Системаҳои зеҳни сунъии молиявӣ аксаран барои масъалаҳои ҷудогона таҳия мешаванд: як модел тақсимоти портфелро беҳсозӣ мекунад, модели дигар ҳаракатҳои басомади баланди нархро пешгӯӣ мекунад, модели забонӣ ба саволҳои сармоягузорӣ ҷавоб медиҳад, назарияи бозӣ рафтори муассисаҳои рақибро меомӯзад ва модели алоҳидаи sentiment хабарҳо ё изҳороти ширкатҳоро таҳлил мекунад. Ин таҳқиқот ба ҷойи чунин сохтори пора-пора меъмории ҳамгироеро пешниҳод мекунад, ки панҷ ҷузъи гуногуни зеҳни сунъии молиявиро дар доираи тасвири умумии ҳолат ва беҳсозии бисёрмақсад муттаҳид месозад.

Панҷ ҷузъи асосии система робо-машваратдиҳӣ бар асоси Proximal Policy Optimization (PPO), пешгӯии савдои басомади баланд бо multi-scale Temporal Convolutional Network, машварати сармоягузорӣ бар асоси retrieval-augmented in-context learning, муҳаррики назарияи бозӣ барои моделсозии рафтори рақобатии молиявӣ ва таҳлили sentiment-и бисёрмодалӣ мебошанд, ки аз матн, садо ва графикҳои молиявӣ маълумот мегиранд. Ҷузъҳо ба ҷойи тавлиди натиҷаҳои мустақил тавассути state representation-и муштарак маълумот мубодила мекунанд. Механизми Hierarchical attention муайян мекунад, ки вобаста ба шароити бозор кадом ҷузъ вазни бештар гирад; вазнҳои вазифавии омӯзишшаванда ва идоракунии gradient-conflict бошад омӯзиши муштаракро танзим мекунанд.

Дар таҷрибаҳои манбаъ барои системаи муттаҳидшуда Sharpe ratio-и 1,67, maximum drawdown-и −%8,9, дақиқии %78,5 барои пешгӯии самти басомади баланд ва арзиши 0,851 барои sentiment F1 гузориш шудааст. Таъхири умумии wire-to-order барои роҳи HFT 95 µs чен шудааст; аз он 11 µs ба parsing-и ҷараёни маълумот, 27 µs ба feature extraction, 39 µs ба model inference ва 18 µs ба сохтани фармоиш ва serialization-и FIX 4.4 рост меояд.

Бо вуҷуди ин, дар тафсири натиҷаҳо баъзе маҳдудиятҳо мавҷуданд. Баъзе беҳбудиҳои фоизии сатҳи баланд дар мақола аз рӯи ҷадвалҳо пурра бозтавлид намешаванд, зеро baseline-и дақиқи ҳисоб равшан нест. Муқоисаи benchmark-и FI-2010 аз нигоҳи prediction horizon ва сохтори таҷриба ба мутобиқсозии муфассалтар ниёз дорад. Илова бар ин, се татбиқи зикршуда дар муассисаҳои воқеии молиявӣ ба муассисаҳои аноним такя мекунанд ва аз ин рӯ барои санҷиши мустақил боз нестанд.

Чаро як модели ягонаи молиявии AI кофӣ ҳисобида намешавад?

Қарори молиявӣ танҳо аз таърихи нарх вобаста нест. Менеҷери портфел метавонад ҳамзамон ҳаракати бозор, маҳдудиятҳои хатар, ҷараёни хабарҳо, рафтори муассисаҳои рақиб ва ҳадафҳои худи сармоягузорро арзёбӣ кунад.

Дар сохтори анъанавӣ ин масъалаҳо ба системаҳои ҷудогона тақсим мешаванд:

• модели портфел вазнҳои дороиҳоро муайян мекунад,
• модели HFT микросохторро назорат мекунад,
• модели sentiment хабарҳоро таҳлил мекунад,
• LLM бо сармоягузор муошират мекунад,
• модели стратегӣ рафтори рақибро меомӯзад.

Фарзияи асосии таҳқиқот ин аст, ки фаъолияти комилан мустақили ин системаҳо метавонад боиси аз даст рафтани маълумоти арзишманд гардад.

Масалан, хабари ногаҳонии манфие, ки модели sentiment ошкор мекунад, метавонад на танҳо ба системаи портфели дарозмуддат, балки ба модели кӯтоҳмуддати HFT низ маълумот диҳад. Муҳаррики назарияи бозӣ, ки рафтори market maker-ҳои рақибро пешгӯӣ мекунад, низ метавонад хатари қарорҳои кӯтоҳмуддати execution-ро тағйир диҳад.

Системаи Муттаҳиди Зеҳни Сунъии Молиявӣ Чӣ Гуна Кор Мекунад?

Дар маркази чаҳорчӯба фазои умумии ҳолат ҷойгир аст, ки ҳамаи зерсистемаҳо метавонанд аз он истифода баранд:

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

Ин сохтор панҷ синфи гуногуни маълумотро дар як фазои ягонаи қарор муттаҳид мекунад.

Ҳолати бозор

Ҳолати бозор:

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

ба шакли зерин муайян мешавад.

Дар ин ҷо:

• \(p_t\): нархҳои дороиҳо,
• \(v_t\): ҳаҷмҳои муомила,
• \(b_t,a_t\): сохтори бисёрсатҳаи bid ва ask,
• \(\nabla p_t\): тағйироти нарх,
• \(\sigma_t^2\): ноустуворӣ,
• \(\rho_t\): сохтори коррелятсия мебошад.

Ҳолати портфел

Зерфазои портфел маълумоти хатар ва иҷроишро, аз қабили вазнҳои ҷорӣ, даромад, Value-at-Risk, Conditional VaR, alpha, beta ва Sharpe ratio нигоҳ медорад.

Ҳолати sentiment

Ҷузъи sentiment се навъи гуногуни маълумотро дар embedding-и муштарак муттаҳид мекунад:

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

Матн метавонад аз хабарҳо ё гузоришҳои молиявӣ, садо махсусан аз сабтҳои earnings call-и ширкатҳо ва ҷузъи визуалӣ аз графикҳои молиявӣ гирифта шавад.

Ҳолати стратегӣ

Game-theory state амалҳои мушоҳидашудаи рақибон, стратегияҳои тахминии Nash ва рафтори market maker/таъминкунандагони пардохтпазириро дар бар мегирад.

Ҳолати Context

Барои LLM ва in-context learning тасвирҳои prompt, хотираи намунаҳо ва параметрҳои мутобиқшавӣ дар context state-и алоҳида нигоҳ дошта мешаванд.

Чаро Hierarchical Attention Истифода Мешавад?

Интизор нест, ки панҷ модул дар ҳама шароити бозор аҳамияти баробар дошта бошанд. Дар ноустувории хеле баланд ҷузъҳои HFT ва sentiment метавонанд муҳимтар бошанд, дар ҳоле ки ҳангоми бозтавозунсозии дарозмуддати портфел модули PPO метавонад вазни бештар гирад.

Таҳқиқот ин афзалиятро бо:

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

вазнҳои attention-и ҳисобшуда ифода мекунад.

Ҳамин тавр барои ҳар модул:

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

ва ҷамъбасти ҳамаи вазнҳо:

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

мешавад.

Интиқоли маълумот танҳо бо вазнҳои attention анҷом намешавад. Механизми gating бар асоси GRU инчунин меомӯзад, ки як модул кадом маълумотро аз модулҳои дигар қабул кунад.

Панҷ Ҳадафи Гуногун Чӣ Гуна Ҳамзамон Беҳсозӣ Мешаванд?

Ҳадафи муштарак:

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

ба ҳамин шакл муайян мешавад.

\(J_i\) ҳадафи хоси ҳар ҷузъ, \(\lambda_i\) вазни вазифавии омӯзишшаванда ва \(R_{synergy}\) термини ҳамкориро ифода мекунад, ки ҳадафаш кам кардани халалрасонии зер-моделҳо ба ҳамдигар аст.

Манбаъ вазнҳои вазифаҳоро бар асоси номуайянӣ чунин меомӯзад:

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

Бо ин роҳ таъсири ҷузъи серғавғо ба gradient-и муштарак метавонад худкор кам карда шавад.

Gradient conflict чӣ гуна идора мешавад?

Самтҳои gradient-и вазифаҳои гуногун метавонанд ба ҳам зид бошанд. Масалан, тағйири як параметр метавонад пешгӯии HFT-ро беҳтар кунад, вале модели sentiment-ро бадтар намояд.

Манбаъ cosine similarity-и ҷуфтҳои gradient-ро назорат мекунад. Ҳангоми пайдо шудани conflict-и манфӣ бо усули PCGrad ҷузъи мухолифи gradient метавонад projection шуда хориҷ карда шавад.

Ҳадафи ин механизм кам кардани ҳолатест, ки як зерсистема дар омӯзиши бисёрвазифа омӯзиши зерсистемаи дигарро халалдор мекунад.

Модули Савдои Басомади Баланд Чӣ Гуна Кор Мекунад?

Ҷузъи HFT аз Multi-Scale Temporal Convolutional Network истифода мебарад.

Манбаъ дар Appendix B панҷ миқёси вақтро муайян мекунад:

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

Ҳар миқёс аз ҷониби temporal convolution branch-и алоҳида коркард мешавад. Баъдан cross-scale attention мубодилаи маълумотро байни ҳалли гуногуни вақт таъмин мекунад.

Ҳадафи ин тарҳ дар як пешгӯӣ ҳам тағйироти бисёр кӯтоҳмуддати order-flow ва ҳам намунаҳои сусттари бозорро, ки чанд сония идома меёбанд, арзёбӣ кардан аст.

HFT objective

Ҳадафи ҷузъи басомади баланд танҳо кам кардани хатои пешгӯӣ нест:

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

Термини дуюм transaction cost-ро ифода мекунад. Ҳамин тавр дақиқии назариявии пешгӯии нарх ва арзиши иқтисодии муомила метавонанд дар як objective арзёбӣ шаванд.

Таъхири 95 Микросониягии Қарор Чиро Дар Бар Мегирад?

95 µs-и дар манбаъ гузоришшуда танҳо вақти пешгӯии шабакаи асабӣ нест. Wire-to-order latency-и умумӣ аз чор қисми зерин иборат аст:

Дар платформаи санҷишӣ Intel Xeon Gold 6338, NVIDIA A100 40 GB, DPDK kernel-bypass networking ва ONNX Runtime + TensorRT истифода мешаванд.

Ин ченкунӣ round-trip latency нест, ки қабули фармоиш ё fill шудани онро аз ҷониби exchange дар бар гирад; он роҳи коркарди маҳаллиро аз вуруди худи система то баромади фармоиш чен мекунад.

Чаро LLM роҳи HFT-ро суст намекунад?

Вақти як inference-и ҷузъи ICL/LLM тақрибан 2,4 ms аст ва аз буҷети 95 µs HFT хеле дарозтар мебошад.

Аз ин рӯ LLM ба таври synchronous қарори HFT-ро мунтазир намекунад. Advisory embedding-и охирин дар lock-free ring buffer нигоҳ дошта мешавад ва модели HFT embedding-и навтарини дастрасро истифода мебарад.

Ҳамин тавр:

таҳлили семантикии суст → навсозии асинхронӣ → роҳи тези HFT

меъморӣ сохта шудааст.

Усул ва Натиҷаҳои Таҳқиқот

Олами маълумот

Дар тақсимҳои HFT байни давраҳои train ва test 24 соат embargo ва дар вазифаҳои портфелу sentiment панҷ trading-day embargo истифода шудааст.

Манбаъ инчунин мегӯяд, ки натиҷаҳо ҳамчун миёнаи панҷ random seed-и мустақил гузориш шудаанд, аз 10.000 такрори bootstrap %95 confidence interval ҳисоб шудааст ва нисбат ба қавитарин single-component baseline paired t-test истифода шудааст.

Иҷроиши умумӣ

Барои системаи муттаҳидшуда %95 bootstrap confidence interval барои Sharpe 1,61–1,73, барои maximum drawdown тақрибан −%9,6 то −%8,1, барои HFT accuracy %77,4–%79,6 ва барои sentiment F1 0,842–0,860 дода шудааст.

Муқоисаи HFT

Аз HFT Module ба системаи муттаҳидшуда RMSE:

\[ 0.0421\rightarrow0.0289 \]

то ин сатҳ паст мешавад. Ин тақрибан %31,35 коҳиш аст ва бо тақрибан %31,2 HFT prediction-error improvement, ки дар abstract гузориш шудааст, мувофиқ мебошад.

Хароҷоти муомила

Backtest се ҷузъи хароҷотро истифода мебарад:

• барои саҳмияҳо 10 bps venue fee-и собит,
• барои crypto 4 bps venue fee-и собит,
• барои market order bid-ask half-spread,
• илова бар ин square-root price-impact model.

Ҳангоми ду баробар шудани price-impact coefficient, Sharpe-и умумӣ аз 1,67 ба 1,51 ва HFT profit factor аз 1,87 ба 1,62 коҳиш меёбад.

Натиҷаҳои sentiment-и бисёрмодалӣ

Натиҷаҳо нишон медиҳанд, ки истифодаи якҷояи матн, садо ва маълумоти визуалӣ дар таҷрибаи манбаъ нисбат ба моделҳои single modality иҷроиши баландтар додааст.

Натиҷаҳои ablation

Гузориш шудааст, ки ҳангоми хориҷ кардани ҷузъҳо иҷроиш дар аксари ченакҳо коҳиш меёбад.

Махсусан хориҷ кардани қабати attention на танҳо дақиқӣ, балки latency-ро низ бадтар мекунад. Ин натиҷа бо иддаои манбаъ мувофиқ аст, ки механизми attention на танҳо барои сифати пешгӯӣ, балки барои равона кардани захираҳои ҳисоббарорӣ низ истифода мешавад.

Натиҷаи benchmark-и FI-2010 чӣ гуна тафсир шавад?

Манбаъ дар benchmark-и FI-2010 барои модули HFT-и худ %80,7 directional accuracy гузориш медиҳад ва онро бо арзиши нашршудаи %78,0-и DeepLOB муқоиса мекунад.

Аммо натиҷаҳои FI-2010 ба prediction horizon ва evaluation setup-и истифодашуда сахт вобастаанд. Дар адабиёти DeepLOB дар setup-ҳои гуногун натиҷаҳои accuracy аз тақрибан %79 то болотар аз %84 мавҷуданд. Аз ин рӯ, бе истифодаи як horizon ва шароити preprocessing барои ҳар ду модел муқоисаи бартарӣ танҳо аз рӯи як арзиши фоизӣ кофӣ нест.

Се ҳолати ҷаҳони воқеӣ

Манбаъ:

• дар hedge fund-и миёнаҳаҷм баъд аз шаш моҳи истифода беҳбудии %27 дар иҷроиши risk-adjusted,
• дар retail brokerage афзоиши %34 дар қаноатмандии мизоҷ ва %22 дар assets under management,
• дар бонки сармоягузорӣ коҳиши %19 дар adverse-selection cost

гузориш медиҳад.

Аммо азбаски номи муассисаҳо ва маълумоти муфассали case дода нашудааст, ин натиҷаҳо далели клиникӣ ё таҷрибаи назоратшавандаи аз берун санҷишшаванда нестанд. Онҳо бояд ҳамчун натиҷаҳои саҳроие арзёбӣ шаванд, ки манбаъ гузориш кардааст.

Натиҷаи наздикшавии назариявӣ то чӣ андоза қавӣ аст?

Мақола барои беҳсозии муттаҳидшуда суръати наздикшавии \(O(1/\sqrt{T})\)-ро пешниҳод мекунад. Бо вуҷуди ин, барои ҳади болоии дараҷаи дуюм дар descent lemma одатан на танҳо Lipschitz continuity-и функсия, балки фарзияи gradient smoothness лозим мешавад.

Илова бар ин, навишти learning-rate дар Algorithm 1-и асосӣ ва Appendix A комилан яксон нест.

Аз ин рӯ натиҷаи наздикшавӣ қисми муҳими чаҳорчӯбаи назариявии таҳқиқот аст, аммо дақиқтар ифода кардани фарзияҳо ва нотацияи исбот муфид хоҳад буд.

Ҷанбаҳои қавии таҳқиқот

• Панҷ самти гуногуни молиявии AI-ро дар меъмории умумӣ муттаҳид мекунад.
• Tick-level HFT, портфели дарозмуддат, LLM ва multimodal sentiment-ро дар як state space модел мекунад.
• Тақсимоти хронологии маълумот ва embargo истифода мекунад.
• Панҷ random seed, bootstrap confidence interval ва paired significance test гузориш медиҳад.
• Transaction cost ва market impact-ро ба backtest дохил мекунад.
• Таъхири 95 µs-ро ба зерҷузъҳо тақсим карда гузориш медиҳад.
• Экспериментҳои ablation, sensitivity ва cross-market transfer пешниҳод мекунад.
• Роҳи LLM-ро аз роҳи HFT ба таври асинхронӣ ҷудо мекунад.

Маҳдудиятҳои асосӣ

• Баъзе фоизҳои беҳбудии abstract аз ҷадвалҳои асосӣ мустақиман бозтавлид намешаванд.
• HFT Only дар Table 3 бо %64,8 ва HFT Module дар Table 5 бо %71,4 ба қадри кофӣ шарҳ дода нашудааст.
• Муқоисаи benchmark-и FI-2010 / DeepLOB мутобиқати prediction-horizon-ро равшан нишон намедиҳад.
• Фарзияҳои smoothness дар исботи наздикшавӣ бояд дақиқтар ифода шаванд.
• Нотацияи learning-rate байни алгоритми асосӣ ва appendix пурра мувофиқ нест.
• Бо вуҷуди иддаои open-source implementation, дар манбаъ URL-и мустақими code repository дода нашудааст.
• Маҷмӯи маълумоти proprietary ICL бозтавлиди мустақилро маҳдуд мекунад.
• Муассисаҳои real-world case-study аноним нигоҳ дошта шудаанд.
• Натиҷаи 95 µs ба таҷҳизот ва оптимизатсияи нармафзории сатҳи муайяни муассисавӣ вобаста аст.
• Даромаднокии молиявӣ ва муваффақияти prediction ҳатман дар бозорҳои гуногун дар ҳамон сатҳ идома намеёбанд.

Қайди Манбаъ ва Усул

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

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

Маҷалла: Mathematics.

Ҷилд / шумора: 14 / 13.

Рақами мақола: 2437.

Санаи нашр: 7 июли 2026.

Received: 26 майи 2026.

Revised: 25 июни 2026.

Accepted: 30 июни 2026.

DOI: 10.3390/math14132437.

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

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

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

Меъмории HFT: Multi-Scale Temporal Convolutional Network дар миқёсҳои 1 ms, 10 ms, 100 ms, 1 s ва 10 s; cross-scale attention; 1000 tick sequence.

Олами маълумоти HFT: BTC/USDT, ETH/USDT ва NASDAQ top-100; маълумоти tick-level; 2022–2024; split-и хронологии %70/%15/%15.

HFT leakage control: Байни train/test fold-ҳо 24 соат embargo.

Модели хароҷоти муомила: Барои Equities 10 bps, барои crypto 4 bps venue fee; market order half-spread ва square-root market-impact term.

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

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

Sentiment encoder-ҳо: BERT-base, wav2vec2-base ва ViT-B/16.

Маблағгузорӣ: Манбаъ мегӯяд, ки маблағгузории беруна гирифта нашудааст.

Дастрасӣ ба маълумот: Гуфта мешавад, ки маълумоти хом аз ҷониби муаллифон бо дархост дода мешавад; қисми маҷмӯи ICL/advisory proprietary аст.

Таъارضи манфиатҳо: Муаллифон изҳор кардаанд, ки таъارضи манфиатҳо вуҷуд надорад.

Огоҳии иҷроиш дар дохили манбаъ: Ҳарчанд %31,2 HFT prediction-error reduction дар abstract тақрибан бо Table 5 тасдиқ мешавад, baseline-и муқоисавии баъзе дигар фоизҳои беҳбудии умумӣ аз ҷадвалҳои асосӣ бо ҳамон равшанӣ бозҳисоб намешавад.

Огоҳии benchmark: Натиҷаи FI-2010 набояд бидуни нишон додани prediction horizon ва preprocessing setup бо DeepLOB танҳо аз рӯи як арзиш муқоиса шавад.

Огоҳии назариявӣ: Барои қадами descent, ки дар исботи наздикшавии \(O(1/\sqrt{T})\) истифода шудааст, мумкин аст фарзияи smoothness-и қавитар аз гуфташуда лозим бошад; нотацияи learning-rate низ байни бахшҳо пурра мувофиқ нест.

Огоҳии дастрасии код: Мақола мегӯяд, ки open-source implementation нашр шудааст; аммо дар PDF-и манбаъ пайванди мустақими repository дода нашудааст.

Қобилияти умумисозӣ: Натиҷаҳо дар маҷмӯи муайяни маълумот, модели хароҷоти муомила ва таҷҳизоти баландсифат ба даст омадаанд. Дар бозор, venue ё муҳити таъхири дигар ба даст омадани ҳамон иҷроиш кафолат дода намешавад.