Kuendeleza Utabiri wa Kadirio la Kubadilishana Dola ya Marekani na Taka ya Bangladesh (USD/BDT) Kwa Kutumia LSTM na Mashine Kujifunza

1. Utangulizi

Utabiri sahihi wa kadirio la kubadilishana Dola ya Marekani na Taka ya Bangladesh (USD/BDT) ni muhimu sana kwa uchumi wa Bangladesh unaotegemea uagizaji wa bidhaa kutoka nje, ukiathiri usawa wa biashara, mfumuko wa bei, na usimamizi wa akiba ya kigeni. Mifano ya kawaida ya takwimu mara nyingi inashindwa kukamata muundo usio wa mstari na tata unaoashiria sarafu za soko linaloibuka, haswa chini ya kutokuwa na uhakika wa kiuchumi. Utafiti huu unashughulikia pengo hili kwa kuunda na kutathmini mifano ya hali ya juu ya mashine kujifunza, haswa mitandao ya neva ya Kumbukumbu ya Muda Mrefu-Mfupi (LSTM) na Vitambuzi vya Uboreshaji wa Gradient (GBC), kwa kutumia data ya kihistoria kutoka 2018 hadi 2023. Utafiti unalenga kutoa zana thabiti za kupunguza hatari ya kifedha na kuunda sera.

2. Mapitio ya Fasihi

Utumizi wa kujifunza kwa kina, haswa mitandao ya LSTM, umeonyesha ahadi kubwa katika utabiri wa mfululizo wa wakati wa kifedha. Ilianzishwa na Hochreiter & Schmidhuber kutatua tatizo la gradient inayotoweka katika RNNs, LSTM hufanya vizuri katika 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, kama ule juu ya USD/INR, unaonyesha LSTM ikishinda mifano ya kawaida ya ARIMA kwa asilimia 18–22 katika usahihi wa mwelekeo. Hata hivyo, utafiti unaolenga hasa jozi ya USD/BDT, ukizingatia utawala wa kipekee wa Bangladesh wa kudhibiti sarafu na mshtuko wa kiuchumi wa ndani, bado ni mdogo. Utafiti huu unajenga na kupanua uwanja huu mpya.

3. Mbinu & Data

3.1 Ukusanyaji wa Data & Utayarishaji wa Awali

Data ya kila siku ya kadirio la kubadilishana USD/BDT kutoka Januari 2018 hadi Desemba 2023 ilipatikana kutoka Yahoo Finance. Seti ya data ilisafishwa, na vipengele kama vile mapato ya kila siku yaliyosanifiwa, wastani wa kusonga rahisi (SMA), na fahirisi ya nguvu ya jamaa (RSI) viliundwa ili kukamata mienendo ya soko na mienendo ya bei. Data iligawanywa katika seti za mafunzo (80%) na majaribio (20%).

3.2 Muundo wa Mfano wa LSTM

Mfano mkuu wa utabiri ni mtandao wa LSTM uliokusanywa. Muundo kwa kawaida unahusisha:

• Tabaka la Ingizo: Mfuatano wa data ya kihistoria ya bei/vipengele.
• Tabaka za LSTM: Tabaka mbili au zaidi zenye dropout kwa udhibiti ili kuzuia kufanya vizuri kupita kiasi.
• Tabaka la Msongamano: Tabaka lililounganishwa kikamilifu kwa pato.
• Tabaka la Pato: Neva moja kwa kutabiri kadirio la kubadilishana la kipindi kijacho.

Mfano ulifunzwa kwa kutumia kifaa cha kurekebisha Adam na Hitilafu ya Mraba ya Wastani (MSE) kama kitendakazi cha hasara.

3.3 Kitambuzi cha Uboreshaji wa Gradient

Kwa utabiri wa mwelekeo (msogeo wa juu/chini), Kitambuzi cha Uboreshaji wa Gradient (GBC) kilitumika. Kinatumia mkusanyiko wa mifano dhaifu ya utabiri (miti ya uamuzi) ili kuunda kitambuzi kikali, kikilenga kupunguza hitilafu ya utabiri kupitia kujifunza kwa kurudia.

