Каржылык жасалма интеллект системалары көбүнчө бири-биринен өзүнчө көйгөйлөр үчүн иштелип чыгат: бир модель портфель бөлүштүрүүнү оптималдаштырат, башка модель жогорку жыштыктагы баа кыймылдарын божомолдойт, тил модели инвестиция боюнча суроолорго жооп берет, оюн теориясы атаандаш уюмдардын жүрүм-турумун изилдейт, ал эми өзүнчө sentiment модели жаңылыктарды же компаниянын билдирүүлөрүн талдайт. Бул изилдөө ушундай бөлүнгөн түзүмдүн ордуна беш түрдүү каржылык жасалма интеллект компонентин жалпы абалдын көрсөтүлүшү жана көп максаттуу оптималдаштыруу алдында бириктирген интеграцияланган архитектураны сунуштайт.

Системанын беш негизги компоненти Proximal Policy Optimization (PPO) негизиндеги робо-кеңеш берүү, multi-scale Temporal Convolutional Network менен жогорку жыштыктагы соода божомолу, retrieval-augmented in-context learning негизиндеги инвестициялык кеңеш берүү, атаандаш каржылык жүрүм-турумду моделдеген оюн теориясы кыймылдаткычы жана тексттен, үндөн жана каржылык графиктерден маалымат чыгаруучу көп модалдуу sentiment талдоосу болуп саналат. Компоненттер өз алдынча жыйынтык чыгаруунун ордуна жалпы state representation аркылуу маалымат бөлүшөт. Hierarchical attention механизми рынок шарттарына жараша кайсы компонент көбүрөөк салмак алышын аныктайт; үйрөнүлүүчү тапшырма салмактары жана gradient-conflict башкаруусу жалпы окутууну жөнгө салат.

Булактагы эксперименттерде бириктирилген система үчүн 1,67 Sharpe коэффициенти, −%8,9 максималдуу drawdown, %78,5 жогорку жыштыктагы багыт божомолунун тактыгы жана 0,851 sentiment F1 мааниси билдирилет. HFT жолунун жалпы wire-to-order кечигүүсү 95 µs деп өлчөнгөн; анын 11 µs бөлүгү маалымат агымын parsing кылууга, 27 µs өзгөчөлүктөрдү чыгарууга, 39 µs model inference'ке жана 18 µs буйрутма түзүү менен FIX 4.4 сериализациясына туура келет.

Ошол эле учурда жыйынтыктарды чечмелөөдө айрым чектөөлөр бар. Макаладагы айрым жогорку деңгээлдеги пайыздык жакшыртуулардын кайсы baseline боюнча эсептелгени таблицалар аркылуу толук кайра чыгарылбайт. FI-2010 benchmark салыштыруусу prediction horizon жана эксперименттик түзүлүш боюнча кененирээк дал келтирүүнү талап кылат. Мындан тышкары, реалдуу каржы мекемелеринде жүргүзүлгөнү айтылган үч колдонмо анонимдүү уюмдарга таянгандыктан көз карандысыз текшерүүгө ачык эмес.

Эмне үчүн бир гана каржылык AI модели жетишсиз деп эсептелет?

Каржылык чечим баалардын тарыхына гана көз каранды эмес. Портфель менеджери бир учурда рынок кыймылын, тобокелдик чектерин, жаңылыктар агымын, атаандаш уюмдардын жүрүм-турумун жана инвестордун өз максаттарын баалоого тийиш болушу мүмкүн.

Салттуу түзүмдө бул көйгөйлөр өзүнчө системаларга бөлүнөт:

• портфель модели актив салмактарын аныктайт,
• HFT модели микротүзүмдү көзөмөлдөйт,
• sentiment модели жаңылыктарды талдайт,
• LLM инвестор менен байланышат,
• стратегиялык модель атаандаш жүрүм-турумун изилдейт.

Изилдөөнүн негизги гипотезасы — бул системалардын бири-биринен толугу менен көз карандысыз иштеши баалуу маалыматтын жоголушуна алып келиши мүмкүн.

