Kuendeleza Utabiri wa Ubadilishaji wa Fedha: Kuchukua Faida ya LSTM na AI kwa Utabiri wa USD/BDT

Orodha ya Yaliyomo

1. Utangulizi

Utafiti huu unashughulikia changamoto muhimu ya kutabiri ubadilishaji wa Dola ya Marekani kwenda Taka ya Bangladesh (USD/BDT), jukumu muhimu kwa uchumi wa Bangladesh unaotegemea uagizaji wa bidhaa kutoka nje. Mabadiliko ya sarafu yanaathiri moja kwa moja usimamizi wa akiba ya kigeni, usawa wa biashara, na mfumuko wa bei. Miundo ya kitakwimu ya jadi mara nyingi inashindwa kukamata muundo usio wa mstari na tata unaoashiria sarafu za soko linalokua, haswa wakati wa kutokuwa na uhakika wa kiuchumi. Utafiti huu unatumia ujuzi wa mashine wa hali ya juu, haswa mitandao ya neva ya Kumbukumbu ya Muda Mrefu-Mfupi (LSTM), kuiga uhusiano huu wa muda wenye nguvu kwa kutumia data ya kihistoria kutoka 2018 hadi 2023.

2. Ukaguzi wa Fasihi

Fasihi ya hivi karibuni inathibitisha ubora wa mitandao ya LSTM ikilinganishwa na miundo ya jadi ya mfululizo wa wakati kama ARIMA kwa utabiri wa kifedha. Ilianzishwa na Hochreiter & Schmidhuber kutatua tatizo la kupotea mwinuko katika RNNs, LSTM ina uwezo mkubwa wa kukamata utegemezi wa muda mrefu. Uboreshaji unaofuata kama vile milango ya kusahau (Gers et al.) uliboresha uwezo wa kukabiliana na mienendo ya bei. Utafiti wa kimajaribio kwenye jozi kuu za sarafu unaonyesha LSTM inafanya vizuri zaidi kuliko ARIMA kwa asilimia 18–22 katika usahihi wa mwelekeo. Ingawa kuna utafiti kwenye sarafu kama USD/INR, utafiti maalum kuhusu USD/BDT ni mdogo, mara nyingi unatumia data ya kabla ya janga na ukikosa kuunganisha mbinu za kisasa kama mifumo ya umakini au mshtuko wa kiuchumi wa ndani.

3. Mbinu & Data

3.1. Ukusanyaji wa Data & Utayarishaji wa Awali

Data ya kihistoria ya kila siku ya ubadilishaji wa USD/BDT ilipatikana kutoka Yahoo Finance kwa kipindi cha 2018–2023. Data inaonyesha kupungua kwa kiwango cha BDT/USD kutoka takriban 0.012 hadi 0.009. Utayarishaji wa data ulihusisha kushughulikia maadili yaliyokosekana, kuhesabu mapato ya kila siku yaliyosanidiwa ili kukamata mienendo ya bei, na kuunda mfuatano kwa miundo ya mfululizo wa wakati.

3.2. Muundo wa Mfano wa LSTM

Mfano mkuu wa utabiri ni mtandao wa neva wa LSTM. Muundo uliimarishwa kwa seti ya data ya USD/BDT, ukiwahusisha labda tabaka nyingi za LSTM, utupaji kwa udhibiti, na tabaka la pato lenye msongamano. Mfano ulifunzwa kutabiri thamani za ubadilishaji wa fedha za baadaye kulingana na mfuatano uliopita.

3.3. Kitambulishi cha Uimarishaji wa Mwinuko (GBC)

Kitambulishi cha Uimarishaji wa Mwinuko (GBC) kilitumika kwa utabiri wa mwelekeo—kutabiri ikiwa kiwango cha ubadilishaji kitaongezeka au kupungua. Utendaji wa mfano huu ulikadiriwa kupitia uigizaji wa vitendo wa biashara.

