💰 quantitative finance

Beyond Polarity: Multi-Dimensional LLM Sentiment Signals for WTI Crude Oil Futures Return Prediction

تُثبت هذه الورقة أن إشارات المشاعر متعددة الأبعاد التي تستخرجها النماذج اللغوية الكبيرة من أخبار الطاقة، لا سيما عند دمجها مع نماذج المشاعر المالية التقليدية، تُحسّن بشكل كبير التنبؤ بعوائد عقود خام غرب تكساس الوسيط الآجلة الأسبوعية من خلال التقاط الفروق الدقيقة مثل الكثافة وعدم اليقين بما يتجاوز مجرد القطبية البسيطة.

المؤلفون الأصليون: Dehao Dai, Ding Ma, Dou Liu, Kerui Geng, Yiqing Wang

نُشر 2026-03-13

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Dehao Dai, Ding Ma, Dou Liu, Kerui Geng, Yiqing Wang

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 تحاول التنبؤ بحالة الطقس للأسبوع القادم.

لعقود من الزمن، اعتمد خبراء الأرصاد الجوية (وفي هذه الحالة، تجار النفط) على موازين الحرارة وموازين الضغط الجوي. وفي العالم المالي، هذه هي الأدوات "التقليدية": النظر في الأسعار الماضية، وأرقام العرض، وحسابات بسيطة لـ "الأخبار الجيدة مقابل الأخبار السيئة". هذه الأدوات تخبرك ما إذا كانت درجة الحرارة ترتفع أو تنخفض، لكنها غالبًا ما تغفل عن التحولات الطفيفة في اتجاه الرياح التي تنذر بقدوم عاصفة.

هذه الورقة البحثية تدور حول تركيب محطة طقس فائقة القدرة ومتعددة الحواس للتنبؤ بسعر خام غرب تكساس الوسيط (WTI) (المعيار العالمي للنفط).

إليك تفصيل ما قام به الباحثون، باستخدام تشبيهات بسيطة:

1. المشكلة: فخ "الجيد/السيئ"

الأدوات التقليدية تقرأ المقالات الإخبارية وتطرح سؤالاً بسيطاً: "هل هذا المقال سعيد (متفائل) أم حزين (متشائم) بشأن النفط؟"

الخلل: تخيل عنواناً إخبارياً يقول: "الحرب في الشرق الأوسط قد تسبب مشاكل في الإمدادات، لكن الخبراء ليسوا متأكدين بعد."
- الأداة التقليدية قد تقول: "هذا الخبر محايد"، أو "هذا خبر سيئ قليلاً".
- لكن القصة الحقيقية هي: أن عدم اليقين مرتفع، والنظرة المستقبلية مخيفة. السوق يكره عدم اليقين. الأدوات التقليدية تغفل عن "تشابك الأيدي" و"تعرق الكفين" في الأخبار؛ فهي تنظر فقط إلى "الوجه المبتسم" أو "الوجه العبوس".

2. الحل: "القارئ الخارق" (نماذج اللغات الكبيرة - LLMs)

استخدم المؤلفون نماذج اللغات الكبيرة (LLMs) مثل GPT-4o وLlama 3.2. فكر في هذه النماذج ليس كآلات حاسبة، بل كـ نقاد أدبيين فائقي الذكاء يقرأون كل مقال إخباري ويمكنهم اكتشاف خمسة "نكهات" محددة للمشاعر، وليس فقط "جيد" أو "سيئ":

الصلة (Relevance): هل هذه القصة تتعلق بالنفط حقاً، أم أنها مجرد ضجيج؟ (مثل التحقق مما إذا كان تقرير الطقس يتحدث عن مدينتك أنت).
القطبية (Polarity): هل هي أخبار جيدة أم سيئة؟ (الابتسامة مقابل العبوس التقليدي).
الكثافة (Intensity): ما مدى قوة الشعور؟ هل هو مجرد اقتراح خفيف أم عنوان صاخب؟ (همس مقابل صفارة إنذار).
عدم اليقين (Uncertainty): ما مدى الارتباك أو الغموض في القصة؟ (هل الكاتب يقول "ربما" أم "بالتأكيد"؟).
الاستشراف (Forwardness): هل تنظر القصة إلى الماضي أم تتنبأ بالمستقبل؟ (النظر في مرآة الرؤية الخلفية مقابل النظر عبر الزجاج الأمامي).

