মুদ্রা বিনিময় হার পূর্বাভাসে অগ্রগতি: ইউএসডি/বিডিটি পূর্বাভাসের জন্য এলএসটিএম এবং এআই-এর ব্যবহার

সূচিপত্র

1. ভূমিকা

এই গবেষণাটি মার্কিন ডলার থেকে বাংলাদেশী টাকা (ইউএসডি/বিডিটি) বিনিময় হার পূর্বাভাসের গুরুত্বপূর্ণ চ্যালেঞ্জ মোকাবেলা করে, যা আমদানিনির্ভর বাংলাদেশের অর্থনীতির জন্য একটি অত্যাবশ্যকীয় কাজ। মুদ্রার ওঠানামা সরাসরি বৈদেশিক রিজার্ভ ব্যবস্থাপনা, বাণিজ্য ভারসাম্য এবং মুদ্রাস্ফীতিকে প্রভাবিত করে। ঐতিহ্যগত পরিসংখ্যানগত মডেলগুলি প্রায়শই উদীয়মান বাজার মুদ্রার অ-রৈখিক, জটিল প্যাটার্নগুলো, বিশেষ করে অর্থনৈতিক অনিশ্চয়তার সময়, ধারণ করতে ব্যর্থ হয়। এই গবেষণা ২০১৮ থেকে ২০২৩ সাল পর্যন্ত ঐতিহাসিক তথ্য ব্যবহার করে এই গতিশীল সময়গত সম্পর্ক মডেল করার জন্য উন্নত মেশিন লার্নিং, বিশেষ করে লং শর্ট-টার্ম মেমরি (এলএসটিএম) নিউরাল নেটওয়ার্কগুলির সুবিধা নেয়।

2. সাহিত্য পর্যালোচনা

সাম্প্রতিক সাহিত্য আর্থিক পূর্বাভাসের জন্য এআরআইএমএ-এর মতো ঐতিহ্যগত টাইম-সিরিজ মডেলগুলির তুলনায় এলএসটিএম নেটওয়ার্কগুলির শ্রেষ্ঠত্ব প্রতিষ্ঠা করে। আরএনএন-এ ভ্যানিশিং গ্রেডিয়েন্ট সমস্যা সমাধানের জন্য হচরাইটার এবং স্মিডহুবার দ্বারা প্রবর্তিত, এলএসটিএম দীর্ঘমেয়াদী নির্ভরতা ক্যাপচারে দক্ষ। ভুলে যাওয়ার গেট (জার্স এট আল.)-এর মতো পরবর্তী উন্নতিগুলি অস্থিরতার সাথে খাপ খাইয়ে নেওয়ার ক্ষমতা উন্নত করেছে। প্রধান মুদ্রা জোড়ার উপর অভিজ্ঞতামূলক গবেষণায় দেখা গেছে যে এলএসটিএম দিকনির্দেশক নির্ভুলতায় এআরআইএমএ-কে ১৮–২২% ছাড়িয়ে গেছে। ইউএসডি/আইএনআর-এর মতো মুদ্রার উপর গবেষণা থাকলেও, ইউএসডি/বিডিটি-র উপর নির্দিষ্ট গবেষণা সীমিত, প্রায়শই মহামারী-পূর্ব তথ্য ব্যবহার করে এবং মনোযোগ প্রক্রিয়া বা স্থানীয় ম্যাক্রোইকোনমিক শক-এর মতো আধুনিক কৌশলগুলির একীকরণের অভাব রয়েছে।