4. Matokeo ya Majaribio & Uchambuzi

4.1. Vipimo vya Utendaji wa LSTM

Mfano wa LSTM ulipata matokeo bora: usahihi wa 99.449%, Hitilafu ya Mizizi ya Maana ya Mraba (RMSE) ya 0.9858, na hasara ya majaribio ya 0.8523. Hii inaonyesha mfano wenye usahihi wa juu sana kwa kutabiri thamani halisi ya kiwango cha USD/BDT.

4.2. Uigizaji wa Biashara ya GBC

Uchunguzi wa nyuma ulifanywa kwa kutumia ishara za mwelekeo za GBC kwenye mtaji wa awali wa $10,000 katika biashara 49. Ingawa asilimia 40.82 ya biashara zilikuwa na faida, mkakati huo ulisababisha hasara halisi ya $20,653.25. Hii inaangazia tofauti muhimu kati ya usahihi wa utabiri na biashara yenye faida, ambapo gharama za manunuzi, kupungua kwa bei, na usimamizi wa hatari ni muhimu zaidi.

4.3. Uchambuzi wa Kulinganisha dhidi ya ARIMA

Mfano wa LSTM ulifanya vizuri zaidi kuliko mfano wa jadi wa ARIMA, ambao ulikuwa na RMSE ya 1.342. Hii inaonyesha faida wazi ya ujifunzaji wa kina katika kuiga muundo tata na usio wa mstari uliopo katika data ya mfululizo wa wakati ya kifedha.

5. Maelezo ya Kiufundi & Mfumo wa Kihisabati

Kiini cha LSTM kinafanya kazi kupitia mfumo wa milango unaodhibiti mtiririko wa habari. Milinganyo muhimu ni:

• Lango la Kusahau: $f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$
• Lango la Ingizo: $i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$, $\tilde{C}_t = \tanh(W_C \cdot [h_{t-1}, x_t] + b_C)$
• Sasisho la Hali ya Kiini: $C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$
• Lango la Pato: $o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$, $h_t = o_t * \tanh(C_t)$

Ambapo $\sigma$ ni kitendakazi cha sigmoid, $*$ inaashiria kuzidisha kwa kipengele, $W$ ni matriki ya uzani, $b$ ni vekta ya upendeleo, $x_t$ ni ingizo, $h_t$ ni hali iliyofichwa, na $C_t$ ni hali ya kiini. Muundo huu huruhusu mtandao kujifunza ni habari gani ya kukumbuka au kutupa katika mfuatano mrefu.

6. Mfumo wa Uchambuzi: Mfano wa Vitendo

Kesi: Kuunganisha Mshtuko wa Kiuchumi katika Mfumo wa LSTM

Utafiti unataja kujumuisha utambuzi wa mshtuko wa kiuchumi wa ndani. Hapa kuna mfumo wa dhana ya jinsi hii inaweza kutekelezwa bila msimbo wazi:

1. Uboreshaji wa Data: Unda seti ya data sambamba ya mfululizo wa wakati ya "viashiria vya mshtuko" kwa Bangladesh. Hii inaweza kuwa bendera za binary (0/1) kwa matukio kama matangazo ya kuingilia kati kwa benki kuu, matukio makubwa ya kisiasa, au mabadiliko katika mtiririko wa uhamisho wa fedha, yanayopatikana kutoka API za habari au matangazo rasmi.
2. Uhandisi wa Vipengele: Kwa kila siku ya biashara, unganisha dirisha la kihistoria la data ya kiwango cha ubadilishaji na dirisha linalolingana la viashiria vya mshtuko. Hii inatengeneza vekta ya ingizo iliyoimarishwa: [Mfuatano_Bei, Mfuatano_Mshtuko].
3. Ubadilishaji wa Mfano: Badilisha tabaka la ingizo la LSTM ili kupokea ingizo hili la pande nyingi. Mtandao utajifunza kuhusisha muundo maalum wa mshtuko na mabadiliko ya mienendo ya bei au mwelekeo katika kiwango cha USD/BDT.
4. Uthibitishaji: Linganisha utendaji (RMSE, usahihi wa mwelekeo) wa mfano ulioimarishwa na mshtuko dhidi ya mfano wa msingi unaotumia data ya bei pekee, haswa katika vipindi vilivyo na mshtuko.

