Прогнозирование обменного курса: применение LSTM и ИИ для прогнозирования USD/BDT

Содержание

1. Введение

Данное исследование посвящено решению важной задачи прогнозирования обменного курса доллара США к бангладешской таке (USD/BDT), что является критически важным для экономики Бангладеш, зависящей от импорта. Колебания валютных курсов напрямую влияют на управление золотовалютными резервами, торговый баланс и инфляцию. Традиционные статистические модели часто не способны уловить нелинейные, сложные паттерны, характерные для валют развивающихся рынков, особенно в периоды экономической неопределенности. В данном исследовании используются передовые методы машинного обучения, в частности рекуррентные нейронные сети с долгой краткосрочной памятью (LSTM), для моделирования этих динамических временных зависимостей на основе исторических данных за период с 2018 по 2023 год.

2. Обзор литературы

Современная литература подтверждает превосходство сетей LSTM над традиционными моделями временных рядов, такими как ARIMA, для финансового прогнозирования. Разработанные Хохрейтером и Шмидхубером для решения проблемы затухающего градиента в RNN, LSTM отлично справляются с захватом долгосрочных зависимостей. Последующие улучшения, такие как "вентили забывания" (Герс и др.), повысили адаптивность к волатильности. Эмпирические исследования по основным валютным парам показывают, что LSTM превосходят ARIMA на 18–22% по точности определения направления движения. Хотя исследования по таким валютам, как USD/INR, существуют, конкретные исследования по USD/BDT ограничены, часто используют данные допандемийного периода и не включают современные методы, такие как механизмы внимания или учет локальных макроэкономических шоков.

3. Методология и данные

3.1. Сбор и предобработка данных

Исторические ежедневные данные по обменному курсу USD/BDT были получены из Yahoo Finance за период 2018–2023 гг. Данные показывают снижение курса BDT/USD примерно с 0,012 до 0,009. Предобработка данных включала обработку пропущенных значений, расчет нормализованной дневной доходности для учета волатильности и создание последовательностей для моделей временных рядов.

3.2. Архитектура модели LSTM

Основной прогнозной моделью является рекуррентная нейронная сеть LSTM. Архитектура была оптимизирована для набора данных USD/BDT и, вероятно, включает несколько слоев LSTM, dropout для регуляризации и плотный выходной слой. Модель обучалась для прогнозирования будущих значений обменного курса на основе прошлых последовательностей.

3.3. Классификатор на основе градиентного бустинга (GBC)

Классификатор на основе градиентного бустинга использовался для прогнозирования направления движения — определения того, вырастет или упадет обменный курс. Производительность этой модели оценивалась с помощью практической торговой симуляции.

4. Экспериментальные результаты и анализ

4.1. Метрики производительности LSTM

Модель LSTM показала выдающиеся результаты: точность 99,449%, среднеквадратическая ошибка (СКО) 0,9858 и тестовая ошибка 0,8523. Это указывает на высокую точность модели в прогнозировании фактического значения курса USD/BDT.

4.2. Торговая симуляция GBC

Был проведен бэктест с использованием сигналов направления движения от GBC на начальном капитале в $10 000 за 49 сделок. Хотя 40,82% сделок были прибыльными, стратегия привела к чистому убытку в размере $20 653,25. Это подчеркивает критическую разницу между точностью прогнозирования и прибыльностью торговли, где первостепенное значение имеют транзакционные издержки, проскальзывание и управление рисками.

4.3. Сравнительный анализ с ARIMA

Модель LSTM значительно превзошла традиционную модель ARIMA, у которой СКО составила 1,342. Это демонстрирует явное преимущество глубокого обучения в моделировании сложных нелинейных паттернов, присутствующих в финансовых данных временных рядов.

5. Технические детали и математическая основа

Ячейка LSTM функционирует через механизм вентилей, регулирующих поток информации. Ключевые уравнения:

• Вентиль забывания: $f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$
• Входной вентиль: $i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$, $\tilde{C}_t = \tanh(W_C \cdot [h_{t-1}, x_t] + b_C)$
• Обновление состояния ячейки: $C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$
• Выходной вентиль: $o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$, $h_t = o_t * \tanh(C_t)$

Где $\sigma$ — сигмоидная функция, $*$ обозначает поэлементное умножение, $W$ — матрицы весов, $b$ — векторы смещения, $x_t$ — вход, $h_t$ — скрытое состояние, а $C_t$ — состояние ячейки. Такая структура позволяет сети обучаться тому, какую информацию сохранять или отбрасывать в длинных последовательностях.

6. Фреймворк анализа: практический пример

Кейс: Интеграция макроэкономических шоков в конвейер LSTM

В исследовании упоминается включение обнаружения локальных макроэкономических шоков. Вот концептуальный фреймворк того, как это можно реализовать без явного кода:

1. Аугментация данных: Создайте параллельный набор данных временных рядов "индикаторов шоков" для Бангладеш. Это могут быть бинарные флаги (0/1) для событий, таких как объявления о вмешательстве центрального банка, крупные политические события или изменения в потоках денежных переводов, полученные из новостных API или официальных бюллетеней.
2. Создание признаков: Для каждого торгового дня объедините историческое окно данных обменного курса с соответствующим окном индикаторов шоков. Это создает обогащенный входной вектор: [Price_Seq, Shock_Seq].
3. Адаптация модели: Настройте входной слой LSTM для приема этого многомерного ввода. Сеть научится ассоциировать определенные паттерны шоков с последующей волатильностью или изменениями тренда в курсе USD/BDT.
4. Валидация: Сравните производительность (СКО, точность направления) модели, дополненной шоками, с базовой моделью, использующей только ценовые данные, особенно в периоды, отмеченные шоками.

