Moliyaviy sun’iy intellekt tizimlari ko‘pincha bir-biridan alohida muammolar uchun ishlab chiqiladi: bir model portfel taqsimotini optimallashtiradi, boshqa model yuqori chastotali narx harakatlarini bashorat qiladi, til modeli investitsiya savollariga javob beradi, o‘yin nazariyasi raqobatchi institutlarning xatti-harakatlarini o‘rganadi va alohida sentiment modeli yangiliklar yoki kompaniya bayonotlarini tahlil qiladi. Ushbu tadqiqot ana shu parchalangan tuzilma o‘rniga besh xil moliyaviy sun’iy intellekt komponentini umumiy holat tasviri va ko‘p maqsadli optimallashtirish ostida birlashtiradigan integratsiyalashgan arxitekturani taklif qiladi.

Tizimning besh asosiy komponenti Proximal Policy Optimization (PPO) asosidagi robo-maslahatchilik, multi-scale Temporal Convolutional Network bilan yuqori chastotali savdo prognozi, retrieval-augmented in-context learning asosidagi investitsiya maslahatchiligi, raqobatbardosh moliyaviy xatti-harakatlarni modellashtiruvchi o‘yin nazariyasi dvigateli hamda matn, audio va moliyaviy grafiklardan axborot chiqaradigan ko‘p modalli sentiment tahlilidir. Komponentlar mustaqil chiqishlar yaratish o‘rniga umumiy state representation orqali axborot almashadi. Hierarchical attention mexanizmi bozor sharoitiga qarab qaysi komponentga ko‘proq vazn berilishini belgilaydi; o‘rganiladigan vazifa vaznlari va gradient-conflict boshqaruvi esa umumiy o‘qitishni tartibga soladi.

Manba tajribalarida birlashtirilgan tizim uchun 1,67 Sharpe nisbati, −%8,9 maksimal drawdown, %78,5 yuqori chastotali yo‘nalish prognozi aniqligi va 0,851 sentiment F1 qiymati qayd etilgan. HFT yo‘lining umumiy wire-to-order kechikishi 95 µs sifatida o‘lchangan; shundan 11 µs ma’lumot oqimini parsing qilishga, 27 µs xususiyatlarni ajratib olishga, 39 µs model inference’iga va 18 µs buyurtma yaratish hamda FIX 4.4 seriyalashtirishga to‘g‘ri kelgan.

Shu bilan birga, natijalarni talqin qilishda ayrim cheklovlar mavjud. Maqoladagi ayrim yuqori darajadagi foizli yaxshilanishlarning qaysi baseline asosida hisoblangani jadvallar yordamida to‘liq qayta hosil qilinmaydi. FI-2010 benchmark taqqoslashida prediction horizon va tajriba sozlamalari bo‘yicha yanada batafsil moslashtirish talab qilinadi. Bundan tashqari, haqiqiy moliya tashkilotlarida o‘tkazilgani aytilgan uchta amaliyot anonim muassasalarga asoslangani sababli mustaqil tekshiruvga ochiq emas.

Nega bitta moliyaviy AI modeli yetarli deb hisoblanmaydi?

Moliyaviy qaror faqat narx tarixiga bog‘liq emas. Portfel menejeri bir vaqtning o‘zida bozor harakatini, risk cheklovlarini, yangiliklar oqimini, raqobatchi institutlar xatti-harakatini va investorning o‘z maqsadlarini baholashi kerak bo‘lishi mumkin.

An’anaviy tuzilmada bu muammolar alohida tizimlarga bo‘linadi:

• portfel modeli aktiv vaznlarini belgilaydi,
• HFT modeli mikrotuzilmani kuzatadi,
• sentiment modeli yangiliklarni tahlil qiladi,
• LLM investor bilan muloqot qiladi,
• strategik model raqib xatti-harakatini o‘rganadi.

Tadqiqotning asosiy gipotezasi shundan iboratki, bu tizimlarning bir-biridan butunlay mustaqil ishlashi qimmatli axborotning yo‘qolishiga olib kelishi mumkin.

Masalan, sentiment modeli aniqlagan to‘satdan salbiy yangilik nafaqat uzoq muddatli portfel tizimiga, balki qisqa muddatli HFT modeliga ham axborot berishi mumkin. Raqib market makerlarning xatti-harakatini bashorat qiluvchi o‘yin nazariyasi dvigateli ham qisqa muddatli execution qarorlarining riskini o‘zgartirishi mumkin.

Birlashtirilgan Moliyaviy Sun’iy Intellekt Tizimi Qanday Ishlaydi?

Ramkaning markazida barcha quyi tizimlar foydalana oladigan umumiy holat fazosi mavjud:

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

Bu tuzilma besh xil axborot sinfini yagona qaror maydonida birlashtiradi.

Bozor holati

Bozor holati:

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

ko‘rinishida aniqlanadi.

Bu yerda:

• \(p_t\): aktiv narxlari,
• \(v_t\): bitim hajmlari,
• \(b_t,a_t\): ko‘p darajali bid va ask tuzilmasi,
• \(\nabla p_t\): narx o‘zgarishlari,
• \(\sigma_t^2\): volatillik,
• \(\rho_t\): korrelyatsiya tuzilmasidir.

Portfel holati

Portfel quyi fazosi joriy vaznlar, daromad, Value-at-Risk, Conditional VaR, alpha, beta va Sharpe nisbati kabi risk va samaradorlik ma’lumotlarini saqlaydi.

Sentiment holati

Sentiment komponenti uch xil ma’lumot turini umumiy embedding ichida birlashtiradi:

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

Matn moliyaviy yangiliklar yoki hisobotlardan, audio ayniqsa kompaniyalarning earnings call yozuvlaridan, vizual komponent esa moliyaviy grafiklardan kelishi mumkin.

Strategik holat

Game-theory state raqiblarning kuzatilgan harakatlari, taxmin qilingan Nash strategiyalari hamda market maker/likvidlik ta’minotchisi xatti-harakatlarini o‘z ichiga oladi.

Context holati

LLM va in-context learning uchun prompt tasvirlari, namunaviy xotira va moslashuv parametrlari alohida context state ichida saqlanadi.

Ierarxik Attention Nega Ishlatiladi?

Besh modulning har bir bozor sharoitida bir xil ahamiyatga ega bo‘lishi kutilmaydi. Juda yuqori volatillikda HFT va sentiment komponentlari muhimroq bo‘lishi mumkin, uzoq muddatli portfelni qayta muvozanatlashtirishda esa PPO moduli ko‘proq vazn olishi mumkin.

Tadqiqot ushbu ustuvorlikni:

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

orqali hisoblanadigan attention vaznlari bilan ifodalaydi.

Shunday qilib har bir modul uchun:

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

va barcha vaznlar yig‘indisi:

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

bo‘ladi.

Axborot uzatish faqat attention vaznlari bilan amalga oshirilmaydi. GRU asosidagi gating mexanizmi bir modulning boshqa modullardan qaysi axborotni qabul qilishini ham o‘rganadi.

Besh Xil Maqsad Bir Vaqtda Qanday Optimallashtiriladi?

Umumiy maqsad:

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

ko‘rinishida aniqlanadi.

\(J_i\) har bir komponentning o‘z maqsadini, \(\lambda_i\) o‘rganiladigan vazifa vaznini, \(R_{synergy}\) esa quyi modellarning bir-biriga xalaqit berishini kamaytirishga qaratilgan sinergiya terminini ifodalaydi.

Manba vazifa vaznlarini noaniqlik asosida:

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

ko‘rinishida o‘rganadi. Shovqini yuqoriroq bo‘lgan komponentning umumiy gradientga ta’siri shu tariqa avtomatik ravishda kamaytirilishi mumkin.

Gradient conflict qanday boshqariladi?

Turli vazifalarning gradient yo‘nalishlari bir-biriga zid bo‘lishi mumkin. Masalan, parametrdagi o‘zgarish HFT prognozini yaxshilashi, lekin sentiment modelini yomonlashtirishi mumkin.

Manba gradient juftlarining cosine similarity qiymatini kuzatadi. Salbiy conflict paydo bo‘lganda PCGrad yondashuvi bilan qarama-qarshi gradient komponenti proyeksiya qilinib olib tashlanishi mumkin.

Bu mexanizmning maqsadi ko‘p vazifali o‘rganishda bir quyi tizimning boshqa quyi tizim o‘qitilishini buzishini kamaytirishdir.

Yuqori Chastotali Savdo Moduli Qanday Ishlaydi?

HFT komponenti Multi-Scale Temporal Convolutional Networkdan foydalanadi.

Manba Appendix B’da besh vaqt masshtabini belgilaydi:

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

Har bir masshtab alohida temporal convolution branch tomonidan qayta ishlanadi. So‘ng cross-scale attention turli vaqt aniqliklari o‘rtasida axborot almashinuvini ta’minlaydi.

Ushbu dizaynning maqsadi juda qisqa muddatli order-flow o‘zgarishlari bilan birga bir necha soniyaga cho‘ziladigan sekinroq bozor naqshlarini ham bitta prognoz doirasida baholashdir.

HFT objective

Yuqori chastotali komponentning maqsadi faqat prognoz xatosini kamaytirish emas:

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

Ikkinchi termin transaction costni ifodalaydi. Shunday qilib, narx prognozining nazariy aniqligi bilan bitimning iqtisodiy xarajati bir xil objective ichida baholanishi mumkin.

95 Mikrosoniyalik Qaror Kechikishi Nimalarni Qamrab Oladi?

Manbada qayd etilgan 95 µs faqat neyron tarmoq prognoz vaqti emas. Wire-to-order umumiy latency quyidagi to‘rt qismdan iborat:

Sinov platformasida Intel Xeon Gold 6338, NVIDIA A100 40 GB, DPDK kernel-bypass networking va ONNX Runtime + TensorRT ishlatiladi.

Bu o‘lchov exchange tomonidan buyurtmaning qabul qilinishi yoki fill qilinishini qamrab oladigan round-trip latency emas; tizimning o‘z kirishidan buyurtma chiqishigacha bo‘lgan mahalliy qayta ishlash yo‘lidir.

LLM nega HFT yo‘lini sekinlashtirmaydi?

ICL/LLM komponentining bitta inference vaqti taxminan 2,4 ms bo‘lib, 95 µs HFT byudjetidan ancha uzun.

Shuning uchun LLM synchronous tarzda HFT qarorini kutib turmaydi. Eng so‘nggi advisory embedding lock-free ring buffer ichida saqlanadi va HFT modeli mavjud eng yangi embeddingdan foydalanadi.

Shu tariqa:

sekin semantik tahlil → asinxron yangilanish → tez HFT yo‘li

arxitekturasi yaratilgan.

Tadqiqot Metodi va Natijalari

Ma’lumotlar olami

HFT bo‘linishlarida train va test davrlari orasida 24 soat embargo, portfel va sentiment vazifalarida esa besh trading-day embargo qo‘llangan.

Manba, shuningdek, natijalar besh mustaqil random seed bo‘yicha o‘rtacha sifatida hisobot qilinganini, 10.000 bootstrap takroridan %95 confidence interval hisoblanganini va eng kuchli single-component baselinega qarshi paired t-test qo‘llanganini bildiradi.

Umumiy samaradorlik

Birlashtirilgan tizim uchun %95 bootstrap ishonch intervallari Sharpe’da 1,61–1,73, maximum drawdown’da taxminan −%9,6 dan −%8,1 gacha, HFT accuracy’da %77,4–%79,6 va sentiment F1’da 0,842–0,860 sifatida berilgan.

HFT taqqoslanishi

HFT Moduledan birlashtirilgan tizimga RMSE:

\[ 0.0421\rightarrow0.0289 \]

darajasiga tushadi. Bu taxminan %31,35 kamayish bo‘lib, abstractda bildirilgan taxminan %31,2 HFT prediction-error improvement bilan mos keladi.

Bitim xarajatlari

Backtest uchta xarajat komponentidan foydalanadi:

• aksiyalarda 10 bps doimiy venue fee,
• kriptoda 4 bps doimiy venue fee,
• market order uchun bid-ask half-spread,
• ularga qo‘shimcha ravishda square-root price-impact modeli.

Price-impact koeffitsiyenti ikki baravar oshirilganda umumiy Sharpe 1,67 dan 1,51 ga, HFT profit factor esa 1,87 dan 1,62 ga tushishi qayd etilgan.

Ko‘p modalli sentiment natijalari

Natijalar matn, audio va vizual axborotni birgalikda ishlatish manba tajribasida yagona modality modellariga qaraganda yuqoriroq samaradorlik berganini ko‘rsatadi.

Ablation natijalari

Komponentlar olib tashlanganda samaradorlikning ko‘p o‘lchovlarda pasaygani qayd etilgan.

Ayniqsa attention qatlamini olib tashlash nafaqat aniqlikni, balki latencyni ham yomonlashtiradi. Bu natija manbaning attention mexanizmini faqat prognoz sifati uchun emas, balki hisoblash resurslarini yo‘naltirish uchun ham ishlatgani haqidagi da’voga mos keladi.

FI-2010 benchmark natijasi qanday talqin qilinishi kerak?

Manba FI-2010 benchmarkda o‘z HFT moduli uchun %80,7 directional accuracy qayd etadi va uni DeepLOBning e’lon qilingan %78,0 qiymati bilan taqqoslaydi.

Biroq FI-2010 natijalari prediction horizon va ishlatilgan evaluation setupga kuchli bog‘liq. DeepLOB adabiyotida turli setup’larda taxminan %79 dan %84 dan yuqoriga chiqadigan accuracy natijalari mavjud. Shu sababli ikkala model bir xil horizon va preprocessing sharoitlarida sinovdan o‘tkazilmagan bo‘lsa, bitta foiz qiymati asosida ustunlikni taqqoslash yetarli emas.

Haqiqiy dunyodagi uchta holat

Manba:

• o‘rta hajmdagi hedge fundda olti oylik foydalanish natijasida riskka moslashtirilgan samaradorlikda %27 yaxshilanish,
• retail brokerageda mijozlar qoniqishida %34 va assets under managementda %22 o‘sish,
• investitsiya bankida adverse-selection costda %19 kamayish

haqida xabar beradi.

Biroq muassasa nomlari va batafsil case ma’lumotlari berilmagani uchun bu natijalar tashqaridan tekshiriladigan klinik yoki nazoratli tajriba turidagi dalillar emas. Ular manba xabar qilgan amaliy maydon natijalari sifatida baholanishi kerak.

Nazariy yaqinlashuv natijasi qanchalik kuchli?

Maqola birlashtirilgan optimallashtirish uchun \(O(1/\sqrt{T})\) yaqinlashuv tezligini taqdim etadi. Biroq descent lemma’da qo‘llanilgan ikkinchi tartibli yuqori chegara uchun faqat funksiyaning Lipschitz uzluksizligi emas, odatda gradient smoothness farazi talab qilinadi.

Bundan tashqari, asosiy Algorithm 1 bilan Appendix A’dagi learning-rate yozuvi to‘liq bir xil emas.

Shuning uchun yaqinlashuv natijasi tadqiqotning nazariy doirasining muhim qismi bo‘lsa-da, isbot farazlari va notatsiyasini yanada aniqroq shakllantirish foydali bo‘ladi.

Tadqiqotning kuchli tomonlari

• Besh xil moliyaviy AI yo‘nalishini umumiy arxitekturada birlashtirishi.
• Tick-level HFT, uzoq muddatli portfel, LLM va multimodal sentimentni bir xil state space ichida modellashtirishi.
• Xronologik ma’lumot bo‘linishi va embargo ishlatishi.
• Besh random seed, bootstrap confidence interval va paired significance test hisobot qilishi.
• Transaction cost va market impactni backtestga kiritishi.
• 95 µs kechikishni quyi komponentlarga ajratib hisobot qilishi.
• Ablation, sensitivity va cross-market transfer tajribalarini taqdim etishi.
• LLM yo‘lini HFT yo‘lidan asinxron tarzda ajratishi.

Asosiy cheklovlar

• Ba’zi abstract yaxshilanish foizlarini asosiy jadvallardan to‘g‘ridan-to‘g‘ri qayta hosil qilib bo‘lmaydi.
• Table 3’dagi HFT Only %64,8 bilan Table 5’dagi HFT Module %71,4 farqi yetarlicha tushuntirilmagan.
• FI-2010 / DeepLOB benchmark taqqoslanishi prediction-horizon mosligini ochiq ko‘rsatmaydi.
• Yaqinlashuv isbotidagi smoothness farazlari yanada aniq ifodalanishi kerak.
• Learning-rate notatsiyasi asosiy algoritm va appendix o‘rtasida to‘liq izchil emas.
• Open-source implementation da’vosiga qaramay, manbada to‘g‘ridan-to‘g‘ri kod repository URLsi berilmagan.
• Proprietary ICL ma’lumotlar to‘plami mustaqil reproduksiyani cheklaydi.
• Real-world case-study muassasalari anonim saqlangan.
• 95 µs natija muayyan institutsional darajadagi apparat va dasturiy optimallashtirishga bog‘liq.
• Moliyaviy rentabellik va prediction muvaffaqiyati turli bozorlarda bir xil darajada davom etishi shart emas.

Manba va Metod Izohi

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

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

Jurnal: Mathematics.

Jild / son: 14 / 13.

Maqola raqami: 2437.

Nashr sanasi: 7 iyul 2026.

Received: 26 may 2026.

Revised: 25 iyun 2026.

Accepted: 30 iyun 2026.

DOI: 10.3390/math14132437.

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

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

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

HFT arxitekturasi: 1 ms, 10 ms, 100 ms, 1 s va 10 s masshtablarida Multi-Scale Temporal Convolutional Network; cross-scale attention; 1000 tick sequence.

HFT ma’lumotlar olami: BTC/USDT, ETH/USDT va NASDAQ top-100; tick-level ma’lumot; 2022–2024; xronologik %70/%15/%15 split.

HFT leakage control: Train/test foldlari orasida 24 soat embargo.

Bitim xarajati modeli: Equities uchun 10 bps, crypto uchun 4 bps venue fee; market order half-spread va square-root market-impact termini.

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

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

Sentiment encoderlari: BERT-base, wav2vec2-base va ViT-B/16.

Moliyalashtirish: Manba tashqi moliyalashtirish olinmaganini bildiradi.

Ma’lumotga kirish: Xom ma’lumotlar mualliflar tomonidan so‘rov asosida taqdim etilishi aytilgan; ICL/advisory ma’lumotlar to‘plamining bir qismi proprietary hisoblanadi.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bayon qilgan.

Manba ichidagi samaradorlik ogohlantirishi: Abstractdagi %31,2 HFT prediction-error reduction Table 5 bilan taxminan tasdiqlanishi mumkin bo‘lsa-da, boshqa ayrim umumiy yaxshilanish foizlarining taqqoslash asosi asosiy jadvallardan xuddi shunday aniqlikda qayta hisoblanmaydi.

Benchmark ogohlantirishi: FI-2010 natijasi prediction horizon va preprocessing setup ko‘rsatilmasdan DeepLOB bilan bitta qiymat asosida taqqoslanmasligi kerak.

Nazariy ogohlantirish: \(O(1/\sqrt{T})\) yaqinlashuv isbotida qo‘llanilgan descent qadami uchun ko‘rsatilganidan kuchliroq smoothness farazi talab qilinishi mumkin; learning-rate notatsiyasi ham bo‘limlar o‘rtasida to‘liq izchil emas.

Kodga kirish ogohlantirishi: Maqola open-source implementation e’lon qilinganini bildiradi; ammo manba PDFda to‘g‘ridan-to‘g‘ri repository havolasi berilmagan.

Umumlashtirish: Natijalar muayyan ma’lumotlar to‘plamlari, bitim xarajati modeli va yuqori unumli apparat ostida olingan. Boshqa bozor, venue yoki kechikish muhitlarida ayni samaradorlik yuzaga kelishi kafolatlanmaydi.