Soko la Kubadilishana Fedha za Kigeni (Forex), lenye ujazo wa biashara ya kila siku unaozidi trilioni $5, linawakilisha soko kubwa zaidi na lenye mtiririko mkubwa zaidi duniani. Utabiri sahihi wa viwango vya kubadilishana fedha, hasa kwa jozi kuu kama EUR/USD, ni muhimu sana kwa usimamizi wa hatari na kuongeza faida. Utafiti huu huchunguza matumizi ya mitandao ya neva ya Kumbukumbu ya Muda Mrefu-Mfupi (LSTM) kwa kazi hii, kwa mwelekeo mbili: kuboresha usahihi wa utabiri na kutathmini athari za muundo kwa matumizi ya nishati ya kihesabu. Utafiti unalenga kuunganisha utabiri wa kifedha na mazoea endelevu ya kompyuta.
Utabiri wa Forex umebadilika kutoka kwenye uchambuzi wa jadi wa kiufundi na wa kimsingi hadi kwenye mbinu za kisasa za mashine kujifunza. Miundo ya awali ilitegemea mbinu za takwimu za mfululizo wa wakati (k.m., ARIMA). Kuja kwa Mitandao ya Neva ya Bandia (ANN) na Mashine za Vekta ya Usaidizi (SVM) kulionyesha mabadiliko makubwa. Hivi karibuni, miundo ya kujifunza kwa kina, hasa LSTM na mchanganyiko wake (k.m., LSTM-RCN), imepata umaarufu kutokana na uwezo wao wa kukamata utegemezi wa muda mrefu katika takwimu za kifedha zenye kugeuka-geuka—faida muhimu ikilinganishwa na miundo rahisi zaidi.
Utafiti huu unatumia mbinu ya kujifunza yenye usimamizi kwa kutumia takwimu za kihistoria za viwango vya kubadilishana EUR/USD.
Takwimu mbichi za Forex husafishwa, kurekebishwa kiwango, na kuundwa kuwa hatua za mfululizo wa wakati zinazofaa kwa pembejeo ya LSTM. Uhandisi wa vipengele unaweza kujumuisha viashiria vya kiufundi (k.m., wastani wa kusonga, RSI).
Muundo wa LSTM wenye tabaka nyingi umeundwa. Muundo huo unajumuisha tabaka za LSTM kwa usindikaji wa mfululizo, ikifuatiwa na tabaka zenye msongamano (Dense) kwa utabiri wa matokeo. Vigezo vya juu (hyperparameters) kama idadi ya tabaka, vitengo, na viwango vya kushuka (dropout) vinarekebishwa.
Utendaji wa muundo unatathminiwa kwa uangalifu kwa kutumia vipimo vitatu muhimu:
Muundo ulioboreshwa wa LSTM, uliofunzwa kwa zamu 90 (epochs), ulionyesha utendaji bora zaidi ikilinganishwa na miundo ya msingi (k.m., RNN rahisi, ARIMA). Matokeo muhimu ni pamoja na:
Utafiti huu unasisitiza kipengele muhimu, ambacho mara nyingi huachwa: gharama ya kihesabu ya kujifunza kwa kina. Kufunza miundo changamano ya LSTM kunahitaji rasilimali nyingi za GPU/CPU, na kusababisha matumizi makubwa ya nishati. Karatasi hiyo inasema kuwa uboreshaji wa muundo (k.m., muundo wenye ufanisi, kusimamishwa mapema kwenye zamu 90) sio tu kuboresha usahihi bali pia kupunguza mzigo wa kihesabu, na hivyo kupunguza athari ya nishati inayohusishwa na kuchangia uendelevu wa mazingira katika biashara ya algoriti.
Ufahamu Mkuu: Thamani halisi ya karatasi hii sio tu matokeo mengine ya "LSTM inashinda msingi katika fedha". Ufahamu wake muhimu ni kuweka uboreshaji wa muundo kama shida yenye malengo mawili: kuongeza nguvu ya utabiri wakati huo huo kupunguza matumizi ya nishati ya kihesabu. Katika enzi ambayo athari ya kaboni ya AI inachunguzwa (kama ilivyoelezwa katika tafiti kama zile kutoka kwa mpango wa ML CO2 Impact), hii inabadilisha lengo kutoka usahihi tu hadi usahihi wenye ufanisi.
