Meningkatkan Ramalan Kadar Pertukaran USD/BDT dengan LSTM dan Pembelajaran Mesin

1. Pengenalan

Ramalan tepat kadar pertukaran Dolar AS ke Taka Bangladesh (USD/BDT) adalah kritikal untuk ekonomi Bangladesh yang bergantung kepada import, memberi kesan kepada imbangan perdagangan, inflasi, dan pengurusan rizab asing. Model statistik tradisional sering gagal menangkap corak tidak linear dan kompleks yang menjadi ciri mata wang pasaran baru muncul, terutamanya dalam ketidakpastian ekonomi. Kajian ini menangani jurang ini dengan membangunkan dan menilai model pembelajaran mesin termaju, khususnya rangkaian neural Long Short-Term Memory (LSTM) dan Pengelas Gradient Boosting (GBC), menggunakan data sejarah dari 2018 hingga 2023. Penyelidikan ini bertujuan untuk menyediakan alat yang kukuh untuk mitigasi risiko kewangan dan perumusan dasar.

2. Sorotan Literatur

Aplikasi pembelajaran mendalam, terutamanya rangkaian LSTM, telah menunjukkan janji yang ketara dalam ramalan siri masa kewangan. Dipelopori oleh Hochreiter & Schmidhuber untuk menyelesaikan masalah kecerunan lenyap dalam RNN, LSTM cemerlang dalam menangkap kebergantungan jangka panjang. Penambahbaikan seterusnya seperti pintu lupa (Gers et al.) meningkatkan keupayaan penyesuaian kepada turun naik. Kajian empirikal, seperti yang dilakukan ke atas USD/INR, menunjukkan LSTM mengatasi model ARIMA tradisional sebanyak 18–22% dalam ketepatan arah. Walau bagaimanapun, penyelidikan khusus yang menyasarkan pasangan USD/BDT, dengan mengambil kira rejim terapung terkawal yang unik di Bangladesh dan kejutan makroekonomi tempatan, masih terhadap. Kajian ini membina dan melanjutkan bidang yang baru muncul ini.

3. Metodologi & Data

3.1 Pengumpulan & Pra-pemprosesan Data

Data kadar pertukaran USD/BDT harian dari Januari 2018 hingga Disember 2023 diperoleh daripada Yahoo Finance. Set data telah dibersihkan, dan ciri-ciri seperti pulangan harian ternormal, purata bergerak mudah (SMA), dan indeks kekuatan relatif (RSI) direka untuk menangkap trend pasaran dan turun naik. Data telah dibahagikan kepada set latihan (80%) dan ujian (20%).

3.2 Seni Bina Model LSTM

Model ramalan teras adalah rangkaian LSTM berlapis. Seni bina biasanya melibatkan:

• Lapisan Input: Jujukan data harga/ciri sejarah.
• Lapisan LSTM: Dua atau lebih lapisan dengan dropout untuk pemiawaian bagi mengelakkan lampau padanan.
• Lapisan Padat: Lapisan bersambung penuh untuk output.
• Lapisan Output: Satu neuron untuk meramalkan kadar pertukaran tempoh seterusnya.

Model dilatih menggunakan pengoptimum Adam dan Ralat Min Kuasa Dua (MSE) sebagai fungsi kerugian.

3.3 Pengelas Gradient Boosting

Untuk ramalan arah (pergerakan naik/turun), Pengelas Gradient Boosting (GBC) telah dilaksanakan. Ia menggunakan ensemble model ramalan lemah (pokok keputusan) untuk mencipta pengelas kuat, memberi tumpuan kepada meminimumkan ralat ramalan melalui pembelajaran berulang.

4. Keputusan & Analisis Eksperimen

4.1 Metrik Prestasi

Model LSTM mencapai keputusan yang luar biasa: ketepatan 99.449%, Ralat Punca Min Kuasa Dua (RMSE) 0.9858, dan kerugian ujian 0.8523. Prestasi ini jauh mengatasi model ARIMA tradisional, yang mempunyai RMSE 1.342. Ketepatan tinggi menunjukkan keupayaan unggul LSTM dalam memodelkan dinamik temporal kompleks kadar pertukaran USD/BDT.

4.2 Ujian Balik & Simulasi Perdagangan

Pengelas Gradient Boosting diuji balik pada simulasi perdagangan bermula dengan modal awal $10,000. Sepanjang 49 dagangan, model mencapai kadar dagangan menguntungkan 40.82%. Walau bagaimanapun, simulasi mengakibatkan kerugian bersih $20,653.25. Ini menyerlahkan pandangan kritikal: ketepatan arah tinggi tidak secara automatik diterjemahkan kepada strategi perdagangan yang menguntungkan, kerana kos transaksi, slipaj, dan pengurusan risiko (tahap henti rugi/ambil untung tidak dinyatakan dalam PDF) memainkan peranan yang menentukan.

