Uboreshaji wa Utabiri wa Ubadilishaji wa Fedha kwa Mfano wa Kina wa Kujifunza Unaoelezeka

1. Utangulizi na Muhtasari

Utafiti huu unashughulikia changamoto muhimu ya kutabiri kiwango cha ubadilishaji wa RMB/USD kinachobadilika-badilika, kiini cha utulivu wa kifedha wa kimataifa na biashara ya kimataifa. Karatasi hiyo inakosoa mifano ya jadi ya kinadharia na ya kiasi kwa kutoweza kushughulikia mienendo isiyo ya mstari na ugumu wa asili wa data ya fedha za kigeni. Kwa kujibu, inapendekeza mabadiliko kuelekea mbinu zinazotokana na data, zisizo za mstari, haswa kuchunguza mifano ya hali ya juu ya kujifunza kwa kina (DL). Ubunifu mkuu hauko tu katika kutumia DL kwa utabiri, bali katika kuunganisha kwa makini uelewevu wa mfano kupitia mbinu kama Grad-CAM, kwa lengo la kuziba pengo kati ya usahihi wa juu na ufahamu unaoweza kutekelezwa wa kifedha.

2. Mbinu na Mifano

2.1 Data na Uhandisi wa Vipengele

Utafiti huu unatumia seti kamili ya data yenye vipengele 40 vilivyogawanywa katika makundi 6: viashiria vya uchumi mkubwa (mfano, kiasi cha biashara China-Marekani, viwango vya riba), viwango vya jozi za sarafu (mfano, EUR/RMB, JPY/USD), bei za bidhaa, fahirisi za hisia za soko, na viashiria vya kiufundi vinavyotokana na mfululizo wa RMB/USD yenyewe. Mchakato mkali wa uteuzi wa vipengele ulitumika kutambua vigeu vinavyotabiri zaidi, ukionyesha umuhimu mkubwa wa data ya msingi ya kiuchumi kama vile mtiririko wa biashara pande mbili pamoja na uhusiano wa sarafu mbalimbali.

2.2 Miundo ya Kina ya Kujifunza

Utafiti huu unalinganisha miundo kadhaa ya hali ya juu ya DL:

• Kumbukumbu ya Muda Mrefu-Mfupi (LSTM): Inashika utegemezi wa wakati na muundo wa muda mrefu katika data ya mfululizo.
• Mtandao wa Neva wa Convolutional (CNN): Inatoa muundo wa ndani na vipengele katika data ya mfululizo wa wakati.
• Mifano ya Msingi wa Transformer: Inatumia utaratibu wa kujipa umuhimu wa hatua tofauti za wakati na vipengele kwa ujumla.
• TSMixer: Mfano mpya uliotambuliwa kuwa mzuri zaidi kwa kazi hii. Huenda ukatumia muundo wa msingi wa perceptron ya tabaka nyingi (MLP) kwa kuchanganya vipengele kwa wakati na vipimo vya vigeu, ukitoa usawa wenye nguvu wa uwezo na ufanisi kwa mfululizo wa wakati wenye vigeu vingi.

2.3 Uelewevu kwa Grad-CAM

Ili kupambana na hali ya "sanduku nyeusi" ya mifano ya DL, utafiti huu unaunganisha Ramani ya Uanzishaji wa Darasa yenye Uzito wa Gradient (Grad-CAM). Mbinu hii inatoa maelezo ya kuona kwa kuangazia maeneo ya nafasi ya vipengele vya pembejeo (mfano, vipindi maalum vya wakati na aina za vipengele) ambazo zilikuwa na ushawishi mkubwa kwa utabiri fulani. Kwa tabaka ya mwisho ya mfano, Grad-CAM inahesabu mwinuko wa utabiri wa lengo kuhusiana na ramani za vipengele, na kutoa ramani mbaya ya eneo muhimu. Hii inaruhusu wachambuzi kuona, kwa mfano, ikiwa utabiri uliongozwa hasa na ongezeko la data ya kiasi cha biashara au mabadiliko katika jozi nyingine ya sarafu.

