ফরেক্স মূল্য পূর্বাভাসের জন্য হাইব্রিড ওয়েভলেট-এআরএনএন-এআরআইএমএ মডেল

1. ভূমিকা

প্রতিদিন ৫ ট্রিলিয়ন ডলারেরও বেশি ট্রেডিং ভলিউম সহ বৈদেশিক মুদ্রা (ফরেক্স) বাজার উল্লেখযোগ্য সুযোগ ও ঝুঁকি উপস্থাপন করে। কার্যকর ট্রেডিং কৌশলের জন্য সঠিক মূল্য পূর্বাভাস অত্যন্ত গুরুত্বপূর্ণ। তবে, ফরেক্স ডেটা উচ্চ অস্থিরতা, নয়েজ এবং জটিল অ-রৈখিক প্যাটার্ন দ্বারা চিহ্নিত, যা পূর্বাভাসকে ব্যতিক্রমীভাবে চ্যালেঞ্জিং করে তোলে। এআরআইএমএ-এর মতো ঐতিহ্যবাহী রৈখিক মডেলগুলি প্রায়শই এই গতিশীলতাগুলি ক্যাপচার করতে ব্যর্থ হয়। এই গবেষণাপত্রটি একটি অভিনব হাইব্রিড পদ্ধতির প্রস্তাব করে যা ফরেক্স টাইম সিরিজের রৈখিক ও অ-রৈখিক উভয় উপাদানকে মোকাবেলা করার জন্য ওয়েভলেট ডিনয়েজিং, একটি অ্যাটেনশন-ভিত্তিক রিকারেন্ট নিউরাল নেটওয়ার্ক (এআরএনএন) এবং অটোরিগ্রেসিভ ইন্টিগ্রেটেড মুভিং এভারেজ (এআরআইএমএ) মডেলকে সমন্বিতভাবে একত্রিত করে, উচ্চতর পূর্বাভাসমূলক কর্মক্ষমতার লক্ষ্যে।

2. সংশ্লিষ্ট সাহিত্য

2.1 ওয়েভলেট ডিনয়েজিং

ওয়েভলেট ট্রান্সফর্ম হল টাইম-ফ্রিকোয়েন্সি বিশ্লেষণের একটি শক্তিশালী হাতিয়ার, যা অ-স্থির আর্থিক ডেটাতে সিগন্যালকে নয়েজ থেকে কার্যকরভাবে পৃথক করে। একটি টাইম সিরিজকে আনুমানিক এবং বিস্তারিত সহগে পচিয়ে ফেলে, এটি উচ্চ-ফ্রিকোয়েন্সি নয়েজ উপাদানগুলির নির্বাচনী অপসারণের অনুমতি দেয় যা অন্তর্নিহিত প্রবণতা এবং অটোকোরিলেশন কাঠামোকে অস্পষ্ট করতে পারে, যা মডেল ইনপুটের গুণমান উন্নত করার জন্য একটি গুরুত্বপূর্ণ প্রিপ্রসেসিং ধাপ।

2.2 অর্থনীতিতে নিউরাল নেটওয়ার্ক

নিউরাল নেটওয়ার্ক, বিশেষ করে রিকারেন্ট নিউরাল নেটওয়ার্ক (আরএনএন) এবং এলএসটিএম-এর মতো তাদের বৈচিত্র্যগুলি, জটিল, অ-রৈখিক আর্থিক টাইম সিরিজ মডেলিংয়ে প্রতিশ্রুতি দেখিয়েছে। ট্রান্সফরমারের মতো মডেলগুলিতে দেখা যায়, অ্যাটেনশন মেকানিজমের ইন্টিগ্রেশন নেটওয়ার্কটিকে পূর্বাভাস দেওয়ার জন্য সবচেয়ে প্রাসঙ্গিক অতীত পর্যবেক্ষণগুলিতে ফোকাস করতে দেয়, যা সিকোয়েন্স মডেলিং ক্ষমতা বাড়ায়।

2.3 হাইব্রিড পূর্বাভাস মডেল

"পচন এবং সমষ্টি" প্যারাডাইম সুপ্রতিষ্ঠিত। মূল ধারণাটি হল বিভিন্ন ডেটা বৈশিষ্ট্য (যেমন, রৈখিক বনাম অ-রৈখিক, প্রবণতা বনাম ঋতুগততা) ক্যাপচার করতে বিভিন্ন মডেল ব্যবহার করা এবং তারপর তাদের পূর্বাভাসগুলিকে একত্রিত করা। এই গবেষণাপত্রের অবদান হল প্রিপ্রসেসিংয়ের জন্য ওয়েভলেট ডিনয়েজিং, অ-রৈখিক প্যাটার্নের জন্য এআরএনএন এবং অবশিষ্ট রৈখিক উপাদানগুলির জন্য এআরআইএমএ-এর নির্দিষ্ট সমন্বয়ে নিহিত।