7. Будущие применения и направления исследований

• Интеграция мультимодальных данных: Помимо макроэкономических флагов, интеграция анализа настроений в реальном времени из финансовых новостей и социальных сетей (например, с использованием моделей-трансформеров, таких как BERT) может уловить настроение рынка, как это видно в исследованиях по основным валютным парам.
• Механизмы внимания: Включение слоев внимания (как в архитектуре Transformer) в LSTM может позволить модели динамически фокусироваться на наиболее релевантных прошлых временных шагах, улучшая интерпретируемость и производительность для длинных последовательностей.
• Обучение с подкреплением для торговли: Переход от чистого прогнозирования к прямому обучению стратегии. Модель, такая как Deep Q-Network (DQN), может быть обучена принимать решения о покупке/продаже/удержании, которые максимизируют доходность с поправкой на риск (коэффициент Шарпа), напрямую решая проблему прибыльности, выявленную в бэктесте GBC.
• Межвалютное обучение: Разработка метамодели, обученной на нескольких валютных парах развивающихся рынков (например, USD/INR, USD/PKR), для изучения универсальных паттернов волатильности и влияния политики, с последующей дообучением на USD/BDT для повышения устойчивости при ограниченных данных.

8. Ссылки

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. Оригинальный анализ и экспертное заключение

Ключевой вывод: Эта статья успешно демонстрирует техническое превосходство сетей LSTM над устаревшими моделями, такими как ARIMA, для точечного прогнозирования, но непреднамеренно обнажает опасную пропасть в исследованиях финтеха: смешение статистической точности с экономической полезностью. Модель с точностью 99,45%, которая при переводе в торговую стратегию через классификатор на основе градиентного бустинга приводит к катастрофическим убыткам более 200% от начального капитала, — это не просто академическая сноска, а сигнал тревоги, требующий фундаментального сдвига в том, как мы оцениваем ИИ в финансах.

Логика и сильные стороны: Логика исследования ясна и воспроизводима. Авторы правильно определяют ограничения линейных моделей для нелинейных, чувствительных к политике валют, таких как BDT. Их использование режима управляемого плавания в качестве кейса проницательно, поскольку эти рынки созрели для внедрения ИИ. Техническое исполнение надежно: почти идеальная СКО LSTM в 0,9858 (против 1,342 у ARIMA) предоставляет неопровержимые доказательства способности глубокого обучения моделировать сложные временные зависимости, что согласуется с основополагающими работами, такими как оригинальная статья по LSTM Хохрейтера и Шмидхубера. Попытка перейти к торговому результату через GBC — похвальный шаг к практической значимости.

Критические недостатки и парадокс прибыльности: Здесь и кроется критический недостаток. Процент выигрышных сделок GBC в 40,82%, приводящий к огромным убыткам, — это классический случай игнорирования асимметрии финансовой доходности. Это подчеркивает отсутствие интегрированных метрик риска (например, коэффициент Шарпа, максимальная просадка) и наивную модель исполнения. Это отражает распространенную ловушку в ранних работах по ИИ в финансах, которые фокусировались исключительно на ошибке прогнозирования. С тех пор область эволюционировала, что видно в подходах обучения с подкреплением, которые напрямую оптимизируют доходность портфеля, таких как фреймворк Deep Q-Network (DQN), примененный в основополагающей работе Мниха и др. Более того, хотя в статье упоминаются макроэкономические факторы, их реализация кажется поверхностной. Для такой валюты, как BDT, на которую сильно влияют вмешательство центрального банка и потоки денежных переводов, упущена возможность глубоко интегрировать их в качестве структурированных признаков — возможно, с использованием механизма внимания для оценки их воздействия, как предлагается в архитектуре Transformer.

Практические выводы и путь вперед: Для практиков и исследователей это исследование предлагает два важных практических вывода. Во-первых, прекратите поклоняться алтарю СКО. Основной метрикой оценки для любой модели, ориентированной на рынок, должна быть ее производительность в смоделированной торговой среде, включающей реалистичные издержки, проскальзывание и определение размера позиции. Инструменты, такие как Backtrader или QuantConnect, должны быть обязательными в конвейере валидации. Во-вторых, будущее за сквозным обучением агента. Вместо разрозненного конвейера (LSTM -> GBC -> Торговля) следующим рубежом является использование единого, целостного агента — вероятно, на основе Proximal Policy Optimization (PPO) или аналогичных продвинутых RL-алгоритмов, — который принимает сырые или слегка обработанные рыночные данные и напрямую выдает управляемые рисками торговые действия. Функция вознаграждения этого агента будет представлять собой композит метрик доходности с поправкой на риск, заставляя ИИ изучать истинную экономику рынка, а не только его статистические паттерны. Предложение авторов добавить анализ настроений — хорошее начало, но оно должно быть встроено в эту агент-ориентированную архитектуру, а не просто добавлено как еще один столбец признаков. Это путь от создания умного предсказателя к разработке жизнеспособного финансового агента.