3. التجربة: "اختبار التذوق"

جمع الباحثون آلاف المقالات الإخبارية المتعلقة بالطاقة من عام 2020 إلى 2025. ثم قدموها لثلاثة "متذوقين" مختلفين:

المدرسة القديمة: FinBERT (ذكاء اصطناعي متخصص تم تدريبه على البيانات المالية فقط).
المدرسة الجديدة: GPT-4o وLlama 3.2 (القراء الخارقون).
مزود البيانات: AlphaVantage (أداة قياسية في الصناعة).

بعد ذلك، حاولوا التنبؤ بما إذا كانت أسعار النفط سترتفع (UP) أو تنخفض (DOWN) في الأسبوع التالي.

4. النتائج: "الخلطة السرية"

إليكم ما وجدوه، وهو الجزء الأكثر إثارة:

المزج هو السحر: أفضل تنبؤ لم يأتِ من "القارئين الخارقين" وحدهما أو من "المدرسة القديمة" وحدها. بل جاء من دمجهما معاً.
- تشبيه: الأمر يشبه طبخ "حساء" (Stew). يوفر FinBERT "اللحم" المتين (البيانات المالية الموثوقة)، بينما توفر نماذج LLM "التوابل" (الدقة، وعدم اليقين، والنظرة المستقبلية). معاً، يصنعان طبقاً أكثر لذة (وأكثر دقة) مما لو كان أحدهما بمفرده.
الأمر لا يتعلق بـ "جيد ضد سيئ": عندما نظروا في أي جزء من الأخبار كان الأكثر أهمية، وجدوا أن الكثافة وعدم اليقين هما الرابحان الحقيقيان.
- تشبيه: معرفة أن درجة الحرارة هي 70 فهرنهايت (القطبية) ليست بنفس أهمية معرفة ما إذا كانت الرياح تزداد سرعة (الكثافة) أو ما إذا كان الضغط الجوي ينخفض بسرعة (عدم اليقين). السوق يتفاعل مع مدى توتر الناس أكثر من مجرد كون الخبر "إيجابياً".

5. الخلاصة

تثبت هذه الورقة أنه للتنبؤ بأسعار النفط، لم يعد بإمكانك مجرد عد الكلمات "السعيدة" و"الحزينة". أنت بحاجة إلى فهم نسيج (texture) الأخبار.

للمستثمرين: لا تنظر فقط إلى العنوان. انظر إلى مدى ثقة الكاتب ومدى قوة العاطفة.
للمستقبل: نحن ننتقل من عالم "يقرأ" فيه الذكاء الاصطناالأخبار، إلى عالم "يفهم مزاج" الأخبار. وهذا يساعد المتداولين على رصد المخاطر (مثل اقتراب عاصفة) قبل أن يهبط السعر فعلياً.

باختختصار: بنى المؤلفون راداراً أذكى لا يكتفي برؤية ما إذا كانت السماء تمطر، بل يخبرك أيضاً مدى قوة الرياح ومدى احتمالية حدوث إعصار، مما يمنح تجار النفط فرصة أفضل بكثير للبقاء جافين.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "ما وراء القطبية: إشارات مشاعر نماذج اللغات الكبيرة متعددة الأبعاد للتنبؤ بعوائد عقود خام غرب تكساس الوسيط (WTI) الآجلة."

١. بيان المشكلة

يعد التنبؤ بأسعار النفط الخام تحدياً مستمراً نظراً لحساسية السوق للمعلومات غير المهيكلة (الأخبار، الأحداث الجيوسياسية، تحولات السياسة) التي غالباً ما تفشل النماذج الكمية التقليدية في استيعابها.

القصور في الطرق الحالية: تعتمد الأساليب الحالية بشكل كبير على البيانات السلاسل الزمنية المهيكلة (ARIMA, GARCH) أو تحليل المشاعر التقليدي الذي يركز بشكل أساسي على القطبية (إيجابي مقابل سلبي) والشدة.
الفجوة: لا تتحرك أسعار العقود الآجلة للنفط فقط من خلال المشاعر الاتجاهية، بل أيضاً من خلال عدم اليقين الاستشرافي، ومراجعات التوقعات، ودرجة الغموض في السرديات السوقية. إن مقاييس القطبية البسيطة محدودة هيكلياً في التقاط هذه المحركات الاقتصادية متعددة الأبعاد.
الهدف: التحقق مما إذا كانت إشارات المشاعر متعددة الأبعاد المستخرجة بواسطة نماذج اللغات الكبيرة (LLMs) توفر قوة تنبؤية إضافية لعوائد عقود خام غرب تكساس الوسيط (WTI) الأسبوعية بما يتجاوز مقاييس القطبية التقليدية.

