1. ভূমিকা
আর্থিক ব্যবস্থার জটিলতা, অরৈখিকতা এবং ঘন ঘন কাঠামোগত পরিবর্তনের কারণে বিনিময় হার পূর্বাভাস দেওয়া কুখ্যাতভাবে কঠিন। ঐতিহ্যগত ইকোনোমেট্রিক মডেলগুলি প্রায়শই এই গতিবিদ্যা ধারণ করতে এবং তাদের পূর্বাভাসের জন্য স্পষ্ট ব্যাখ্যা প্রদানে সংগ্রাম করে। এই গবেষণাটি ব্যাখ্যাযোগ্য মেশিন লার্নিং (IML) কাঠামোর মধ্যে কানাডিয়ান-মার্কিন ডলার (CAD/USD) বিনিময় হারের জন্য একটি মৌলিক-ভিত্তিক মডেল তৈরি করে এই ফাঁকটি পূরণ করে। প্রাথমিক লক্ষ্য কেবল সঠিক পূর্বাভাস অর্জনই নয়, বরং ম্যাক্রোইকোনমিক ফান্ডামেন্টালস ব্যবহার করে সেগুলিকে ব্যাখ্যা করা, যার ফলে নীতিনির্ধারক এবং অর্থনীতিবিদদের জন্য আস্থা এবং কার্যকরী অন্তর্দৃষ্টি বৃদ্ধি পায়।
এই গবেষণার প্রেরণা কানাডার একটি প্রধান পণ্য রপ্তানিকারক দেশ হিসেবে অবস্থান, বিশেষ করে অপরিশোধিত তেলের, যা ২০১৯ সালে মোট রপ্তানির ১৪.১% এবং ২০২১ সালে মার্কিন যুক্তরাষ্ট্রের অপরিশোধিত তেল আমদানির ৬১% গঠন করেছিল। এই ধরনের পণ্যের সময়-পরিবর্তনশীল প্রভাব বিনিময় হারের উপর বোঝা অত্যন্ত গুরুত্বপূর্ণ।
যে মূল চ্যালেঞ্জগুলি সমাধান করা হয়েছে:
- অরৈখিকতা: ম্যাক্রোইকোনমিক চলকগুলির মধ্যে সম্পর্ক প্রায়শই অরৈখিক হয়।
- মাল্টিকোলিনিয়ারিটি: অনেকগুলি কারণ একই সাথে বিনিময় হারকে প্রভাবিত করে।
- ব্যাখ্যাযোগ্যতা: ব্ল্যাক-বক্স মডেলগুলিতে তাত্ত্বিক সামঞ্জস্য এবং আস্থার অভাব থাকে।
2. পদ্ধতি ও কাঠামো
গবেষণাটি পূর্বাভাসমূলক মডেলিংকে পোস্ট-হক ব্যাখ্যার সাথে সংযুক্ত করে একটি ব্যাপক IML পাইপলাইন ব্যবহার করে।
2.1 ডেটা ও চলকসমূহ
CAD/USD হারকে প্রভাবিত করতে পারে বলে অনুমান করা ম্যাক্রোইকোনমিক এবং আর্থিক চলকগুলির একটি সেট সংগ্রহ করা হয়েছিল। সম্ভবত এতে অন্তর্ভুক্ত রয়েছে:
- পণ্যের দাম: অপরিশোধিত তেল (WTI), সোনা, প্রাকৃতিক গ্যাস।
- আর্থিক নির্দেশক: S&P/TSX কম্পোজিট ইনডেক্স, সুদের হারের পার্থক্য (কানাডা বনাম মার্কিন যুক্তরাষ্ট্র)।
- ম্যাক্রোইকোনমিক ফান্ডামেন্টালস: জিডিপি প্রবৃদ্ধি, মুদ্রাস্ফীতির পার্থক্য, বাণিজ্য ভারসাম্য।
ডেটা ML মডেলগুলির জন্য উপযুক্ত করার জন্য প্রাক-প্রক্রিয়াজাত করা হয় (যেমন, স্থিরতা রূপান্তর, অনুপস্থিত মানগুলি পরিচালনা)।
2.2 মেশিন লার্নিং মডেল
গবেষণাটি সম্ভবত উচ্চ পূর্বাভাসমূলক নির্ভুলতার জন্য পরিচিত শক্তিশালী, তবুও জটিল, এনসেম্বল মডেল ব্যবহার করে:
- গ্রেডিয়েন্ট বুস্টিং মেশিন (GBM/XGBoost/LightGBM): অরৈখিক প্যাটার্ন এবং মিথস্ক্রিয়া ধারণের জন্য কার্যকর।
- র্যান্ডম ফরেস্ট: ওভারফিটিং-এর প্রতি প্রতিরোধী এবং অন্তর্নিহিত বৈশিষ্ট্য গুরুত্বের পরিমাপ প্রদান করে।
- নিউরাল নেটওয়ার্ক: সম্ভাব্য গভীর, জটিল সময়গত নির্ভরতা ধারণের জন্য ব্যবহৃত।
মডেলগুলি ভবিষ্যতের বিনিময় হার চলাচল বা স্তর পূর্বাভাস দেওয়ার জন্য প্রশিক্ষিত।
2.3 ব্যাখ্যাযোগ্যতা কৌশল
"ব্ল্যাক বক্স" খুলতে, গবেষণাটি অত্যাধুনিক IML পদ্ধতি প্রয়োগ করে:
- SHAP (SHapley Additive exPlanations): প্রতিটি বৈশিষ্ট্যের প্রতিটি পৃথক পূর্বাভাসে অবদান পরিমাপ করার জন্য একটি গেম-তাত্ত্বিক পদ্ধতি। এটি গ্লোবাল এবং লোকাল উভয় ব্যাখ্যাযোগ্যতা প্রদান করে।
- পার্শিয়াল ডিপেন্ডেন্স প্লট (PDPs): পূর্বাভাসিত ফলাফলের উপর একটি বৈশিষ্ট্যের প্রান্তিক প্রভাব দৃশ্যায়িত করে।
- বৈশিষ্ট্য গুরুত্ব র্যাঙ্কিং: মডেল-নির্দিষ্ট মেট্রিক্স বা পারমুটেশন গুরুত্ব থেকে উদ্ভূত।
এই কৌশলগুলি *কেন* একটি নির্দিষ্ট পূর্বাভাস দেওয়া হয়েছিল তার উত্তর দিতে সাহায্য করে।
3. অভিজ্ঞতামূলক ফলাফল ও বিশ্লেষণ
3.1 মডেল কর্মক্ষমতা
মেশিন লার্নিং মডেলগুলি ঐতিহ্যগত রৈখিক বেঞ্চমার্কের (যেমন, ভেক্টর অটোরিগ্রেশন - VAR) তুলনায় উচ্চতর পূর্বাভাসমূলক নির্ভুলতা প্রদর্শন করেছে। কর্মক্ষমতা মূল্যায়ন করা হয়েছে রুট মিন স্কোয়ার্ড এরর (RMSE), মিন অ্যাবসলিউট এরর (MAE) এবং সম্ভবত দিকনির্দেশক নির্ভুলতার মতো মেট্রিক্স ব্যবহার করে। ফলাফলগুলি জটিল বিনিময় হার গতিবিদ্যা মডেল করার জন্য ML-এর ক্ষমতা যাচাই করে।
3.2 বৈশিষ্ট্যের গুরুত্ব ও SHAP বিশ্লেষণ
ব্যাখ্যাযোগ্যতা বিশ্লেষণ পরিষ্কার, অর্থনৈতিকভাবে স্বজ্ঞাত অন্তর্দৃষ্টি দিয়েছে:
- অপরিশোধিত তেলের দাম: সবচেয়ে গুরুত্বপূর্ণ নির্ধারক হিসেবে আবির্ভূত হয়েছে। SHAP মানগুলি প্রকাশ করেছে যে এর প্রভাব সময়-পরিবর্তনশীল, চিহ্ন এবং মাত্রার পরিবর্তন পণ্য বাজারের প্রধান ঘটনাগুলির (যেমন, ২০১৪ সালের তেলের দাম ধস, OPEC+ সিদ্ধান্ত) সাথে সামঞ্জস্যপূর্ণ। এটি কানাডার বিবর্তনশীল তেল রপ্তানি ল্যান্ডস্কেপের সাথে সামঞ্জস্যপূর্ণ।
- সোনার দাম: দ্বিতীয় সর্বাধিক গুরুত্বপূর্ণ চলক, একটি নিরাপদ আশ্রয় সম্পদ এবং মুদ্রাস্ফীতি হেজ হিসেবে কাজ করে যা CAD-কে প্রভাবিত করে।