3. পদ্ধতি ও তথ্য

3.1. তথ্য সংগ্রহ ও প্রাক-প্রক্রিয়াকরণ

২০১৮–২০২৩ সময়কালের জন্য ঐতিহাসিক দৈনিক ইউএসডি/বিডিটি বিনিময় হার তথ্য ইয়াহু ফাইন্যান্স থেকে সংগ্রহ করা হয়েছিল। তথ্যটি দেখায় যে বিডিটি/ইউএসডি হার প্রায় ০.০১২ থেকে ০.০০৯-এ নেমে এসেছে। তথ্য প্রাক-প্রক্রিয়াকরণে অনুপস্থিত মানগুলি পরিচালনা করা, অস্থিরতা ক্যাপচার করার জন্য স্বাভাবিককৃত দৈনিক রিটার্ন গণনা করা এবং টাইম-সিরিজ মডেলগুলির জন্য ক্রম তৈরি করা জড়িত ছিল।

3.2. এলএসটিএম মডেল আর্কিটেকচার

মূল পূর্বাভাস মডেলটি একটি এলএসটিএম নিউরাল নেটওয়ার্ক। আর্কিটেকচারটি ইউএসডি/বিডিটি ডেটাসেটের জন্য অপ্টিমাইজ করা হয়েছিল, সম্ভবত একাধিক এলএসটিএম স্তর, নিয়মিতকরণের জন্য ড্রপআউট এবং একটি ঘন আউটপুট স্তর জড়িত ছিল। মডেলটিকে অতীতের ক্রমের ভিত্তিতে ভবিষ্যতের বিনিময় হার মানগুলি পূর্বাভাস দেওয়ার জন্য প্রশিক্ষণ দেওয়া হয়েছিল।

3.3. গ্রেডিয়েন্ট বুস্টিং ক্লাসিফায়ার (জিবিসি)

একটি গ্রেডিয়েন্ট বুস্টিং ক্লাসিফায়ার দিকনির্দেশক পূর্বাভাসের জন্য নিযুক্ত করা হয়েছিল—বিনিময় হার উপরে উঠবে নাকি নিচে নামবে তা পূর্বাভাস দেওয়া। এই মডেলের কর্মক্ষমতা একটি ব্যবহারিক ট্রেডিং সিমুলেশনের মাধ্যমে মূল্যায়ন করা হয়েছিল।

4. পরীক্ষামূলক ফলাফল ও বিশ্লেষণ

4.1. এলএসটিএম কর্মক্ষমতা মেট্রিক্স

এলএসটিএম মডেলটি ব্যতিক্রমী ফলাফল অর্জন করেছে: ৯৯.৪৪৯% নির্ভুলতা, ০.৯৮৫৮ রুট মিন স্কোয়ার এরর (আরএমএসই), এবং ০.৮৫২৩ টেস্ট লস। এটি ইউএসডি/বিডিটি হারের প্রকৃত মান পূর্বাভাস দেওয়ার জন্য একটি অত্যন্ত সুনির্দিষ্ট মডেল নির্দেশ করে।

4.2. জিবিসি ট্রেডিং সিমুলেশন

৪৯টি ট্রেডে $১০,০০০ প্রাথমিক মূলধনের উপর জিবিসি-এর দিকনির্দেশক সংকেত ব্যবহার করে একটি ব্যাকটেস্ট পরিচালনা করা হয়েছিল। যদিও ৪০.৮২% ট্রেড লাভজনক ছিল, কৌশলটির ফলে $২০,৬৫৩.২৫ নেট লোকসান হয়েছিল। এটি পূর্বাভাসমূলক নির্ভুলতা এবং লাভজনক ট্রেডিংয়ের মধ্যে গুরুত্বপূর্ণ পার্থক্যকে তুলে ধরে, যেখানে লেনদেনের খরচ, স্লিপেজ এবং ঝুঁকি ব্যবস্থাপনা সর্বাধিক গুরুত্বপূর্ণ।

4.3. এআরআইএমএ-এর সাথে তুলনামূলক বিশ্লেষণ

এলএসটিএম মডেলটি ঐতিহ্যগত এআরআইএমএ মডেলকে উল্লেখযোগ্যভাবে ছাড়িয়ে গেছে, যার আরএমএসই ছিল ১.৩৪২। এটি আর্থিক টাইম-সিরিজ ডেটায় উপস্থিত জটিল, অ-রৈখিক প্যাটার্ন মডেলিংয়ে ডিপ লার্নিংয়ের সুস্পষ্ট সুবিধা প্রদর্শন করে।