3. পদ্ধতিবিদ্যা

3.1 ডেটা প্রিপ্রসেসিং ও ওয়েভলেট ডিনয়েজিং

মূল ফরেক্স মূল্য সিরিজ $P_t$ কে ডিসক্রিট ওয়েভলেট ট্রান্সফর্ম (ডিডাব্লিউটি) ব্যবহার করে পচানো হয়: $P_t = A_J + \sum_{j=1}^{J} D_j$, যেখানে $A_J$ হল আনুমানিক সহগ (নিম্ন-ফ্রিকোয়েন্সি প্রবণতা) এবং $D_j$ হল বিস্তারিত সহগ (লেভেল $j$ এ উচ্চ-ফ্রিকোয়েন্সি নয়েজ)। নয়েজ দমন করার জন্য বিস্তারিত সহগগুলিতে একটি থ্রেশহোল্ডিং ফাংশন (যেমন, সফট থ্রেশহোল্ডিং) প্রয়োগ করা হয়, তারপরে পুনর্গঠন করে ডিনয়েজড সিরিজ $\tilde{P}_t$ পাওয়া যায়।

3.2 অ্যাটেনশন-ভিত্তিক আরএনএন (এআরএনএন) আর্কিটেকচার

মডেলটি একটি অ্যাটেনশন লেয়ার সহ একটি এনকোডার-ডিকোডার আরএনএন ফ্রেমওয়ার্ক ব্যবহার করে। এনকোডার (এলএসটিএম সেল) ইনপুট সিকোয়েন্স $\tilde{P}_{t-n:t-1}$ প্রক্রিয়া করে এবং লুকানো অবস্থার একটি ক্রম $h_i$ উৎপন্ন করে। অ্যাটেনশন মেকানিজম একটি প্রসঙ্গ ভেক্টর $c_t$ গণনা করে এই এনকোডার অবস্থাগুলির একটি ওয়েটেড সমষ্টি হিসাবে: $c_t = \sum_{i=1}^{n} \alpha_{t,i} h_i$, যেখানে অ্যাটেনশন ওজন $\alpha_{t,i}$ একটি ফিড-ফরওয়ার্ড নেটওয়ার্ক দ্বারা শেখা হয়। তারপর ডিকোডার এলএসটিএম $c_t$ এবং তার পূর্ববর্তী অবস্থা ব্যবহার করে অ-রৈখিক উপাদান $\hat{N}_t$ পূর্বাভাস করে।

3.3 এআরআইএমএ মডেল স্পেসিফিকেশন

এআরআইএমএ(p,d,q) মডেলটি টাইম সিরিজের রৈখিক সম্পর্ক ফিট করে। এআরএনএন অ-রৈখিক অংশটি ক্যাপচার করার পরে, অবশিষ্ট সিরিজ $R_t = \tilde{P}_t - \hat{N}_t$ কে এআরআইএমএ দ্বারা মডেল করা হয়: $\phi(B)(1-B)^d R_t = \theta(B) \epsilon_t$, যেখানে $\phi$ এবং $\theta$ হল এআর এবং এমএ বহুপদী, $B$ হল ব্যাকশিফট অপারেটর, $d$ হল ডিফারেন্সিং অর্ডার, এবং $\epsilon_t$ হল হোয়াইট নয়েজ। এটি রৈখিক পূর্বাভাস $\hat{L}_t$ দেয়।

3.4 হাইব্রিড ইন্টিগ্রেশন কৌশল

চূড়ান্ত পূর্বাভাস $\hat{P}_t$ হল দুটি উপাদান মডেলের পূর্বাভাসের একটি সাধারণ সংযোজনমূলক সমন্বয়: $\hat{P}_t = \hat{N}_t + \hat{L}_t$। এটি ধরে নেয় যে রৈখিক এবং অ-রৈখিক উপাদানগুলি সংযোজনমূলক এবং মডেলিং প্রক্রিয়া দ্বারা কার্যকরভাবে পৃথক করা হয়েছে।

4. পরীক্ষামূলক ফলাফল

4.1 ডেটাসেট ও পরীক্ষামূলক সেটআপ

পরীক্ষাগুলি উচ্চ-ফ্রিকোয়েন্সি ইউএসডি/জেপিওয়াই পাঁচ-মিনিটের এক্সচেঞ্জ রেট ডেটাতে পরিচালিত হয়েছিল। ডেটাসেটকে প্রশিক্ষণ, বৈধতা এবং পরীক্ষা সেটে বিভক্ত করা হয়েছিল। তুলনার জন্য বেসলাইন মডেলগুলির মধ্যে ছিল স্ট্যান্ডঅ্যালোন এআরআইএমএ, স্ট্যান্ডার্ড এলএসটিএম এবং সংশ্লিষ্ট সাহিত্য থেকে অন্যান্য নিউরাল নেটওয়ার্ক আর্কিটেকচার।