- TSX স্টক ইনডেক্স: তৃতীয় স্থানে রয়েছে, যা অভ্যন্তরীণ অর্থনৈতিক স্বাস্থ্য এবং মূলধন প্রবাহ প্রতিফলিত করে।
চার্ট বর্ণনা (অন্তর্নিহিত): একটি SHAP সারাংশ প্লট প্রতিটি চলককে একটি সারি হিসেবে দেখাবে। অপরিশোধিত তেলের জন্য, বিন্দুগুলি x-অক্ষে (পূর্বাভাসের উপর প্রভাব) ইতিবাচক এবং নেতিবাচক উভয় SHAP মান জুড়ে ছড়িয়ে থাকবে, রঙ বৈশিষ্ট্যের মান নির্দেশ করবে (যেমন, কম তেলের দামের জন্য নীল, উচ্চের জন্য লাল)। এটি দৃশ্যত সময়-পরিবর্তনশীল এবং অ-মনোটোনিক সম্পর্ক নিশ্চিত করে।
3.3 মডেল পরিমার্জনের জন্য অ্যাবলেশন স্টাডি
একটি মূল উদ্ভাবন হল ব্যাখ্যা আউটপুট (যেমন SHAP দ্বারা চিহ্নিত কম-গুরুত্বপূর্ণ বৈশিষ্ট্য) ব্যবহার করে একটি অ্যাবলেশন স্টাডি পরিচালনা করা। কম গুরুত্বপূর্ণ বলে বিবেচিত বৈশিষ্ট্যগুলি পুনরাবৃত্তিমূলকভাবে সরানো হয়, এবং মডেল কর্মক্ষমতা পুনরায় মূল্যায়ন করা হয়। এই প্রক্রিয়া:
- মডেলকে সরল করে, ওভারফিটিং এবং গণনীয় খরচ হ্রাস করে।
- শব্দ দূর করে সম্ভাব্যভাবে পূর্বাভাসমূলক নির্ভুলতা উন্নত করে।
- আরও সংক্ষিপ্ত এবং কেন্দ্রীভূত চূড়ান্ত মডেল তৈরি করে, ব্যবহারিক উপযোগিতা বৃদ্ধি করে।
4. মূল অন্তর্দৃষ্টি ও বিশ্লেষকের দৃষ্টিভঙ্গি
মূল অন্তর্দৃষ্টি:
এই গবেষণাপত্রটি একটি শক্তিশালী এক-দুই ঘুষি দেয়: এটি শুধু প্রমাণ করে না যে ML FX-কে আরও ভালভাবে পূর্বাভাস দিতে পারে; এটি ব্যাখ্যাযোগ্যতাকে ডেটা-চালিত সূক্ষ্মতা দিয়ে অর্থনৈতিক তত্ত্ব যাচাই করতে অস্ত্র হিসেবে ব্যবহার করে। এই সত্য যে তেলের CAD/USD-এর উপর প্রভাব অরৈখিক এবং শাসন-নির্ভর তা কেবল একাডেমিক নয়—এটি রৈখিক, স্থির নীতি মডেলগুলির জন্য একটি প্রত্যক্ষ চ্যালেঞ্জ। এই কাজ উচ্চ-অর্থের কোয়ান্ট মডেল এবং কেন্দ্রীয় ব্যাংকের ইকোনোমেট্রিক স্যুটগুলির মধ্যে প্রায়শই প্রসারিত ফাঁকটি সেতুবন্ধন করে।
যুক্তিগত প্রবাহ:
পদ্ধতিটি মার্জিতভাবে পুনরাবৃত্তিমূলক: ১) জটিল প্যাটার্ন ধারণ করতে শক্তিশালী ML (XGBoost/RF) ব্যবহার করুন, ২) মডেলের যুক্তি "ডিবাগ" করতে SHAP ব্যবহার করুন, এবং ৩) সেই অন্তর্দৃষ্টিগুলিকে অ্যাবলেশনের মাধ্যমে ফিরিয়ে দিন মডেলটি ছাঁটাই এবং উন্নত করার জন্য। এটি একটি স্ব-পরিমার্জন বিশ্লেষণাত্মক ইঞ্জিন তৈরি করে। এটি লুন্ডবার্গ এবং লি-এর "A Unified Approach to Interpreting Model Predictions" (2017)-এর মতো মৌলিক IML কাজের দর্শনের প্রতিফলন ঘটায়, যা SHAP চালু করেছিল, ব্যাখ্যাকে মডেল উন্নয়ন জীবনচক্রের একটি মূল অংশ করে তোলে, একটি চিন্তার পরে নয়।
