Maliyyə süni intellekt sistemləri çox vaxt bir-birindən ayrı problemlər üçün hazırlanır: bir model portfel bölgüsünü optimallaşdırır, başqa bir model yüksək tezlikli qiymət hərəkətlərini proqnozlaşdırır, dil modeli investisiya suallarını cavablandırır, oyun nəzəriyyəsi rəqib qurumların davranışlarını araşdırır və ayrıca sentiment modeli xəbərləri və ya şirkət açıqlamalarını təhlil edir. Bu tədqiqat həmin parçalanmış strukturun əvəzinə beş fərqli maliyyə süni intellekt komponentini ortaq vəziyyət təsviri və çoxməqsədli optimallaşdırma altında birləşdirən inteqrasiya olunmuş memarlıq təklif edir.

Sistemin beş əsas komponenti Proximal Policy Optimization (PPO) əsaslı robo-məsləhətçilik, multi-scale Temporal Convolutional Network ilə yüksək tezlikli ticarət proqnozu, retrieval-augmented in-context learning əsaslı investisiya məsləhətçiliyi, rəqabətli maliyyə davranışlarını modelləşdirən oyun nəzəriyyəsi mühərriki və mətn, səs ilə maliyyə qrafiklərindən məlumat çıxaran çoxmodallı sentiment analizidir. Komponentlər müstəqil nəticələr istehsal etmək əvəzinə ortaq state representation üzərindən məlumat paylaşır. Hierarchical attention mexanizmi bazar şəraitinə görə hansı komponentin daha çox çəki alacağını müəyyən edir; öyrənilə bilən tapşırıq çəkiləri və gradient-conflict idarəetməsi isə ortaq təlimi tənzimləyir.

Mənbə təcrübələrində birləşdirilmiş sistem üçün 1,67 Sharpe nisbəti, −%8,9 maksimum drawdown, %78,5 yüksək tezlikli istiqamət proqnozu dəqiqliyi və 0,851 sentiment F1 dəyəri bildirilir. HFT yolunun ümumi wire-to-order gecikməsi 95 µs olaraq ölçülüb; bunun 11 µs-si məlumat axınının parse edilməsinə, 27 µs-si xüsusiyyət çıxarılmasına, 39 µs-si model inference-a və 18 µs-si əmr yaradılması ilə FIX 4.4 serializasiyasına ayrılıb.

Bununla belə, nəticələrin şərhində bəzi məhdudiyyətlər mövcuddur. Məqalədəki bəzi yüksək səviyyəli faiz yaxşılaşmalarının hansı baseline üzərindən hesablandığı cədvəllərdən istifadə etməklə tam şəkildə yenidən istehsal edilə bilmir. FI-2010 benchmark müqayisəsi prediction horizon və təcrübə quruluşu baxımından daha ətraflı uyğunlaşdırma tələb edir. Bundan əlavə, real maliyyə təşkilatlarında həyata keçirildiyi bildirilən üç tətbiq anonim qurumlara əsaslandığı üçün müstəqil yoxlamaya açıq deyil.

Nə üçün tək bir maliyyə AI modeli kifayət hesab edilmir?

Maliyyə qərarı yalnız qiymət tarixçəsindən asılı deyil. Portfel meneceri eyni anda bazar hərəkətini, risk məhdudiyyətlərini, xəbər axınını, rəqib qurumların davranışını və investorun öz məqsədlərini qiymətləndirməli ola bilər.

Ənənəvi strukturda bu problemlər ayrı sistemlərə bölünür:

• portfel modeli aktiv çəkilərini müəyyən edir,
• HFT modeli mikrostrukturu izləyir,
• sentiment modeli xəbərləri təhlil edir,
• LLM investorla ünsiyyət qurur,
• strateji model rəqib davranışını araşdırır.

Tədqiqatın əsas hipotezi bu sistemlərin bir-birindən tam müstəqil işləməsinin dəyərli məlumat itkisinə səbəb ola biləcəyidir.

Məsələn, sentiment modelinin aşkar etdiyi qəfil mənfi xəbər yalnız uzunmüddətli portfel sisteminə deyil, qısamüddətli HFT modelinə də məlumat verə bilər. Rəqib market maker-lərin davranışını proqnozlaşdıran oyun nəzəriyyəsi mühərriki də qısamüddətli execution qərarlarının riskini dəyişə bilər.

Birləşdirilmiş Maliyyə Süni İntellekt Sistemi Necə İşləyir?

