في عالم البيانات المالية المتطورة، برزت الحاجة إلى تقنيات مبتكرة لتقييم بيانات أسواق الأوراق المالية. ويعتبر نموذج LOB-ID (Limit Order Book Identification) أحدث الحلول التي تعيد تعريف كيفية قياس فعالية نماذج البيانات المالية. بعد تحسن نماذج البيانات التوليدية بشكل كبير في السنوات الأخيرة، كان التركيز على تقييم هذه النماذج لا يزال يتجه نحو الحقائق النمطية والإحصاءات المختارة، مما أدى إلى نتائج قد لا تعكس البنية الزمنية والتداخل بين البيانات بشكل كامل.

يتجاوز LOB-ID هذه الأساليب التقليدية من خلال تقديم إطار عمل يعتمد على التضمين، بحيث يتم دمج كل من Fréchet Inception Distance (FID) و Monge Inception Distance (MIND) في تحليل بيانات دفتر الطلبات (Order Book Data). باستخدام بنية DeepLOB، تم تدريب النموذج على بيانات دفتر الطلبات من المستوى الثاني لخمسة أصول مالية على مدار أربعة أشهر، مما أدى إلى إنتاج تجارب موثوقة ودقيقة.

تتميز LOB-ID بالاستقرار عبر الزمن والآلات ونقاط التضمين، مما يجعلها أداة فعالة للتقييم. كما تم رصد حساسية MIND لتشويهات مختلفة بشكل أكبر بالمقارنة مع FID، مما يدل على دقتها في قياس تقلبات السوق.

في نهاية المطاف، تم تصنيف خمسة نماذج توليدية باستخدام LOB-ID، والتي تتنوع بين الأسس العشوائية وتقنيات التعلم العميق، حيث أظهرت النتائج توافقها مع الهيكلية الزمنية والتداخلية التي تم تصميمها خصيصًا للحصول عليها. قد يكون LOB-ID الخطوة التالية نحو تحسين دقة التنبؤات في الأسواق المالية، مما يتيح للمستثمرين اتخاذ قرارات مدروسة بناءً على بيانات موثوقة.