قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
قيمة الخطر الشرطية (VaR)
مقياس مخاطر يقدر الخسارة المحتملة القصوى لمحفظة على أفق زمني معين، بشكل مشروط لمجموعة من المعلومات أو حالات السوق المحددة، غالبًا ما يتم حسابه باستخدام نماذج الذكاء الاصطناعي مثل الشبكات العصبية المتكررة.
العجز المتوقع (ES) بالتعلم العميق
تقدير متوسط الخسارة لمحفظة في أسوأ السيناريوهات التي تجاوز عتبة VaR، حيث يتم نمذجة توزيع الخسائر الشديدة بالشبكات العصبية العميقة لالتقاط اللاخطيات والتبعيات المعقدة.
اختبار الإجهاد المولد بالذكاء الاصطناعي
تقنية يتم فيها استخدام نماذج الذكاء الاصطناعي، مثل GANs (الشبكات التوليدية التنافسية)، لإنشاء سيناريوهات أزمات اقتصادية ومالية معقولة ولكن جديدة، من أجل تقييم مرونة محفظة أو مؤسسة.
نموذج الكوبلة العميق
بنية تعلم عميق تتعلم بنية تبعية معقدة (كوبلة) بين عدة متغيرات مالية، مما يسمح بنمذجة أكثر دقة للارتباطات الذيلية، التي تعد أساسية لتقييم مخاطر الطرف المقابل.
الشبكات العصبية الكمومية لتسعير الخيارات
تطبيق خوارزميات مستوحاة من الكم أو شبكات عصبية تعمل على أجهزة الكمبيوتر الكمومية لحل المعادلات التفاضلية العشوائية المعقدة لتسعير الخيارات، خاصة للمنتجات الغريبة.
التعلم المعزز للتخصيص التكتيكي للأصول
استخدام وكلاء التعلم المعزز الذين يتعلمون سياسة استثمار مثلى من خلال التفاعل مع بيئة سوق محاكاة، من أجل تعظيم العائد المعدل حسب المخاطر على آجال قصيرة/متوسطة.
كشف الشذوذ في السلاسل الزمنية المالية
استخدام خوارزميات الذكاء الاصطناعي غير الخاضعة للإشراف (مثل: المشفرات الذاتية، غابة العزل) لتحديد أنماط معاملات أو حركة أسعار غير طبيعية قد تشير إلى احتيال أو أخطاء في السوق أو أحداث نظامية نشئة.
نمذجة مخاطر الائتمان بالشبكات العصبية الرسومية (GNN)
نهج يمثل الكيانات (المقترضون، الضمانات، الشركات) وعلاقاتها كرسم بياني، ثم يستخدم GNNs للتنبؤ باحتمالية التخلف عن السداد من خلال التقاط تأثيرات العدوى والتبعيات الهيكلية للشبكة.
توقعات التقلب باستخدام شبكات المحول
تطبيق نماذج المحول، التي صممت في الأصل لمعالجة اللغات الطبيعية، على السلاسل الزمنية المالية للتنبؤ بالتقلب المستقبلي من خلال التقاط التبعات طويلة الأمد والأنماط المعقدة في بيانات السوق بشكل فعال
الذكاء الاصطناعي القابل للتفسير (XAI) للتحقق التنظيمي من النماذج
مجموعة من التقنيات (مثل: SHAP, LIME) تهدف إلى تفسير وتبرير قرارات نماذج الذكاء الاصطناعي 'الصندوق الأسود' المستخدمة في التمويل، من أجل تلبية متطلبات الشفافية والتوثيق التي يفرضها المنظمون مثل البنك المركزي الأوروبي أو هيئة الأوراق المالية والأسواق الأوروبية
معايرة نماذج المخاطر بالتعلم المعزز العكسي
طريقة تستنتج معلمات نموذج المخاطر (مثل: مرونة المخاطر، احتمالات الانتقال) من خلال مراقبة القرارات التي يتخذها الخبراء، مع افتراض أن هذه القرارات هي مثالية وفقًا لمعيار مخاطر معين
التعلم الفائق للتكيف السريع لنماذج المخاطر
تقنية يتعلم فيها النموذج كيف يتعلم، مما يسمح له بالتكيف مع أنظمة السوق الجديدة أو أنواع جديدة من الأدوات بكمية قليلة جدًا من البيانات، وهو أمر بالغ الأهمية للحفاظ على صلة نماذج المخاطر في أوقات الأزمات
كمية عدم اليقين في نماذج الذكاء الاصطناعي (التجميع العميق)
نهج يدرب عدة نماذج ذكاء اصطناعي على مجموعات فرعية مختلفة من البيانات ويجمع تنبؤاتها ليس فقط للحصول على تقدير أكثر قوة، بل أيضًا لقياس عدم اليقين أو الثقة المرتبطة بكل توقع للمخاطر
نمذجة مخاطر السيولة عبر وكلاء يعتمدون على الذكاء الاصطناعي
محاكاة سوق حيث يتفاعل الوكلاء الاصطناعيون الأذكياء، المزودون باستراتيجيات تعلم، لتكوين الأسعار والحجم، مما يسمح بدراسة تأثير الصدمات على السيولة وتكلفة المعاملات للمحافظ
تحليل المخاطر المنهجية عبر معالجة اللغات الطبيعية على الأخبار المالية
استخدام معالجة اللغات الطبيعية (NLP) ونماذج المحولات لتحليل تدفقات البيانات النصية (الأخبار، التقارير، وسائل التواصل الاجتماعي) في الوقت الفعلي من أجل قياس مشاعر السوق وتحديد الإشارات التحذيرية المبكرة للمخاطر المنهجية