Chagua Lugha

Muundo Mseto wa Wavelet-ARNN-ARIMA kwa Utabiri wa Bei za Forex

Muundo mpya mseto unaounganisha usafishaji wa wimbi dogo (wavelet), Mtandao wa Neuroni wa Kurudia wenye Makini (ARNN), na ARIMA kwa utabiri sahihi wa bei za forex, ukifikia usahihi wa mwelekeo wa 76%.
forexrate.org | PDF Size: 0.3 MB
Ukadiriaji: 4.5/5
★ ★ ★ ★ ★
Ukadiriaji Wako
Umekadiria waraka huu tayari
Kifuniko cha Waraka PDF - Muundo Mseto wa Wavelet-ARNN-ARIMA kwa Utabiri wa Bei za Forex
Tazama Waraka PDF Pakua PDF Tafsiri PDF
Nyumbani » Nyaraka » Muundo Mseto wa Wavelet-ARNN-ARIMA kwa Utabiri wa Bei za Forex

1. Utangulizi

Soko la ubadilishaji wa fedha za kigeni (Forex), lenye ujazo wa biashara ya kila siku unaozidi trilioni $5, linawasilisha fursa na hatari kubwa. Kutabiri bei kwa usahihi ni muhimu kwa mikakati bora ya biashara. Hata hivyo, data ya Forex ina sifa za kutofautiana sana, kelele, na muundo tata usio na mstari, na kufanya utabiri kuwa changamoto kubwa sana. Miundo ya jadi ya mstari kama ARIMA mara nyingi haitoshi kukamata mienendo hii. Karatasi hii inapendekeza mbinu mseto mpya inayounganisha kwa ushirikiano Usafishaji wa Mawimbi Madogo (Wavelet Denoising), Mtandao wa Neuroni wa Kurudia wenye Makini (ARNN), na muundo wa Autoregressive Integrated Moving Average (ARIMA) ili kushughulikia vipengele vyote vya mstari na visivyo vya mstari vya mfululizo wa wakati wa Forex, kwa lengo la utendaji bora wa kutabiri.

2. Fasihi Inayohusiana

2.1 Usafishaji wa Mawimbi Madogo (Wavelet Denoising)

Mabadiliko ya Mawimbi Madogo (Wavelet Transform) ni zana yenye nguvu ya uchambuzi wa wakati-mzunguko, inayotenganisha kwa ufanisi ishara kutoka kwa kelele katika data ya kifedha isiyo tuli. Kwa kugawanya mfululizo wa wakati katika mgawo wa makadirio na wa kina, inaruhusu kuondolewa kwa makusudi kwa vipengele vya kelele vya mzunguko wa juu ambavyo vinaweza kuficha mienendo ya msingi na muundo wa uhusiano wa kiotomatiki, hatua muhimu ya utayarishaji ili kuboresha ubora wa pembejeo ya muundo.

2.2 Mitandao ya Neuroni katika Fedha

Mitandao ya Neuroni, haswa Mitandao ya Neuroni ya Kurudia (RNNs) na aina zake kama LSTMs, imeonyesha matumaini katika kuiga mfululizo tata wa wakati wa kifedha usio na mstari. Ujumuishaji wa utaratibu wa makini, kama inavyoonekana katika miundo kama Transformer, huruhusu mtandao kuzingatia uchunguzi uliopita unaofaa zaidi kwa kutabiri, na kuimarisha uwezo wa kuiga mfuatano.

2.3 Miundo Mseto ya Kutabiri

Dhana ya "mgawanyiko na ushirikiano" imethibitishwa vizuri. Wazo kuu ni kutumia miundo tofauti kukamata sifa tofauti za data (mfano, mstari dhidi ya usio na mstari, mwelekeo dhidi ya msimu) na kisha kuunganisha utabiri wao. Mchango wa karatasi hii uko katika mchanganyiko maalum wa usafishaji wa mawimbi madogo kwa utayarishaji, ARNN kwa muundo usio na mstari, na ARIMA kwa vipengele vya mstari vilivyobaki.

3. Mbinu

3.1 Utayarishaji wa Data na Usafishaji wa Mawimbi Madogo

Mfululizo wa asili wa bei ya Forex $P_t$ umegawanywa kwa kutumia Mabadiliko ya Mawimbi Madogo ya Kipekee (DWT): $P_t = A_J + \sum_{j=1}^{J} D_j$, ambapo $A_J$ ni mgawo wa makadirio (mwelekeo wa mzunguko wa chini) na $D_j$ ni mgawo wa kina (kelele ya mzunguko wa juu katika kiwango $j$). Kazi ya kizingiti (mfano, kizingiti laini) inatumika kwa mgawo wa kina ili kupunguza kelele, ikifuatiwa na ujenzi upya ili kupata mfululizo uliosafishwa $\tilde{P}_t$.

