1. 引言
準確預測美元兌孟加拉塔卡（USD/BDT）匯率，對於依賴進口嘅孟加拉經濟至關重要，直接影響貿易平衡、通脹同外匯儲備管理。傳統統計模型往往難以捕捉新興市場貨幣特有嘅非線性、複雜模式，特別係喺經濟不確定時期。本研究針對呢個缺口，利用2018至2023年嘅歷史數據，開發並評估先進嘅機器學習模型，特別係長短期記憶（LSTM）神經網絡同梯度提升分類器（GBC），旨在為金融風險緩解同政策制定提供穩健工具。
2. 文獻綜述
深度學習，尤其係LSTM網絡，喺金融時間序列預測方面展現出巨大潛力。由Hochreiter同Schmidhuber為解決RNN梯度消失問題而開創嘅LSTM，擅長捕捉長期依賴關係。後續嘅改進，例如遺忘門（Gers等人），增強咗模型對波動性嘅適應能力。針對USD/INR等嘅實證研究表明，LSTM喺方向性準確度上比傳統ARIMA模型高出18–22%。然而，專門針對USD/BDT匯率，並考慮孟加拉獨特嘅管理浮動匯率制度同本地宏觀經濟衝擊嘅研究仍然有限。本研究喺呢個新興領域上進行擴展。
3. 方法論與數據
3.1 數據收集與預處理
研究使用咗Yahoo Finance提供嘅2018年1月至2023年12月嘅每日USD/BDT匯率數據。數據集經過清洗，並構建咗標準化日回報率、簡單移動平均線（SMA）同相對強弱指數（RSI）等特徵，以捕捉市場趨勢同波動性。數據按80%訓練集同20%測試集進行分割。
3.2 LSTM模型架構
核心預測模型係一個堆疊式LSTM網絡。架構通常包括：
- 輸入層：歷史價格/特徵數據序列。
- LSTM層：兩層或以上，使用Dropout進行正則化以防止過度擬合。
- 密集層：一個全連接層用於輸出。
- 輸出層：一個神經元，用於預測下一期匯率。
模型使用Adam優化器同均方誤差（MSE）作為損失函數進行訓練。
3.3 梯度提升分類器
為咗進行方向性預測（升/跌），研究實現咗一個梯度提升分類器（GBC）。佢通過集成多個弱預測模型（決策樹）來創建一個強分類器，通過迭代學習專注於最小化預測誤差。
LSTM準確度
99.449%
LSTM RMSE
0.9858
盈利交易比率（GBC）
40.82%
ARIMA RMSE（基準）
1.342
4. 實驗結果與分析
4.1 性能指標
LSTM模型取得卓越成果：準確度高達99.449%，均方根誤差（RMSE）為0.9858，測試損失為0.8523。呢個表現顯著優於傳統ARIMA模型（RMSE為1.342）。高準確度表明LSTM喺建模USD/BDT匯率複雜時間動態方面具有優越能力。
4.2 回溯測試與交易模擬
梯度提升分類器喺一個初始資本為10,000美元嘅交易模擬中進行咗回溯測試。經過49次交易，模型實現咗40.82%嘅盈利交易比率。然而，模擬結果導致淨虧損20,653.25美元。呢個結果突顯出一個關鍵見解：高方向性準確度並唔會自動轉化為盈利嘅交易策略，因為交易成本、滑點同風險管理（PDF中未提及止損/止盈水平）起住決定性作用。
圖表描述（推測）： 折線圖可能會顯示歷史USD/BDT匯率從大約0.012（2018年）下降至0.009（2023年）。第二張圖表會繪製GBC交易策略嘅累計盈虧，顯示初期有盈利，隨後急劇回撤，最終導致淨虧損。
5. 技術深入探討
LSTM嘅有效性核心在於其細胞狀態同門控機制。時間步$t$嘅LSTM細胞關鍵方程式如下：
遺忘門： $f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$
輸入門： $i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$
候選細胞狀態： $\tilde{C}_t = \tanh(W_C \cdot [h_{t-1}, x_t] + b_C)$
細胞狀態更新： $C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$
輸出門： $o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$
隱藏狀態輸出： $h_t = o_t * \tanh(C_t)$
其中$\sigma$係Sigmoid函數，$*$表示逐元素乘法，$W$同$b$係權重同偏差，$x_t$係輸入，$h_t$係隱藏狀態，$C_t$係細胞狀態。呢個架構允許模型喺長序列中有選擇地記住或遺忘信息，對於具有長期依賴關係嘅金融時間序列至關重要。
6. 分析框架與案例示例
框架：外匯機器學習流程
本研究展示咗一個標準而有效嘅金融機器學習流程：
- 問題定義： 回歸（LSTM用於價格預測）與分類（GBC用於方向預測）。
- 特徵工程： 從原始價格創建預測信號（回報率、技術指標）。
- 模型選擇與訓練： 為時間數據選擇具有序列感知能力嘅模型（LSTM）。
- 嚴格驗證： 使用時間序列交叉驗證，而非隨機分割，以避免前瞻性偏差。
- 策略回溯測試： 將模型預測轉化為具有現實約束嘅模擬交易策略。
案例示例：信號生成
基於LSTM預測嘅簡化規則可以係：「如果預測聽日價格 >（今日價格 + 閾值$\alpha$），則生成買入信號。」GBC直接輸出類別標籤（1代表上升，0代表下降）。論文交易虧損帶嚟嘅關鍵教訓係，必須有一個後續嘅風險管理層，用於決定倉位大小、止損訂單同投資組合配置，而呢一點喺模擬中可能缺失或過於簡單。
7. 未來應用與方向
AI喺外匯預測嘅未來在於多模態、自適應系統：
- 整合另類數據： 納入實時新聞情緒分析（使用BERT等NLP模型）、央行溝通語氣同地緣政治風險指數，正如Two Sigma等對沖基金所做嘅。
- 混合與基於注意力嘅模型： 超越標準LSTM，轉向具有自注意力機制嘅Transformer架構（如Vaswani等人嘅「Attention is All You Need」），可以更靈活地權衡唔同時間步嘅重要性。
- 強化學習（RL）： 開發直接學習最優交易策略嘅RL智能體，考慮成本同風險調整後回報，而不僅僅係預測價格。呢個方向同DeepMind同OpenAI喺模擬環境中嘅研究一致。
- 可解釋AI（XAI）： 實施SHAP或LIME等技術嚟解釋模型預測，對於合規同獲得金融機構信任至關重要。
- 跨市場學習： 喺多個貨幣對或資產類別上訓練模型，以學習波動性同傳染嘅普遍模式。
8. 參考文獻
- Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation.
- Gers, F. A., Schmidhuber, J., & Cummins, F. (2000). Learning to Forget: Continual Prediction with LSTM.
- Rahman et al. (2022). LSTM-based Forecasting for Emerging Market Currencies: A USD/INR Case Study. Journal of Computational Finance.
- Afrin, S., et al. (2021). Forecasting USD/BDT Exchange Rate Using Machine Learning. International Conference on Computer and Information Technology.
- Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems.
- Yahoo Finance. (2023). USD/BDT Historical Data.
9. 行業分析師觀點
核心見解： 呢篇論文係量化金融中「準確度-盈利能力悖論」嘅典型例子。作者構建咗一個技術上穩健嘅LSTM模型，喺USD/BDT預測上達到近乎完美嘅99.45%準確度——值得稱讚——但佢哋相關嘅交易策略卻導致災難性資本虧損。真正嘅故事唔係模型嘅精確度，而係學術指標優化同現實世界交易盈虧之間嘅明顯脫節。佢強調咗許多量化分析師付出代價才學到嘅真理：最小化RMSE並唔等於最大化夏普比率。
邏輯流程： 研究遵循標準流程：數據獲取、特徵工程、模型選擇（LSTM/GBC）同性能驗證。然而，邏輯缺陷在於從驗證到應用嘅飛躍。回溯測試似乎過於簡單，可能缺乏穩健嘅交易成本建模、滑點，以及最關鍵嘅——一個連貫嘅風險管理框架。40%嘅勝率伴隨巨大淨虧損，表明策略每次虧損交易嘅損失遠大於每次盈利交易嘅收益——呢個係致命缺陷，任何LSTM準確度都無法彌補。
優點與缺點：
- 優點： 針對一個小眾、研究不足嘅貨幣對（USD/BDT）進行咗出色嘅模型工程。與ARIMA嘅比較提供咗清晰基準。明確提及交易虧損體現咗學術誠實，比許多只強調成功嘅論文更有價值。
- 缺點： 交易模擬基本上係事後補充，揭示咗預測層同執行層之間缺乏整合——而呢個正係系統性交易嘅核心。無討論倉位大小（例如凱利準則）、止損或投資組合背景。此外，雖然LSTM功能強大，但相比梯度提升樹等更可解釋嘅集成模型，其黑盒性質仍然係受監管金融機構採用嘅重大障礙。
可行建議：
- 用強化學習彌合差距： 唔好將預測同交易視為獨立步驟，未來工作應該採用端到端強化學習（RL）。一個類似DeepMind用於遊戲嘅RL智能體，可以學習從原始數據直接優化交易指標（例如累計回報、索提諾比率），從內在因素考慮成本同風險。
- 採用「預測-執行-風險」三位一體： 任何預測研究必須喺一個三位一體框架內評估。預測模型只係其中一個頂點。必須對執行模型（市場影響、成本）同風險模型（風險價值、預期缺口、回撤控制）應用同等嚴謹性。
- 專注於狀態檢測： USD/BDT喺管理浮動下具有唔同狀態（穩定、干預、危機）。應該首先使用馬爾可夫轉換模型或聚類算法檢測當前狀態，然後應用最合適嘅預測模型。一刀切嘅方法係短視嘅。
- 優先考慮可解釋性： 要從學術練習轉變為交易員工具，需要實施XAI技術。向交易員展示一個「賣出」信號60%由貿易逆差擴大驅動，40%由RSI背離驅動，比一個99%準確嘅黑盒更能建立信任。