LSTM ve Makine Öğrenimi ile USD/BDT Döviz Kuru Tahmininde İlerleme

1. Giriş

ABD Doları'ndan Bangladeş Takası'na (USD/BDT) döviz kurunun doğru tahmini, Bangladeş'in ithalata bağımlı ekonomisi için ticaret dengesi, enflasyon ve döviz rezervi yönetimini etkileyen kritik bir öneme sahiptir. Geleneksel istatistiksel modeller, özellikle ekonomik belirsizlik altında, gelişmekte olan piyasa para birimlerinin doğrusal olmayan, karmaşık örüntülerini yakalamakta genellikle başarısız olur. Bu çalışma, 2018'den 2023'e kadar olan tarihsel verileri kullanarak, özellikle Uzun Kısa Vadeli Bellek (LSTM) sinir ağları ve Gradient Boosting Sınıflandırıcıları (GBC) gibi gelişmiş makine öğrenimi modelleri geliştirip değerlendirerek bu boşluğu ele almaktadır. Araştırma, finansal risk azaltma ve politika oluşturma için sağlam araçlar sağlamayı amaçlamaktadır.

2. Literatür Taraması

Derin öğrenmenin, özellikle LSTM ağlarının uygulanması, finansal zaman serisi tahmininde önemli bir potansiyel göstermiştir. RNN'lerdeki kaybolan gradyan problemini çözmek için Hochreiter & Schmidhuber tarafından öncülük edilen LSTM'ler, uzun vadeli bağımlılıkları yakalamada üstündür. Unutma kapıları (Gers ve diğerleri) gibi sonraki iyileştirmeler, oynaklığa uyum sağlama yeteneğini geliştirmiştir. USD/INR üzerine yapılanlar gibi ampirik çalışmalar, LSTM'lerin yönsel doğrulukta geleneksel ARIMA modellerini %18–22 oranında geride bıraktığını göstermektedir. Ancak, Bangladeş'in kendine özgü yönetimli dalgalanma rejimi ve yerel makroekonomik şoklar dikkate alındığında, özellikle USD/BDT paritesini hedef alan araştırmalar hala sınırlıdır. Bu çalışma, bu yeni gelişen alanın üzerine inşa edilmekte ve onu genişletmektedir.

3. Metodoloji & Veri

3.1 Veri Toplama & Ön İşleme

Ocak 2018'den Aralık 2023'e kadar günlük USD/BDT döviz kuru verileri Yahoo Finance'ten temin edilmiştir. Veri seti temizlenmiş ve piyasa trendleri ile oynaklığı yakalamak için normalize edilmiş günlük getiriler, basit hareketli ortalamalar (SMA) ve göreceli güç endeksi (RSI) gibi özellikler mühendislikle üretilmiştir. Veriler eğitim (%80) ve test (%20) setlerine ayrılmıştır.

3.2 LSTM Model Mimarisi

Temel tahmin modeli, istiflenmiş bir LSTM ağıdır. Mimari tipik olarak şunları içerir:

• Giriş Katmanı: Tarihsel fiyat/özellik verilerinin dizileri.
• LSTM Katmanları: Aşırı öğrenmeyi önlemek için düzenlileştirme amacıyla dropout içeren iki veya daha fazla katman.
• Yoğun Katman: Çıktı için tam bağlantılı bir katman.
• Çıktı Katmanı: Bir sonraki dönemin döviz kurunu tahmin etmek için tek bir nöron.

Model, Adam optimize edici ve Ortalama Kare Hata (MSE) kayıp fonksiyonu kullanılarak eğitilmiştir.

3.3 Gradient Boosting Sınıflandırıcı

Yönsel tahmin (yukarı/aşağı hareket) için bir Gradient Boosting Sınıflandırıcı (GBC) uygulanmıştır. GBC, yinelemeli öğrenme yoluyla tahmin hatasını en aza indirmeye odaklanarak, güçlü bir sınıflandırıcı oluşturmak için zayıf tahmin modellerinden (karar ağaçları) oluşan bir topluluk kullanır.

