Açıklanabilir Derin Öğrenme Modelleri ile Döviz Kuru Tahmininin Geliştirilmesi

İçindekiler

1. Giriş & Genel Bakış

RMB/USD döviz kurunun doğru tahmini, ticareti, yatırımı ve para politikasını etkileyen uluslararası finans alanında kritik bir zorluktur. Geleneksel ekonometrik modeller, yüksek frekanslı finansal verilerde doğal olarak bulunan doğrusal olmayan ilişkiler ve karmaşık karşılıklı bağımlılıklarla başa çıkmakta genellikle zorlanır. Bu araştırma, döviz kuru tahmini için gelişmiş derin öğrenme modellerini—Uzun Kısa Vadeli Bellek (LSTM), Evrişimli Sinir Ağları (CNN), Transformer tabanlı mimariler ve yakın zamanda önerilen TSMixer—sistematik olarak değerlendirerek bu boşluğu ele almaktadır.

Çalışmanın temel yeniliği, yalnızca bu modelleri uygulamakta değil, aynı zamanda açıklanabilirliği titizlikle entegre etmektedir. Yazarlar, Gradyan Ağırlıklı Sınıf Aktivasyon Haritalaması (grad-CAM) kullanarak, modelin tahminlerini en önemli şekilde hangi ekonomik özelliklerin (örn. Çin-ABD ticaret hacmi, EUR/RMB gibi çapraz kurlar) yönlendirdiğini belirlemek için "kara kutu" tahminlerin ötesine geçmektedir. TSMixer'ın yüksek tahmin doğruluğu ile eyleme dönüştürülebilir yorumlanabilirliğin bu kombinasyonu, finans alanında güvenilir yapay zekaya doğru önemli bir adımı temsil etmektedir.

2. Metodoloji & Modeller

2.1 Veri & Özellik Mühendisliği

Analiz, altı grupta kategorize edilen 40 özellikten oluşan kapsamlı bir veri seti kullanmaktadır: (1) Doğrudan RMB/USD kuru geçmişi, (2) Diğer önemli para birimi çiftleri (örn. EUR/RMB, USD/JPY), (3) Çin-ABD ikili ticaret metrikleri, (4) Her iki ekonomiden makroekonomik göstergeler (örn. faiz oranları, enflasyon), (5) Emtia fiyatları ve (6) Piyasa duyarlılığı veya oynaklık endeksleri. Gürültüyü azaltmak ve en tahmin edici değişkenleri belirlemek için titiz bir özellik seçim süreci kullanılmış olup, temel ekonomik itici güçlere güçlü bir vurgu yapılmıştır.

2.2 Derin Öğrenme Mimarileri

Dört model ailesi kıyaslanmıştır:

• LSTM: Sıralı verilerde uzun vadeli zamansal bağımlılıkları yakalar.
• CNN: Zaman serisi "görüntüsü" boyunca yerel desenleri ve özellikleri çıkarır.
• Transformer: Farklı zaman adımlarının ve özelliklerin küresel önemini ağırlıklandırmak için öz-dikkat mekanizmalarını kullanır.
• TSMixer: Çok değişkenli zaman serileri için tasarlanmış, verimli öğrenme için özellik karıştırma ve zamansal karıştırma katmanlarından yararlanan yeni bir tam-MLP (Çok Katmanlı Algılayıcı) mimarisi.

2.3 Grad-CAM ile Açıklanabilirlik

Model tahminlerini açıklığa kavuşturmak için, Gradyan Ağırlıklı Sınıf Aktivasyon Haritalaması (grad-CAM) zaman serisi regresyonu için uyarlanmıştır. Bu teknik, giriş özellik-zaman uzayı üzerinde, belirli bir tahmin için en etkili olan bölgeleri vurgulayan bir ısı haritası üretir. Bir modelin $\hat{y}_t$ tahmini için, grad-CAM, $\hat{y}_t$'nin seçilen bir evrişim katmanının aktivasyonlarına göre gradyanını hesaplar. Bu aktivasyon haritalarının ağırlıklı bir kombinasyonu, özellik önemini göstererek görsel ve nicel açıklamalar sağlar.