3. Matokeo ya Majaribio

3.1 Vipimo vya Utendaji

Mifano ilitathminiwa kwa kutumia vipimo vya kawaida vya utabiri kama vile Kosa la Wastani la Thamani Kamili (MAE), Kosa la Mzizi wa Wastani wa Mraba (RMSE), na uwezekano wa usahihi wa mwelekeo. Karatasi inaripoti kuwa mfano wa TSMixer ulishinda LSTM, CNN, na misingi ya Transformer katika kutabiri kiwango cha ubadilishaji wa RMB/USD. Utendaji huu bora unaonyesha ufanisi wa mfano katika kuiga mwingiliano tata, wenye vigeu vingi ndani ya data ya mfululizo wa wakati wa kifedha.

3.2 Matokeo Muhimu na Umuhimu wa Vipengele

Matumizi ya Grad-CAM yalitoa ushahidi unaoonekana, wa kuona wa umuhimu wa kipengele. Uchambuzi ulithibitisha kuwa viashiria vya msingi vya kiuchumi, haswa kiasi cha biashara China-Marekani na viwango vya ubadilishaji vya sarafu zingine kuu (mfano, EUR/RMB na JPY/USD), yalionyeshwa mara kwa mara kama viongozi muhimu vya utabiri wa mfano. Hii inathibitisha dhana ya kiuchumi nyuma ya mienendo ya fedha za kigeni na inaimarisha imani katika mchakato wa uamuzi wa mfano, ikisonga zaidi ya usahihi wa nambari tu hadi utabiri unaoaminika, unaoelezeka.

4. Uchambuzi wa Kiufundi na Mfumo

4.1 Uundaji wa Kihisabati

Tatizo kuu la utabiri linaweza kuwekwa kama kutabiri kiwango cha ubadilishaji cha baadaye $y_{t+\Delta t}$ ikitolewa dirisha la kihistoria la vipengele vya vigeu vingi $\mathbf{X}_t = \{\mathbf{x}_{t-n}, ..., \mathbf{x}_t\}$, ambapo $\mathbf{x}_t \in \mathbb{R}^d$ na $d=40$ ni idadi ya vipengele. Mfano $f_\theta$ wenye vigeu $\theta$ (mfano, TSMixer) unajifunza uchoraji ramani: $\hat{y}_{t+\Delta t} = f_\theta(\mathbf{X}_t)$.

Grad-CAM kwa utabiri maalum inahesabu uzito $\alpha_k^c$ kwa kila ramani ya kipengele $A^k$ ya tabaka maalum ya convolutional: $$\alpha_k^c = \frac{1}{Z} \sum_i \sum_j \frac{\partial y^c}{\partial A_{ij}^k}$$ ambapo $y^c$ ni alama ya lengo (mfano, mabadiliko yaliyotabiriwa), na $Z$ ni idadi ya vipengele katika ramani ya kipengele. Ramani ya joto ya Grad-CAM $L^c$ basi ni mchanganyiko wenye uzito wa ramani hizi: $L^c = ReLU(\sum_k \alpha_k^c A^k)$. $ReLU$ inahakikisha tu vipengele vilivyo na ushawishi chanya vinazingatiwa.

4.2 Mfano wa Mfumo wa Uchambuzi

Hali: Hazina ya ufadhili ya kiasi inataka kuelezea utabiri wa mfano wa TSMixer wa kupungua kwa thamani ya RMB.

Matumizi ya Mfumo:

1. Utabiri: Mfano unatabiri kupungua kwa 0.5% kwa RMB/USD katika wiki ijayo.
2. Uanzishaji wa Grad-CAM: Toa ramani ya joto juu ya matriki ya wakati-vipengele vya pembejeo.
3. Ufafanuzi: Ramani ya joto inaonyesha uanzishaji wa juu kwenye:
   • Kituo cha kipengele cha "Uzalishaji wa Hazina ya Miaka 10 ya Marekani" kutoka siku 3 zilizopita.
   • Kituo cha kipengele cha "Kiwango cha EUR/RMB" kutoka siku iliyopita.
   • Kionyeshi maalum cha kiufundi (mfano, RSI) kutoka siku ya leo.
4. Ufahamu Unaoweza Kutekelezwa: Mchambuzi sasa anaweza kusema: "Wito wa mfano wetu wa kupungua kwa thamani ya RMB unatokana hasa na ongezeko la hivi karibuni la uzalishaji wa Marekani (msongo wa mtiririko wa mtaji nje) na kuimarika kwa Euro dhidi ya RMB, ikithibitishwa na ishara za kununua kupita kiasi za muda mfupi. Tunapaswa kufuatilia maoni ya Fed na sera ya ECB kwa usimamizi wa hatari." Hii inasogeza mjadala kutoka "mfano unasema hivyo" hadi hoja yenye msingi, inayotokana na vipengele.

