خب رفیق، اگه پیگیر بازارهای مالی باشی یا مثلاً دنبال تحلیل قیمت‌ها و پیش‌بینی آینده‌شون باشی، حتماً اسم مدل‌های Transformer به گوشت خورده. اینا همون مدل‌هایی هستن که فضای زیادی رو واسه یادگیری روابط بین قیمت‌ها تو بازه‌های زمانی مختلف دارن. اما راستشو بخوای، مدل‌های Transformer یه سری دردسر هم دارن؛ مثلاً وقتی حجم داده‌ها بالا میره، پردازش‌شون کند میشه، کلی هزینه کامپیوتری میذارن دستت، و گاهی تو درک ارتباط‌های بلندمدت بین دیتای قیمتی، اون‌قدرها هم که فکر می‌کنی قوی نیستن.
حالا یه خبر خوب! کل داستان درباره یه مدل جدید به اسم «CMDMamba» هست که تازه معرفی شده و کلی سروصدا کرده. بذار اول یه توضیح بدم: خود Mamba یه معماری جدیده که تو دل «مدل‌های حالت-فضا» یا همون State-space models (SSMs) استفاده میشه. SSM ها مدل‌هایی هستن که می‌تونن داده‌هایی که وابسته به زمان هستن رو فوق‌العاده خوب پردازش کنن. ایده Mamba اینه که با پیچیدگی زمانی تقریباً خطی کار می‌کنه؛ یعنی چه؟ یعنی حتی وقتی داده‌ها زیاد میشن، سرعتش نمیاد پایین و راحت می‌تونی تقریباً در لحظه (real-time) باهاش داده‌ها رو تحلیل کنی. این موضوع مخصوصاً تو سیستم‌های مدیریت ریسک بازارهای مالی که باید سریع کار کنن خیلی مهمه، چون باید فوری واکنش بده.
CMDMamba یه جور نسخه تقویتشده Mamba هست که دو تا لایه داره (dual-layer)، اونم نه فقط واسه شیک بودن! این باعث میشه مدل بتونه هم روندهای ریز یا همون microlevel و هم اتفاقات کلی‌تر یا همون macrolevel رو تو بازار شناسایی کنه. همین باعث میشه نه تنها تغییرات کوچیک قیمت یا نوسانات دقیقه‌ای (مثلاً بازی نهنگ‌ها تو بازار)، بلکه روندهای بلندمدت هم براش قابل کشف باشه.
اما این همه‌ی ماجرا نیست! تیم سازنده برای اینکه مدلشون از لحاظ درک روابط بین متغیرهای بازار (مثل قیمت، حجم معاملات، نرخ بهره و…) هم قوی باشه، از یه ماژول جدبد با اسم باحال «دوال کانولوشنال فیدفوروارد نتورک»، یا همون DconvFFN استفاده کردن. بذار راحت بگم: این قسمت ماجرا باعث میشه ارتباط‌های پیچیده و پنهان بین انواع دیتای مالی رو بهتر پیدا کنه. کانولوشنال یا Convolutional Network یعنی شبکه عصبی‌ای که بلده تو ساختار داده‌ها دنباله و الگو پیدا کنه (مثلاً همونی که برای تشخیص تصویر استفاده میشه). اینجا هم قرار شده همین ایده روی داده‌های زمان‌بندی مالی پیاده بشه و اینجوری مدل بهتر بفهمه که چه متغیرهایی رو روی هم تاثیر میذارن.
خلاصه بخواد جمع‌بندی کنم: CMDMamba با ترکیب دو لایه Mamba و اون DconvFFN، می‌تونه همزمان هم سری‌های زمانی رو قوی‌تر مدل کنه هم ارتباط متغیرها رو بهتر بفهمه. این کاراییشو هم تو واقعی‌ترین تست‌ها نشون داده: مدل رو با ۴ تا دیتاست بزرگ واقعی مالی تست کردن و نتیجه عالی بوده؛ مثلاً تو پیش‌بینی متغیرهای مختلف، دقت پیش‌بینی مدل به طور میانگین ۱۰.۴ درصد بهتر از خفن‌ترین مدل‌های دیگه شده! (یعنی یه پیشرفت حسابی تو یه حوزه رقابتی)
در کل، اگه دنبال مدلی می‌گردی که هم تو پیش‌بینی دقت بالاتری داشته باشه، هم سریع باشه و هزینه اجرا و راه‌اندازی‌ات رو بیاره پایین، این CMDMamba گزینه واقعاً جدی‌ایه. تازه داره استاندارد جدیدی واسه پیش‌بینی سری‌های زمانی مالی درست می‌کنه که شاید چند وقت دیگه خیلی از تریدرها و مدیرهای ریسک بهش رو بیارن.
پس اگه اهل سیگنال گرفتن از دیتا یا علاقه‌مند به مدل‌های یادگیری ماشین تو مالی هستی، حتماً اسم CMDMamba رو تو لیست مدل‌هایی که باید بیشتر بررسی کنی بنویس! 😉
منبع: +