3. Deneysel Sonuçlar & Analiz

3.1 Model Performans Karşılaştırması

TSMixer, Ortalama Mutlak Hata (MAE), Kök Ortalama Kare Hata (RMSE) ve yönsel doğruluk gibi standart metriklerde LSTM, CNN ve Transformer modellerini tutarlı bir şekilde geride bırakmıştır. Tam-MLP yapısı, 40 farklı ekonomik özellik arasındaki etkileşimleri modellemede özellikle etkili olduğunu kanıtlamıştır. Transformer rekabetçi bir performans göstermiş ancak daha yüksek hesaplama maliyeti olmuş, LSTM ve CNN ise güçlü temel modeller olarak hizmet etmiş ancak TSMixer'ın özellik karıştırmadaki verimliliğinden yoksun kalmıştır.

Grafik Açıklaması (Hayali): Dört modelin RMSE'sini karşılaştıran bir çubuk grafik. TSMixer'ın çubuğu en kısa olup en düşük hatayı gösterir, ardından Transformer, CNN ve LSTM gelir. Üst üste çizilen bir çizgi grafiği, TSMixer tahminlerinin gerçek RMB/USD test verilerini yakından takip ettiğini, diğer modellerin ise yüksek oynaklık dönemlerinde daha büyük sapmalar gösterdiğini göstermektedir.

3.2 Temel Özellik Önemi

Özellik seçimi ve grad-CAM analizi kritik bir içgörüde birleşmiştir: temel ekonomik ilişkiler en önemlisidir. En etkili özellikler yalnızca hedef kurun gecikmeli değerleri değil, aynı zamanda şunları içermektedir:

• Çin-ABD ticaret hacmi ve dengesi.
• Euro'nun RMB'ye ve Japon Yeni'nin USD'ye karşı döviz kurları.
• Çin Halk Bankası ile Federal Rezerv arasındaki faiz oranı farklılıkları.

Bu, tahminde çok para birimli, makroekonomik bir bakış açısının önemini doğrulamaktadır.

3.3 Model Kararlarının Görselleştirilmesi

Grad-CAM ısı haritaları sezgisel kanıtlar sağlamıştır. Örneğin, tahmin edilen bir RMB değer kaybı sırasında, ısı haritası, genişleyen ABD-Çin ticaret açıkları ve güçlenen USD/JPY kurları gibi özelliklerde yüksek aktivasyon gösterecektir. Bu, analistlerin modeli "hata ayıklamasına", onun sahte korelasyonlar yerine ekonomik açıdan mantıklı sinyaller kullandığını doğrulamasına olanak tanır.

4. Temel İçgörü & Analist Perspektifi

Temel İçgörü: Bu makale, finansal tahminin sınırının yalnızca daha fazla katman veya veri yığmakla ilgili olmadığını; mimari verimliliğin, sonradan anlaşılabilirlikle birleşmesi olduğunu başarıyla göstermektedir. TSMixer, orijinal Transformer gibi devrimci yeni bir fikir değildir; çoğu finansal veri setinin tam olarak ne olduğu olan tablo tarzı çok değişkenli zaman serileri için son derece iyi çalışan pragmatik, verimli bir tasarımdır. Gerçek başarı, bunu grad-CAM ile birleştirmek, tartışmayı "hangi model en doğru"dan "hangi model bize doğru ve eyleme dönüştürülebilir sinyaller veriyor"a taşımaktır.

Mantıksal Akış: Araştırma mantığı sağlamdır: (1) Geleneksel doğrusal/ekonometrik modellerin karmaşık FX verileri üzerindeki başarısızlığını kabul etmek, (2) Bir dizi modern DL mimarisini test etmek, (3) En iyi performans göstereni (TSMixer) belirlemek ve (4) Kritik olarak, özellik önemi ve grad-CAM kullanarak neden çalıştığını açıklamak. Bu son adım, AI araştırması ile pratik finans arasındaki boşluğu kapatmaktadır.