Penerangan Carta (Tersirat): Carta garis berkemungkinan menunjukkan kadar USD/BDT sejarah menurun dari kira-kira 0.012 (2018) kepada 0.009 (2023). Carta kedua akan memplot P&L terkumpul strategi dagangan GBC, menunjukkan tempoh awal keuntungan diikuti oleh penurunan mendadak yang membawa kepada kerugian bersih akhir.

5. Pandangan Mendalam Teknikal

Keberkesanan teras LSTM terletak pada keadaan sel dan mekanisme pengaturnya. Persamaan utama untuk sel LSTM pada langkah masa $t$ adalah:

Pintu Lupa: $f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$
Pintu Input: $i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$
Keadaan Sel Calon: $\tilde{C}_t = \tanh(W_C \cdot [h_{t-1}, x_t] + b_C)$
Kemas Kini Keadaan Sel: $C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$
Pintu Output: $o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$
Output Keadaan Tersembunyi: $h_t = o_t * \tanh(C_t)$

Di mana $\sigma$ ialah fungsi sigmoid, $*$ menandakan pendaraban unsur demi unsur, $W$ dan $b$ ialah pemberat dan bias, $x_t$ ialah input, $h_t$ ialah keadaan tersembunyi, dan $C_t$ ialah keadaan sel. Seni bina ini membolehkan model mengingati atau melupakan maklumat secara selektif sepanjang jujukan panjang, penting untuk siri masa kewangan dengan kebergantungan jarak jauh.

6. Kerangka Analisis & Contoh Kes

Kerangka: Saluran Paip ML Forex
Kajian ini menggambarkan saluran paip standard namun berkesan untuk ML kewangan:

1. Pembingkaian Masalah: Regresi (LSTM untuk harga) vs. Pengelasan (GBC untuk arah).
2. Kejuruteraan Ciri: Mencipta isyarat ramalan dari harga mental (pulangan, penunjuk teknikal).
3. Pemilihan & Latihan Model: Memilih model sedar jujukan (LSTM) untuk data temporal.
4. Pengesahan Ketat: Menggunakan pengesahan silang siri masa, bukan pembahagian rawak, untuk mengelakkan bias pandang ke hadapan.
5. Ujian Balik Strategi: Menterjemah ramalan model kepada strategi perdagangan simulasi dengan kekangan realistik.

Contoh Kes: Penjanaan Isyarat
Peraturan ringkas berdasarkan ramalan LSTM boleh jadi: "Jika harga yang diramal untuk esok > (harga hari ini + ambang $\alpha$), jana isyarat BELI." GBC secara langsung mengeluarkan label kelas (1 untuk NAIK, 0 untuk TURUN). Pengajaran kritikal dari kerugian dagangan kertas kerja ini adalah keperluan lapisan pengurusan risiko seterusnya yang menentukan saiz kedudukan, pesanan henti rugi, dan peruntukan portfolio, yang berkemungkinan tiada atau terlalu ringkas dalam simulasi.

7. Aplikasi & Hala Tuju Masa Depan

Masa depan AI dalam ramalan forex terletak pada sistem pelbagai modal, adaptif:

• Integrasi Data Alternatif: Menggabungkan analisis sentimen berita masa nyata (menggunakan model NLP seperti BERT), nada komunikasi bank pusat, dan indeks risiko geopolitik, seperti yang dilihat dalam dana lindung nilai seperti Two Sigma.
• Model Hibrid & Berasaskan Perhatian: Bergerak melebihi LSTM standard kepada seni bina Transformer dengan mekanisme perhatian kendiri (seperti dalam Vaswani et al. "Attention is All You Need") yang boleh menimbang kepentingan langkah masa berbeza dengan lebih fleksibel.
• Pelajaran Pengukuhan (RL): Membangunkan ejen RL yang mempelajari dasar perdagangan optimum secara langsung, mempertimbangkan kos dan pulangan terlaras risiko, bukan sekadar meramal harga. Ini selari dengan penyelidikan dari DeepMind dan OpenAI dalam persekitaran simulasi.
• AI Boleh Diterangkan (XAI): Melaksanakan teknik seperti SHAP atau LIME untuk mentafsir ramalan model, yang penting untuk pematuhan peraturan dan mendapatkan kepercayaan institusi kewangan.
• Pembelajaran Pasaran Silang: Melatih model pada pelbagai pasangan mata wang atau kelas aset untuk mempelajari corak sejagat turun naik dan jangkitan.