Çərçivənin mərkəzində bütün alt sistemlərin istifadə edə bildiyi ortaq vəziyyət fəzası yerləşir:

\[ S= S_{market} \times S_{portfolio} \times S_{sentiment} \times S_{strategic} \times S_{context} \]

Bu struktur beş fərqli məlumat sinfini vahid qərar sahəsində birləşdirir.

Bazar vəziyyəti

Bazar vəziyyəti:

\[ s_{market}^{t} = [p_t,v_t,b_t,a_t,\nabla p_t,\sigma_t^2,\rho_t] \]

şəklində müəyyən edilir.

Burada:

• \(p_t\): aktiv qiymətləri,
• \(v_t\): əməliyyat həcmləri,
• \(b_t,a_t\): çoxsəviyyəli bid və ask strukturu,
• \(\nabla p_t\): qiymət dəyişiklikləri,
• \(\sigma_t^2\): volatillik,
• \(\rho_t\): korrelyasiya strukturudur.

Portfel vəziyyəti

Portfel alt fəzası mövcud çəkilər, gəlir, Value-at-Risk, Conditional VaR, alpha, beta və Sharpe nisbəti kimi risk və performans məlumatlarını daşıyır.

Sentiment vəziyyəti

Sentiment komponenti üç fərqli məlumat tipini ortaq embedding daxilində birləşdirir:

\[ s_{sentiment}^{t} = f_{fusion} (e_{text}^{t},e_{audio}^{t},e_{visual}^{t}) \]

Mətn maliyyə xəbərlərindən və ya hesabatlardan, səs xüsusilə şirkətlərin earnings call qeydlərindən, vizual komponent isə maliyyə qrafiklərindən gələ bilər.

Strateji vəziyyət

Game-theory state rəqiblərin müşahidə olunan hərəkətlərini, təxmin edilən Nash strategiyalarını və market maker/likvidlik təminatçısı davranışlarını ehtiva edir.

Context vəziyyəti

LLM və in-context learning üçün prompt təsvirləri, nümunə yaddaşı və adaptasiya parametrləri ayrıca context state daxilində saxlanılır.

İyerarxik Attention Nə Üçün İstifadə Olunur?

Beş modulun hər bazar şəraitində eyni əhəmiyyətə malik olması gözlənilmir. Çox yüksək volatillikdə HFT və sentiment komponentləri daha kritik ola bilərkən, uzunmüddətli portfelin yenidən balanslaşdırılmasında PPO modulu daha çox çəki ala bilər.

Tədqiqat bu prioriteti:

\[ \alpha_i^t= \frac{ \exp(f_{priority}(s_i^t,M_t)) }{ \sum_{j=1}^{5} \exp(f_{priority}(s_j^t,M_t)) } \]

ilə hesablanan attention çəkiləri ilə ifadə edir.

Beləliklə hər modul üçün:

\[ 0<\alpha_i^t<1 \]

və bütün çəkilərin cəmi:

\[ \sum_{i=1}^{5}\alpha_i^t=1 \]

olur.

Məlumat ötürülməsi yalnız attention çəkiləri ilə aparılmır. GRU əsaslı gating mexanizmi bir modulun digər modullardan hansı məlumatı qəbul edəcəyini də öyrənir.

Beş Fərqli Məqsəd Eyni Anda Necə Optimallaşdırılır?

Ortaq məqsəd:

\[ J(\pi) = \sum_{i=1}^{5} \lambda_iJ_i(\pi) + \gamma R_{synergy}(\pi) \]

şəklində müəyyən edilir.

\(J_i\) hər komponentin öz məqsədini, \(\lambda_i\) öyrənilə bilən tapşırıq çəkisini, \(R_{synergy}\) isə alt modellərin bir-birinə mane olmasını azaltmağı hədəfləyən sinerji terminini təmsil edir.

Mənbə tapşırıq çəkilərini qeyri-müəyyənliyə əsasən:

\[ \lambda_i= \frac{1}{2\sigma_i^2} \]

şəklində öyrənir. Səs-küyü daha yüksək olan komponentin ortaq gradient üzərindəki təsiri beləliklə avtomatik azaldıla bilər.

Gradient conflict necə idarə olunur?

Fərqli tapşırıqların gradient istiqamətləri bir-birinə zidd ola bilər. Məsələn, bir parametr dəyişikliyi HFT proqnozunu yaxşılaşdırarkən sentiment modelini pisləşdirə bilər.