3.2 Muundo wa Mtandao wa Neuroni wa Kurudia wenye Makini (ARNN)

Muundo hutumia mfumo wa RNN wa kusimba na kusimbua na safu ya makini. Kifaa cha kusimba (seli za LSTM) kinachakata mfuatano wa pembejeo $\tilde{P}_{t-n:t-1}$ na kutoa mfuatano wa hali za siri $h_i$. Utaratibu wa makini huhesabu vekta ya muktadha $c_t$ kama jumla iliyopimwa ya hali hizi za kifaa cha kusimba: $c_t = \sum_{i=1}^{n} \alpha_{t,i} h_i$, ambapo uzito wa makini $\alpha_{t,i}$ unajifunza na mtandao wa mbele. LSTM ya kusimbua kisha hutumia $c_t$ na hali yake ya awali kutabiri kipengele kisicho na mstari $\hat{N}_t$.

3.3 Uainishaji wa Muundo wa ARIMA

Muundo wa ARIMA(p,d,q) unalingana na uhusiano wa mstari katika mfululizo wa wakati. Baada ya ARNN kukamata sehemu isiyo na mstari, mfululizo wa mabaki $R_t = \tilde{P}_t - \hat{N}_t$ unaigwa na ARIMA: $\phi(B)(1-B)^d R_t = \theta(B) \epsilon_t$, ambapo $\phi$ na $\theta$ ni polinomia za AR na MA, $B$ ni kiendeshaji cha kurudia nyuma, $d$ ni mpangilio wa tofauti, na $\epsilon_t$ ni kelele nyeupe. Hii inatoa utabiri wa mstari $\hat{L}_t$.

3.4 Mkakati wa Ujumuishaji Mseto

Utabiri wa mwisho $\hat{P}_t$ ni mchanganyiko rahisi wa nyongeza wa utabiri kutoka kwa miundo miwili iliyoundwa: $\hat{P}_t = \hat{N}_t + \hat{L}_t$. Hii inadhania kuwa vipengele vya mstari na visivyo vya mstari vinaongezwa na vimetenganishwa kwa ufanisi na mchakato wa kuiga.

Kipimo Kikuu cha Utendaji

1.65

RMSE

Usahihi wa Mwelekeo

~76%

Kiwango cha Mafanikio ya Kutabiri

Kiwango cha Soko la Forex

>$5T

Ujazo wa Kila Siku

4. Matokeo ya Majaribio

4.1 Seti ya Data na Usanidi wa Majaribio

Majaribio yalifanywa kwa data ya mzunguko wa juu ya ubadilishaji wa USD/JPY ya dakika tano. Seti ya data iligawanywa katika seti za mafunzo, uthibitishaji, na majaribio. Miundo ya msingi ya kulinganisha ilijumuisha ARIMA pekee, LSTM ya kawaida, na miundo mingine ya mitandao ya neuroni kutoka kwa fasihi inayohusiana.

4.2 Vipimo vya Utendaji na Ulinganisho

Muundo mseto uliopendekezwa ulifikia Kosa la Mzizi wa Maana ya Mraba (RMSE) ya 1.65 na usahihi wa mwelekeo (DA) wa takriban 76%. Hii ilivuka miundo yote ya msingi. Kwa mfano, muundo wa ARIMA pekee unaweza kufikia DA ya ~55-60%, wakati LSTM ya kawaida inaweza kufikia ~65-70%, na kuangazia thamani ya mbinu mseto na utayarishaji.

4.3 Uchambuzi na Majadiliano ya Matokeo

Uboreshaji mkubwa katika usahihi wa mwelekeo unastahili kuzingatiwa hasa kwa matumizi ya biashara, ambapo kutabiri mwelekeo sahihi wa mwendo wa bei (juu/chini) mara nyingi ni muhimu zaidi kuliko hatua halisi ya bei. Kupunguzwa kwa RMSE kinaonyesha kupunguzwa kwa makosa ya utabiri kwa ujumla. Matokeo yanathibitisha dhana kwamba usafishaji wa mawimbi madogo huweka thabiti pembejeo na kwamba muundo mseto unakamata kwa ufanisi tegemezi za mstari na zisizo za mstari.