5. Uchambuzi Muhimu wa Mtaalamu

Ufahamu Mkuu: Karatasi hii sio tu hadithi nyingine ya "AI inashinda takwimu za zamani". Thamani yake ya kweli ni ndoa ya makusudi ya muundo wa kisasa wenye utendaji bora (TSMixer) na uelewevu wa baada ya tukio (Grad-CAM). Ni kukiri kwa kimya kwamba katika fedha zenye hatari kubwa, usahihi bila uwajibikaji hauna manufaa ya kibiashara. Uchaguzi wa RMB/USD—jozi iliyopitishwa kisiasa na kusimamiwa kwa nguvu—kama kesi ya majaribio hufanya hii iwe ya kusikitisha zaidi; kuelewa *kwa nini* mfano unatabiri ni muhimu kama utabiri yenyewe kwa kusafiri hatari ya sera.

Mtiririko wa Kimantiki: Mantiki ni thabiti: 1) Kubali kushindwa kwa mifano ya jadi ya mstari/kiuchumi katika mifumo inayobadilika-badilika, 2) Tumia mkusanyiko wa mifano ya DL inayoweza kushika mienendo isiyo ya mstari, 3) Chagua kwa makini vipengele vilivyo na msingi katika nadharia ya kifedha (mtiririko wa biashara, viwango vya sarafu mbalimbali), 4) Acha data ionyeshe muundo bora (TSMixer), na 5) Muhimu, tumia Grad-CAM kukagua na kuthibitisha mwelekeo wa mfano, kuhakikisha unalingana na dhana ya kiuchumi. Mtiririko huu unasonga kutoka tatizo hadi suluhisho hadi uthibitishaji kwa ufanisi.

Nguvu na Kasoro: Nguvu kuu ni mbinu iliyounganishwa ya uelewevu, ambayo bado ni nadra katika fasihi ya DL ya kifedha. Kutumia vipengele 40 katika makundi pia ni kamili zaidi kuliko utafiti mwingi. Hata hivyo, uchambuzi una kasoro. Kwanza, huenda ukateseka na ufitishaji ndani ya sampuli wa kawaida/msukumo wa kurudi nyuma unaojulikana katika utafiti wa ML wa kifedha—karatasi haielezi kwa kina mpango mkali wa uendeshaji mbele au uthibitishaji wa nje ya wakati. Pili, wakati Grad-CAM inatoa ufahamu wa kuona, ni maelezo mabaya, *ya baada ya tukio*. Haihakikishi mfano ulijifunza uhusiano wa sababu na athari; inaonyesha tu uunganisho ambao mfano ulitumia. Kama ilivyoelezwa katika kazi muhimu juu ya "Athari ya Rashomon" katika ML (Semenova et al., 2022), mifano mingi yenye usahihi sawa inaweza kutumia seti tofauti za vipengele, kwa hivyo maelezo ya mfano mmoja sio ya mwisho. Tatu, ucheleweshaji wa uendeshaji wa bomba tata kama hilo kwa biashara ya mzunguko wa juu haujashughulikiwa.

Ufahamu Unaoweza Kutekelezwa: Kwa watendaji:

• Kubali, lakini Kagua: TSMixer inaonyesha ahadi kwa utabiri mkubwa wa vigeu vingi. Jaribu kwenye data yako ya kifedha, lakini lazima uwe na tabaka ya uelewevu kama Grad-CAM au SHAP tangu siku ya kwanza.
• Uhandisi wa Vipengele ni Mfalme: Utafiti huu unathibitisha tena kwamba DL sio mbadala wa ujuzi wa kikoa. Wataalamu wako wa kiasi wanapaswa kutumia muda zaidi katika utayarishaji wa vipengele (kama vile viwango vya sarafu mbalimbali) kuliko katika urekebishaji wa mfano.
• Jenga Ukuta wa Uthibitishaji: Pita zaidi ya mgawanyiko wa kawaida wa mafunzo/jaribio. Tekeleza vizuizi vya wakati vikali na jaribu mifano kwa nguvu katika mifumo tofauti ya mabadiliko (mfano, kabla ya mageuzi ya 2015 dhidi ya baada ya vita vya biashara vya 2018).
• Panga kwa Uzalishaji: Fikiria gharama ya hitimisho la TSMixer+Uelewevu. Kwa matumizi ya karibu na wakati halisi, huenda ukahitaji kutoa mfano wa TSMixer katika mfano rahisi, wa kasi zaidi kwa ajili ya utekelezaji, ukitumia mfano unaoelezeka kama mthibitishaji wa mara kwa mara.

6. Matumizi ya Baadaye na Mwelekeo

Mfumo uliowekwa hapa una matumizi mapana zaidi ya RMB/USD:

• Aina Nyingine za Mali: Kutumia TSMixer+Grad-CAM kutabiri mabadiliko katika fahirisi za hisa, bei za bidhaa (kama mafuta), au jozi za sarafu za kidijitali.
• Usimamizi wa Mfuko wa Fedha: Kutumia utabiri unaoelezeka kwa mikakati ya kinga ya sarafu inayobadilika au kwa kurekebisha mgao wa mali ya kimataifa.
• Uchambuzi wa Sera: Benki kuu na mashirika ya udhibiti yanaweza kutumia mifano inayoelezeka kama hii kuiga athari ya mabadiliko ya sera yanayoweza kutokea au mshtuko wa nje kwenye utulivu wa kiwango cha ubadilishaji.
• Ubadilishaji wa Biashara ya Mzunguko wa Juu (HFT): Utafiti wa baadaye lazima uzingatie kuunda toleo nyepesi, lenye ucheleweshaji mdogo sana wa mifano kama hii au kuunda vifaa maalum kwa utekelezaji wao wa wakati halisi katika mazingira ya HFT.
• Uelewevu wa Sababu na Athari: Mipaka ijayo ni kusonga kutoka kwa maelezo ya uunganisho (Grad-CAM) hadi maelezo ya sababu na athari. Kuunganisha zana kutoka kwa hitimisho la sababu na athari au kutumia miundo mpya inayojifunza kwa asili grafu za sababu na athari kunaweza kutoa ufahamu wa kina, wenye nguvu zaidi katika viongozi vya soko la fedha za kigeni.

7. Marejeo

1. Meng, S., Chen, A., Wang, C., Zheng, M., Wu, F., Chen, X., Ni, H., & Li, P. (2023). Uboreshaji wa Utabiri wa Ubadilishaji wa Fedha kwa Mfano wa Kina wa Kujifunza Unaoelezeka. Nakala inayotayarishwa.
2. Selvaraju, R. R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., & Batra, D. (2017). Grad-CAM: Maelezo ya Kuona kutoka kwa Mtandao wa Kina kupitia Uwekaji wa Eneo wenye Msingi wa Gradient. Matukio ya Mkutano wa Kimataifa wa IEEE wa Kompyuta ya Kuona (ICCV), 618-626.
3. Semenova, L., Rudin, C., & Parr, R. (2022). Athari ya Rashomon katika Kujifunza kwa Mashine: Kurejea Uhakika wa Maelezo Mengi. Nakala ya awali ya arXiv arXiv:2206.01240.
4. Chen, S., & Hardle, W. K. (2022). AI Inayoelezeka katika Fedha: Fursa na Changamoto. Fedha ya Dijitali, 4(1-2), 1-13.
5. Benki ya Hifadhi ya Shirikisho la New York. (2023). Hifadhidata ya Viashiria vya Uchumi wa Kimataifa. Imepatikana kutoka [https://www.newyorkfed.org/](https://www.newyorkfed.org/)
6. Zhu, J., Park, T., Isola, P., & Efros, A. A. (2017). Tafsiri ya Picha hadi Picha isiyo na Jozi kwa kutumia Mtandao wa Kupingana wenye Mzunguko. Matukio ya Mkutano wa Kimataifa wa IEEE wa Kompyuta ya Kuona (ICCV). (Iliyotajwa kama mfano wa karatasi ya muundo wa DL yenye ushawishi).