5. প্রযুক্তিগত বিবরণ ও গাণিতিক কাঠামো

এলএসটিএম সেল তথ্যের প্রবাহ নিয়ন্ত্রণকারী একটি গেটিং প্রক্রিয়ার মাধ্যমে কাজ করে। মূল সমীকরণগুলি হল:

• ভুলে যাওয়ার গেট: $f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$
• ইনপুট গেট: $i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$, $\tilde{C}_t = \tanh(W_C \cdot [h_{t-1}, x_t] + b_C)$
• সেল স্টেট আপডেট: $C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$
• আউটপুট গেট: $o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$, $h_t = o_t * \tanh(C_t)$

যেখানে $\sigma$ সিগময়েড ফাংশন, $*$ উপাদান-ভিত্তিক গুণন নির্দেশ করে, $W$ ওজন ম্যাট্রিক্স, $b$ বায়াস ভেক্টর, $x_t$ ইনপুট, $h_t$ লুকানো অবস্থা, এবং $C_t$ সেল অবস্থা। এই কাঠামো নেটওয়ার্কটিকে দীর্ঘ ক্রমের উপর কোন তথ্য ধরে রাখতে হবে বা বাতিল করতে হবে তা শিখতে দেয়।

6. বিশ্লেষণ কাঠামো: একটি ব্যবহারিক উদাহরণ

কেস: এলএসটিএম পাইপলাইনে ম্যাক্রোইকোনমিক শক একীভূত করা

গবেষণাটি স্থানীয় ম্যাক্রোইকোনমিক শক সনাক্তকরণ অন্তর্ভুক্ত করার কথা উল্লেখ করেছে। স্পষ্ট কোড ছাড়াই এটি কীভাবে বাস্তবায়িত হতে পারে তার একটি ধারণাগত কাঠামো এখানে দেওয়া হল:

1. তথ্য সম্প্রসারণ: বাংলাদেশের জন্য "শক সূচক"-এর একটি সমান্তরাল টাইম-সিরিজ ডেটাসেট তৈরি করুন। এটি কেন্দ্রীয় ব্যাংকের হস্তক্ষেপ ঘোষণা, বড় রাজনৈতিক ঘটনা বা রেমিট্যান্স প্রবাহের পরিবর্তনের মতো ঘটনাগুলির জন্য বাইনারি (০/১) ফ্ল্যাগ হতে পারে, যা সংবাদ এপিআই বা সরকারি বুলেটিন থেকে সংগ্রহ করা যেতে পারে।
2. ফিচার ইঞ্জিনিয়ারিং: প্রতিটি ট্রেডিং দিনের জন্য, বিনিময় হার তথ্যের ঐতিহাসিক উইন্ডোর সাথে শক সূচকগুলির সংশ্লিষ্ট উইন্ডো সংযুক্ত করুন। এটি একটি সমৃদ্ধ ইনপুট ভেক্টর তৈরি করে: [Price_Seq, Shock_Seq]।
3. মডেল অভিযোজন: এলএসটিএম-এর ইনপুট স্তরটিকে এই বহুমাত্রিক ইনপুট গ্রহণের জন্য সামঞ্জস্য করুন। নেটওয়ার্কটি নির্দিষ্ট শক প্যাটার্নগুলিকে ইউএসডি/বিডিটি হারের পরবর্তী অস্থিরতা বা প্রবণতা পরিবর্তনের সাথে যুক্ত করতে শিখবে।
4. বৈধকরণ: শক-সমৃদ্ধ মডেলের কর্মক্ষমতা (আরএমএসই, দিকনির্দেশক নির্ভুলতা) শুধুমাত্র মূল্য তথ্য ব্যবহার করে বেসলাইন মডেলের বিরুদ্ধে তুলনা করুন, বিশেষ করে শক দ্বারা চিহ্নিত সময়কালে।

