🤖 AI

A Unified Framework for Modeling Heterogeneous Financial Data via Dual-Granularity Prompting

تقدم هذه الورقة FinLangNet، وهو إطار عمل مبتكر يعيد صياغة التقييم الائتماني كمسألة تعلم تسلسلي متعدد المقاييس باستخدام آلية تلميح مزدوجة لنمذجة البيانات المالية غير المتجانسة بفعالية، محققاً تحسينات كبيرة في مقاييس الأداء الصناعية مثل زيادة قدرها 6.3 نقطة مئوية في معامل (KS) وانخفاض بنسبة 9.9% في معدلات الديون المعدومة.

المؤلفون الأصليون: Yu Lei, Zixuan Wang, Yiqing Feng, Junru Zhang, Yahui Li, Chu Liu, Tongyao Wang, Dongyang Li

نُشر 2026-04-21

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yu Lei, Zixuan Wang, Yiqing Feng, Junru Zhang, Yahui Li, Chu Liu, Tongyao Wang, Dongyang Li

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك مدير بنك تحاول اتخاذ قرار بشأن إقراض شخص ما. في الماضي، كنت ستنظر إلى قائمة مراجعة ثابتة: "هل لديه وظيفة؟ كم يبلغ دخله؟ كم عمره؟" ثم تضع هذه الأرقام في آلة حاسبة (مثل XGBoost، المعيار السائد في الصناعة) لتحصل على نتيجة "نعم" أو "لا".

لكن البشر ليسوا مجرد قوائم مراجعة ثابتة. إنهم قصص حية تتنفس وتتغير كل يوم. ربما كان لديهم شهر رائع العام الماضي، لكنهم فقدوا وظيفتهم هذا الأسبوع وبدأوا في استنزاف بطاقات الائتمان الخاصة بهم. الحاسبات القديمة تغفل عن هذه القصص المتطورة.

تقدم هذه الورقة البحثية FinLangNet، وهو نظام ذكاء اصطناعي جديد مصمم لقراءة "قصة" الحياة المالية للشخص، وليس مجرد سيرته الذاتية. إليك كيف يعمل، مقسماً إلى مفاهيم بسيطة:

1. المشكلة: "اللقطة" مقابل "الفيلم"

التقييم الائتماني التقليدي يشبه النظر إلى صورة فوتوغرافية. تخبرك من هو الشخص الآن.

العيب: الصورة لا تظهر ما إذا كان الشخص يركض نحو منحدر أو يسير نحو خط النهاية. لا يمكنها التنبؤ بما إذا كان الشخص "الجيد" اليوم سيصبح مقترضاً "سيئاً" في الشهر المقبل.
فوضى البيانات: البيانات المالية فوضوية. فهي تأتي من كل مكان: طلبات القروض، التقارحات الائتمانية، والمعاملات البنكية. إنها ضوضائية، مليئة بالفجوات، وتتغير باستمرار. نماذج الذكاء الاصطناعي القديمة ترتبك أمام هذه الفوضى.

2. الحل: FinLangNet (المؤرخ المالي)

يعامل FinLangNet التقييم الائتماني ليس كمسألة رياضية، بل كـ مسألة سرد قصصي. إنه يحاول التنبؤ بكيفية تطور قصة الشخص المالية خلال الـ 30 أو 60 أو 90 يوماً القادمة.

إنه يستخدم بنية ثنائية الوحدات (فريقان متخصصان يعملان معاً):

الفريق (أ): "قارئ السيرة الذاتية" (الوحدة غير المتسلسلة)

ماذا يفعل: ينظر هذا الفريق إلى الحقائق الثابتة (العمر، الوظيفة، الدخل).
التشبيه: فكر في هذا كمدير موارد بشرية متمرس يدرك أن (العمر + الدخل + المسمى الوظيفي) يشكلون ملف مخاطر محدد. يستخدم تقنية تسمى DeepFM لفهم كيفية اختلاط هذه الحقائق معاً (على سبيل المثال: قد يكون الدخل المرتفع آمناً إلا إذا كان الشخص صغيراً جداً في السن ولا يملك مدخرات).
النتي نتيجة: فهم أساسي متين لمن هو هذا الشخص.

الفريق (ب): "محلل القصة" (الوحدة المتسلسلة)

ماذا يفعل: ينظر هذا الفريق إلى الخط الزمني للأحداث (دفع القروض، الاستفسارات الائتمانية، عادات الإنفاق).
الابتكار (التحفيز المزدوج - Dual-Prompting): هذا هو "السر الخفي" للورقة البحثية. تخيل أنك تقرأ سيرة ذاتية:
- التحفيز على مستوى الميزة (Feature-Level Prompt): تضع ملاحظة لاصقة على كل فصل محدد (مثلاً: "انظر بدقة إلى فصل الإنفاق؛ هذا الشخص يشتري الكثير من السلع الفاخرة"). هذا يساعد الذكاء الاصطناي على رصد الأنماط الصغيرة والخطيرة في سلوكيات محددة.
- التحفيز على مستوى المستخدم (User-Level Prompt): تضع ملاحظة لاصقة على الكتاب بأكمله (مثلاً: "هذا الشخص متهور بشكل عام"). هذا يساعد الذكاء الاصطناعي على رؤية الصورة الكبيرة لمخاطر المستخدم الإجمالية.
النتيجة: لا يرى الذكاء الاصطناعي مجرد قائمة معاملات؛ بل يفهم سردية السلوك المالي للمستخدم.

3. الخدعة السحرية: التنبؤ بالمستقبل

بدلاً من مجرد قول "هل سيسددون اليوم؟"، يسأل FinLangNet: "ما هي احتمالية أن يسددوا خلال 30 يوماً؟ 60 يوماً؟ 90 يوماً؟"

إنه ينشئ توقعات جوية للمخاطر الائتمانية. تماماً كما يتنبأ خبير الأرصاد الجوية بهطول الأمطار غداً، والأسبوع القادم، والشهر القادم، يتنبأ FinLangNet باحتمالية حدوث "عاصفة مالية" (تعثر في السداد) في أوقات مستقبلية مختلفة.

4. النتائج في العالم الحقيقي: "الأموال التي تم توفيرها"

لم يختبر المؤلفون هذا في المختبر فحسب؛ بل قاموا بنشره في منصة مالية حقيقية (مثل الذراع المالي لشركة عملاقة في مجال النقل التشاركي).

الطريقة القديمة (XGBoost): فاتها الكثير من الأشخاص ذوي المخاطر العالية الذين بدا مظهرهم جيداً على الورق.
الطريقة الجديدة (FinLangNet): رصدت "المخاطر الكامنة" — الأشخاص الذين كانت سلوكياتهم تتدهور ببطء.
لوحة النتائج:
- تحسن معامل KS: قفزة بنسبة 6.3% في القدرة على التمييز بين المقترضين الجيدين والسيئين. في عالم البنوك، يعد هذا فوزاً هائلاً.
- تقليل الديون المعدومة: نجحوا في تقليل كمية الأموال المفقودة بسبب القروض غير المسددة بنسبة تقارب 10%.
- الكفاءة: يعمل بسرعة كافية لاتخاذ القرارات في الوقت الفعلي، حتى مع ملايين المستخدمين.

ملخص التشبيه

إذا كان التقييم الائتماني التقليدي يشبه شرطي مرور يتحقق من رخصة القيادة (فحص ثابت لمرة واحدة)، فإن FinLangNet يشبه مساعد طيار يراقب يد السائق، وعينيه، والطريق أمامه (مراقبة ديناميكية ومستمرة).

من خلال الجمع بين الفهم العميد لتاريخ السائق (الفريق أ) والتحليل الفوري لأسلوب قيادته ومساره المستقبلي (الفريق ب)، يمنع FinLangNet الحوادث (التعثر في السداد) قبل وقوعها، مما يوفر للبنوك ملايين الدولارات.

إليك ملخص تقني مفصل لورقة البحث بعنوان "إطار موحد لنمذجة البيانات المالية غير المتجانسة عبر التلقين ثنائي التدرج" (FinLangNet).

1. بيان المشكلة

تواجه عملية تقييم مخاطر الائتمان الصناعي تحديات كبيرة بسبب طبيعة البيانات المالية والقيود المفروضة على نماذج النمذجة الحالية:

عدم تجانس وتعقيد البيانات: بيانات المستخدم متعددة المصادر، صاخبة، عالية الأبعاد، متفرقة، ومنفصلة (مثل التقارير الائتمانية، سجلات المعاملات، واستخدام المنتجات). كما تحتوي على قيم مفقودة جوهرية.
التطور الديناميكي: الجدارة الائتمانية ليست ثابتة؛ بل تتطور بمرور الوقت. وتواجه النماذج التقليدية صعوبة في التقاط كل من التحولات السلوكية قصيرة المدى وتطور الملف الشخصي على المدى الطويل.
القيود على أحدث التقنيات الحالية:
- XGBoost (المعيار الصناعي): رغم استقراره وقابليته للتفسير، إلا أنه يعتمد بشكل كبير على هندسة الميزات اليدوية، ويفشل في التقاط التبعيات الزمنية في البيانات التسلسلية، ولا يمكنه نمذجة المخاطر عبر آفاق زمنية مستقبلية متعددة بفعالية.
- التعلم العميق: غالبًا ما تعاني نماذج التعلم العميق الحالية (مثل RNNs وTransformers) مع تشتت وعدم تجانس البيانات المالية. ويركز معظمها على التنبؤات في نقطة زمنية محددة بدلاً من التنبؤ متعدد المقاييس.
- نماذج اللغات الكبيرة (LLMs): تُظهر نماذج اللغات الكبيرة (مثل GPT-4 وDeepSeek) إمكانات واعدة، لكنها تفشل في التفوق على النماذج المتخصصة في إعدادات "التعلم الصفري" (zero-shot) لمهام ائتمانية محددة، وتفتقر إلى الكفاءة اللازمة للنشر الصناعي في الوقت الفعلي.

2. المنهجية: FinLangNet

يقترح المؤلفون FinLangNet، وهو إطار عمل مبتكر يعيد صياغة تسجيل الائتمان كـ مشكلة تعلم تسلسلي متعددة المقاييس. يستخدم بنية ثنائية الوحدات لمعالجة البيانات غير المتجانسة:

أ. الوحدة غير التسلسلية (الميزات الثابتة)

الهدف: التقاط التفاعلات الثابتة المعقدة في ملفات تعريف المستخدمين (مثل العمر، الدخل، والمهنة).
البنية: تعتمد على DeepFM.
- مكون آلة التجزئة (FM Component): ينمذج تفاعلات الميزات من الدرجة المنخفضة (الدرجة الثانية).
- مكون الشبكة العصبية العميقة (DNN Component): ينمذج الارتباطات غير الخطية من الدرجة العالية عبر طبقة MLP.
المخرجات: تمثيل تفاعل ثابت ( $O_m$ ) يمثل مستوى المخاطر الأساسي.

ب. الوحدة التسلسلية (مولد التمثيل التسلسلي - SRG)

الهدف: نمذجة الديناميكيات الزمنية من سلاسل مالية متعددة المصادر، متفرقة، وصاخبة.
التقطيع (Discretization): يتم تحويل الإشارات المالية المستمرة إلى رموز (tokens) منفصلة عبر "مُجزئ" (tokenizer) للتخفيف من حدة التشتت والضوضاء.
آلية التلقين المزدوج (الابتكار الرئيسي): مستوحاة من رمز [CLS] في نماذج Transformer، تقدم هذه الآلية تلقينات قابلة للتعلم على مستويين من التدرج لتوجيه تعلم التمثيل:
1. تلقين مستوى الميزة ( $e_{\phi_c}$ ): يُلحق بكل تسلسل قناة (channel sequence) لالتقاط الأنماط العالمية الخاصة بالقناة والفروق الزمنية الدقيقة.
2. تلقين مستوى المستخدم ( $P_s$ ): يُلحق بالتسلسل المجمع (المشكل عبر الانتباه الموزون عبر جميع القنوات) لالتقاط ملفات مخاطر المستخدم الشاملة.
البنية: تتم معالجة التسلسلات المعززة بواسطة مشفر Transformer. يعمل الحالة النهائية لتلقين مستوى المستخدم كتمثيل تسلسلي شامل ( $O_{ns}$ ).

ج. التنبؤ والتحسين متعدد المقاييس

الدمج: يتم دمج التمثيلات الثابتة ( $O_m$ ) والتسلسلية ( $O_{ns}$ ) في تمثيل موحد.
إعداد المهام المتعددة: يتنبأ النموذج باحتمالات المخاطر عبر $L$ من الآفاق الزمنية المستقبلية المختلفة (مثل 30، 60، 90 يومًا) في وقت واحد.
دالة الخسارة: تُستخدم خسارة هجينة ذات أوزان ديناميكية للتعامل مع عدم توازن الفئات وصعوبة العينات المتفاوتة:
- خسارة اللوغاريتم الموزونة (WLL): تعاقب الفئات الأقلية (حالات التعثر) بشكل أكبر.
  heavy
- التنقيب الديناميكي عن الأمثلة الصعبة: يزيد من وزن العينات التي يظهر فيها النموذج عدم يقين عالٍ في التنبؤ (بناءً على معايير التدرج/gradient norms).

3. المساهمات الرئيسية

إعادة صياغة تسجيل الائتمان: نقل النموذج من التصنيف الثنائي الثابت إلى التنبؤ الديناميكي متعدد المقاييس، مما يسمح بتوليد توزيعات سلوكية مستقبلية عبر آفاق زمنية مختلفة.
التلقين ثنائي التدرج: تقديم آلية مبتكرة ضمن وحدة تسلسلية تعتمد على Transformer تعمل على مستويين: مستوى الميزة (دقيق) ومستوى المستخدم (شامل)، مما يعالج بفعالية عدم تجانس البيانات.
البنية الهجينة: الجمع بين DeepFM للبيانات الجدولية الثابتة مع مولد تمثيل تسلسلي متخصص (SRG) للبيانات الزمنية، مما يخلق إطارًا موحدًا للمدخلات غير المتجانسة.
النشر الصناعي: تم نشره بنجاح في منصة مالية حقيقية، مما جسر الفجوة بين أداء التعلم العميق ومتطلبات التفسير الصناعية.

4. النتائج التجريبية

أ. تقييم مخاطر الائتمان الصناعي (بيانات واقعية)

مجموعة البيانات: أكثر من 7 ملايين مستخدم من منصة مالية حقيقية.
النماذج المرجعية (Baselines): تمت المقارنة مع XGBoost (النموذج المرجعي للإنتاج)، ونماذج تسلسلية عميقة (Transformer, Mamba, TimesNet)، ونماذج اللغات الكبيرة (DeepSeek-V3.2, GPT-4.1).
الأداء:
- إحصائية KS: حققت تحسنًا قدره 6.3 نقطة مئوية (pp) مطلقة عن نموذج XGBoost المرجعي.
- معدل الديون المعدومة: خفض معدل الديون المعدومة بنسبة 9.9% مقارنة بالنموذج المرجعي.
- تعدد الآفاق الزمنية: تفوقت باستمرار على النماذج المرجعية عبر جميع مهام الآفاق الزمنية الستة ( $y_1$ إلى $y_6$ ). والجدير بالذكر أن دمج FinLangNet + XGBoost حقق أفضل النتائج الإجمالية، رغم أن FinLangNet بمفرده تفوق بشكل كبير على XGBoost في التنبؤات طويلة المدى حيث فشل الأخير.

ب. التعميم (اختبارات UEA للسلاسل الزمنية)

مجموعات البيانات: 5 مهام تصنيف سلاسل زمنية متعددة المتغيرات من أرشيف UEA (طبية، حركية، إلخ).
النتائج: حققت وحدة SRG وحدها أداءً يضاهي أو يتفوق على أحدث النتائج (SOTA) أو نتائج تنافسية، متفوقة على نماذج السلاسل الزمنية المتخصصة (مثل TStamp, SVP-T, ShapeNet)، مما يثبت تعدد استخدامات الإطار.

ج. دراسات الاستئصال (Ablation Studies)

ضرورة التلقين المزدوج: أدى إزالة أي من تلقين مستوى الميزة أو مستوى المستخدم إلى تدهور الأداء بشكل ملحوظ. وقد حقق الجمع بينهما أعلى قيمة لـ KS (34.08%).
التسلسلي مقابل الثابت: تسبب إزالة الوحدة التسلسلية في انخفاض كارثي في KS (أكثر من 20%)، مما يثبت أن الديناميكيات الزمنية هي المحدد المهيمن لمخاطر الائتمان.
المتانة: حافظ النموذج على استقرار عالٍ حتى عند تقليص أطوال التسلسل المدخل إلى 25% من الأصل، مما يشير إلى قدرة قوية في التعامل مع سيناريوهات البداية الباردة (cold-start).

5. الأهمية والأثر

القابلية للتطبيق الصناعي: تثبت الورقة أن التعلم العميق يمكن أن يتفوق على معيار الصناعة XGBoost دون التضحية بقابلية التوسع. يعمل النظام على مجموعات GPU مع زمن انتقال أقل من 100 مللي ثانية، ويعالج 100 طلب في الثانية (QPS).
الامتثال التنظيمي: لمعالجة طبيعة "الصندوق الأسود" للتعلم العميق، استخدم المؤلفون استراتيجية دمج حيث يقوم FinLangNet بتوليد "درجة فرعية لغوية-للمخاطر" (language-risk subscore) تعمل كميزة كثيفة لنموذج XGBoost القابل للتفسير. وهذا يلبي المتطلبات التنظيمية مع الاستف استفادة من القدرة التنبؤية للتعلم العميق.
الأثر المالي: أدى النشر إلى تقليل الخسائر المتوقعة بنسبة 12.3% وتحقيق زيادة قدرها 6.3 نقطة مئوية في KS، مما يؤكد القيمة التجارية لهذا النهج للمؤسسات المالية الكبرى.
التقدم المنهجي: يوفر آلية "التلقين ثنائي التدرج" مخططًا جديدًا لنمذجة البيانات التسلسلية غير المتجانسة في مجالات تتجاوز التمويل، مثل الرعاية الصحية وإنترنت الأشياء (IoT).