Mənbə gradient cütlərinin cosine similarity dəyərini izləyir. Mənfi conflict yarandıqda PCGrad yanaşması ilə zidd gradient komponenti proyeksiya edilərək çıxarıla bilər.

Bu mexanizmin məqsədi çoxvəzifəli öyrənmədə bir alt sistemin digər alt sistemin təlimini pozmasını azaltmaqdır.

Yüksək Tezlikli Ticarət Modulu Necə İşləyir?

HFT komponenti Multi-Scale Temporal Convolutional Network istifadə edir.

Mənbə Appendix B-də beş zaman miqyası müəyyən edir:

• 1 ms,
• 10 ms,
• 100 ms,
• 1 s,
• 10 s.

Hər miqyas ayrıca temporal convolution branch tərəfindən işlənir. Daha sonra cross-scale attention müxtəlif zaman çözünürlükləri arasında məlumat paylaşımını təmin edir.

Bu dizaynın məqsədi həm çox qısamüddətli order-flow dəyişikliklərini, həm də bir neçə saniyəyə yayılan daha yavaş bazar nümunələrini eyni proqnoz daxilində qiymətləndirməkdir.

HFT objective

Yüksək tezlikli komponentin məqsədi yalnız proqnoz xətasını azaltmaq deyil:

\[ J_{HFT} = - E_t \left[ \|p_{t+\delta}-\hat{p}_{t+\delta}\|^2 + \alpha TC(a_t) \right] \]

İkinci termin transaction cost-u təmsil edir. Beləliklə qiymət proqnozunun nəzəri dəqiqliyi ilə əməliyyatın iqtisadi xərci eyni objective daxilində qiymətləndirilə bilər.

95 Mikrosaniyəlik Qərar Gecikməsi Nələri Əhatə Edir?

Mənbədə bildirilən 95 µs yalnız sinir şəbəkəsinin proqnoz müddəti deyil. Wire-to-order ümumi latency aşağıdakı dörd hissədən ibarətdir:

Test platformasında Intel Xeon Gold 6338, NVIDIA A100 40 GB, DPDK kernel-bypass networking və ONNX Runtime + TensorRT istifadə olunur.

Bu ölçmə exchange tərəfindən əmrin qəbul edilməsi və ya fill edilməsini əhatə edən round-trip latency deyil; sistemin öz girişindən əmr çıxışına qədər olan yerli emal yoludur.

LLM HFT yolunu niyə yavaşlatmır?

ICL/LLM komponentinin tək inference müddəti təxminən 2,4 ms-dir və 95 µs HFT büdcəsindən xeyli uzundur.

Buna görə LLM synchronous şəkildə HFT qərarını gözlətmir. Ən son advisory embedding lock-free ring buffer daxilində saxlanılır və HFT modeli mövcud ən yeni embedding-dən istifadə edir.

Beləliklə:

yavaş semantik analiz → asinxron yenilənmə → sürətli HFT yolu

memarlığı yaradılmışdır.

Tədqiqatın Metodu və Nəticələri

Məlumat kainatı

HFT bölmələrində train və test dövrləri arasında 24 saat embargo, portfel və sentiment tapşırıqlarında isə beş trading-day embargo tətbiq edilmişdir.

Mənbə həmçinin nəticələrin beş müstəqil random seed üzrə orta qiymət kimi bildirildiyini, 10.000 bootstrap təkrarından %95 confidence interval hesablandığını və ən güclü single-component baseline-a qarşı paired t-test tətbiq edildiyini qeyd edir.

Ümumi performans

Birləşdirilmiş sistem üçün %95 bootstrap etibar intervalları Sharpe-da 1,61–1,73, maximum drawdown-da təxminən −%9,6 ilə −%8,1, HFT accuracy-də %77,4–%79,6 və sentiment F1-də 0,842–0,860 olaraq verilmişdir.

HFT müqayisəsi

HFT Module-dan birləşdirilmiş sistemə RMSE:

\[ 0.0421\rightarrow0.0289 \]

səviyyəsinə düşür. Bu, təxminən %31,35 azalmadır və abstract-da bildirilən təxminən %31,2 HFT prediction-error improvement ilə uyğun gəlir.

Əməliyyat xərcləri

Backtest üç xərc komponentindən istifadə edir:

• səhmlərdə 10 bps sabit venue fee,
• kriptoda 4 bps sabit venue fee,
• market order üçün bid-ask half-spread,
• bunlara əlavə olaraq square-root price-impact modeli.