Мисалы, sentiment модели аныктаган капыстан терс жаңылык узак мөөнөттүү портфель системасына гана эмес, кыска мөөнөттүү HFT моделине да маалымат бере алат. Атаандаш market makerлердин жүрүм-турумун божомолдогон оюн теориясы кыймылдаткычы да кыска мөөнөттүү execution чечимдеринин тобокелдигин өзгөртө алат.

Бириктирилген Каржылык Жасалма Интеллект Системасы Кантип Иштейт?

Алкактын борборунда бардык подсистемалар пайдалана ала турган жалпы абал мейкиндиги бар:

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

Бул түзүм беш түрдүү маалымат классын бир чечим мейкиндигинде бириктирет.

Рынок абалы

Рынок абалы:

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

түрүндө аныкталат.

Бул жерде:

• \(p_t\): актив баалары,
• \(v_t\): соода көлөмдөрү,
• \(b_t,a_t\): көп деңгээлдүү bid жана ask түзүмү,
• \(\nabla p_t\): баа өзгөрүүлөрү,
• \(\sigma_t^2\): волатилдүүлүк,
• \(\rho_t\): корреляция түзүмү.

Портфель абалы

Портфель подсейреги учурдагы салмактар, киреше, Value-at-Risk, Conditional VaR, alpha, beta жана Sharpe коэффициенти сыяктуу тобокелдик жана натыйжалуулук маалыматын алып жүрөт.

Sentiment абалы

Sentiment компоненти үч башка маалымат түрүн жалпы embedding ичинде бириктирет:

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

Текст каржылык жаңылыктардан же отчеттордон, үн өзгөчө компаниялардын earnings call жазууларынан, ал эми визуалдык компонент каржылык графиктерден келиши мүмкүн.

Стратегиялык абал

Game-theory state атаандаштардын байкалган аракеттерин, божомолдонгон Nash стратегияларын жана market maker/ликвиддүүлүк камсыздоочу жүрүм-турумдарын камтыйт.

Context абалы

LLM жана in-context learning үчүн prompt көрсөтмөлөрү, мисал эстутуму жана ыңгайлашуу параметрлери өзүнчө context state ичинде сакталат.

Иерархиялык Attention Эмне Үчүн Колдонулат?

Беш модулдун ар бир рынок шартында бирдей мааниге ээ болушу күтүлбөйт. Өтө жогорку волатилдүүлүктө HFT жана sentiment компоненттери маанилүүрөөк болушу мүмкүн, ал эми узак мөөнөттүү портфельди кайра тең салмактоодо PPO модулу көбүрөөк салмак алышы мүмкүн.

Изилдөө бул артыкчылыкты:

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

аркылуу эсептелген attention салмактары менен көрсөтөт.

Ошентип ар бир модуль үчүн:

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

жана бардык салмактардын суммасы:

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

болот.

Маалымат өткөрүү attention салмактары менен гана жүргүзүлбөйт. GRU негизиндеги gating механизми бир модул башка модулдардан кайсы маалыматты кабыл аларын да үйрөнөт.

Беш Ар Башка Максат Кантип Бир Убакта Оптималдаштырылат?

Жалпы максат:

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

түрүндө аныкталат.

\(J_i\) ар бир компоненттин өз максатын, \(\lambda_i\) үйрөнүлүүчү тапшырма салмагын, \(R_{synergy}\) болсо подсистемалардын бири-бирине тоскоол болушун азайтууга багытталган синергия терминин билдирет.

Булак тапшырма салмактарын белгисиздикке негиздеп:

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

түрүндө үйрөнөт. Ызы-чуусу жогору компоненттин жалпы gradient'ге таасири ушундай жол менен автоматтык түрдө азайтылышы мүмкүн.

Gradient conflict кантип чечилет?

Ар башка тапшырмалардын gradient багыттары бири-бирине каршы болушу мүмкүн. Мисалы, бир параметрдин өзгөрүшү HFT божомолун жакшыртып, sentiment моделин начарлатышы мүмкүн.

