3.1. 數據預處理
原始外匯數據經過清洗、標準化，並構建成適合LSTM輸入的順序時間步長。特徵工程可能包括技術指標（例如移動平均線、RSI）。
1. 引言
外匯（Forex）市場每日交易額超過5萬億美元，是全球規模最大、流動性最高的金融市場。準確預測貨幣匯率，尤其是歐元/美元等主要貨幣對，對於風險管理和最大化回報至關重要。本研究探討應用長短期記憶（LSTM）神經網絡完成此任務，並有雙重重點：優化預測準確度，以及評估模型對計算能耗的影響。本研究旨在將金融預測與可持續計算實踐相結合。
2. 文獻回顧
外匯預測已從傳統的技術與基本面分析，發展至精密的機器學習技術。早期模型依賴統計時間序列方法（例如ARIMA）。人工神經網絡（ANNs）與支援向量機（SVMs）的出現標誌著重大轉變。近年，深度學習模型，尤其是LSTM及其混合模型（例如LSTM-RCN），因能捕捉波動金融數據中的長期時間依賴性而備受重視——此為相較於簡單模型的關鍵優勢。
3. Methodology & Model Architecture
本研究採用監督式學習方法，使用歷史歐元兌美元匯率數據進行分析。
3.2. LSTM 模型設計
設計了一個多層LSTM架構。該模型包含用於序列處理的LSTM層，其後是用於輸出預測的Dense層。並對層數、單元數和dropout率等超參數進行調校。
3.3. 評估指標
模型表現會使用三個關鍵指標進行嚴格評估：
- Mean Squared Error (MSE)： $MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$
- 平均絕對誤差 (MAE): $MAE = \frac{1}{n}\sum_{i=1}^{n}|y_i - \hat{y}_i|$
- R-squared (R²): $R^2 = 1 - \frac{\sum_{i}(y_i - \hat{y}_i)^2}{\sum_{i}(y_i - \bar{y})^2}$
4. Experimental Results & Analysis
4.1. 性能指標
經過90個訓練週期優化的LSTM模型，與基準模型（例如簡單RNN、ARIMA）相比，展現出更優越的效能。主要結果包括：
- 較低的MSE和MAE數值，顯示對歐元/美元價格走勢具有高預測準確度。
- R²值接近1，表示該模型解釋了匯率數據中很大一部分的變異。
- 該模型有效地捕捉了外匯市場中複雜的非線性模式和長期趨勢。
4.2. 能源消耗分析
本研究強調了一個關鍵但常被忽視的方面：深度學習的計算成本。訓練複雜的LSTM模型需要大量GPU/CPU資源，導致高能耗。論文指出，模型優化（例如：高效架構、在90個epochs提前停止訓練）不僅能提高準確性，還能減輕計算負荷，從而降低相關的能源消耗，為算法交易的環境可持續性作出貢獻。
5. Core Insight & Analyst Perspective
核心洞察： 本文嘅真正價值唔單止係另一個「LSTM喺金融領域擊敗基線模型」嘅結果。其關鍵洞見在於將模型優化框架設定為雙目標問題：最大化預測能力 同時最小化計算能耗。喺人工智能碳足跡備受審視嘅時代（正如 ML CO2 Impact 倡議），這將目標從單純追求準確度轉變為 高效準確度.
Logical Flow: 論證邏輯層層遞進：1) 外匯預測具價值但計算密集。2) LSTM是序列預測的尖端技術。3) 我們可優化其架構與訓練週期。4) 優化能提升評估指標（均方誤差、平均絕對誤差、R²）。5) 關鍵在於，此優化同時減少冗餘計算，節省能源。6) 這符合更廣泛的綠色人工智能原則。模型效率與能源效率之間的關聯性論證具說服力。
Strengths & Flaws: 優點： 跨學科視角具前瞻性且必要，將金融科技與可持續計算相連結。採用標準指標（MSE、MAE、R²）使性能主張可驗證。 重大缺陷： 該論文明顯缺乏 量化 節能效果。報告提及此概念，但缺乏確切數據——沒有節省多少焦耳、沒有減少多少二氧化碳當量、也沒有比較每個訓練週期的能耗。這是一個重大的遺漏。缺乏這種量化，能源效益的論點便停留在定性及提示性層面，而非結論性。此外，報告未探討模型對極端市場事件（「黑天鵝」）的穩健性——這對現實世界的交易系統而言是一個關鍵缺口。
可行建議： 致量化分析師同AI團隊：1) 監測訓練過程： 立即開始喺追蹤loss指標嘅同時，監測GPU功耗（使用如NVIDIA-SMI等工具）。建立「每瓦效能」基準。2) 超越早停法： 嘗試更先進的效率技術，例如模型修剪、量化（如TensorFlow Lite所探討）或知識蒸餾，以創建更小、更快、更節能且保持準確性的模型。 穩健性壓力測試： 不僅在正常時期驗證模型，還需在高波動性危機數據上進行測試。在市場崩盤時無聲失敗的模型比無用更糟。未來屬於既智能又高效的模型。
6. Technical Details & Mathematical Framework
LSTM單元的核心透過門控機制解決梯度消失問題。單個時間步長（t）的關鍵方程式為：
遺忘門： $f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$
輸入閘： $i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$
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： $C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$
輸出閘： $o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$
隱藏狀態輸出： $h_t = o_t * \tanh(C_t)$
其中 $\sigma$ 係 sigmoid 函數，$*$ 表示逐元素相乘，$W$ 同 $b$ 係權重同偏差，$h$ 係隱藏狀態，$x$ 係輸入。
模型喺訓練期間嘅損失函數通常係均方誤差 (MSE)，正如之前所定義，優化器（例如 Adam）會透過調整權重 (W, b) 來最小化呢個誤差。
7. 分析框架：一個實際案例
情境： 一家量化對沖基金希望為歐元/美元開發一個低延遲、注重能源效益的交易訊號。
框架應用：
- 問題定義： Predict the next 4-hour candle direction (up/down) with >55% accuracy, with a model inference time < 10ms and a goal to reduce training energy by 20% compared to a baseline LSTM.
- Data & Preprocessing: 使用5年嘅每小時OHLCV數據。創建特徵：對數回報率、滾動波動率窗口，以及訂單簿失衡代理指標。進行標準化並序列化成50個時間步長嘅窗口。
- 高效模型設計： 由一個小型LSTM開始（例如：32個單元）。使用貝葉斯優化進行超參數調校（層數、丟棄率、學習率），並採用組合目標函數：(準確率 * 0.7) + (1 / 能耗 * 0.3)。實施早停機制，耐心值設為15個訓練週期。
- Evaluation & Deployment: 在預留的測試集上評估準確率、模擬策略的夏普比率，並量度推論時間/功耗。最終模型為最佳LSTM的修剪版本，透過TensorFlow Serving部署以實現高效執行。
8. Future Applications & Research Directions
- 綠色人工智能於金融領域： 為金融模型制定「每單位預測增益能源效益」的標準化基準。監管機構推動在ESG報告中披露人工智能碳足跡。
- Hybrid & Lightweight Models: 研究將LSTM與注意力機制（Transformers）結合以提升長距離聚焦能力，或採用如時序卷積網絡（TCNs）或液態時間常數網絡（LTCs）等高效架構，以潛在降低計算成本。
- 可解釋人工智能（XAI）： 整合如SHAP或LIME等技術來解釋LSTM外匯預測，建立交易者信任並滿足潛在對可解釋性的監管要求。
- Decentralized & Edge Inference: 在交易伺服器附近的邊緣裝置上部署優化模型進行預測，以減少數據傳輸延遲及能耗。
- Multi-Asset & Cross-Market Prediction: 擴展模型以預測歐元/美元與其他資產類別（例如股票指數、商品）之間的相關性，用於投資組合層面的風險管理。
9. References
- Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. 神經計算, 9(8), 1735–1780.
- Sejnowski, T. J., et al. (2020). The Carbon Footprint of AI and Machine Learning. Communications of the ACM.
- Bank for International Settlements (BIS). (2019). Triennial Central Bank Survey of Foreign Exchange and OTC Derivatives Markets.
- Zhu, J.-Y., et al. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV). (以CycleGAN為創新深度學習架構嘅例子).
- Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics.
- TensorFlow Model Optimization Toolkit. (n.d.). Retrieved from https://www.tensorflow.org/model_optimization