4. Matokeo ya Majaribio & Uchambuzi

4.1 Vipimo vya Utendaji

Mfano wa LSTM ulipata matokeo bora: usahihi wa 99.449%, Hitilafu ya Mzizi wa Mraba ya Wastani (RMSE) ya 0.9858, na hasara ya majaribio ya 0.8523. Utendaji huu ulishinda kwa kiasi kikubwa mfano wa kawaida wa ARIMA, ambao ulikuwa na RMSE ya 1.342. Usahihi wa juu unaonyesha uwezo bora wa LSTM katika kuiga mienendo changamano ya wakati ya kadirio la kubadilishana USD/BDT.

4.2 Uchunguzi wa Nyuma & Uigaji wa Biashara

Kitambuzi cha Uboreshaji wa Gradient kilichunguzwa nyuma kwenye uigaji wa biashara ulioanza na mtaji wa awali wa $10,000. Katika biashara 49, mfano ulipata kiwango cha biashara yenye faida cha 40.82%. Hata hivyo, uigaji huo ulisababisha hasara halisi ya $20,653.25. Hii inaangazia ufahamu muhimu: usahihi wa juu wa mwelekeo haubadilishwi moja kwa moja kuwa mikakati ya biashara yenye faida, kwani gharama za shughuli, kupungua kwa bei, na usimamizi wa hatari (viwango vya kukomesha hasara/kuchukua faida visivyotajwa kwenye PDF) vina jukumu la maamuzi.

Maelezo ya Chati (Yanayodokezwa): Chati ya mstari ingaonyesha kadirio la kihistoria la USD/BDT likipungua kutoka takriban 0.012 (2018) hadi 0.009 (2023). Chati ya pili ingaonyesha jumla ya P&L ya mkakati wa biashara wa GBC, ikionyesha kipindi cha awali cha faida kifuatwa na upungufu mkubwa unaoongoza kwa hasara halisi ya mwisho.

5. Uchunguzi wa Kina wa Kiufundi

Kiini cha ufanisi wa LSTM kiko katika hali yake ya seli na mifumo ya milango. Milinganyo muhimu kwa seli ya LSTM kwa hatua ya wakati $t$ ni:

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

Ambapo $\sigma$ ni kitendakazi cha sigmoid, $*$ inaashiria kuzidisha kwa kipengele, $W$ na $b$ ni uzani na upendeleo, $x_t$ ni ingizo, $h_t$ ni hali ya siri, na $C_t$ ni hali ya seli. Muundo huu huruhusu mfano kukumbuka au kusahau taarifa kwa hiari katika mfuatano mrefu, jambo muhimu kwa mfululizo wa wakati wa kifedha wenye utegemezi wa muda mrefu.

6. Mfumo wa Kuchambua & Mfano wa Kesi

Mfumo: Mfereji wa Forex ML
Utafiti huu unatoa mfano wa mfereji wa kawaida lakini wenye ufanisi wa ML ya kifedha:

1. Kuweka Tatizo: Urejeshaji (LSTM kwa bei) dhidi ya Uainishaji (GBC kwa mwelekeo).
2. Uhandisi wa Vipengele: Kuunda ishara za kutabiri kutoka kwa bei ghafi (mapato, viashiria vya kiufundi).
3. Uchaguzi wa Mfano & Mafunzo: Kuchagua mifano inayotambua mfuatano (LSTM) kwa data ya wakati.
4. Uthibitishaji Mkali: Kutumia uthibitishaji mwingiliano wa mfululizo wa wakati, sio mgawanyiko wa nasibu, ili kuepuka upendeleo wa kutazama mbele.
5. Uchunguzi wa Nyuma wa Mkakati: Kubadilisha utabiri wa mfano kuwa mkakati wa biashara ulioigwa wenye vikwazo vya kweli.

Mfano wa Kesi: Uzalishaji wa Ishara
Kanuni rahisi kulingana na utabiri wa LSTM inaweza kuwa: "Ikiwa bei iliyotabiriwa kesho ni > (bei ya leo + kizingiti $\alpha$), toa ishara ya KUNUNUA." GBC hutoa moja kwa moja lebo ya darasa (1 kwa UP, 0 kwa DOWN). Somo muhimu kutoka kwa hasara ya biashara ya karatasi ni umuhimu wa tabaka la usimamizi wa hatari linalofuata ambalo huamua ukubwa wa nafasi, maagizo ya kukomesha hasara, na mgawo wa portfoli, ambayo kwa uwezekano mkubwa haikuwepo au ilikuwa rahisi katika uigaji.

7. Matumizi ya Baadaye & Mwelekeo

Mustakabali wa AI katika utabiri wa forex uko katika mifumo ya hali nyingi, inayojikokotoa:

• Ujumuishaji wa Data Mbadala: Kujumuisha uchambuzi wa hisia za habari za wakati halisi (kwa kutumia mifano ya NLP kama BERT), toni ya mawasiliano ya benki kuu, na fahirisi za hatari za kisiasa, kama inavyoonekana katika fedha za ukingo kama Two Sigma.
• Mifano ya Mseto na Yenye Umakini: Kuendelea zaidi ya LSTM za kawaida hadi muundo wa Transformer wenye mifumo ya kujilenga (kama ile ya Vaswani et al. ya "Umakini Ni Kila Unachohitaji") ambayo inaweza kupima umuhimu wa hatua tofauti za wakati kwa urahisi zaidi.
• Kujifunza kwa Kujirekebisha (RL): Kuendeleza wakala wa RL ambao hujifunza sera bora za biashara moja kwa moja, kuzingatia gharama na mapato yaliyorekebishwa kwa hatari, badala ya kutabiri bei tu. Hii inalingana na utafiti kutoka DeepMind na OpenAI katika mazingira yaliyoigwa.
• AI Inayoelezeka (XAI): Kutekeleza mbinu kama SHAP au LIME kufasiri utabiri wa mfano, jambo muhimu kwa kufuata kanuni na kupata imani kutoka kwa taasisi za kifedha.
• Kujifunza Kuvuka Soko: Kufunza mifano kwenye jozi nyingi za sarafu au aina za mali ili kujifunza muundo wa ulimwengu wa mienendo ya bei na maambukizi.

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 Kudumu na LSTM.
3. Rahman et al. (2022). Utabiri wa Msingi wa LSTM kwa Sarafu za Soko Linaloibuka: Utafiti wa Kesi wa USD/INR. Journal of Computational Finance.
4. Afrin, S., et al. (2021). Kutabiri Kadirio la Kubadilishana USD/BDT Kwa Kutumia Mashine Kujifunza. International Conference on Computer and Information Technology.
5. Vaswani, A., et al. (2017). Umakini Ni Kila Unachohitaji. Advances in Neural Information Processing Systems.
6. Yahoo Finance. (2023). Data ya Kihistoria ya USD/BDT.

9. Mtazamo wa Mchambuzi wa Sekta

Ufahamu Mkuu: Karatasi hii ni mfano wa kawaida wa "kutofautiana kwa usahihi-na-faida" katika fedha za kiasi. Waandishi wameunda mfano wa LSTM wenye usahihi wa kiufundi ambao unapata usahihi wa karibu kamili wa 99.45% katika utabiri wa USD/BDT—jambo la kusifiwa—lakini mkakati wao wa biashara ulihusishwa ulipoteza mtaji kwa njia ya kutisha. Hadithi halisi sio usahihi wa mfano; ni tofauti kubwa kati ya uboreshaji wa kipimo cha kitaaluma na P&L halisi ya biashara. Inasisitiza ukweli ambao wengi wa kiasi hujifunza kwa shida: kupunguza RMSE si sawa na kuongeza Uwiano wa Sharpe.