٢. المنهجية

جمع البيانات والمعالجة المسبقة

المصدر: مقالات قطاع الطاقة من AlphaVantage (من ١ يناير ٢٠٢٠ إلى ٣١ ديسمبر ٢٠٢٥).
العينة: تم استخدام عينة عشوائية طبقية مكونة من ٨,٦٣٩ مقالاً (٢٠٪ من إجمالي المتن البالغ ٢٩,١٥٣ مقالاً) لضمان التغطية الزمنية الموحدة.
المتغير المستهدف: تصنيف ثنائي أسبوعي لعوائد عقود خام غرب تكساس الوسيط الآجلة ( $y_t = 1$ إذا كان $r_{t+1} > 0$ ، وإلا $0$).
منع الانحياز: تم بناء جميع ميزات المشاعر باستخدام أخبار نُشرت في موعد لا يتجاوز نهاية الأسبوع $t$ لتجنب انحياز النظر إلى الأمام (look-ahead bias).

استخراج المشاعر متعدد الأبعاد

قام المؤلفون ببناء خمسة أبعاد للمشاعر باستخدام مطالبات (prompts) مهيكلة لثلاثة نماذج متميزة:

GPT-4o: نموذج لغوي كبير متطور وموجه بالتعليمات.
Llama 3.2-3b: نموذج لغوي كبير مفتوح المصدر وخفيف الوزن.
FinBERT: نموذج محول (transformer) متخصص في المجال المالي تم ضبطه بدقة على النصوص المالية (يعمل كخط أساس خاضع للإشراف).
AlphaVantage: درجة مشاعر مملوكة (Propri proprietary) تعمل كخط أساس.

الأبعاد الخمسة:

الصلة (Relevance): الارتباط بأسواق WTI/الطاقة (٠–١).
القطبية (Polarity): المشاعر الاتجاهية (صعودي/هبوطي) (-١ إلى ١).
الشدة (Intensity): قوة الاقتناع (٠–١).
عدم اليقين (Uncertainty): درجة الغموض أو المخاطرة (٠–١).
الاستشراف (Forwardness): مدى اللغة التي تتطلع نحو المستقبل (٠–١).

ملاحظة: قدم كل من FinBERT وAlphaVantage فقط القطبية والشدة، بينما قدمت نماذج LLM جميع الأبعاد الخمسة.

هندسة الميزات

تم تجميع درجات مستوى المقال إلى المستوى الأسبوعي باستخدام المتوسطات المرجحة بالصلة. بالإضافة إلى ذلك، قام المؤلفون ببناء:

ميزات التشتت (Dispersion Features): الانحراف المعياري للقطبية وعدم اليقين داخل الأسبوع (لقياس الاختلاف في وجهات النظر في السوق).
ميزات الزخم (Momentum Features): التغيرات من أسبوع لآخر (الفروق الأولى) في القطبية، وعدم اليقين، والاستشراف (لقياسة اتجاهات المشاعر).
إجمالي الميزات: ٣١ متغيراً مستقلاً مرشحاً.

نموذج التنبؤ

الخوارزمية: LightGBM (تعزيز التدرج - Gradient Boosting)، والتي تم اختيارها لقوتها مع البيانات الجدولية وقدرتها على التعامل مع الاختلافات في مقاييس الميزات.
ضبط المعلمات الفائقة (Hyperparameter Tuning): تم تحسينها باستخدام Optuna (طريقة التقدير المستند إلى التجزئة الهيكلية للشجرة - TPE) عبر تحقق تبادلي للسلاسل الزمنية بخمس طيات (5-fold time-series cross-validation).
مقاييس التقييم:
- AUROC: المساحة تحت منحنى خصائص تشغيل المستقبِل.
- الدقة (Accuracy): نسبة التنبؤات الاتجاهية الصحيحة.
- معامل المعلومات (IC): ارتباط الرتب بين الاحتمالات المتوقعة والعوائد المحققة.

التفسير

SHAP (تفسيرات شابلِي المضافة): استُخدمت لتحديد المساهمة الهامشية لكل ميزة في مخرجات النموذج، وتحديد أهمية الميزة العالمية والآثار الاتجاهية المحلية.