7. ভবিষ্যতের প্রয়োগ ও গবেষণার দিকনির্দেশনা

• মাল্টি-মোডাল তথ্য একীকরণ: ম্যাক্রোইকোনমিক ফ্ল্যাগের বাইরে, আর্থিক সংবাদ এবং সামাজিক মাধ্যম থেকে রিয়েল-টাইম সেন্টিমেন্ট অ্যানালিসিস (যেমন, বিইআরটি-এর মতো ট্রান্সফরমার মডেল ব্যবহার করে) একীভূত করা বাজার মেজাজ ক্যাপচার করতে পারে, যেমন প্রধান ফরেক্স জোড়ার উপর গবেষণায় দেখা গেছে।
• মনোযোগ প্রক্রিয়া: এলএসটিএম-এ মনোযোগ স্তরগুলি (ট্রান্সফরমার আর্কিটেকচারের মতো) অন্তর্ভুক্ত করা মডেলটিকে গতিশীলভাবে সবচেয়ে প্রাসঙ্গিক অতীত সময় ধাপগুলিতে ফোকাস করতে দিতে পারে, দীর্ঘ ক্রমের জন্য ব্যাখ্যাযোগ্যতা এবং কর্মক্ষমতা উন্নত করে।
• ট্রেডিংয়ের জন্য রিইনফোর্সমেন্ট লার্নিং: খাঁটি পূর্বাভাস থেকে সরাসরি নীতি শেখার দিকে অগ্রসর হওয়া। ডিপ কিউ-নেটওয়ার্ক (ডিকিউএন)-এর মতো একটি মডেলকে ঝুঁকি-সমন্বিত রিটার্ন (শার্প রেশিও) সর্বাধিক করে এমন ক্রয়/বিক্রয়/ধরে রাখার সিদ্ধান্ত নেওয়ার জন্য প্রশিক্ষণ দেওয়া যেতে পারে, যা জিবিসি ব্যাকটেস্টে দেখা লাভজনকতার ব্যবধান সরাসরি মোকাবেলা করে।
• ক্রস-কারেন্সি লার্নিং: একাধিক উদীয়মান বাজার মুদ্রা জোড়া (যেমন, ইউএসডি/আইএনআর, ইউএসডি/পিকেআর) উপর প্রশিক্ষিত একটি মেটা-মডেল তৈরি করা যা অস্থিরতা এবং নীতি প্রভাবের সার্বজনীন প্যাটার্ন শেখে, তারপর সীমিত তথ্যের সাথে উন্নত রোবাস্টনেসের জন্য ইউএসডি/বিডিটি-তে ফাইন-টিউন করা।

8. তথ্যসূত্র

1. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation.
2. Gers, F. A., Schmidhuber, J., & Cummins, F. (2000). Learning to Forget: Continual Prediction with LSTM. Neural Computation.
3. Rahman et al. (Year). Study on USD/INR forecasting with LSTM. [Relevant Journal].
4. Afrin et al. (2021). Pre-pandemic study on USD/BDT. [Relevant Conference].
5. Hosain et al. (Year). Hybrid techniques for currency forecasting. [Relevant Journal].
6. Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems.
7. Mnih, V., et al. (2015). Human-level control through deep reinforcement learning. Nature.