4. Deneysel Sonuçlar & Analiz

4.1 Performans Metrikleri

LSTM modeli olağanüstü sonuçlar elde etmiştir: %99.449 doğruluk, 0.9858 Kök Ortalama Kare Hata (RMSE) ve 0.8523 test kaybı. Bu performans, RMSE'si 1.342 olan geleneksel ARIMA modelini önemli ölçüde geride bırakmıştır. Yüksek doğruluk, LSTM'nin USD/BDT döviz kurunun karmaşık zamansal dinamiklerini modellemedeki üstün yeteneğini göstermektedir.

4.2 Geriye Dönük Test & Ticaret Simülasyonu

Gradient Boosting Sınıflandırıcı, 10.000$ başlangıç sermayesi ile başlayan bir ticaret simülasyonu üzerinde geriye dönük test edilmiştir. 49 işlem üzerinden model, %40.82'lik bir karlı işlem oranına ulaşmıştır. Ancak, simülasyon 20.653,25$'lık net bir zararla sonuçlanmıştır. Bu, kritik bir içgörüyü vurgulamaktadır: Yüksek yönsel doğruluk, otomatik olarak karlı ticaret stratejilerine dönüşmez, çünkü işlem maliyetleri, kayma ve risk yönetimi (PDF'de bahsedilmeyen stop-loss/take-profit seviyeleri) belirleyici roller oynar.

Grafik Açıklaması (İma Edilen): Bir çizgi grafiği, muhtemelen tarihsel USD/BDT kurunun yaklaşık 0.012'den (2018) 0.009'a (2023) düştüğünü gösterecektir. İkinci bir grafik, GBC ticaret stratejisinin kümülatif K&Z'sini çizecek, kazançlı bir başlangıç dönemini takip eden ve nihai net zarara yol açan dik bir düşüşü gösterecektir.

5. Teknik Derinlemesine İnceleme

LSTM'nin etkinliğinin özü, hücre durumu ve kapı mekanizmalarında yatar. $t$ zaman adımındaki bir LSTM hücresi için temel denklemler şunlardır:

Unutma Kapısı: $f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$
Giriş Kapısı: $i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$
Aday Hücre Durumu: $\tilde{C}_t = \tanh(W_C \cdot [h_{t-1}, x_t] + b_C)$
Hücre Durumu Güncellemesi: $C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$
Çıktı Kapısı: $o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$
Gizli Durum Çıktısı: $h_t = o_t * \tanh(C_t)$

Burada $\sigma$ sigmoid fonksiyonudur, $*$ eleman bazında çarpımı belirtir, $W$ ve $b$ ağırlıklar ve önyargılardır, $x_t$ girdidir, $h_t$ gizli durumdur ve $C_t$ hücre durumudur. Bu mimari, modelin uzun diziler boyunca bilgiyi seçici bir şekilde hatırlamasına veya unutmasına izin verir; bu, uzun menzilli bağımlılıklara sahip finansal zaman serileri için çok önemlidir.

6. Analitik Çerçeve & Vaka Örneği

Çerçeve: Forex ML İş Akışı
Bu çalışma, finansal ML için standart ancak etkili bir iş akışını örneklemektedir:

1. Problem Çerçeveleme: Regresyon (fiyat için LSTM) vs. Sınıflandırma (yön için GBC).
2. Özellik Mühendisliği: Ham fiyatlardan (getiriler, teknik göstergeler) tahmine dayalı sinyaller oluşturma.
3. Model Seçimi & Eğitimi: Zamansal veri için dizi-farkında modeller (LSTM) seçme.
4. Kesin Doğrulama: İleriye bakış yanlılığından kaçınmak için rastgele bölmeler değil, zaman serisi çapraz doğrulama kullanma.
5. Strateji Geriye Dönük Testi: Model tahminlerini gerçekçi kısıtlamalarla simüle edilmiş bir ticaret stratejisine dönüştürme.