Mtiririko wa Mantiki: Utafiti hufuata mfereji wa kawaida: upatikanaji wa data, uhandisi wa vipengele, uchaguzi wa mfano (LSTM/GBC), na uthibitishaji wa utendaji. Kasoro ya mantiki, hata hivyo, iko katika kuruka kutoka uthibitishaji hadi matumizi. Uchunguzi wa nyuma unaonekana kuwa wa kijinga, kwa uwezekano mkubwa hakuna muundo thabiti wa gharama za shughuli, kupungua kwa bei, na, muhimu zaidi, mfumo thabiti wa usimamizi wa hatari. Kiwango cha ushindi cha 40% na matokeo mabaya halisi yanaonyesha hasara za mkakati kwa kila biashara iliyopotea zilikuwa kubwa zaidi kuliko faida kwa kila biashara iliyoshinda—kasoro mbaya ambayo hakuna kiasi chochote cha usahihi wa LSTM kinaweza kurekebisha.

Nguvu & Kasoro:

• Nguvu: Uhandisi bora wa mfano kwa jozi ya sarafu maalum, isiyochunguzwa vya kutosha (USD/BDT). Ulinganisho dhidi ya ARIMA hutoa kiwango cha kulinganisha wazi. Kutaja wazi hasara ya biashara ni uaminifu wa kiakili na wenye thamani zaidi kuliko karatasi nyingi zinazounga mkali mafanikio tu.
• Kasoro: Uigaji wa biashara kimsingi ni wazo la baadaye, ukionyesha ukosekano wa ujumuishaji kati ya tabaka la utabiri na utekelezaji—kiini cha biashara ya kimfumo. Hakuna majadiliano ya ukubwa wa nafasi (mfano, Kizingiti cha Kelly), kukomesha hasara, au muktadha wa portfoli. Zaidi ya hayo, ingawa LSTM zina nguvu, hali yao ya kisanduku cha weusi bado ni kikwazo kikubwa cha kutumika katika taasisi za kifedha zilizodhibitiwa ikilinganishwa na mkusanyiko unaoelezeka zaidi kama vile Miti Iliyoinuliwa ya Gradient.

Ufahamu Unaoweza Kutekelezwa:

1. Unganisha Pengo na Kujifunza kwa Kujirekebisha: Badala ya kuchukulia utabiri na biashara kama hatua tofauti, kazi ya baadaye inapaswa kutumia Kujifunza kwa Kujirekebisha (RL) kutoka mwanzo hadi mwisho. Wakala wa RL, sawa na wale wanaotumika na DeepMind kwa kucheza michezo, anaweza kujifunza kuongeza kiwango cha vipimo vya moja kwa moja vya biashara (mfano, mapato ya jumla, uwiano wa Sortino) kutoka kwa data ghafi, kwa asili kuzingatia gharama na hatari.
2. Kubali "Utatu wa Utabiri-Utekelezaji-Hatari": Utafiti wowote wa utabiri lazima utathminiwe ndani ya utatu. Mfano wa utabiri ni kipeo kimoja tu. Ukali sawa lazima utumike kwa mfano wa utekelezaji (athari ya soko, gharama) na mfano wa hatari (VaR, upungufu unaotarajiwa, udhibiti wa upungufu).
3. Kuzingatia Ugunduzi wa Utawala: USD/BDT, chini ya udhibiti wa sarafu, ina utawala tofauti (thabiti, kuingilia kati, mshtuko). Mifano kama Mifano ya Kubadilisha Markov au algoriti za kusanya vikundi zinapaswa kutumika kugundua utawala wa sasa kwanza, kisha kutumia mfano unaofaa zaidi wa utabiri. Mbinu ya mfano mmoja-kwa-wote ni fupi.
4. Kipaumbele Kuelezeka: Ili kuhamia kutoka kwa zoezi la kitaaluma hadi kwa zana ya mfanyabiashara, tekenezewa mbinu za XAI. Kuonyesha mfanyabiashara kwamba ishara ya "kuuza" inaendeshwa kwa 60% na upungufu unaopanuka wa biashara na 40% na tofauti ya RSI hujenga imani zaidi kuliko kisanduku cha weusi chenye usahihi wa 99%.