Price-impact əmsalı ikiqat artırıldıqda ümumi Sharpe-ın 1,67-dən 1,51-ə, HFT profit factor-un isə 1,87-dən 1,62-yə düşdüyü bildirilir.

Çoxmodallı sentiment nəticələri

Nəticələr mətn, səs və vizual məlumatın birlikdə istifadəsinin mənbə təcrübəsində tək modality modellərindən daha yüksək performans verdiyini göstərir.

Ablation nəticələri

Komponentlər çıxarıldıqda performansın əksər ölçülərdə gerilədiyi bildirilir.

Xüsusilə attention qatının çıxarılması yalnız dəqiqliyi deyil, latency-ni də pisləşdirir. Bu nəticə mənbənin attention mexanizmini yalnız proqnoz keyfiyyəti üçün deyil, hesablama resurslarının yönləndirilməsi üçün də istifadə etdiyi iddiası ilə uyğun gəlir.

FI-2010 benchmark nəticəsi necə şərh edilməlidir?

Mənbə FI-2010 benchmark-da öz HFT modulu üçün %80,7 directional accuracy bildirir və bunu DeepLOB-un yayımlanmış %78,0 dəyəri ilə müqayisə edir.

Lakin FI-2010 nəticələri prediction horizon və istifadə olunan evaluation setup-a güclü şəkildə bağlıdır. DeepLOB ədəbiyyatında müxtəlif setup-larda təxminən %79-dan %84-dən yuxarıya qədər accuracy nəticələri mövcuddur. Buna görə iki model üçün eyni horizon və preprocessing şərtləri istifadə edilmədən tək faiz dəyəri əsasında üstünlük müqayisəsi aparmaq kifayət deyil.

Real dünyadakı üç hal

Mənbə:

• orta ölçülü hedge fund-da altı aylıq istifadədən sonra riskə uyğunlaşdırılmış performansda %27 yaxşılaşma,
• retail brokerage-də müştəri məmnuniyyətində %34 və assets under management-da %22 artım,
• investisiya bankında adverse-selection cost-da %19 azalma

bildirir.

Lakin qurum adları və ətraflı case məlumatları verilmədiyi üçün bu nəticələr kənardan yoxlanıla bilən klinik və ya nəzarətli təcrübə tipli sübut deyil. Mənbənin bildirdiyi sahə nəticələri kimi qiymətləndirilməlidir.

Nəzəri yaxınsama nəticəsi nə qədər güclüdür?

Məqalə birləşdirilmiş optimallaşdırma üçün \(O(1/\sqrt{T})\) yaxınsama sürəti təqdim edir. Bununla belə, descent lemma-da istifadə olunan ikinci dərəcəli yuxarı sərhəd üçün yalnız funksiyanın Lipschitz davamlı olması əvəzinə adətən gradient smoothness fərziyyəsi tələb olunur.

Bundan əlavə, əsas Algorithm 1 ilə Appendix A-da learning-rate yazılışı tam eyni deyil.

Buna görə yaxınsama nəticəsi tədqiqatın nəzəri çərçivəsinin mühüm hissəsidir, lakin sübutun fərziyyələrinin və notasiyasının daha dəqiq şəkildə formullaşdırılması faydalı olardı.

Tədqiqatın güclü tərəfləri

• Beş fərqli maliyyə AI sahəsini ortaq memarlıqda birləşdirməsi.
• Tick-level HFT, uzunmüddətli portfel, LLM və multimodal sentiment-i eyni state space daxilində modelləşdirməsi.
• Xronoloji məlumat bölməsi və embargo istifadə etməsi.
• Beş random seed, bootstrap confidence interval və paired significance test bildirməsi.
• Transaction cost və market impact-i backtest-ə daxil etməsi.
• 95 µs gecikməni alt komponentlərə bölərək bildirməsi.
• Ablation, sensitivity və cross-market transfer təcrübələri təqdim etməsi.
• LLM yolunu HFT yolundan asinxron şəkildə ayırması.

