تعرف على أساليب التعلم المتقدم في استرجاع الأصول المالية!

في عالم الاستثمار الكمي، يُعتبر استرجاع الأصول (Asset Retrieval) عملية حيوية تساهم في اتخاذ قرارات استثمارية مدروسة. غالبًا ما ترتكز الأساليب التقليدية على تحليل نمط الأسعار التاريخية أو تصنيفات القطاعات، وهو ما لا يضمن سلوك الأصول في المستقبل. لهذا، يرى الباحثون أن استرجاع الأصول يجب أن يتماشى مع المستقبل، حيث يجب أن تُختار الأصول الأكثر احتمالاً للاحتفاظ بإرجاع مترابط في المستقبل.

لتنفيذ ذلك، تم اقتراح أسلوب جديد يحمل اسم التعلم المتباين الناعم المستقبلي (Future-Aligned Soft Contrastive Learning - FASCL). يعتمد هذا الإطار على خسارة تعلّم متباين ناعم يستخدم التباينات المستقبلية كأهداف إشرافية، مما يُمكّن من تحسين دقة تحديد الأصول القابلة للاسترجاع.

كما تم تطوير بروتوكول تقييم مصمم خصيصًا لتقييم قدرة الأصول المسترجعة على مشاركة مسارات مستقبلية متشابهة. وأظهرت التجارب على 5,631 أصول مدرجة في الولايات المتحدة تفوق FASCL في كل عمق استرجاع، حيث حقق أفضل ارتباط بالإرجاع المستقبلي وأعلى معامل معلومات رائدي في جميع العمق والفترات الزمنية المعنية.

هذه النتائج تمثل خطوة مهمة نحو تحسين فعالية استراتيجيات الاستثمار، مما يتيح للمتداولين اتخاذ قرارات أكثر ذكاء واستباقية. للمزيد من التفاصيل، يمكنك الاطلاع على الشيفرة المصدرية المتاحة على GitHub.