في عالم التداول المالي، تُعتبر إدارة المحافظ المالية تحديًا يستدعي استخدام تقنيات متقدمة للحفاظ على التوازن بين العوائد والمخاطر وتكاليف المعاملات. تقترح الدراسة الجديدة GIFT، وهي إطار عمل يستند إلى نماذج اللغة الكبيرة (Large Language Models) لتصميم واجهات الحالة والمكافأة في التعلم المعزز المالي، لتوفر حلاً مبتكرًا لهذه التحديات.

تستفيد GIFT من تقنيات مثل “تعزيز حالة العوامل” (Factor-guided State Enhancement) لتوليد ميزات حالة من المعطيات المالية الأساسية، و“تشكيل مكافآت مستندة إلى قواعد المخاطر” (Risk-rule-guided Reward Shaping) لإنشاء مكافآت إضافية بناءً على قواعد المخاطر المتعلقة بالمحفظة. بالإضافة إلى ذلك، تستخدم GIFT “تحسين تشخيصي” (Diagnostic-guided Refinement) لمراجعة واجهات الحالة والمكافأة بناءً على تشخيصات تنفيذ تعليمات PPO.

تظهر التجارب التي أجريت عبر نوافذ زمنية مختلفة في أسواق متنوعة أن GIFT تعزز من جودة إشارة التعلم وكفاءة الأداء المالي للمحافظ مقارنةً بالأساليب التقليدية. من المثير للاهتمام أن GIFT تقوم بتثبيت واجهة الحالة والمكافأة المختارة دون الحاجة لتحديثها أو استفسارات إضافية من نماذج اللغة أثناء مرحلة الاختبار.

إذا كنت مهتمًا بالتداول المالي والتقنيات الحديثة في الذكاء الاصطناعي، فإن GIFT تمثل خطوة جديدة مثيرة في هذا المجال. يمكنك الاطلاع على الرمز والبيانات المستخدمة في البحث عبر الرابط: GitHub - GIFT. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!