في عالم المالية الكمية، أصبحت عملية التوليد التلقائي للكود من الأدوات الضرورية، حيث تتيح النماذج اللغوية الضخمة (Large Language Models) القدرة على إنتاج تطبيقات تسعير الخيارات بشكل مباشر منSpecifications رياضية معقدة. ومع ذلك، فإن التحقق من صحة هذه التطبيقات يتطلب ما هو أكثر بكثير من مجرد اختبارات برمجية تقليدية، إذ يجب أن تظل الأساليب العددية المتبعة متماسكة رياضيًا ومستقرة عدديًا وموثوقة عبر مجموعة واسعة من معلمات النموذج.

لذا تم تقديم إطار RIDGE، وهو نظام مستقل للتحقق من صحة تلك التطبيقات. يواجه هذا الإطار تحديات متعلقة بالتحقق من النماذج مثل اختبارات عدم التحكّم (no-arbitrage tests) واختبارات الضغط (stress tests) ومقارنات المعيار (benchmark comparisons) وفحوصات التناسق (consistency checks). يساعد ذلك في توفير أدلة تشخيصية يمكن أن تُستخدم لتجميع المعرفة على مدى الزمن، ومساعدتنا على تحسين كل من تطبيقات التسعير ومنهجية التحقق.

تم تطبيق إطار RIDGE على خمسة نماذج لتقلبات السلسلة الزمنية، وقد أدى ذلك إلى تصحيح جميع عيوب التنفيذ المكتشفة، وفي حالتين من هذه الدراسات، أفضى التحقق من صحة النماذج إلى تطوير منهجيات تسعير شبه تحليلية جديدة. يمكن الاطلاع على المادة التكميلية في مستودع GitHub الخاص بهم عبر الرابط: https://github.com/ShQiangLiu/ridge.

بهذه الطريقة، يمثل RIDGE خطوة مهمة نحو تحسين الدقة والكفاءة في تسعير الخيارات المعقدة، ويُظهر كيف يمكن للذكاء الاصطناعي أن يحدث تحولاً في القطاع المالي. ما رأيكم في هذا الابتكار؟ شاركونا تعليقاتكم!