4.2 কর্মদক্ষতা মেট্রিক ও তুলনা

প্রস্তাবিত হাইব্রিড মডেলটি ১.৬৫ এর একটি রুট মিন স্কোয়ার এরর (আরএমএসই) এবং প্রায় ৭৬% এর একটি দিকনির্দেশক নির্ভুলতা (ডিএ) অর্জন করেছে। এটি সমস্ত বেসলাইন মডেলকে ছাড়িয়ে গেছে। উদাহরণস্বরূপ, একটি স্ট্যান্ডঅ্যালোন এআরআইএমএ মডেল ~৫৫-৬০% ডিএ অর্জন করতে পারে, যখন একটি স্ট্যান্ডার্ড এলএসটিএম ~৬৫-৭০% পৌঁছাতে পারে, যা হাইব্রিড পদ্ধতি এবং প্রিপ্রসেসিংয়ের মূল্য তুলে ধরে।

4.3 ফলাফল বিশ্লেষণ ও আলোচনা

দিকনির্দেশক নির্ভুলতার উল্লেখযোগ্য উন্নতি ট্রেডিং অ্যাপ্লিকেশনের জন্য বিশেষভাবে লক্ষণীয়, যেখানে সঠিক মূল্য চলাচলের দিক (উর্ধ্ব/নিম্ন) পূর্বাভাস দেওয়া প্রায়শই সঠিক মূল্য বিন্দুর চেয়ে বেশি গুরুত্বপূর্ণ। আরএমএসই-তে হ্রাস সামগ্রিক পূর্বাভাস ত্রুটি হ্রাস নির্দেশ করে। ফলাফলগুলি এই অনুমানকে বৈধতা দেয় যে ওয়েভলেট ডিনয়েজিং ইনপুটকে স্থিতিশীল করে এবং হাইব্রিড মডেলটি রৈখিক এবং অ-রৈখিক উভয় নির্ভরতাকে কার্যকরভাবে ক্যাপচার করে।

5. প্রযুক্তিগত বিশ্লেষণ ও বিশেষজ্ঞের অন্তর্দৃষ্টি

6. বিশ্লেষণ কাঠামো ও কেস উদাহরণ

পরিস্থিতি: একটি প্রধান কেন্দ্রীয় ব্যাংক ঘোষণার সময় (যেমন, ইসিবি প্রেস কনফারেন্স) ইউরো/ইউএসডি-এর জন্য পরবর্তী ৫-মিনিটের ক্যান্ডেল পূর্বাভাস দেওয়া।

কাঠামো প্রয়োগ:

1. ওয়েভলেট প্রিপ্রসেসিং: গত ৪ ঘন্টা (৪৮ ডেটা পয়েন্ট) থেকে কাঁচা ৫-মিনিট মূল্য সিরিজ পচানো হয়। ঘোষণার সময় স্পাইক করা উচ্চ-ফ্রিকোয়েন্সি "বিস্তারিত" সহগগুলি ব্যাপকভাবে থ্রেশহোল্ড করা হয়, প্রধান দিকনির্দেশক লাফ সংরক্ষণ করার সময় মাইক্রো-নয়েজ মসৃণ করে।
2. মডেল পচন:
   • এআরআইএমএ উপাদান: সংবাদের আগে বিদ্যমান অন্তর্নিহিত গতি এবং গড়-প্রত্যাবর্তনের প্রবণতা মডেল করে। এর পূর্বাভাসটি প্রি-নিউজ প্রবণতার একটি সামান্য ধারাবাহিকতা হতে পারে।
   • এআরএনএন উপাদান: অ্যাটেনশন মেকানিজম সবচেয়ে সাম্প্রতিক, অস্থির পোস্ট-ঘোষণা মূল্য বারগুলিতে ব্যাপকভাবে ফোকাস করে। এটি অনুরূপ ঐতিহাসিক "নিউজ শক" প্যাটার্নগুলি থেকে শেখে সম্ভাব্য স্বল্পমেয়াদী অতিপ্রতিক্রিয়া এবং পরবর্তী আংশিক প্রত্যাবর্তন পূর্বাভাস করতে।
3. হাইব্রিড পূর্বাভাস: চূড়ান্ত পূর্বাভাস = (এআরআইএমএ-এর প্রবণতা-ভিত্তিক পূর্বাভাস) + (এআরএনএন-এর সংবাদ-প্রভাব সমন্বয়)। এটি যে কোনও মডেলের চেয়ে বেশি সূক্ষ্ম, যা হয় কম প্রতিক্রিয়া দেখাতে পারে (এআরআইএমএ) বা নয়েজে ওভারফিট করতে পারে (কাঁচা ডেটার উপর একটি স্ট্যান্ডার্ড আরএনএন)।

