ظهور مخططات المعرفة المالية المؤتمتة

لماذا تُعدّ مخططات المعرفة المالية مهمة

تُعرف البيانات المالية بتعقيدها الشديد. فالإفصاحات المؤسسية، وأخبار الأسواق، وتقارير الأبحاث تأتي غالبًا في نصوص طويلة وغير مهيكلة؛ كما أن الأحداث تتطور بسرعة، والعلاقات بين الكيانات تتغير بمرور الوقت. قواعد البيانات التقليدية تنجح في التقاط المؤشرات الرقمية، لكنها غالبًا ما تفشل في تمثيل الأنماط العلائقية والسياق المحيط بها. مخططات المعرفة المالية تسدّ هذه الفجوة من خلال تمثيل الشركات، والقطاعات، والمؤشرات، والأحداث على شكل عُقَد مترابطة بروابط، مما يتيح الاستدلال متعدد القفزات وتحليلات قابلة للتفسير. ويُعدّ البناء الآلي لمخططات المعرفة أمرًا حاسمًا، لأن الإنشاء اليدوي بطيء للغاية ولا يمكنه مجاراة وتيرة الإيداعات الجديدة وأحداث السوق المتسارعة.

مخططات المعرفة المعززة بالأحداث مع FinKario

في أغسطس 2025، قدّم مشروع FinKario أحد أوائل مخططات المعرفة المالية المعززة بالأحداث. يقوم FinKario باستخراج المعلومات تلقائيًا من تقارير أبحاث الأسهم باستخدام قوالب قائمة على المحفزات (Prompts) صُممت من قبل مختصين في الاستثمار. ويحتوي مخطط المعرفة الناتج على أكثر من 305,000 كيان، و9,625 ثلاثية علائقية، و19 نوعًا مختلفًا من العلاقات. ويتمثل الابتكار الأساسي في أن FinKario يدمج البيانات الأساسية للشركات والأحداث السوقية في الوقت الحقيقي، مما يسمح لمخطط المعرفة باستيعاب إعلانات الأرباح، وإطلاق المنتجات، والتغيرات التنظيمية فور حدوثها. وتعتمد استراتيجية الاسترجاع ثنائية المراحل في FinKario RAG على تزويد نماذج اللغة الكبيرة بمخططات فرعية ذات صلة، مما يحسّن السياق والكفاءة معًا. وتُظهر تجارب الاختبار الرجعي أن FinKario باستخدام FinKario RAG حقق دقة أعلى في التنبؤ باتجاهات الأسهم بنسبة 18.81٪ مقارنةً بنماذج اللغة المالية، وأداءً أفضل بنسبة 17.85٪ مقارنةً بالاستراتيجيات المؤسسية.

مخططات المعرفة الديناميكية و FinDKG

بينما يركّز FinKario على تقارير الأبحاث الثابتة، يستكشف FinDKG (يوليو 2024) مفهوم مخططات المعرفة الديناميكية لالتقاط اتجاهات السوق المتغيرة. يستخدم FinDKG نموذج لغة كبيرًا مُحسّنًا بدقة، يُعرف باسم مولّد مخطط المعرفة السياقي المتكامل (ICKG)، لاستخراج الكيانات والعلاقات من مجموعة كبيرة من مقالات الأخبار المالية. والنتيجة هي مخطط معرفة ديناميكي مفتوح المصدر قادر على تتبع الأحداث عبر الزمن. ولتحليل هذا المخطط المتغير زمنيًا، اقترح الباحثون نموذج KGTransformer، وهو شبكة عصبية بيانية قائمة على آلية الانتباه، تتعلم تمثيلات الكيانات مع دمج الديناميكيات الزمنية. وتُظهر التجارب أن KGTransformer يحسّن مقاييس التنبؤ بالروابط، وعند تطبيقه على الاستثمار الموضوعي يتفوق على صناديق المؤشرات المتداولة الموضوعية الحالية.

اللبنات الأساسية لمخططات المعرفة الديناميكية

يُعرّف FinDKG مخطط المعرفة الديناميكي على أنه مجموعة من الرباعيات الزمنية. يستخدم نموذج ICKG محفزات مُصممة بعناية لاستخراج هذه الرباعيات من نصوص الأخبار، ثم تجميعها في مخطط مُفهرس حسب الأحداث. بعد ذلك، يستفيد KGTransformer من أنواع الكيانات الوصفية وآليات الانتباه البياني لتعلّم تمثيلات تلتقط كلًا من البنية والعامل الزمني.

الخلاصات الرئيسية

1. تدمج مخططات المعرفة المالية المؤتمتة مثل FinKario الأحداث في الوقت الحقيقي والبيانات الأساسية للشركات، مما يوفر رؤى مُهيكلة تُحسّن دقة التنبؤ باتجاهات الأسهم.

2. يقدّم FinDKG مخطط معرفة ديناميكيًا مفهرسًا زمنيًا، يتم استخراجه من مقالات الأخبار باستخدام نموذج لغة كبير مُحسّن بدقة، ويتم تحليله عبر الشبكات العصبية البيانية.

3. إن الجمع بين الاستخراج القائم على المحفزات والاسترجاع/التمثيل المعتمد على المخططات يتيح إنشاء مخططات معرفة قادرة على مواكبة تقلبات السوق ودعم التحليلات في الوقت الحقيقي.