Əsas məhdudiyyətlər

• Bəzi abstract yaxşılaşma faizləri əsas cədvəllərdən birbaşa yenidən istehsal edilə bilmir.
• Table 3-dəki HFT Only %64,8 ilə Table 5-dəki HFT Module %71,4 fərqi kifayət qədər izah edilmir.
• FI-2010 / DeepLOB benchmark müqayisəsi prediction-horizon uyğunlaşdırmasını açıq göstərmir.
• Yaxınsama sübutundakı smoothness fərziyyələri daha dəqiq ifadə edilməlidir.
• Learning-rate notasiyası əsas algoritm və appendix arasında tam uyğun deyil.
• Open-source implementation iddiasına baxmayaraq mənbədə birbaşa kod repository URL-si verilmir.
• Proprietary ICL məlumat dəsti müstəqil reprodüksiyanı məhdudlaşdırır.
• Real-world case-study qurumları anonim saxlanılır.
• 95 µs nəticəsi müəyyən institusional səviyyəli avadanlıq və proqram optimallaşdırmasına bağlıdır.
• Maliyyə gəlirliliyi və prediction uğuru fərqli bazarlarda eyni səviyyədə davam etməyə bilər.

Mənbə və Metod Qeydi

Orijinal başlıq: A Unified Multi-Modal Framework for Intelligent Financial Systems: Integrating Reinforcement Learning, High-Frequency Trading, and Game-Theoretic Approaches with Cross-Modal Sentiment Analysis

Müəlliflər: Yuwei Zhang; Fanrong Liu; Chang-An Xu; Mingni Luo.

Jurnal: Mathematics.

Cild / nömrə: 14 / 13.

Məqalə nömrəsi: 2437.

Nəşr tarixi: 7 iyul 2026.

Received: 26 may 2026.

Revised: 25 iyun 2026.

Accepted: 30 iyun 2026.

DOI: 10.3390/math14132437.

Lisenziya: Creative Commons Attribution 4.0 International — CC BY 4.0.

Qurumlar: City University of Hong Kong; Henan University; South China Agricultural University; Northeastern University.

Əsas memarlıq: PPO robo-advisory + multi-scale HFT TCN + ICL/RAG/LLM + differentiable game-theory engine + text/audio/visual sentiment fusion.

HFT memarlığı: 1 ms, 10 ms, 100 ms, 1 s və 10 s miqyasında Multi-Scale Temporal Convolutional Network; cross-scale attention; 1000 tick sequence.

HFT məlumat kainatı: BTC/USDT, ETH/USDT və NASDAQ top-100; tick-level məlumat; 2022–2024; xronoloji %70/%15/%15 split.

HFT leakage control: Train/test fold-ları arasında 24 saat embargo.

Əməliyyat xərci modeli: Equities üçün 10 bps, crypto üçün 4 bps venue fee; market order half-spread və square-root market-impact termini.

Birləşdirilmiş HFT nəticəsi: RMSE 0,0289; MAE 0,0214; directional accuracy %78,5; profit factor 1,87; wire-to-order latency 95 µs.

Latency platforması: Intel Xeon Gold 6338 + NVIDIA A100 40 GB; DPDK; ONNX Runtime; TensorRT.

Sentiment encoder-ları: BERT-base, wav2vec2-base və ViT-B/16.

Maliyyələşdirmə: Mənbə xarici maliyyələşdirmə alınmadığını bildirir.

Məlumat çıxışı: Xam məlumatların müəlliflər tərəfindən sorğu əsasında veriləcəyi qeyd olunur; ICL/advisory məlumat dəstinin bir hissəsi proprietary-dir.

Maraq toqquşması: Müəlliflər maraq toqquşmasının olmadığını bəyan edirlər.

Mənbədaxili performans xəbərdarlığı: Abstract-dakı %31,2 HFT prediction-error reduction Table 5 ilə təxminən doğrulana bilsə də, digər bəzi ümumi yaxşılaşma faizlərinin müqayisə bazası əsas cədvəllərdən eyni aydınlıqla yenidən hesablana bilmir.

Benchmark xəbərdarlığı: FI-2010 nəticəsi prediction horizon və preprocessing setup göstərilmədən DeepLOB ilə tək dəyər əsasında müqayisə edilməməlidir.

Nəzəri xəbərdarlıq: \(O(1/\sqrt{T})\) yaxınsama sübutunda istifadə olunan descent addımı üçün göstəriləndən daha güclü smoothness fərziyyəsinə ehtiyac ola bilər; learning-rate notasiyası da bölmələr arasında tam uyğun deyil.

Kod çıxışı xəbərdarlığı: Məqalə open-source implementation yayımlandığını bildirir; lakin mənbə PDF-də birbaşa repository bağlantısı verilmir.

Ümumiləşdirilə bilmə: Nəticələr müəyyən məlumat dəstləri, əməliyyat xərci modeli və yüksək performanslı avadanlıq şəraitində əldə edilib. Başqa bazar, venue və ya gecikmə mühitlərində eyni performansın yaranacağına zəmanət verilmir.