٣. النتائج الرئيسية

أداء النموذج

الأساس (Baseline): أدى نموذج AlphaVantage وحده أداءً ضعيفاً (AUROC: 0.569)، مما يؤكد أن درجات القطبية البسيطة المملوكة لها قدرة تنبؤية محدودة.
التقليدي مقابل LLM: أدت إضافة FinBERT إلى خط الأساس إلى تحسين الأداء (AUROC: 0.620).
أداء LLM:
- حقق GPT-4o بمفرده أعلى معامل معلومات (IC: 0.249) وAUROC قوياً (0.634)، متفوقاً على Llama 3.2-3b.
- أظهر Llama 3.2-3b تسجيلاً أقل استقراراً وقدرة تنبؤية أقل عند استخدامه بمفرده.
- الدمج (GPT-4o + FinBERT): حقق هذا النهج الهجين أفضل AUROC إجمالي (0.6515). يشير هذا إلى أن النماذج اللغوية الكبيرة ونماذج المشاعر المالية التقليدية توفر معلومات تكميلية؛ حيث يلتقط FinBERT الفروق الدقيقة التي قد يفتقدها GPT-4o، والعكس صحيح.
- مجموعة LLM (GPT + Llama): لم يؤدِ دمج النموذجين إلى تحسين أداء GPT-4o بمفرده، مما يشير إلى أن Llama 3.2-3b أدخل ضوضاء بدلاً من إشارة.

أهمية الميزات (تحليل SHAP)

ما وراء القطبية: لم تكن المتنبئات الأكثر أهمية هي القطبية البسيطة.
- الميزة الأعلى: gpt_intensity_mean (شدة المشاعر).
- الميزة الثانية: finbert_polarity_std (تشتت القطبية عبر المقالات).
- الميزة الثالثة: gpt_uncertainty_momentum (اتجاه عدم اليقين).
الرؤية الجوهرية: تمتد القيمة التنبؤية للأخبار إلى ما هو أبعد من كون الأخبار "جيدة" أو "سيئة". الشدة (مدى قوة شعور السوق) وعدم اليقين (مستويات الغموض) هي محركات حاسمة.
الآثار الاتجاهية:
- ترتبط الشدة العالية بالعوائد الإيجابية (الأسابيع الصاعدة).
- تدفع المستويات العالية من عدم اليقين التنبؤات نحو الأسابيع الهابطة، لكن ارتفاع عدم اليقين (الزخم) يرتبط بأسابيع صاعدة، مما يشير إلى أن التغير في الغموض يحمل معلومات متميزة.

٤. المساهمات الرئيسية

إطار عمل متعدد الأبعاد: يثبت أن تفكيك المشاعر إلى الصلة، والشدة، وعدم اليقين، والاستشراف يوفر قدرة تنبؤية فائقة مقارنة بالقطبية الثنائية التقليدية.
تفوق النموذج الهجين: يثبت أن الجمع بين الاستخراج الدلالي القائم على LLM (GPT-4o) والنماذج الخاضعة للإشراف المتخصصة في المجال المالي (FinBERT) يخلق نظام تنبؤ أكثر قوة مما لو استُخدم أحدهما بمفرده.
عدم اليقين كإشارة: يقدم دليلاً تجريبياً على أن عدم اليقين والشدة هما متنبئان متميزان وعالي القيمة لعوائد السلع، مما يتحدى هيمنة مقاييس القطبية في الأدبيات المالية.
التطبيق العملي: يقدم سير عمل لدمج بيانات الأخبار غير المهيكلة في مراقبة مخاطر السلع واستراتيجيات التداول.

٥. الأهمية والقيود

الأهمية: تجسر هذه الورقة الفجوة بين تطورات معالجة اللغات الطبيعية (NLP) والاقتصاد المالي، حيث تظهر أن نماذج اللغات الكبيرة يمكنها استخراج إشارات ذات صلة اقتصادية وغير خطية من النصوص قد تغفل عنها النماذج القياسية التقلية. وهي تدعم استخدام المشاعر متعددة الأبعاد لتحقيق إدارة أفضل للمخاطر في أسواق الطاقة.
القيود:
- النطاق: ركزت على سلعة واحدة (WTI) ومصدر إخباري واحد.
  تعداد الأفق الزمني (أسبوعي) قد لا يعمم على التداول عالي التردد.
- اختيار النماذج: استند اختيار GPT-4o وLlama 3.2-3b إلى مقايضة التكلفة مقابل الأداء؛ وسيتعين على العمل المستقبلي استكشاف بنيات نماذج أخرى.
- البيانات: لم تدمج مصادر بيانات بديلة مثل صور الأقمار الصناعية أو بيانات الشحن.

الخلاصة: تخلص الدراسة إلى أن مقاييس المشاعر متعددة الأبعاد القائمة على نماذج اللغات الكبيرة تحسن بشكل كبير التنبؤ بعوائد السلع، حيث تعد الشدة وعدم اليقين من أكثر الأبعاد حيوية، مما يؤكد الحاجة إلى الانتقال "ما وراء القطبية" في تحليل المشاعر المالية.