8. Rujukan

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.
3. Rahman et al. (2022). LSTM-based Forecasting for Emerging Market Currencies: A USD/INR Case Study. Journal of Computational Finance.
4. Afrin, S., et al. (2021). Forecasting USD/BDT Exchange Rate Using Machine Learning. International Conference on Computer and Information Technology.
5. Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems.
6. Yahoo Finance. (2023). USD/BDT Historical Data.

9. Perspektif Penganalisis Industri

Pandangan Teras: Kertas kerja ini adalah contoh klasik "paradoks ketepatan-keuntungan" dalam kewangan kuantitatif. Penulis telah membina model LSTM yang kukuh secara teknikal yang mencapai ketepatan hampir sempurna 99.45% dalam ramalan USD/BDT—suatu pencapaian yang terpuji—namun strategi dagangan berkaitan mereka mengalami kehilangan modal yang teruk. Kisah sebenar bukanlah ketepatan model; ia adalah jurang yang ketara antara pengoptimuman metrik akademik dan P&L dagangan dunia sebenar. Ia menekankan satu kebenaran yang dipelajari ramai kuant dengan susah payah: meminimumkan RMSE tidak sama dengan memaksimumkan Nisbah Sharpe.

Aliran Logik: Penyelidikan mengikuti saluran paip standard: pemerolehan data, kejuruteraan ciri, pemilihan model (LSTM/GBC), dan pengesahan prestasi. Kecacatan logik, bagaimanapun, adalah dalam lompatan dari pengesahan kepada aplikasi. Ujian balik kelihatan naif, berkemungkinan kekurangan pemodelan kos transaksi yang kukuh, slipaj, dan yang paling kritikal, kerangka pengurusan risiko yang koheren. Kadar kemenangan 40% dengan hasil bersih negatif yang besar mencadangkan kerugian strategi setiap dagangan kalah jauh lebih besar daripada keuntungan setiap dagangan menang—kecacatan maut yang tidak boleh dibaiki oleh sebarang ketepatan LSTM.

Kekuatan & Kelemahan:

• Kekuatan: Kejuruteraan model yang cemerlang untuk pasangan mata wang niche, kurang dikaji (USD/BDT). Perbandingan dengan ARIMA menyediakan penanda aras yang jelas. Sebutan eksplisit kerugian dagangan adalah jujur secara intelektual dan lebih bernilai daripada banyak kertas kerja yang hanya menyerlahkan kejayaan.
• Kelemahan: Simulasi perdagangan pada dasarnya adalah pemikiran selepas fakta, mendedahkan kekurangan integrasi antara lapisan ramalan dan pelaksanaan—inti perdagangan sistematik. Tiada perbincangan tentang saiz kedudukan (contohnya, Kriteria Kelly), henti rugi, atau konteks portfolio. Tambahan pula, walaupun LSTM berkuasa, sifat kotak hitam mereka kekal sebagai halangan ketara kepada penerimaan dalam institusi kewangan berbanding ensemble yang lebih boleh diterangkan seperti Pokok Gradient Boosted.

Pandangan Boleh Tindak:

1. Merapatkan Jurang dengan Pembelajaran Pengukuhan: Daripada merawat ramalan dan perdagangan sebagai langkah berasingan, kerja masa depan harus menggunakan Pembelajaran Pengukuhan (RL) hujung ke hujung. Ejen RL, serupa dengan yang digunakan oleh DeepMind untuk permainan, boleh belajar mengoptimumkan untuk metrik dagangan langsung (contohnya, pulangan terkumpul, nisbah Sortino) dari data mental, secara semula jadi memfaktorkan kos dan risiko.
2. Menerima Trinity "Ramalan-Pelaksanaan-Risiko": Mana-mana penyelidikan ramalan mesti dinilai dalam triad. Model ramalan hanyalah satu bucu. Ketegasan yang sama mesti digunakan pada model pelaksanaan (kesan pasaran, kos) dan model risiko (VaR, kekurangan jangkaan, kawalan penurunan).
3. Fokus pada Pengesanan Rejim: USD/BDT, di bawah terapung terkawal, mempunyai rejim berbeza (stabil, campur tangan, krisis). Model seperti Model Pertukaran Markov atau algoritma pengelompokan harus digunakan untuk mengesan rejim semasa dahulu, kemudian menggunakan model ramalan yang paling sesuai. Pendekatan satu-model-untuk-semua adalah miopik.
4. Keutamaan Kebolehterangan: Untuk bergerak dari latihan akademik kepada alat pedagang, laksanakan teknik XAI. Menunjukkan pedagang bahawa isyarat "jual" 60% didorong oleh defisit perdagangan yang melebar dan 40% oleh percanggahan RSI membina kepercayaan jauh lebih daripada kotak hitam tepat 99%.