Mtiririko wa Mantiki: Hoja inaendelea kwa mantiki: 1) Utabiri wa Forex una thamani lakini una nguvu ya kihesabu. 2) LSTM ni ya kisasa zaidi kwa utabiri wa mfululizo. 3) Tunaweza kuziboresha (muundo, zamu). 4) Uboreshaji huboresha vipimo (MSE, MAE, R²). 5) Muhimu zaidi, uboreshaji huo huo hupunguza hesabu zisizo na maana, na kuokoa nishati. 6) Hii inalingana na kanuni pana za AI ya Kijani Kibichi. Uhusiano kati ya ufanisi wa muundo na ufanisi wa nishati umefanywa kwa kushawishi.
Nguvu & Kasoro: Nguvu: Pembe ya taaluma mbalimbali ni ya kisasa na muhimu. Inaunganisha teknolojia ya kifedha na kompyuta endelevu. Matumizi ya vipimo vya kawaida (MSE, MAE, R²) hufanya madai ya utendaji yawezekane kuthibitishwa. Kasoro Kubwa: Karatasi hiyo inaonekana kuwa nyepesi kwenye kupima akiba ya nishati. Inataja dhana lakini haina takwimu ngumu—hakuna joules zilizoookolewa, hakuna sawa na kaboni iliyopunguzwa, hakuna kulinganisha kwa matumizi ya nishati kwa kila zamu. Hii ni fursa kubwa iliyopotea. Bila kupima hii, hoja ya nishati inabaki ya ubora na ya kusisitiza badala ya ya kuhitimisha. Zaidi ya haye, uthabiti wa muundo kwa matukio makali ya soko ("bata mweusi") haujashughulikiwa—nafasi muhimu kwa mifumo ya biashara ya ulimwengu halisi.
Ufahamu Unaotekelezeka: Kwa wataalamu wa hisabati (quants) na timu za AI: 1) Weka Vifaa vya Mafunzo Yako: Anza mara moja kufuatilia matumizi ya nguvu ya GPU (kwa kutumia zana kama NVIDIA-SMI) pamoja na vipimo vya hasara. Weka kigezo cha "utendaji kwa kila watt". 2) Pita Zaidi ya Kusimamishwa Mapema: Jaribu mbinu za kisasa zaidi za ufanisi kama kukata matawi ya muundo (model pruning), kupunguza saizi (quantization) (kama ilivyochunguzwa katika TensorFlow Lite), au usambazaji wa maarifa (knowledge distillation) ili kuunda miundo midogo, ya haraka, isiyotumia nishati nyingi na kubaki na usahihi. 3) Jaribu kwa Nguvu kwa Uthabiti: Thibitisha muundo sio tu katika vipindi vya kawaida bali pia kwenye takwimu za msukosuko wa juu. Muundo ambao unashindwa kimya wakati wa mshtuko wa soko ni mbaya zaidi kuliko kuwa bure. Baadaye ni ya miundo ambayo ni wajanja na yenye ufanisi.
Kiini cha seli ya LSTM kinashughulikia tatizo la gradient inayotoweka kupitia utaratibu wa mlango. Milinganyo muhimu kwa hatua moja ya wakati (t) ni:
Mlango wa Kusahau: $f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$
Mlango wa Pembejeo: $i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$
Hali ya Seli ya Mgombea: $\tilde{C}_t = \tanh(W_C \cdot [h_{t-1}, x_t] + b_C)$
Sasisho la Hali ya Seli: $C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$
Mlango wa Matokeo: $o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$
Matokeo ya Hali ya Siri: $h_t = o_t * \tanh(C_t)$
Ambapo $\sigma$ ni utendakazi wa sigmoid, $*$ inaashiria kuzidisha kwa kila kipengele, $W$ na $b$ ni uzani na upendeleo, $h$ ni hali ya siri, na $x$ ni pembejeo.
Utendakazi wa hasara wa muundo wakati wa mafunzo kwa kawaida ni Kosa la Wastani Lililokadiriwa (MSE), kama ilivyofafanuliwa hapo awali, ambayo kirekebishi (k.m., Adam) hupunguza kwa kurekebisha uzani (W, b).
Hali: Hazina ya ukingo ya kiasi (quantitative hedge fund) inataka kuunda ishara ya biashara yenye ucheleweshaji mdogo na yenye kuzingatia nishati kwa EUR/USD.
Utumiaji wa Mfumo: