The increasing computational demands of deep learning have raised concerns about the environmental sustainability of artificial intelligence applications, particularly in high-frequency domains such as financial forecasting. This paper addresses the need for more holistic evaluation criteria by proposing a multi-criteria scoring metric for deep learning models used in Bitcoin price forecasting. The purpose of the study is to develop a performance metric that balances predictive accuracy with computational efficiency and environmental impact. The method involves combining traditional accuracy measures with training time, energy consumption, andcarbon emissions into a unified performance score, calculated using a logistic scoring function. The metric was validated by applying it to forty-two configurations of Long Short-Term Memory models trained on historical Bitcoin price data. Each configuration was assessed for its forecasting accuracy, energy use and emissions (measured using a carbon-tracking tool). The results show that simpler Long Short-Term Memory models can offer competitive accuracy while significantly reducing training time and emissions. The highest-performing model achieved a balance of all criteria, while deeper architectures with marginal accuracy gains incurred disproportionate environmental costs. The study concludes that the proposed scoring metric offers a practical and scalable solution for selecting deep learning models under sustainability constraints, supporting more responsible Artificial Intelligence deployment in real-world settings.
Зростаючі обчислювальні вимоги глибокого навчання викликали занепокоєння щодо екологічної стійкості застосувань штучного інтелекту, особливо у високочастотних областях, таких як фінансове прогнозування. Cтаття розглядає потребу в більш цілісних критеріях оцінки, пропонуючи багатокритеріальну метрику оцінки для моделей глибокого навчання, що використовуються в прогнозуванні ціни біткойна. Метою дослідженняє розробка метрики продуктивності, яка збалансує точність прогнозування з обчислювальною ефективністю та впливом на навколишнє середовище. Метод передбачає поєднання традиційних показників точності з часом навчання, споживанням енергії та викидами вуглецю в єдину оцінку продуктивності, розраховану за допомогою логістичної функції оцінки. Метрику було перевірено шляхом її застосування до сорока двох конфігурацій моделей з довгостроковою пам'яттю (LSTM), навчених на історичних даних про ціну біткойна. Кожну конфігурацію було оцінено за точністю прогнозування, споживанням енергії та викидами (виміряними за допомогою інструменту відстеження вуглецю). Результати показують, що простіші моделі довгої короткострокової пам’яті (LSTM) можуть запропонувати конкурентоспроможну точність, водночас значно скорочуючи час навчання та викиди. Найпродуктивніша модель досягла балансу всіх критеріїв, тоді як глибші архітектури з незначним підвищенням точності понесли непропорційні екологічні витрати. У дослідженні зроблено висновок, що запропонована метрика оцінювання пропонує практичне та масштабоване рішення для вибору моделей глибокого навчання в умовах обмежень сталого розвитку, підтримуючи більш відповідальне розгортання штучного інтелекту (ШІ) в реальних умовах.