9. মূল বিশ্লেষণ ও বিশেষজ্ঞ মন্তব্য

মূল অন্তর্দৃষ্টি: এই গবেষণাপত্রটি পয়েন্ট পূর্বাভাসের জন্য এআরআইএমএ-এর মতো পুরানো মডেলগুলির তুলনায় এলএসটিএম নেটওয়ার্কগুলির প্রযুক্তিগত শ্রেষ্ঠত্ব সফলভাবে প্রদর্শন করে কিন্তু অনিচ্ছাকৃতভাবে ফিনটেক গবেষণায় একটি বিপজ্জনক ব্যবধান প্রকাশ করে: পরিসংখ্যানগত নির্ভুলতা এবং অর্থনৈতিক উপযোগিতার বিভ্রান্তি। একটি ৯৯.৪৫% নির্ভুল মডেল যা, যখন একটি গ্রেডিয়েন্ট বুস্টিং ক্লাসিফায়ারের মাধ্যমে একটি ট্রেডিং কৌশলে রূপান্তরিত হয়, প্রাথমিক মূলধনের উপর একটি বিপর্যয়কর ২০০%+ লোকসান ঘটায়, তা শুধু একটি একাডেমিক ফুটনোট নয়—এটি কিভাবে আমরা অর্থে এআই মূল্যায়ন করি তার একটি মৌলিক পরিবর্তনের জন্য একটি সতর্ক সংকেত।

যুক্তিগত প্রবাহ ও শক্তি: গবেষণার যুক্তি শব্দ এবং প্রতিলিপিযোগ্য। লেখকরা বিডিটি-এর মতো অ-রৈখিক, নীতি-সংবেদনশীল মুদ্রার জন্য রৈখিক মডেলগুলির সীমাবদ্ধতা সঠিকভাবে চিহ্নিত করেছেন। একটি পরিচালিত-ভাসমান শাসনব্যবস্থাকে একটি কেস স্টাডি হিসাবে তাদের ব্যবহার চতুর, কারণ এই বাজারগুলি এআই দ্বারা ব্যাহত হওয়ার জন্য প্রস্তুত। প্রযুক্তিগত বাস্তবায়ন শক্তিশালী, এলএসটিএম-এর প্রায় নিখুঁত ০.৯৮৫৮ আরএমএসই (বনাম এআরআইএমএ-এর ১.৩৪২) জটিল সময়গত নির্ভরতা মডেলিংয়ে ডিপ লার্নিংয়ের ক্ষমতার অকাট্য প্রমাণ প্রদান করে, যা হচরাইটার এবং স্মিডহুবারের মূল এলএসটিএম গবেষণাপত্রের মতো মৌলিক কাজের সাথে সামঞ্জস্যপূর্ণ। জিবিসির মাধ্যমে একটি ট্রেডিং ফলাফলে সেতুবন্ধনের প্রচেষ্টা বাস্তব-বিশ্বের প্রাসঙ্গিকতার দিকে একটি প্রশংসনীয় পদক্ষেপ।

সমালোচনামূলক ত্রুটি ও লাভজনকতার প্যারাডক্স: এখানেই সমালোচনামূলক ত্রুটি রয়েছে। জিবিসি-এর ৪০.৮২% জয়ের হার যা বিশাল লোকসানের দিকে নিয়ে যায়, তা আর্থিক রিটার্নের অসমতা উপেক্ষা করার একটি ক্লাসিক কেস। এটি একীভূত ঝুঁকি মেট্রিক্স (যেমন, শার্প রেশিও, সর্বোচ্চ ড্রডাউন) এবং একটি সরল নির্বাহ মডেলের অভাব তুলে ধরে। এটি প্রাথমিক এআই ফাইন্যান্স গবেষণাপত্রগুলির একটি সাধারণ ফাঁদকে প্রতিফলিত করে যা শুধুমাত্র পূর্বাভাস ত্রুটিতে মনোনিবেশ করেছিল। ক্ষেত্রটি তারপর থেকে বিকশিত হয়েছে, যেমন রিইনফোর্সমেন্ট লার্নিং পদ্ধতিতে দেখা যায় যা সরাসরি পোর্টফোলিও রিটার্নের জন্য অপ্টিমাইজ করে, যেমন মিনিহ এট আল.-এর মৌলিক কাজে প্রয়োগ করা ডিপ কিউ-নেটওয়ার্ক (ডিকিউএন) কাঠামো। তদুপরি, যদিও গবেষণাপত্রটি ম্যাক্রোইকোনমিক ফ্যাক্টরগুলির কথা উল্লেখ করেছে, এর বাস্তবায়নটি অগভীর বলে মনে হয়। বিডিটি-এর মতো একটি মুদ্রার জন্য, যা কেন্দ্রীয় ব্যাংকের হস্তক্ষেপ এবং রেমিট্যান্স প্রবাহ দ্বারা ব্যাপকভাবে প্রভাবিত হয়, এগুলিকে গভীরভাবে কাঠামোগত বৈশিষ্ট্য হিসাবে একীভূত করতে ব্যর্থ হওয়া—সম্ভবত তাদের প্রভাব ওজন করার জন্য একটি মনোযোগ প্রক্রিয়া ব্যবহার করে, যেমন ট্রান্সফরমার আর্কিটেকচারে প্রস্তাবিত—এটি একটি হারানো সুযোগ।