Vaka Örneği: Sinyal Üretimi
LSTM tahminine dayalı basitleştirilmiş bir kural şu olabilir: "Eğer yarın için tahmin edilen fiyat > (bugünkü fiyat + bir eşik $\alpha$), AL sinyali üret." GBC doğrudan bir sınıf etiketi çıktılar (YUKARI için 1, AŞAĞI için 0). Makaledeki ticari zarardan çıkarılan kritik ders, pozisyon büyüklüğünü, stop-loss emirlerini ve portföy tahsisini belirleyen sonraki bir risk yönetimi katmanının gerekliliğidir; bu muhtemelen simülasyonda eksik veya basitti.

7. Gelecek Uygulamalar & Yönelimler

Forex tahmininde YZ'nin geleceği çok modlu, uyarlanabilir sistemlerdedir:

• Alternatif Veri Entegrasyonu: Two Sigma gibi hedge fonlarında görüldüğü gibi, gerçek zamanlı haber duygu analizi (BERT gibi NLP modelleri kullanarak), merkez bankası iletişim tonu ve jeopolitik risk endekslerinin dahil edilmesi.
• Hibrit & Dikkat Tabanlı Modeller: Standart LSTM'lerin ötesine geçerek, farklı zaman adımlarının önemini daha esnek bir şekilde tartabilen, öz-dikkat mekanizmalarına sahip Transformer mimarilerine (Vaswani ve diğerlerinin "Attention is All You Need" çalışmasındaki gibi) geçiş.
• Pekiştirmeli Öğrenme (RL): Sadece fiyatları tahmin etmek yerine, maliyetleri ve risk ayarlı getirileri dikkate alarak optimal ticaret politikalarını doğrudan öğrenen RL ajanları geliştirme. Bu, DeepMind ve OpenAI'ın simüle edilmiş ortamlardaki araştırmalarıyla uyumludur.
• Açıklanabilir YZ (XAI): Model tahminlerini yorumlamak için SHAP veya LIME gibi tekniklerin uygulanması; bu, düzenleyici uyumluluk ve finansal kurumlardan güven kazanmak için çok önemlidir.
• Çapraz Piyasa Öğrenimi: Evrensel oynaklık ve bulaşma örüntülerini öğrenmek için birden fazla para çifti veya varlık sınıfı üzerinde modeller eğitme.

8. Kaynaklar

1. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation.
2. Gers, F. A., Schmidhuber, J., & Cummins, F. (2000). Learning to Forget: Continual Prediction with LSTM.
3. Rahman ve diğerleri. (2022). LSTM-based Forecasting for Emerging Market Currencies: A USD/INR Case Study. Journal of Computational Finance.
4. Afrin, S., ve diğerleri. (2021). Forecasting USD/BDT Exchange Rate Using Machine Learning. International Conference on Computer and Information Technology.
5. Vaswani, A., ve diğerleri. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems.
6. Yahoo Finance. (2023). USD/BDT Historical Data.

9. Sektör Analisti Perspektifi

Temel İçgörü: Bu makale, kantitatif finans alanındaki "doğruluk-karlılık paradoksunun" klasik bir örneğidir. Yazarlar, USD/BDT tahmininde neredeyse mükemmel %99.45 doğruluğa ulaşan teknik olarak sağlam bir LSTM modeli inşa etmişlerdir—takdire şayan bir başarı—ancak ilişkili ticaret stratejileri sermayeyi felaket bir şekilde eritmiştir. Gerçek hikaye modelin hassasiyeti değil; akademik metrik optimizasyonu ile gerçek dünya ticaret K&Z'si arasındaki göze çarpan kopukluktur. Birçok kantın zor yoldan öğrendiği bir gerçeğin altını çizer: RMSE'yi en aza indirmek, Sharpe Oranını maksimize etmekle aynı şey değildir.

Mantıksal Akış: Araştırma standart bir iş akışını takip eder: veri edinimi, özellik mühendisliği, model seçimi (LSTM/GBC) ve performans doğrulaması. Ancak mantıksal hata, doğrulamadan uygulamaya sıçramadadır. Geriye dönük test naif görünmekte, muhtemelen sağlam işlem maliyeti modellemesi, kayma ve en kritiği olarak tutarlı bir risk yönetimi çerçevesinden yoksundur. Büyük bir negatif net sonuçla %40'lık bir kazanma oranı, stratejinin kaybeden işlem başına kayıplarının, kazanan işlem başına kazançlarından çok daha büyük olduğunu—hiçbir LSTM doğruluğunun düzeltemeyeceği ölümcül bir kusur—göstermektedir.

Güçlü & Zayıf Yönler:

• Güçlü Yönler: Niş, az araştırılmış bir para çifti (USD/BDT) için mükemmel model mühendisliği. ARIMA ile karşılaştırma net bir kıyaslama sağlar. Ticari zararın açıkça belirtilmesi entelektüel olarak dürüsttür ve sadece başarıları vurgulayan birçok makaleden daha değerlidir.
• Zayıf Yönler: Ticaret simülasyonu esasen sonradan akla gelen bir düşüncedir, tahmin ve uygulama katmanları arasında—sistematik ticaretin tam kalbinde—bir entegrasyon eksikliğini ortaya koymaktadır. Pozisyon büyüklüğü (ör. Kelly Kriteri), stop-loss'lar veya portföy bağlamı hakkında hiçbir tartışma yoktur. Ayrıca, LSTM'ler güçlü olsa da, kara kutu doğaları, Gradient Boosted Trees gibi daha yorumlanabilir topluluklara kıyasla, düzenlenmiş finansal kurumlarda benimsenmenin önünde önemli bir engel olmaya devam etmektedir.

Uygulanabilir İçgörüler:

1. Pekiştirmeli Öğrenme ile Açığı Kapatın: Tahmin ve ticareti ayrı adımlar olarak ele almak yerine, gelecekteki çalışmalar uçtan uca Pekiştirmeli Öğrenme (RL) kullanmalıdır. DeepMind'ın oyun oynamak için kullandıklarına benzer bir RL ajanı, ham veriden doğrudan ticaret metriklerini (ör. kümülatif getiri, Sortino oranı) optimize etmeyi öğrenebilir, maliyetleri ve riski doğal olarak hesaba katar.
2. "Tahmin-Uygulama-Risk" Üçlüsünü Benimseyin: Herhangi bir tahmin araştırması bir üçlü içinde değerlendirilmelidir. Tahmin modeli sadece bir köşedir. Aynı titizlik uygulama modeline (piyasa etkisi, maliyetler) ve risk modeline (VaR, beklenen açık, düşüş kontrolü) de uygulanmalıdır.
3. Rejim Tespitine Odaklanın: Yönetimli dalgalanma altındaki USD/BDT'nin farklı rejimleri (istikrarlı, müdahale, kriz) vardır. Mevcut rejimi önce tespit etmek için Markov Geçiş Modelleri veya kümeleme algoritmaları gibi modeller kullanılmalı, ardından en uygun tahmin modeli uygulanmalıdır. Tek model her şeye uyar yaklaşımı miyoptur.
4. Açıklanabilirliği Önceliklendirin: Akademik bir alıştırmadan tüccarın aracına geçmek için XAI tekniklerini uygulayın. Bir tüccara, bir "sat" sinyalinin %60'ının genişleyen bir ticaret açığından ve %40'ının RSI sapmasından kaynaklandığını göstermek, %99 doğru bir kara kutudan çok daha fazla güven oluşturur.