7. ভবিষ্যতের প্রয়োগ ও দিকনির্দেশনা

• মাল্টি-অ্যাসেট ও ক্রস-মার্কেট পূর্বাভাস: ফরেক্স জোড়া, ইকুইটি এবং বন্ডগুলির মধ্যে পারস্পরিক সম্পর্ক মডেল করার জন্য কাঠামোটি প্রসারিত করুন। এআরএনএন এনকোডার একই সাথে একাধিক সম্পর্কিত টাইম সিরিজ প্রক্রিয়া করতে পারে।
• রিইনফোর্সমেন্ট লার্নিং (আরএল) এর সাথে ইন্টিগ্রেশন: হাইব্রিড মডেলের পূর্বাভাসগুলিকে একটি আরএল এজেন্টের জন্য অবস্থা উপস্থাপনা হিসাবে ব্যবহার করুন যা সর্বোত্তম ট্রেডিং এক্সিকিউশন নীতি শেখে, পূর্বাভাস ত্রুটির পরিবর্তে সরাসরি লাভের জন্য অপ্টিমাইজ করে।
• ব্যাখ্যাযোগ্য এআই (এক্সএআই) উন্নতি: চূড়ান্ত পূর্বাভাসকে নির্দিষ্ট রৈখিক প্রবণতা (এআরআইএমএ সহগের মাধ্যমে) এবং নির্দিষ্ট অতীত সময় বিন্দুতে (এআরএনএন অ্যাটেনশন ম্যাপের মাধ্যমে) আরোপ করার পদ্ধতি বিকাশ করুন, পূর্বাভাসের জন্য ট্রেডারদেরকে কার্যকরী কারণ প্রদান করে।
• অভিযোজিত অনলাইন লার্নিং: পরিবর্তনশীল বাজার রেজিমের সাথে খাপ খাইয়ে নেওয়ার জন্য মডেলটিকে নতুন ডেটা দিয়ে ধারাবাহিকভাবে তার প্যারামিটার আপডেট করার মেকানিজম বাস্তবায়ন করুন, স্থির ট্রেন-টেস্ট প্যারাডাইমের বাইরে চলে যান।

8. তথ্যসূত্র

1. ব্যাংক ফর ইন্টারন্যাশনাল সেটেলমেন্টস (বিআইএস)। (২০১৯)। ট্রায়েনিয়াল সেন্ট্রাল ব্যাংক সার্ভে অফ ফরেন এক্সচেঞ্জ অ্যান্ড ওটিসি ডেরিভেটিভস মার্কেটস।
2. বক্স, জি. ই. পি., জেনকিন্স, জি. এম., রেইনসেল, জি. সি., এবং লজং, জি. এম. (২০১৫)। টাইম সিরিজ অ্যানালাইসিস: ফোরকাস্টিং অ্যান্ড কন্ট্রোল। জন উইলি অ্যান্ড সন্স।
3. ভাসওয়ানি, এ., শাজির, এন., পারমার, এন., উসজকোরেইট, জে., জোন্স, এল., গোমেজ, এ. এন., ... এবং পোলোসুখিন, আই. (২০১৭)। অ্যাটেনশন ইজ অল ইউ নিড। অ্যাডভান্সেস ইন নিউরাল ইনফরমেশন প্রসেসিং সিস্টেমস, ৩০।
4. ঝাং, জি. পি. (২০০৩)। টাইম সিরিজ ফোরকাস্টিং ইউজিং এ হাইব্রিড এআরআইএমএ অ্যান্ড নিউরাল নেটওয়ার্ক মডেল। নিউরোকম্পিউটিং, ৫০, ১৫৯-১৭৫।
5. হকরেইটার, এস., এবং স্মিডহুবার, জে. (১৯৯৭)। লং শর্ট-টার্ম মেমরি। নিউরাল কম্পিউটেশন, ৯(৮), ১৭৩৫-১৭৮০।
6. ওলপার্ট, ডি. এইচ., এবং ম্যাকরেডি, ডব্লিউ. জি. (১৯৯৭)। নো ফ্রি লাঞ্চ থিওরেমস ফর অপ্টিমাইজেশন। আইইইই ট্রানজেকশনস অন ইভোলিউশনারি কম্পিউটেশন, ১(১), ৬৭-৮২।
7. ডিপমাইন্ড। (২০২৩)। রিসার্চ ইন অ্যাডাপটিভ এজেন্টস। থেকে সংগৃহীত: https://www.deepmind.com/research/highlighted-research/adaptive-agents