কার্যকরী অন্তর্দৃষ্টি ও সামনের পথ: অনুশীলনকারী এবং গবেষকদের জন্য, এই গবেষণা দুটি গুরুত্বপূর্ণ, কার্যকরী অন্তর্দৃষ্টি প্রদান করে। প্রথমত, আরএমএসই-এর বেদীতে পূজা করা বন্ধ করুন। যেকোনো বাজার-মুখী মডেলের প্রাথমিক মূল্যায়ন মেট্রিক অবশ্যই একটি সিমুলেটেড ট্রেডিং পরিবেশে এর কর্মক্ষমতা হতে হবে যাতে বাস্তবসম্মত খরচ, স্লিপেজ এবং অবস্থানের আকার অন্তর্ভুক্ত থাকে। ব্যাকট্রেডার বা কোয়ান্টকানেক্টের মতো টুলগুলি বৈধকরণ পাইপলাইনে অপরিহার্য হওয়া উচিত। দ্বিতীয়ত, ভবিষ্যত এন্ড-টু-এজেন্ট লার্নিং-এ নিহিত। বিচ্ছিন্ন পাইপলাইন (এলএসটিএম -> জিবিসি -> ট্রেড) এর পরিবর্তে, পরবর্তী সীমান্ত হল একটি একক, সামগ্রিক এজেন্ট নিয়োগ করা—সম্ভবত প্রক্সিমাল পলিসি অপ্টিমাইজেশন (পিপিও) বা অনুরূপ উন্নত আরএল অ্যালগরিদমের উপর ভিত্তি করে—যা কাঁচা বা হালকাভাবে প্রক্রিয়াজাত বাজার তথ্য গ্রহণ করে এবং সরাসরি ঝুঁকি-ব্যবস্থাপিত ট্রেডিং ক্রিয়া আউটপুট করে। এই এজেন্টের পুরস্কার ফাংশনটি ঝুঁকি-সমন্বিত রিটার্ন মেট্রিক্সের একটি যৌগিক হবে, যা এআই-কে বাজারের শুধুমাত্র পরিসংখ্যানগত প্যাটার্ন নয়, বরং প্রকৃত অর্থনীতি শিখতে বাধ্য করবে। লেখকদের সেন্টিমেন্ট অ্যানালিসিস যোগ করার পরামর্শ একটি ভাল শুরু, কিন্তু এটি অবশ্যই এই এজেন্ট-ভিত্তিক আর্কিটেকচারে একীভূত করতে হবে, শুধুমাত্র অন্য একটি ফিচার কলাম হিসাবে সংযুক্ত করা নয়। এটি একটি চতুর ভবিষ্যদ্বক্তা তৈরি করা থেকে একটি কার্যকর আর্থিক এজেন্ট প্রকৌশল করার পথ।