5. Uchambuzi wa Kiufundi na Ufahamu wa Wataalamu

Ufahamu wa Msingi

Karatasi hii sio tu mradi mwingine wa "AI kwa fedha"; ni mchezo wa uhandisi wenye busara unaotambua ukweli wa msingi: masoko ya kifedha ni mifumo ya hali nyingi. Sio fujo tu wala sio ya kutabirika kabisa; huzunguka kati ya vipindi vya kufuata mwelekeo (inayoweza kukamatwa na miundo ya mstari) na mshtuko tata, unaoendeshwa na habari (unahitaji miundo isiyo na mstari). Ufahamu wa msingi wa waandishi ni kulazimisha muundo kuiga waziwazi hii ya uwili badala ya kutarajia mtandao mmoja mkubwa uigundue.

Mtiririko wa Mantiki

Mfereji huu una mantiki nzuri: 1) Safisha Ishara (Usafishaji wa Mawimbi Madogo): Hii haikubaliani. Kulisha data ghafi, yenye kelele ya mzunguko wa juu kwenye muundo wowote ni kuomba shida, kwani kelele inatawala mteremko. Matumizi ya mawimbi madogo ni bora kuliko wastani rahisi wa kusonga kwani huhifadhi vipengele vya ndani. 2) Gawanya na Shinda (ARNN kwa usio na mstari, ARIMA kwa mstari): Hii ndiyo hatua bora. Inafuata kanuni ya nadharia ya "Hakuna Chakula cha Bure" katika masomo ya mashine—hakuna muundo mmoja unaofaa zaidi kwa matatizo yote. Acha zana maalum (ARIMA) ishughulikie uhusiano wa kiotomatiki wa mstari unaoeleweka vizuri, na kuachilia ARNN yenye nguvu lakini yenye njaa ya data kuzingatia pekee muundo tata usio na mstari. 3) Unganisha tena (Ujumuishaji wa Nyongeza): Nyongeza rahisi ni yenye ufanisi, ikidhani kuwa vipengele vilivyokamatwa vina mwelekeo tofauti.

Nguvu na Kasoro

Nguvu: Mbinu hii ni inayoweza kutetelewa na kufafanuliwa kwa kiasi fulani. Unaweza kukagua mabaki ya ARIMA na uzito wa makini wa ARNN. Utendaji wake (76% DA kwenye FX ya dakika 5) ni muhimu kivitendo na unazidi viwango vya kawaida. Ni mfumo thabiti unaotumika zaidi ya Forex kwa mfululizo wowote wenye kelele, usio tuli (mfano, sarafu ya kidijitali, bidhaa zenye kutofautiana).

Kasoro na Mapungufu Muhimu: Tembo katika chumba ni kukosekana kwa uigaji wa biashara halisi ulimwenguni. DA ya juu na RMSE ya chini kwenye seti ya majaribio hailingani na faida. Gharama za manunuzi, kuteleza, na ucheleweshaji katika dirisha la dakika 5 kunaweza kuangamiza faida za karatasi. Muundo huu ni wa kiufundi tu, na hauzingati habari za uchumi wa kimakro au data ya kitabu cha maagizo—kikomo kikubwa katika hali ya sasa ya biashara ya algoriti. Zaidi ya hayo, mchanganyiko wa nyongeza ni rahisi sana; utaratibu wa kupima uliojifunza (mfano, mtandao wa mlango) unaweza kurekebisha kwa nguvu mchango wa kila muundo kulingana na hali ya soko, mbinu inayodokezwa katika utafiti wa meta-kujifunza kutoka taasisi kama DeepMind.

Ufahamu Unaoweza Kutekelezwa

Kwa wataalamu wa hesabu na wasimamizi wa mali: Rudia, lakini kisha panua. Tumia muundo huu kama msingi wako mpya. Hatua zinazofuata mara moja ni: 1) Jumuisha Data Mbadala: Lisha kifaa cha kusimba cha ARNN na vekta zilizojumuishwa kutoka kwa uchambuzi wa hisia za habari za wakati halisi (kwa kutumia miundo kama FinBERT) pamoja na data ya bei. 2) Tekeleza Upimaji wa Nguvu Unaobadilika: Badilisha $\hat{N}_t + \hat{L}_t$ iliyowekwa na $w_t \hat{N}_t + (1-w_t)\hat{L}_t$, ambapo $w_t$ ni mtandao mdogo wa neuroni unaotabiri "kutokuwa na mstari" ya sasa ya soko. 3) Jaribu Nyuma kwa Msuguano: Endesha utabiri kupitia injini ya majaribio ya nyuma yenye uhalisi na gharama. Thamani halisi ya DA ya 76% itaonekana tu chini ya hali hizi. Karatasi hii inatoa kizuizi cha injini; tasnia lazima sasa ijenge gari lote la biashara kuzunguka hilo.

6. Mfumo wa Uchambuzi na Mfano wa Kesi

Hali: Kutabiri mshumaa unaofuata wa dakika 5 kwa EUR/USD wakati wa tangazo kuu la benki kuu (mfano, mkutano wa waandishi wa habari wa ECB).

Utumiaji wa Mfumo:

  1. Utayarishaji wa Mawimbi Madogo: Mfululizo wa bei wa dakika 5 kutoka saa 4 zilizopita (alama 48 za data) umegawanywa. Mgawo wa "kina" wa mzunguko wa juu unaoinuka wakati wa tangazo umepimwa sana, na kuusawazisha kelele ndogo huku ukihifadhi mruko mkubwa wa mwelekeo.
  2. Mgawanyiko wa Muundo:
    • Kipengele cha ARIMA: Huiga msukumo wa msingi na mwelekeo wa kurudi kwa wastani uliokuwako kabla ya habari. Utabiri wake unaweza kuwa mwendelezo mdogo wa mwelekeo wa kabla ya habari.
    • Kipengele cha ARNN: Utaratibu wa makini unazingatia sana baa za bei za hivi karibuni, zenye kutofautiana baada ya tangazo. Hujifunza kutoka kwa muundo sawa wa kihistoria wa "mshtuko wa habari" kutabiri athari za ziada za muda mfupi zinazowezekana na kurudi nyuma baadaye.
  3. Utabiri Mseto: Utabiri wa mwisho = (Utabiri wa ARIMA unaotegemea mwelekeo) + (Marekebisho ya athari za habari ya ARNN). Hii ni ya kina zaidi kuliko muundo wowote pekee, ambao unaweza kutojitolea chini (ARIMA) au kufaa kupita kiasi kwa kelele (RNN ya kawaida kwenye data ghafi).

7. Matumizi ya Baadaye na Mwelekeo

  • Utabiri wa Mali Nyingi na Kuvuka Soko: Panua mfumo huu kuiga uhusiano kati ya jozi za Forex, hisa, na dhamana. Kifaa cha kusimba cha ARNN kinaweza kuchakata mfululizo mwingi wa wakati unaohusiana kwa wakati mmoja.
  • Ujumuishaji na Kujifunza kwa Nguvu (RL): Tumia utabiri wa muundo mseto kama uwakilishi wa hali kwa wakala wa RL anayejifunza sera bora za utekelezaji wa biashara, na kuboresha moja kwa moja faida badala ya kosa la utabiri.
  • Uboreshaji wa AI Inayoweza Kufafanuliwa (XAI): Unda mbinu za kuhusisha utabiri wa mwisho na mienendo maalum ya mstari (kupitia mgawo wa ARIMA) na pointi maalum za wakati uliopita (kupitia ramani za makini za ARNN), na kutoa sababu zinazoweza kutekelezwa kwa utabiri kwa wafanyabiashara.
  • Kujifunza Mtandaoni Kinaendana: Tekeleza utaratibu wa muundo kusasisha vigezo vyake kwa data mpya kwa mtindo wa mkondo ili kuendana na mabadiliko ya hali ya soko, na kuivuka miundo tuli ya mafunzo-majaribio.

8. Marejeo

  1. Benki ya Kimataifa ya Mikopo (BIS). (2019). Uchunguzi wa Benki Kuu wa Miaka Mitatu wa ubadilishaji wa fedha za kigeni na masoko ya derivatives ya OTC.
  2. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Uchambuzi wa mfululizo wa wakati: utabiri na udhibiti. John Wiley & Sons.
  3. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Makini ndiyo yote unayohitaji. Maendeleo katika mifumo ya usindikaji wa habari ya neuroni, 30.
  4. Zhang, G. P. (2003). Kutabiri mfululizo wa wakati kwa kutumia muundo mseto wa ARIMA na mtandao wa neuroni. Neurocomputing, 50, 159-175.
  5. Hochreiter, S., & Schmidhuber, J. (1997). Kumbukumbu ya muda mrefu-mfupi. Hesabu ya neuroni, 9(8), 1735-1780.
  6. Wolpert, D. H., & Macready, W. G. (1997). Hakuna nadharia ya chakula cha bure kwa uboreshaji. IEEE transactions on evolutionary computation, 1(1), 67-82.
  7. DeepMind. (2023). Utafiti katika Mawakala Wanaoendana. Imepatikana kutoka https://www.deepmind.com/research/highlighted-research/adaptive-agents