Model Hibrid Wavelet-ARNN-ARIMA untuk Ramalan Harga Forex

1. Pengenalan

Pasaran pertukaran asing (Forex), dengan volum dagangan harian melebihi $5 trilion, menawarkan peluang dan risiko yang besar. Ramalan harga yang tepat adalah penting untuk strategi dagangan yang berkesan. Walau bagaimanapun, data Forex dicirikan oleh turun naik tinggi, hingar, dan corak tak linear yang kompleks, menjadikan ramalan amat mencabar. Model linear tradisional seperti ARIMA sering kali gagal menangkap dinamik ini. Kertas kerja ini mencadangkan metodologi hibrid baharu yang menggabungkan secara sinergi Penyingkiran Hingar Wavelet, Rangkaian Neural Berulang Berasaskan Perhatian (ARNN), dan model Purata Bergerak Autoregresif Bersepadu (ARIMA) untuk menangani kedua-dua komponen linear dan tak linear siri masa Forex, dengan matlamat untuk prestasi ramalan yang unggul.

2. Literatur Berkaitan

2.1 Penyingkiran Hingar Wavelet

Transformasi Wavelet adalah alat yang berkuasa untuk analisis masa-frekuensi, berkesan memisahkan isyarat daripada hingar dalam data kewangan tak pegun. Dengan menguraikan siri masa kepada pekali penghampiran dan terperinci, ia membolehkan penyingkiran terpilih komponen hingar frekuensi tinggi yang boleh mengaburi aliran asas dan struktur autokorelasi, satu langkah pra-pemprosesan yang kritikal untuk meningkatkan kualiti input model.

2.2 Rangkaian Neural dalam Kewangan

Rangkaian Neural, terutamanya Rangkaian Neural Berulang (RNN) dan variannya seperti LSTM, telah menunjukkan potensi dalam memodelkan siri masa kewangan yang kompleks dan tak linear. Integrasi mekanisme perhatian, seperti yang dilihat dalam model seperti Transformer, membolehkan rangkaian memberi tumpuan kepada pemerhatian masa lalu yang paling relevan untuk membuat ramalan, meningkatkan keupayaan pemodelan jujukan.

2.3 Model Ramalan Hibrid

Paradigma "penguraian dan ensemble" telah mantap. Idea terasnya adalah menggunakan model berbeza untuk menangkap ciri data yang berbeza (contohnya, linear lawan tak linear, tren lawan musiman) dan kemudian menggabungkan ramalan mereka. Sumbangan kertas kerja ini terletak pada gabungan khusus penyingkiran hingar wavelet untuk pra-pemprosesan, ARNN untuk corak tak linear, dan ARIMA untuk komponen linear baki.

3. Metodologi

3.1 Pra-pemprosesan Data & Penyingkiran Hingar Wavelet

Siri harga Forex asal $P_t$ diuraikan menggunakan Transformasi Wavelet Diskret (DWT): $P_t = A_J + \sum_{j=1}^{J} D_j$, di mana $A_J$ ialah pekali penghampiran (tren frekuensi rendah) dan $D_j$ ialah pekali terperinci (hingar frekuensi tinggi pada tahap $j$). Fungsi ambang (contohnya, ambang lembut) digunakan pada pekali terperinci untuk menyekat hingar, diikuti dengan pembinaan semula untuk mendapatkan siri tanpa hingar $\tilde{P}_t$.

3.2 Seni Bina RNN Berasaskan Perhatian (ARNN)

Model ini menggunakan rangka kerja RNN penyahkod-penyandi dengan lapisan perhatian. Penyandi (sel LSTM) memproses jujukan input $\tilde{P}_{t-n:t-1}$ dan menghasilkan jujukan keadaan tersembunyi $h_i$. Mekanisme perhatian mengira vektor konteks $c_t$ sebagai jumlah berwajaran keadaan penyandi ini: $c_t = \sum_{i=1}^{n} \alpha_{t,i} h_i$, di mana pemberat perhatian $\alpha_{t,i}$ dipelajari oleh rangkaian suap hadapan. Penyahkod LSTM kemudian menggunakan $c_t$ dan keadaan sebelumnya untuk meramalkan komponen tak linear $\hat{N}_t$.

3.3 Spesifikasi Model ARIMA

Model ARIMA(p,d,q) memadankan hubungan linear dalam siri masa. Selepas ARNN menangkap bahagian tak linear, siri baki $R_t = \tilde{P}_t - \hat{N}_t$ dimodelkan oleh ARIMA: $\phi(B)(1-B)^d R_t = \theta(B) \epsilon_t$, di mana $\phi$ dan $\theta$ ialah polinomial AR dan MA, $B$ ialah operator anjakan belakang, $d$ ialah peringkat pembezaan, dan $\epsilon_t$ ialah hingar putih. Ini menghasilkan ramalan linear $\hat{L}_t$.

3.4 Strategi Integrasi Hibrid

Ramalan akhir $\hat{P}_t$ ialah gabungan tambahan mudah ramalan daripada dua model konstituen: $\hat{P}_t = \hat{N}_t + \hat{L}_t$. Ini mengandaikan komponen linear dan tak linear adalah tambahan dan telah berkesan dipisahkan oleh proses pemodelan.

4. Keputusan Eksperimen

4.1 Set Data & Persediaan Eksperimen

Eksperimen dijalankan pada data kadar pertukaran USD/JPY lima minit frekuensi tinggi. Set data dibahagikan kepada set latihan, pengesahan dan ujian. Model asas untuk perbandingan termasuk ARIMA berdiri sendiri, LSTM standard, dan seni bina rangkaian neural lain daripada literatur berkaitan.

4.2 Metrik Prestasi & Perbandingan

Model hibrid yang dicadangkan mencapai Ralat Punca Min Kuasa Dua (RMSE) sebanyak 1.65 dan ketepatan arah (DA) kira-kira 76%. Ini mengatasi semua model asas. Sebagai contoh, model ARIMA berdiri sendiri mungkin mencapai DA ~55-60%, manakala LSTM standard mungkin mencapai ~65-70%, menonjolkan nilai pendekatan hibrid dan pra-pemprosesan.

4.3 Analisis & Perbincangan Keputusan

Peningkatan ketara dalam ketepatan arah amat ketara untuk aplikasi dagangan, di mana meramalkan arah pergerakan harga yang betul (naik/turun) selalunya lebih kritikal daripada titik harga yang tepat. Pengurangan dalam RMSE menunjukkan pengurangan ralat ramalan keseluruhan. Keputusan mengesahkan hipotesis bahawa penyingkiran hingar wavelet menstabilkan input dan model hibrid berkesan menangkap kedua-dua kebergantungan linear dan tak linear.

5. Analisis Teknikal & Pandangan Pakar

6. Kerangka Analisis & Contoh Kes

Skenario: Meramalkan lilin 5 minit seterusnya untuk EUR/USD semasa pengumuman bank pusat utama (contohnya, sidang media ECB).

Aplikasi Kerangka:

1. Pra-pemprosesan Wavelet: Siri harga 5-minit mentah dari 4 jam terakhir (48 titik data) diuraikan. Pekali "terperinci" frekuensi tinggi yang melonjak semasa pengumuman diberi ambang berat, melicinkan hingar mikro sambil mengekalkan lonjakan arah utama.
2. Penguraian Model:
   • Komponen ARIMA: Memodelkan momentum asas dan kecenderungan pemulihan min yang wujud sebelum berita. Ramalannya mungkin sedikit kesinambungan tren pra-berita.
   • Komponen ARNN: Mekanisme perhatian memberi tumpuan berat kepada bar harga pasca-pengumuman yang paling terkini dan tidak stabil. Ia belajar daripada corak "kejutan berita" sejarah yang serupa untuk meramalkan tindak balas lampau jangka pendek yang mungkin dan pemulihan separa seterusnya.
3. Ramalan Hibrid: Ramalan akhir = (Ramalan berasaskan tren ARIMA) + (Pelarasan kesan berita ARNN). Ini lebih bernuansa daripada mana-mana model sahaja, yang mungkin sama ada kurang bertindak balas (ARIMA) atau terlalu padan dengan hingar (RNN standard pada data mentah).

7. Aplikasi & Hala Tuju Masa Depan

• Ramalan Pelbagai Aset & Lintas Pasaran: Kembangkan rangka kerja untuk memodelkan korelasi antara pasangan Forex, ekuiti dan bon. Penyahkod ARNN boleh memproses pelbagai siri masa berkaitan serentak.
• Integrasi dengan Pembelajaran Pengukuhan (RL): Gunakan ramalan model hibrid sebagai perwakilan keadaan untuk ejen RL yang mempelajari dasar pelaksanaan dagangan optimum, mengoptimumkan secara langsung untuk keuntungan daripada ralat ramalan.
• Penambahbaikan AI Boleh Diterangkan (XAI): Bangunkan kaedah untuk mengaitkan ramalan akhir kepada tren linear tertentu (melalui pekali ARIMA) dan titik masa lalu tertentu (melalui peta perhatian ARNN), menyediakan pedagang dengan sebab boleh tindak untuk ramalan.
• Pembelajaran Dalam Talian Adaptif: Laksanakan mekanisme untuk model mengemas kini parameter secara berterusan dengan data baharu secara strim untuk menyesuaikan diri dengan perubahan rejim pasaran, bergerak melangkaui paradigma latihan-ujian statik.

8. Rujukan

1. Bank for International Settlements (BIS). (2019). Triennial Central Bank Survey of foreign exchange and OTC derivatives markets.
2. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: forecasting and control. John Wiley & Sons.
3. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.
4. Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175.
5. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.
6. Wolpert, D. H., & Macready, W. G. (1997). No free lunch theorems for optimization. IEEE transactions on evolutionary computation, 1(1), 67-82.
7. DeepMind. (2023). Research in Adaptive Agents. Retrieved from https://www.deepmind.com/research/highlighted-research/adaptive-agents