Güçlü Yönler & Zayıflıklar:
Güçlü Yönler: Açıklanabilirliğe odaklanma en büyük gücüdür, finans gibi düzenlenmiş sektörlerde Yorumlanabilir AI (XAI) talebinin artmasıyla uyumludur. TSMixer seçimi akıllıcadır—büyük Transformer'lara kıyasla sınırlı finansal veriler üzerinde aşırı uyum sağlama eğilimi daha düşüktür. Temel özelliklere (ticaret akışları, çapraz kurlar) vurgu, AI'ı ekonomik gerçekliğe dayandırmaktadır.
Zayıflıklar: Makale, özetlendiği gibi, muhtemelen yaygın bir sınırlamayı paylaşmaktadır: geriye dönük test aşırı uyumu. "6 kategoride 40 özellik", çoklu karşılaştırmalar ve veri gözetleme riskinin yüksek olduğunu haykırmaktadır. TSMixer'ın üstünlüğü, farklı piyasa rejimlerinde (örn. sakin vs. kriz dönemleri) örnek dışında ne kadar sağlamdır? Ayrıca, grad-CAM faydalı olsa da, sonradan bir açıklamadır; modelin nedensel ilişkiler öğrendiğini garanti etmez, yalnızca önemli bulduğu korelasyonları gösterir.

Eyleme Dönüştürülebilir İçgörüler:

• Kantlar İçin: Çok değişkenli tahmin problemlerinizde TSMixer tarzı MLP mimarilerini test etmeye öncelik verin. Varsayılan olarak LSTM'lere yönelmeyin. Temel itici güçlere odaklanan sağlam özellik boru hatları oluşturmaya yatırım yapın.
• Risk Yöneticileri İçin: Grad-CAM görselleştirmelerini zorunlu bir "model denetimi" adımı olarak kullanın. Büyük bir tahminden önce ısı haritası anlamsız özellikleri vurguluyorsa, modelin geçerliliğini sorgulayın.
• Araştırmacılar İçin: Bir sonraki adım, açıklamadan nedensel açıklamaya geçmektir. Nedensel çıkarım araçlarını (örn. Çift Makine Öğrenimi, DL çerçevesi içinde Granger nedensellik testleri) entegre ederek korelasyonun ötesine geçin. Bu yaklaşımın gün içi tahmin için yüksek frekanslı emir defteri verileriyle entegrasyonunu keşfedin.

Orijinal Analiz (300-600 kelime): Bu araştırma, iki güçlü trendin ilginç bir kesişim noktasında yer almaktadır: yapılandırılmış veriler için verimli derin öğrenme mimarilerinin yükselişi ve finansal AI'da açıklanabilirlik için pazarlık edilemez talep. Yazarların TSMixer seçimi özellikle içgörülüdür. Google'daki araştırmacılar tarafından yazılan orijinal TSMixer makalesinde vurgulandığı gibi, gücü basitliğinde ve çok değişkenli zaman serisi kıyaslamalarındaki etkinliğinde yatar, genellikle daha karmaşık Transformer'ları geride bırakır. Bu, görüntü işleme için "MLP-Mixer" modelinden alınan dersleri hatırlatan, ML'de büyüyen bir fikir birliğiyle uyumludur: iyi tasarlanmış MLP'ler şaşırtıcı derecede rekabetçi olabilir. Veriler gürültülü olabilen ve rejimlerin değiştiği finans alanında, bu basitlik bir erdemdir, tam bir Transformer'daki milyonlarca parametreye kıyasla aşırı uyum risklerini azaltır.