শক্তি ও ত্রুটি:
শক্তি: ব্যবহারিক মডেল স্থাপনের জন্য ব্যাখ্যাযোগ্যতা দ্বারা পরিচালিত অ্যাবলেশন স্টাডি একটি মাস্টারস্ট্রোক। CAD/USD এবং পণ্যের উপর ফোকাস করা একটি পরিষ্কার, আকর্ষক আখ্যান প্রদান করে। SHAP-এর ব্যবহার গ্লোবাল এবং লোকাল উভয় ব্যাখ্যা প্রদান করে, যা নীতিনির্ধারক (বড় ছবি) এবং ব্যবসায়ী (নির্দিষ্ট দৃশ্যকল্প) উভয়ের জন্য উপযুক্ত।
ত্রুটি: গবেষণাপত্রটি সম্ভবত উদ্ভূত "ব্যাখ্যা"-এর সময়গত অস্থিরতা কম গুরুত্ব দেয়। নতুন ডেটার সাথে SHAP মানগুলি নাটকীয়ভাবে পরিবর্তিত হতে পারে, এটি একটি পরিচিত চ্যালেঞ্জ যা স্ল্যাক এবং সহকর্মীদের "Fooling LIME and SHAP" (2020)-এর মতো কাজে আলোচিত হয়েছে। মডেলটি, যদিও ব্যাখ্যাযোগ্য, এখনও একটি সত্যিকারের কার্যকারণ মডেলের পরিবর্তে একটি "গ্লাস বক্স" হতে পারে—এটি পারস্পরিক সম্পর্ক দেখায়, কার্যকারণ নয়, পর্যবেক্ষণমূলক অর্থনৈতিক ডেটায় প্রয়োগ করা বেশিরভাগ IML পদ্ধতির একটি অন্তর্নিহিত সীমাবদ্ধতা।
কার্যকরী অন্তর্দৃষ্টি:
কেন্দ্রীয় ব্যাংকগুলির জন্য: এই কাঠামোটি আরও স্বচ্ছ এবং জবাবদিহিমূলক নীতি মডেল তৈরি করার জন্য একটি নীলনকশা। ব্যাংক অফ কানাডা এটি পরিচালনা করতে পারে বিভিন্ন পণ্যের দামের দৃশ্যকল্প পরিষ্কার অ্যাট্রিবিউশন সহ স্ট্রেস-টেস্ট করার জন্য। অ্যাসেট ম্যানেজারদের জন্য: চিহ্নিত অরৈখিক তেল-CAD সম্পর্ক একটি বাণিজ্যিক অন্তর্দৃষ্টি। এটি স্থিতিশীল নয়, গতিশীল হেজিং অনুপাতের পক্ষে যুক্তি দেয়। গবেষকদের জন্য: টেমপ্লেটটি রপ্তানিযোগ্য। এটি AUD/পণ্য, NOK/তেল, বা উদীয়মান বাজার মুদ্রায় প্রয়োগ করুন। পরবর্তী সীমান্ত হল এটিকে কার্যকারণ আবিষ্কার পদ্ধতির সাথে সংহত করা (যেমন, পার্লের কার্যকারণ কাজ থেকে কাঠামো ব্যবহার করে) ব্যাখ্যার বাইরে সত্যিকারের কার্যকারণ অনুমানের দিকে যাওয়ার জন্য, নীতি সিমুলেশনের জন্য মডেলগুলিকে আরও শক্তিশালী করে তোলা।
5. প্রযুক্তিগত বাস্তবায়নের বিস্তারিত
5.1 গাণিতিক সূত্রায়ন
মূল পূর্বাভাসমূলক মডেলটি নিম্নরূপ উপস্থাপন করা যেতে পারে:
$\hat{y}_t = f(\mathbf{x}_t) + \epsilon_t$