Булак gradient жуптарынын cosine similarity маанисин көзөмөлдөйт. Терс conflict пайда болгондо PCGrad ыкмасы аркылуу карама-каршы gradient компоненти проекцияланып алынып салынышы мүмкүн.

Бул механизмдин максаты көп тапшырмалуу үйрөнүүдө бир подсистеманын башка подсистеманын окутуусун бузушун азайтуу болуп саналат.

Жогорку Жыштыктагы Соода Модулу Кантип Иштейт?

HFT компоненти Multi-Scale Temporal Convolutional Network колдонот.

Булак Appendix Bде беш убакыт масштабын аныктайт:

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

Ар бир масштаб өзүнчө temporal convolution branch тарабынан иштетилет. Андан кийин cross-scale attention ар башка убакыт чечилиштеринин ортосунда маалымат бөлүшүүнү камсыздайт.

Бул дизайн өтө кыска мөөнөттүү order-flow өзгөрүүлөрү менен бир нече секундага созулган жайыраак рынок үлгүлөрүн бир эле божомолдун ичинде баалоону көздөйт.

HFT objective

Жогорку жыштыктагы компоненттин максаты божомол катасын гана азайтуу эмес:

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

Экинчи термин transaction costту билдирет. Ошентип баа божомолунун теориялык тактыгы менен сооданын экономикалык чыгымы бир objective ичинде бааланышы мүмкүн.

95 Микросекунддук Чечим Кечигүүсү Эмнелерди Камтыйт?

Булакта билдирилген 95 µs нейрондук тармактын божомол убактысы гана эмес. Wire-to-order жалпы latency төмөнкү төрт бөлүктөн турат:

Сыноо платформасында Intel Xeon Gold 6338, NVIDIA A100 40 GB, DPDK kernel-bypass networking жана ONNX Runtime + TensorRT колдонулат.

Бул өлчөм exchange тарабынан буйрутманын кабыл алынышын же fill болушун камтыган round-trip latency эмес; системанын өз киришинен буйрутма чыгышына чейинки жергиликтүү иштетүү жолу.

LLM HFT жолун эмне үчүн жайлатпайт?

ICL/LLM компонентинин бир inference убактысы болжол менен 2,4 ms болуп, 95 µs HFT бюджетинен кыйла узун.

Ошондуктан LLM synchronous түрдө HFT чечимин күттүрбөйт. Эң акыркы advisory embedding lock-free ring buffer ичинде сакталат жана HFT модели учурдагы эң жаңы embedding'ди колдонот.

Ошентип:

жай семантикалык талдоо → асинхрондук жаңыртуу → тез HFT жолу

архитектурасы түзүлгөн.

Изилдөөнүн Методу жана Жыйынтыктары

Маалымат ааламы

HFT бөлүүлөрүндө train жана test мезгилдеринин ортосунда 24 саат embargo, портфель жана sentiment тапшырмаларында болсо беш trading-day embargo колдонулган.

Булак ошондой эле жыйынтыктар беш көз карандысыз random seed боюнча орточо түрдө берилгенин, 10.000 bootstrap кайталоосунан %95 confidence interval эсептелгенин жана эң күчтүү single-component baseline'га каршы paired t-test колдонулганын билдирет.

Жалпы натыйжалуулук

Бириктирилген система үчүн %95 bootstrap ишеним интервалдары Sharpe боюнча 1,61–1,73, maximum drawdown боюнча болжол менен −%9,6 менен −%8,1, HFT accuracy боюнча %77,4–%79,6 жана sentiment F1 боюнча 0,842–0,860 деп берилген.

HFT салыштыруусу

HFT Module'дан бириктирилген системага RMSE:

\[ 0.0421\rightarrow0.0289 \]

деңгээлине түшөт. Бул болжол менен %31,35 азайуу жана abstract'та билдирилген болжол менен %31,2 HFT prediction-error improvement менен шайкеш келет.

Соода чыгымдары

Backtest үч чыгым компонентин колдонот:

• акцияларда 10 bps туруктуу venue fee,
• криптодо 4 bps туруктуу venue fee,
• market order үчүн bid-ask half-spread,
• мындан тышкары square-root price-impact модели.

Price-impact коэффициенти эки эселенгенде жалпы Sharpe 1,67ден 1,51ге, ал эми HFT profit factor 1,87ден 1,62ге төмөндөй турганы билдирилет.

Көп модалдуу sentiment жыйынтыктары

Жыйынтыктар текст, үн жана визуалдык маалыматты бирге колдонуу булактагы экспериментте бир modality моделдерине караганда жогору натыйжа бергенин көрсөтөт.

Ablation жыйынтыктары

Компоненттер алынып салынганда натыйжалуулук көпчүлүк өлчөмдөрдө төмөндөй турганы билдирилет.

Айрыкча attention катмарын алып салуу тактыкты гана эмес, latency'ни да начарлатат. Бул жыйынтык булактын attention механизмин божомол сапаты үчүн гана эмес, эсептөө ресурстарын багыттоо үчүн да колдонду деген дооматы менен шайкеш.

FI-2010 benchmark жыйынтыгын кантип чечмелөө керек?

Булак FI-2010 benchmark'та өзүнүн HFT модулу үчүн %80,7 directional accuracy билдирет жана аны DeepLOB'дун жарыяланган %78,0 мааниси менен салыштырат.

Бирок FI-2010 жыйынтыктары prediction horizon жана колдонулган evaluation setup'ка катуу көз каранды. DeepLOB адабиятында ар башка setup'тарда болжол менен %79дан %84төн жогору чыккан accuracy жыйынтыктары бар. Ошондуктан эки модель бирдей horizon жана preprocessing шарттарында колдонулмайынча, бир гана пайыздык мааниге таянып артыкчылыкты салыштыруу жетишсиз.

Чыныгы дүйнөдөгү үч учур

Булак:

• орто көлөмдөгү hedge fund'да алты ай колдонгондон кийин тобокелдикке ылайыкташтырылган натыйжалуулукта %27 жакшыртуу,
• retail brokerage'да кардар канааттануусунда %34 жана assets under management'да %22 өсүш,
• инвестициялык банкта adverse-selection cost'та %19 азайуу

билдирет.

Бирок мекемелердин аттары жана кеңири case маалыматтары берилбегендиктен, бул жыйынтыктар сырттан текшерилүүчү клиникалык же көзөмөлдөнгөн эксперимент түрүндөгү далилдер эмес. Булак билдирген талаа жыйынтыктары катары бааланышы керек.

Теориялык жакындашуу жыйынтыгы канчалык күчтүү?

Макала бириктирилген оптималдаштыруу үчүн \(O(1/\sqrt{T})\) жакындашуу ылдамдыгын сунуштайт. Бирок descent lemma'да колдонулган экинчи даражадагы жогорку чектөө үчүн функциянын Lipschitz үзгүлтүксүз болушу гана эмес, адатта gradient smoothness божомолу талап кылынат.

Мындан тышкары, негизги Algorithm 1 менен Appendix Aдагы learning-rate жазылышы толук бирдей эмес.

Ошондуктан жакындашуу жыйынтыгы изилдөөнүн теориялык алкагынын маанилүү бөлүгү, бирок далилдин божомолдорун жана нотациясын дагы такыраак формулировкалоо пайдалуу болмок.

Изилдөөнүн күчтүү жактары

• Беш ар башка каржылык AI тармагын жалпы архитектурада бириктириши.
• Tick-level HFT, узак мөөнөттүү портфель, LLM жана multimodal sentiment'ти бир state space ичинде моделдештириши.
• Хронологиялык маалымат бөлүүнү жана embargo колдонуусу.
• Беш random seed, bootstrap confidence interval жана paired significance test билдирүүсү.
• Transaction cost жана market impact'ти backtest'ке кошуусу.
• 95 µs кечигүүнү бөлүк компоненттерге бөлүп көрсөтүүсү.
• Ablation, sensitivity жана cross-market transfer эксперименттерин сунуштоосу.
• LLM жолун HFT жолунан асинхрондук түрдө бөлүшү.

Негизги чектөөлөр

• Кээ бир abstract жакшыртуу пайыздары негизги таблицалардан түз кайра чыгарылбайт.
• Table 3төгү HFT Only %64,8 менен Table 5теги HFT Module %71,4 айырмасы жетиштүү түшүндүрүлгөн эмес.
• FI-2010 / DeepLOB benchmark салыштыруусу prediction-horizon дал келүүсүн ачык көрсөтпөйт.
• Жакындашуу далилиндеги smoothness божомолдору дагы так айтылышы керек.
• Learning-rate нотациясы негизги алгоритм менен appendix арасында толук шайкеш эмес.
• Open-source implementation дооматына карабастан булакта түз код repository URL берилген эмес.
• Proprietary ICL маалымат топтому көз карандысыз кайра өндүрүүнү чектейт.
• Real-world case-study мекемелери анонимдүү бойдон калтырылган.
• 95 µs жыйынтыгы белгилүү институционалдык деңгээлдеги жабдык жана программалык оптималдаштырууга көз каранды.
• Каржылык кирешелүүлүк жана prediction ийгилиги ар башка рыноктордо ошол эле деңгээлде уланышы милдеттүү эмес.

Булак жана Метод Эскертүүсү

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

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

Журнал: Mathematics.

Том / номер: 14 / 13.

Макала номери: 2437.

Жарыяланган дата: 7 июль 2026.

Received: 26 май 2026.

Revised: 25 июнь 2026.

Accepted: 30 июнь 2026.

DOI: 10.3390/math14132437.

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

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

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

HFT архитектурасы: 1 ms, 10 ms, 100 ms, 1 s жана 10 s масштабдарындагы Multi-Scale Temporal Convolutional Network; cross-scale attention; 1000 tick sequence.

HFT маалымат ааламы: BTC/USDT, ETH/USDT жана NASDAQ top-100; tick-level маалымат; 2022–2024; хронологиялык %70/%15/%15 split.

HFT leakage control: Train/test fold'дорунун ортосунда 24 саат embargo.

Соода чыгым модели: Equities үчүн 10 bps, crypto үчүн 4 bps venue fee; market order half-spread жана square-root market-impact термини.

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

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

Sentiment encoder'лору: BERT-base, wav2vec2-base жана ViT-B/16.

Каржылоо: Булак тышкы каржылоо алынбаганын билдирет.

Маалыматка жетүү: Чийки маалымат авторлор тарабынан суроо боюнча берилери айтылат; ICL/advisory маалымат топтомунун бир бөлүгү proprietary.

Кызыкчылыктар кагылышы: Авторлор кызыкчылыктар кагылышы жок экенин билдиришет.

Булак ичиндеги натыйжалуулук эскертүүсү: Abstract'тагы %31,2 HFT prediction-error reduction Table 5 менен болжолдуу текшериле алса да, башка айрым жалпы жакшыртуу пайыздарынын салыштыруу базасы негизги таблицалардан ошондой эле тактыкта кайра эсептелбейт.

Benchmark эскертүүсү: FI-2010 жыйынтыгы prediction horizon жана preprocessing setup көрсөтүлбөй туруп DeepLOB менен бир маанинин негизинде салыштырылбашы керек.

Теориялык эскертүү: \(O(1/\sqrt{T})\) жакындашуу далилинде колдонулган descent кадамы үчүн көрсөтүлгөндөн күчтүүрөөк smoothness божомолу талап кылынышы мүмкүн; learning-rate нотациясы да бөлүмдөр ортосунда толук шайкеш эмес.

Кодго жетүү эскертүүсү: Макала open-source implementation жарыяланганын билдирет; бирок булак PDFде түз repository шилтемеси берилген эмес.

Жалпылоого жарактуулук: Жыйынтыктар белгилүү маалымат топтомдорунда, соода чыгым моделинде жана жогорку өндүрүмдүү жабдык шарттарында алынган. Башка рынок, venue же кечигүү чөйрөлөрүндө ошол эле натыйжа түзүлөрүнө кепилдик берилбейт.