Grad-CAM entegrasyonu, bunu saf bir performans egzersizinden pratik bir araca yükselten ustaca hamledir. Açıklanabilir AI (XAI) artık isteğe bağlı değildir. Avrupa Birliği'nin AI otoriteleri gibi kurumlardan etkilenen dünya çapındaki düzenleyici çerçeveler, otomatik karar vermede şeffaflık için baskı yapmaktadır. Bir risk yöneticisine, RMB değer kaybı tahmininin öncelikle genişleyen bir ticaret açığı ve Fed faiz artışı beklentileri tarafından yönlendirildiğini gösterme yeteneği—bir grad-CAM ısı haritasının göstereceği gibi—temel güveni oluşturur. Bu yaklaşım, grad-CAM'in (Selvaraju ve diğerleri tarafından tanıtılan) "modelin nereye baktığını" göstererek model yorumlanabilirliğinde devrim yarattığı bilgisayarlı görü alanındaki ilerlemeleri yansıtmaktadır. Bu tekniğin zaman serisi finansına uyarlanması doğrudan ve değerli bir uygulamadır.

Ancak, eleştirel bir analist ileriye bakmalıdır. Açıklansa bile tarihsel korelasyona güvenme bir sınırlama olarak kalmaktadır. Gelecek, nedensel keşif çerçevelerini dahil etmektedir. Örneğin, mimari, nedensel yapısal modellerden fikirleri dahil etmek veya farklı ekonomik döngüler boyunca geçerli olan ilişkileri öğrenmek için değişmez risk minimizasyonu gerçekleştirmek üzere değiştirilebilir mi? Ayrıca, RMB/USD'ye odaklanma uygun olsa da, TSMixer+grad-CAM çerçevesinin genellenebilirliğinin diğer oynak para birimi çiftlerine (örn. gelişmekte olan piyasa para birimleri) hatta diğer varlık sınıflarına test edilmesi, sağlamlığının gerçek testi olacaktır. Bu çalışma mükemmel bir temeldir; bir sonraki katman nedensellik ve alan dışı sağlamlık testi olmalıdır.

5. Teknik Detaylar & Matematiksel Çerçeve

Temel tahmin problemi, çok değişkenli bir zaman serisi penceresine dayanarak gelecekteki döviz kuru getirisini veya seviyesini tahmin etmek olarak formüle edilmiştir. $\mathbf{X}_t = [\mathbf{x}_{t-T+1}, ..., \mathbf{x}_t] \in \mathbb{R}^{T \times F}$, $T$ zaman adımından oluşan bir geriye bakma penceresi üzerinde $F=40$ özellikten oluşan bir matris olsun. $\theta$ ile parametrelendirilmiş model $f(\cdot)$ bir sonraki adımı tahmin eder: $\hat{y}_{t+1} = f_\theta(\mathbf{X}_t)$.

TSMixer Katmanı (Basitleştirilmiş): Temel bir bileşen iki karıştırma işlemi uygular:
1. Zamansal Karıştırma: Her özellik için bağımsız olarak zaman boyutu boyunca uygulanan MLP: $\mathbf{Z} = \sigma(\mathbf{X} \mathbf{W}_1 + \mathbf{b}_1) \mathbf{W}_2 + \mathbf{b}_2$.
2. Özellik Karıştırma: Her zaman adımı için bağımsız olarak özellik boyutu boyunca uygulanan MLP, özelliklerin etkileşime girmesine izin verir.

Zaman Serisi için Grad-CAM: Çıktı aktivasyon haritaları $\mathbf{A}^k \in \mathbb{R}^{T \times F}$ olan bir evrişim katmanı için, $\hat{y}$ tahmini için $k$ haritasının önem ağırlığı $\alpha_k$ gradyanlar aracılığıyla hesaplanır: $\alpha_k = \frac{1}{Z} \sum_{t} \sum_{f} \frac{\partial \hat{y}}{\partial A_{tf}^k}$. Grad-CAM ısı haritası $\mathbf{L} \in \mathbb{R}^{T \times F}$ ağırlıklı bir toplamdır: $\mathbf{L} = ReLU(\sum_k \alpha_k \mathbf{A}^k)$. $ReLU$, tahmin üzerinde pozitif etkisi olan özellikleri vurgular.

6. Analiz Çerçevesi: Pratik Bir Örnek

Senaryo: Bir hedge fonu, Asya FX portföyünü bilgilendirmek için RMB/USD'nin kısa vadeli görünümünü değerlendirmek istemektedir.