যেখানে $\hat{y}_t$ হল সময় $t$-এ পূর্বাভাসিত বিনিময় হার রিটার্ন বা স্তর, $f(\cdot)$ হল ML মডেল দ্বারা শেখা জটিল ফাংশন (যেমন, একটি গ্রেডিয়েন্ট বুস্টিং এনসেম্বল), $\mathbf{x}_t$ হল ইনপুট বৈশিষ্ট্যগুলির ভেক্টর (তেলের দাম, সোনা, TSX, ইত্যাদি), এবং $\epsilon_t$ হল ত্রুটি পদ।
একক পূর্বাভাসের জন্য বৈশিষ্ট্য $i$-এর SHAP মান $\phi_i$ গড় পূর্বাভাস থেকে বিচ্যুতি ব্যাখ্যা করে:
$f(\mathbf{x}) = \phi_0 + \sum_{i=1}^{M} \phi_i$
যেখানে $\phi_0$ হল বেস মান (গড় মডেল আউটপুট) এবং $M$ হল বৈশিষ্ট্যের সংখ্যা। $\phi_i$ গণনা করা হয় সহযোগী গেম থিওরি থেকে ক্লাসিক শ্যাপলি মান সূত্র ব্যবহার করে, সমস্ত সম্ভাব্য বৈশিষ্ট্য সংমিশ্রণ বিবেচনা করে:
$\phi_i = \sum_{S \subseteq \{1,\ldots,M\} \setminus \{i\}} \frac{|S|! \, (M - |S| - 1)!}{M!} [f_{S \cup \{i\}}(\mathbf{x}_{S \cup \{i\}}) - f_S(\mathbf{x}_S)]$
এটি প্রতিটি বৈশিষ্ট্যের জন্য পূর্বাভাসের একটি ন্যায্য অ্যাট্রিবিউশন নিশ্চিত করে।
5.2 বিশ্লেষণ কাঠামোর উদাহরণ
দৃশ্যকল্প: একটি নির্দিষ্ট তারিখে CAD-এর শক্তিশালী মূল্যবৃদ্ধির জন্য মডেলের পূর্বাভাস বোঝা।
ধাপে ধাপে IML বিশ্লেষণ:
- লোকাল SHAP ব্যাখ্যা: নির্দিষ্ট পূর্বাভাসের জন্য ফোর্স প্লট বা ওয়াটারফল প্লট তৈরি করুন।
- আউটপুট: "পূর্বাভাস: CAD ১.৫% মূল্যবৃদ্ধি। মূল চালক: WTI তেল (+১.১%), সোনার দাম (+০.৩%), TSX (-০.২% সামান্য পতনের কারণে)।"
- প্রাসঙ্গিক পরীক্ষা: বাজার ঘটনার সাথে ক্রস-রেফারেন্স করুন।
- কর্ম: "এই তারিখে, OPEC+ উৎপাদন কাটার ঘোষণা দিয়েছে, তেলের দাম বেড়েছে। তেলের জন্য মডেলের উচ্চ ইতিবাচক SHAP এই মৌলিক শকের সাথে পুরোপুরি সামঞ্জস্যপূর্ণ।"
- PDP বিশ্লেষণ: তেলের দামের জন্য PDP পরীক্ষা করুন।
- পর্যবেক্ষণ: "PDP বর্তমান মূল্য স্তরে একটি খাড়া ইতিবাচক ঢাল দেখায়, নিশ্চিত করে যে মডেলটি এমন একটি শাসনে রয়েছে যেখানে তেলের দাম বৃদ্ধি CAD-কে দৃঢ়ভাবে বাড়িয়ে দেয়।"
- অ্যাবলেশন প্রতিক্রিয়া: যদি, অনেক পূর্বাভাসের জন্য, "U.S. Industrial Production"-এর মতো একটি বৈশিষ্ট্যের শূন্যের কাছাকাছি SHAP মান থাকে, তবে এটি সরলতা এবং দৃঢ়তা বাড়ানোর জন্য পরবর্তী মডেল প্রশিক্ষণ পুনরাবৃত্তিতে অপসারণের প্রার্থী হয়ে ওঠে।
6. ভবিষ্যত প্রয়োগ ও গবেষণার দিকনির্দেশনা
- রিয়েল-টাইম নীতি ড্যাশবোর্ড: কেন্দ্রীয় ব্যাংকগুলি এই IML কাঠামোটি একটি লাইভ ড্যাশবোর্ড হিসেবে স্থাপন করতে পারে, বিনিময় হারে রিয়েল-টাইম চালক অবদান দেখাতে পারে, যা যোগাযোগ এবং হস্তক্ষেপ সিদ্ধান্তে সহায়তা করে।
