বৈশিষ্ট্য চ্যানেল।
   • গত দিনের "EUR/RMB হার"-এর বৈশিষ্ট্য চ্যানেল।
   • বর্তমান দিনের একটি নির্দিষ্ট প্রযুক্তিগত নির্দেশক (যেমন, RSI)।
4. বাস্তবায়নযোগ্য অন্তর্দৃষ্টি: বিশ্লেষক এখন স্পষ্টভাবে বলতে পারেন: "আমাদের মডেলের রেনমিনবির মন্দাভাব পূর্বাভাস প্রাথমিকভাবে মার্কিন ইয়েল্ডের সাম্প্রতিক বৃদ্ধি (মূলধন বহির্গমন চাপ) এবং ইউরোর রেনমিনবির বিপরীতে শক্তিশালী হওয়া দ্বারা চালিত, যা স্বল্পমেয়াদী ওভারবোট সংকেত দ্বারা সমর্থিত। আমরা ঝুঁকি ব্যবস্থাপনার জন্য ফেডের মন্তব্য এবং ECB নীতি পর্যবেক্ষণ করা উচিত।" এটি আলোচনাকে "মডেল তাই বলে" থেকে একটি যুক্তিসঙ্গত, বৈশিষ্ট্য-ভিত্তিক যুক্তির দিকে নিয়ে যায়।

5. সমালোচনামূলক বিশেষজ্ঞ বিশ্লেষণ

মূল অন্তর্দৃষ্টি: এই গবেষণাপত্রটি শুধু আরেকটি "এআই পুরানো পরিসংখ্যানকে হারায়" গল্প নয়। এর প্রকৃত মূল্য উচ্চ-কার্যক্ষম, আধুনিক স্থাপত্য (TSMixer) এবং পোস্ট-হক ব্যাখ্যাযোগ্যতা (Grad-CAM)-এর ইচ্ছাকৃত মিলনের মধ্যে নিহিত। এটি একটি নীরব স্বীকারোক্তি যে উচ্চ-ঝুঁকিপূর্ণ অর্থসংস্থানে, জবাবদিহিতা ছাড়া নির্ভুলতা বাণিজ্যিকভাবে অকেজো। পরীক্ষার ক্ষেত্রে RMB/USD-কে বেছে নেওয়া—একটি রাজনীতিকৃত ও ব্যাপকভাবে পরিচালিত জোড়া—এটিকে আরও মর্মস্পর্শী করে তোলে; নীতি ঝুঁকি নেভিগেট করার জন্য মডেলটি *কেন* পূর্বাভাস দেয় তা বোঝা পূর্বাভাস নিজের থেকেও সমান গুরুত্বপূর্ণ।

যুক্তিগত প্রবাহ: যুক্তিটি শক্তিশালী: ১) অস্থির শাসনব্যবস্থায় ঐতিহ্যগত রৈখিক/ইকোনোমেট্রিক মডেলের ব্যর্থতা স্বীকার করুন, ২) অরৈখিকতা ধারণ করতে সক্ষম DL মডেলগুলোর একটি স্যুট মোতায়েন করুন, ৩) আর্থিক তত্ত্বে ভিত্তি করে বৈশিষ্ট্যগুলো কঠোরভাবে নির্বাচন করুন (বাণিজ্য প্রবাহ, ক্রস-কারেন্সি হার), ৪) ডেটাকে সেরা স্থাপত্য প্রকাশ করতে দিন (TSMixer), এবং ৫) গুরুত্বপূর্ণভাবে, মডেলের ফোকাস নিরীক্ষণ ও বৈধতা দিতে Grad-CAM ব্যবহার করুন, নিশ্চিত করুন যে এটি অর্থনৈতিক অন্তর্দৃষ্টির সাথে সামঞ্জস্যপূর্ণ। এই প্রবাহটি সমস্যা থেকে সমাধান এবং বৈধতার দিকে কার্যকরভাবে অগ্রসর হয়।

শক্তি ও ত্রুটি: প্রধান শক্তি হল ব্যাখ্যাযোগ্যতার প্রতি একীভূত পদ্ধতি, যা এখনও আর্থিক DL সাহিত্যে বিরল। বিভাগ জুড়ে ৪০টি বৈশিষ্ট্য ব্যবহার করাও অনেক গবেষণার চেয়ে বেশি ব্যাপক। যাইহোক, বিশ্লেষণে ত্রুটি রয়েছে। প্রথমত, এটি সম্ভবত আর্থিক ML গবেষণায় প্রচলিত ইন-স্যাম্পল ওভারফিটিং/ব্যাকটেস্টিং আশাবাদের শিকার—গবেষণাপত্রটি একটি কঠোর ওয়াক-ফরওয়ার্ড বা আউট-অফ-টাইম বৈধতা স্কিমের বিস্তারিত বিবরণ দেয় না। দ্বিতীয়ত, যদিও Grad-CAM দৃশ্য অন্তর্দৃষ্টি প্রদান করে, এটি একটি মোটা, *পোস্ট-হক* ব্যাখ্যা। এটি নিশ্চিত করে না যে মডেলটি কার্যকারণ সম্পর্ক শিখেছে; এটি শুধুমাত্র সেই পারস্পরিক সম্পর্কগুলি দেখায় যা মডেলটি ব্যবহার করেছে। ML-এ "রশোমন ইফেক্ট"-এর মৌলিক কাজে (Semenova et al., 2022) উল্লিখিত হিসাবে, অনেক সমানভাবে নির্ভুল মডেল বিভিন্ন বৈশিষ্ট্য সেট ব্যবহার করতে পারে, তাই একটি মডেলের ব্যাখ্যা চূড়ান্ত নয়। তৃতীয়ত, উচ্চ-ফ্রিকোয়েন্সি ট্রেডিংয়ের জন্য এমন একটি জটিল পাইপলাইনের অপারেশনাল লেটেন্সি সমাধান করা হয়নি।