7. Matumizi ya Baadaye & Mwelekeo wa Utafiti

• Ujumuishaji wa Data ya Njia Nyingi: Zaidi ya bendera za kiuchumi, kuunganisha uchambuzi wa hisia wa wakati halisi kutoka kwa habari za kifedha na mitandao ya kijamii (k.m., kutumia miundo ya Transformer kama BERT) kunaweza kukamata hali ya soko, kama ilivyoonekana katika utafiti kwenye jozi kuu za sarafu.
• Mifumo ya Umakini: Kujumuisha tabaka za umakini (kama zile katika muundo wa Transformer) ndani ya LSTM kunaweza kuruhusu mfano kuzingatia hatua za wakati uliopita zinazofaa zaidi kwa nguvu, na kuboresha ufafanuzi na utendaji kwa mfuatano mrefu.
• Ujifunzaji wa Kuimarisha kwa Biashara: Kuhamia kutoka kwa utabiri safi hadi kujifunza sera moja kwa moja. Mfano kama Mtandao wa Q-Urefu (DQN) unaweza kufunzwa kufanya maamuzi ya kununua/kuuza/kushikilia ambayo yanakuza faida zilizosanidiwa kwa hatari (Uwiano wa Sharpe), na kushughulikia moja kwa moja pengo la faida lililoonekana katika uchunguzi wa nyuma wa GBC.
• Ujifunzaji wa Kuvuka Sarafu: Kukuza meta-mfano uliofunzwa kwenye jozi nyingi za sarafu za soko linalokua (k.m., USD/INR, USD/PKR) ili kujifunza muundo wa ulimwengu wa mienendo ya bei na athari za sera, kisha kuboresha kwa USD/BDT kwa uthabiti ulioboreshwa na data ndogo.

8. Marejeo

1. Hochreiter, S., & Schmidhuber, J. (1997). Kumbukumbu ya Muda Mrefu-Mfupi. Neural Computation.
2. Gers, F. A., Schmidhuber, J., & Cummins, F. (2000). Kujifunza Kusahau: Utabiri wa Kuendelea na LSTM. Neural Computation.
3. Rahman et al. (Mwaka). Utafiti kuhusu utabiri wa USD/INR na LSTM. [Jarida Linalofaa].
4. Afrin et al. (2021). Utafiti wa kabla ya janga kuhusu USD/BDT. [Mkutano Unaofaa].
5. Hosain et al. (Mwaka). Mbinu mseto kwa utabiri wa sarafu. [Jarida Linalofaa].
6. Vaswani, A., et al. (2017). Umakini Ni Yote Unayohitaji. Maendeleo katika Mifumo ya Usindikaji wa Habari ya Neural.
7. Mnih, V., et al. (2015). Udhibiti wa kiwango cha binadamu kupitia ujifunzaji wa kina wa kuimarisha. Asili.

9. Uchambuzi wa Asili & Uhakiki wa Mtaalamu

Uelewa wa Msingi: Karatasi hii inaonyesha kwa mafanikio ubora wa kiufundi wa mitandao ya LSTM ikilinganishwa na miundo ya zamani kama ARIMA kwa utabiri wa uhakika, lakini kwa bahati mbaya inafunua pengo hatari katika utafiti wa teknolojia ya kifedha: kuchanganya usahihi wa kitakwimu na manufaa ya kiuchumi. Mfano wenye usahihi wa 99.45% ambao, unapotafsiriwa kuwa mkakati wa biashara kupitia Kitambulishi cha Uimarishaji wa Mwinuko (GBC), unasababisha hasara kubwa zaidi ya 200% ya mtaji wa awali sio tu kumbukumbu ndogo ya kitaaluma—ni wito wa mabadiliko ya msingi katika jinsi tunavyotathmini AI katika fedha.

Mtiririko wa Mantiki & Nguvu: Mantiki ya utafiti ni sahihi na inaweza kurudiwa. Waandishi wametambua kwa usahihi ukomo wa miundo ya mstari kwa sarafu zisizo za mstari na zenye usikivu wa sera kama BDT. Matumizi yao ya utawala wa kuelea uliodhibitiwa kama utafiti wa kesi ni busara, kwani soko hili lina nafasi kubwa ya kuvurugwa na AI. Utendaji wa kiufundi ni thabiti, na RMSE ya karibu kamili ya LSTM ya 0.9858 (dhidi ya 1.342 ya ARIMA) inatoa ushahidi usioweza kukanushwa wa uwezo wa ujifunzaji wa kina wa kuiga utegemezi tata wa muda, ugunduzi unaolingana na kazi muhimu kama karatasi ya asili ya LSTM ya Hochreiter & Schmidhuber. Jaribio la kuunganisha na matokeo ya biashara kupitia GBC ni hatua ya kupongezwa kuelekea umuhimu wa ulimwengu halisi.

Kasoro Muhimu & Utata wa Faida: Hapa ndipo kasoro muhimu iko. Kiasi cha ushindi cha 40.82% cha GBC kinachosababisha hasara kubwa ni kesi ya kawaida ya kupuuza usawa wa mapato ya kifedha. Inaangazia ukosefu wa vipimo vya hatari vilivyounganishwa (k.m., Uwiano wa Sharpe, Kupungua kwa Juu zaidi) na mfano wa utekelezaji wa kimapenzi. Hii inafanana na shida ya kawaida katika karatasi za mapema za AI za kifedha zilizolenga makosa ya utabiri tu. Uwanja umebadilika tangu wakati huo, kama inavyoonekana katika mbinu za ujifunzaji wa kuimarisha zinazoboresha moja kwa moja mapato ya mfuko, kama mfumo wa Mtandao wa Q-Urefu (DQN) uliotumika katika kazi muhimu ya Mnih et al. Zaidi ya hayo, ingawa karatasi inataja mambo ya kiuchumi, utekelezaji wake unaonekana kuwa wa haraka. Kwa sarafu kama BDT, ambayo inaathiriwa sana na kuingilia kati kwa benki kuu na mtiririko wa uhamisho wa fedha, kushindwa kuiunganisha kwa kina kama vipengele vilivyopangwa—labda kwa kutumia mfumo wa umakini kupima athari zake, kama ilivyopendekezwa katika muundo wa Transformer—ni fursa iliyopotea.

Uelewa Unaotekelezeka & Njia ya Mbele: Kwa watendaji na watafiti, utafiti huu unatoa uelewa muhimu mbili unaotekelezeka. Kwanza, acha kuabudu kwenye madhabahu ya RMSE. Kipimo kikuu cha tathmini kwa mfano wowote unaokabiliwa na soko lazima kiwe utendaji wake katika mazingira ya uigizaji wa biashara yanayojumuisha gharama halisi, kupungua kwa bei, na ukubwa wa nafasi. Zana kama Backtrader au QuantConnect hazipaswi kubishaniwa katika mfumo wa uthibitishaji. Pili, siku zijazo ziko katika ujifunzaji wa mwisho-hadi-wakala. Badala ya mfumo usio na muunganisho (LSTM -> GBC -> Biashara), mpaka unaofuata ni kutumia wakala mmoja, mzima—labda kulingana na Uboreshaji wa Sera ya Karibu (PPO) au algoriti za hali ya juu zinazofanana za RL—ambazo huingiza data ya soko iliyochakatwa kidogo au isiyochakatwa na kutoa moja kwa moja vitendo vya biashara vilivyosimamiwa kwa hatari. Kitendakazi cha tuzo la wakala huyo kingekuwa mchanganyiko wa vipimo vya mapato yaliyosanidiwa kwa hatari, na kulazimisha AI kujifunza uchumi halisi wa soko, sio tu muundo wake wa kitakwimu. Pendekezo la waandishi la kuongeza uchambuzi wa hisia ni mwanzo mzuri, lakini lazima iunganishwe katika muundo huu wa msingi wa wakala, sio kuongezwa tu kama safu nyingine ya kipengele. Hii ndiyo njia ya kutengeneza mtabiri mwerevu hadi kuhandisha wakala halisi wa kifedha.