- বহু-দেশ ও মুদ্রা বাস্কেট বিশ্লেষণ: ক্রস-কারেন্সি সম্পর্ক বা একটি বাণিজ্য-ওজনযুক্ত বিনিময় হার সূচক মডেল করার জন্য কাঠামোটি প্রসারিত করুন, দেশ-নির্দিষ্টগুলির বিপরীতে সাধারণ বৈশ্বিক চালকগুলি চিহ্নিত করুন।
- কার্যকারণ অনুমানের সাথে সংহতকরণ: IML-কে কার্যকারণ ML-এ সাম্প্রতিক অগ্রগতির সাথে সংযুক্ত করুন (যেমন, ডাবল মেশিন লার্নিং, কার্যকারণ ফরেস্ট) "কিসের সাথে সম্পর্কিত?" থেকে "যদি আমরা X পরিবর্তন করি তাহলে কী হবে?"-এ যাওয়ার জন্য, কাউন্টারফ্যাকচুয়াল নীতি বিশ্লেষণ সক্ষম করে।
- বিকল্প ডেটা: সংবাদ/সোশ্যাল মিডিয়া থেকে সেন্টিমেন্ট বিশ্লেষণ, শিপিং ট্রাফিক ডেটা বা তেল সংরক্ষণের স্যাটেলাইট ইমেজারি অন্তর্ভুক্ত করুন লিড টাইম এবং পূর্বাভাসমূলক শক্তি উন্নত করার জন্য।
- নিয়ন্ত্রণের জন্য এক্সপ্লেইনেবল AI (XAI): অর্থে AI-এর উপর নিয়ন্ত্রক তদারকি বৃদ্ধি পাওয়ার সাথে (যেমন, EU-এর AI Act), এই ধরনের ব্যাখ্যাযোগ্য কাঠামোগুলি সম্মত এবং অডিটযোগ্য মডেল স্থাপনের জন্য একটি পথ প্রদান করে।
7. তথ্যসূত্র
- Lundberg, S. M., & Lee, S. I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems (NeurIPS), 30.
- Chen, S. S., & Chen, H. C. (2007). Oil prices and real exchange rates. Energy Economics, 29(3), 390-404.
- Beckmann, J., Czudaj, R., & Arora, V. (2020). The relationship between oil prices and exchange rates: Revisiting theory and evidence. Energy Economics, 88, 104772.
- Ferraro, D., Rogoff, K., & Rossi, B. (2015). Can oil prices forecast exchange rates? An empirical analysis of the relationship between commodity prices and exchange rates. Journal of International Money and Finance, 54, 116-141.
- Slack, D., Hilgard, S., Jia, E., Singh, S., & Lakkaraju, H. (2020). Fooling LIME and SHAP: Adversarial Attacks on Post hoc Explanation Methods. Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society (AIES).
- Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press.
- U.S. Energy Information Administration (EIA). (2022). U.S. Imports from Canada of Crude Oil. [Data set].