বাস্তবায়নযোগ্য অন্তর্দৃষ্টি: অনুশীলনকারীদের জন্য:

• গ্রহণ করুন, কিন্তু নিরীক্ষণ করুন: TSMixer বহুচলক ম্যাক্রো-পূর্বাভাসের জন্য প্রতিশ্রুতিশীল। আপনার মালিকানাধীন ডেটাতে এটি পাইলট করুন, কিন্তু প্রথম দিন থেকেই Grad-CAM বা SHAP-এর মতো একটি ব্যাখ্যাযোগ্যতা স্তর বাধ্যতামূলক করুন।
• বৈশিষ্ট্য প্রকৌশলই রাজা: গবেষণাটি নিশ্চিত করে যে DL ডোমেইন জ্ঞানের বিকল্প নয়। আপনার কোয়ান্টরা মডেল টিউনিংয়ের চেয়ে বৈশিষ্ট্য কিউরেশনে (যেমন সেই ক্রস-কারেন্সি হার) বেশি সময় ব্যয় করা উচিত।
• একটি বৈধতা পরিখা তৈরি করুন: মানক ট্রেন/টেস্ট বিভাজনের বাইরে যান। কঠোর সময়গত ব্লকিং বাস্তবায়ন করুন এবং বিভিন্ন অস্থিরতা শাসনব্যবস্থায় (যেমন, ২০১৫-পূর্ব সংস্কার বনাম ২০১৮-পরবর্তী বাণিজ্য যুদ্ধ) মডেলগুলোর স্ট্রেস-টেস্ট করুন।
• উৎপাদনের জন্য পরিকল্পনা করুন: TSMixer+ব্যাখ্যাযোগ্যতার ইনফারেন্স খরচ বিবেচনা করুন। নিয়ার-রিয়েল-টাইম অ্যাপ্লিকেশনের জন্য, আপনাকে TSMixer মডেলটিকে একটি সরল, দ্রুত মডেলে পরিণত করতে হতে পারে মোতায়েনের জন্য, ব্যাখ্যাযোগ্য মডেলটিকে একটি পর্যায়ক্রমিক বৈধতা হিসাবে ব্যবহার করে।

6. ভবিষ্যত প্রয়োগ ও দিকনির্দেশনা

এখানে প্রতিষ্ঠিত কাঠামোর প্রয়োগ RMB/USD-এর বাইরেও ব্যাপক:

• অন্যান্য সম্পদ শ্রেণী: ইক্যুইটি সূচক, পণ্যমূল্য (তেলের মতো), বা ক্রিপ্টোকারেন্সি জোড়ার অস্থিরতা পূর্বাভাস দেওয়ার জন্য TSMixer+Grad-CAM প্রয়োগ করা।
• পোর্টফোলিও ব্যবস্থাপনা: গতিশীল মুদ্রা হেজিং কৌশল বা আন্তর্জাতিক সম্পদ বরাদ্দ সামঞ্জস্য করার জন্য ব্যাখ্যাযোগ্য পূর্বাভাস ব্যবহার করা।
• নীতি বিশ্লেষণ: কেন্দ্রীয় ব্যাংক ও নিয়ন্ত্রক সংস্থাগুলো বিনিময় হার স্থিতিশীলতার উপর সম্ভাব্য নীতি পরিবর্তন বা বাহ্যিক আঘাতের প্রভাব সিমুলেট করতে এমন ব্যাখ্যাযোগ্য মডেল ব্যবহার করতে পারে।
• উচ্চ-ফ্রিকোয়েন্সি ট্রেডিং (HFT) অভিযোজন: ভবিষ্যত গবেষণাকে এমন মডেলগুলোর হালকা, আল্ট্রা-লো-লেটেন্সি সংস্করণ তৈরি করার বা HFT পরিবেশে তাদের রিয়েল-টাইম এক্সিকিউশনের জন্য বিশেষায়িত হার্ডওয়্যার উন্নয়নের উপর ফোকাস করতে হবে।
• কার্যকারণ ব্যাখ্যাযোগ্যতা: পরবর্তী সীমান্ত হল পারস্পরিক সম্পর্ক ব্যাখ্যা (Grad-CAM) থেকে কার্যকারণ ব্যাখ্যার দিকে যাওয়া। কার্যকারণ অনুমান থেকে সরঞ্জাম একীভূত করা বা এমন অভিনব স্থাপত্য ব্যবহার করা যা অন্তর্নিহিতভাবে কার্যকারণ গ্রাফ শেখে, ফরেক্স বাজারের চালকদের সম্পর্কে গভীর, আরও শক্তিশালী অন্তর্দৃষ্টি প্রদান করতে পারে।

7. তথ্যসূত্র

1. Meng, S., Chen, A., Wang, C., Zheng, M., Wu, F., Chen, X., Ni, H., & Li, P. (2023). Enhancing Exchange Rate Forecasting with Explainable Deep Learning Models. Manuscript in preparation.
2. Selvaraju, R. R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., & Batra, D. (2017). Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 618-626.
3. Semenova, L., Rudin, C., & Parr, R. (2022). The Rashomon Effect in Machine Learning: Revisiting the Inevitability of Multiple Explanations. arXiv preprint arXiv:2206.01240.
4. Chen, S., & Hardle, W. K. (2022). Explainable AI in Finance: Opportunities and Challenges. Digital Finance, 4(1-2), 1-13.
5. Federal Reserve Bank of New York. (2023). Global Economic Indicators Database. Retrieved from [https://www.newyorkfed.org/](https://www.newyorkfed.org/)
6. Zhu, J., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (Cited as an example of an influential DL architecture paper).