Çerçeve Uygulaması:

1. Veri Toplama: Fonun veri ekibi, çalışmanın 6 kategorili özellik setini, ticaret akışları, çapraz kurlar ve faiz oranı farklılıkları için Bloomberg/Refinitiv'den veri kaynaklayarak çoğaltır.
2. Model Eğitimi & Seçimi: 2010-2021 verileri üzerinde LSTM, CNN, Transformer ve TSMixer modellerini eğitirler, 2022'yi doğrulama için ayırırlar. TSMixer'ın kendi spesifik veri dilimlerindeki üstün performansını doğrularlar.
3. Tahmin & Açıklama: 1 Temmuz 2023'te, TSMixer modeli önümüzdeki bir ay için %1.5'lik bir RMB zayıflaması tahmin eder. Analist, bunu olduğu gibi kabul etmek yerine grad-CAM çalıştırır.
4. Yorumlama & Karar: Grad-CAM ısı haritası, en yüksek aktivasyonu (a) ABD 10 yıllık faiz oranındaki son bir artış, (b) Çin'in aylık ihracat büyüme rakamlarındaki bir düşüş ve (c) güçlenen bir EUR/USD kuru üzerinde gösterir. Analist bunları temel görüşlerle çapraz referans alır: "Model, genişleyen faiz farklılıklarını ve yumuşayan Çin ihracat momentumunu algılıyor—ikisi de RMB için geçerli ayı sinyalleri. EUR/USD bağlantısı bir risk alma vekili olabilir. İç görüşümüz (a) ve (b) ile uyumlu, bu nedenle kısa vadedeki güvenimizi artırıyor ve hedge oranımızı buna göre artırıyoruz."

Bu çerçeve, opak bir tahmini, mantıklı, denetlenebilir bir yatırım tezine dönüştürür.

7. Gelecek Uygulamalar & Araştırma Yönleri

• Çoklu Varlık Sınıfı Tahmini: TSMixer+grad-CAM çerçevesinin kredi spread'leri, emtia vadeli işlemleri vadeli yapıları veya kripto para birimi çiftleri gibi diğer karmaşık finansal enstrümanlara uygulanması.
• Yüksek Frekanslı Alım Satım (HFT) Entegrasyonu: Modelin, açıklanabilirliğin geçici piyasa mikro yapı sinyallerini anlamak için çok önemli olduğu limit emir defteri verileri kullanılarak gün içi tahmin için uyarlanması.
• Nedensel AI Entegrasyonu: En umut verici yön. Nedensel keşif algoritmalarının (örn. PCMCI, Sinirsel Granger Nedenselliği) eğitim döngüsüne dahil edilmesi, modeli 40 özellikten yalnızca korelasyonel değil, nedensel ilişkiler öğrenmeye yönlendirmek.
• Düzenleyici Teknoloji (RegTech): Açıklanabilir çıktıların, SR 11-7 veya AB AI Yasası gibi düzenlemelere uyum için otomatik model doğrulama ve belgelendirmenin bir parçası olarak kullanılması.
• Aktif Portföy Yönetimi: Bu tahmin-ve-açıklama motorunun, model sinyallerine ve ilişkili güven/açıklama netliğine dayalı olarak döviz pozisyonlarını ayarlayan dinamik bir portföy optimizasyon sistemine gömülmesi.

8. Referanslar

1. Meng, S., Chen, A., Wang, C., vd. (2023). Enhancing Exchange Rate Forecasting with Explainable Deep Learning Models. Working Paper.
2. Chen, S., vd. (2023). TSMixer: An All-MLP Architecture for Time Series Forecasting. arXiv preprint arXiv:2303.06053.
3. Selvaraju, R. R., vd. (2017). Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization. Proceedings of the IEEE International Conference on Computer Vision (ICCV).
4. European Commission. (2021). Proposal for a Regulation laying down harmonised rules on artificial intelligence (Artificial Intelligence Act).
5. Board of Governors of the Federal Reserve System. (2011). Supervisory Guidance on Model Risk Management (SR Letter 11-7).
6. Vaswani, A., vd. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems (NeurIPS).
7. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation.