בעולם המסחר המהיר שבו כל שנייה קובעת, חוקרים מציגים את KANFormer – מודל למידה עמוקה חדשני שחוזה במדויק את זמן מילוי פקודות לימיט. המודל משלב מידע משוק ההון ופעולות סוחרים ספציפיים, ומבטיח תחזיות אמינות יותר. לפי המחקר, KANFormer עולה על מודלים קיימים במדדי ביצועים מרכזיים, מה שיכול לשנות את אסטרטגיות המסחר האוטומטי.
KANFormer מבוסס על שילוב מתקדם: רשת קונבולוציה סיבתית מורחבת (Dilated Causal Convolutional Network) עם קודן טרנספורמר, משודרג באמצעות רשתות קולמוגורוב-ארנולד (KANs). בניגוד למודלים קודמים שמסתמכים רק על צילומי ספר הפקודות (LOB), KANFormer משלב פעולות של סוכנים הקשורים לדינמיקת LOB ומקומן של הפקודות בתור. גישה זו מאפשרת ללכוד דפוסים מורכבים הקשורים לסיכויי ביצוע.
המודל נבדק על נתוני חוזים עתידיים של מדד CAC 40, עם פקודות מסומנות. התוצאות מראות עליונות בדיוק: במדדי כיול כמו Right-Censored Log-Likelihood (RCLL) ו-Integrated Brier Score (IBS), ובמדדי הפרדה כמו C-index ו-AUC תלוי-זמן. KANFormer מציג תחזיות מאוזנות ומדויקות יותר, מה שחיוני לסוחרים מקצועיים.
בנוסף, המחקר כולל ניתוח חשיבות תכונות לאורך זמן באמצעות SHAP (SHapley Additive exPlanations). זה מאפשר להבין אילו גורמים משפיעים על תחזיות המילוי, ומספק שקיפות למודלי AI בפיננסים. שילוב אותות שוק עשירים עם ארכיטקטורות נוירונליות מבטא את היתרונות של גישות היברידיות.
למנהלי השקעות ישראלים, KANFormer מדגים כיצד AI יכול לשפר מסחר אלגוריתמי. עם שוק ההון המתפתח בישראל, אימוץ כלים כאלה עשוי להגביר יעילות ולהפחית סיכונים. המחקר מדגיש את הצורך בשילוב נתוני סוכנים בתחזיות, ומזמין פיתוחים נוספים בתחום.