🤖 machine learning

Semantic State Abstraction Interfaces for LLM-Augmented Portfolio Decisions: Multi-Axis News Decomposition and RL Diagnostics

تقدم هذه الورقة واجهات تجريد الحالة الدلالية (SSAI)، وهي إطار منهجي لتعيين الأخبار المالية المتفرقة إلى إحداثيات دلالية قابلة للتدقيق لفصل جودة التمثيل عن أداء التحسين، حيث أثبتت من خلال التقييم التجريبي على الأسهم الأمريكية أنه بينما يوفر هذا النهج قابلية التفسير، فإن تجسيده المحدد المكون من أربعة محاور يقل أداءً عن النماذج المرجعية الأبسط وهو حساس لتكاليف المعاملات.

المؤلفون الأصليون: Likhita Yerra (AIVANCITY School of AI and Data), Remi Uttejitha Allam (AIVANCITY School of AI and Data)

نُشر 2026-05-11

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Likhita Yerra (AIVANCITY School of AI and Data), Remi Uttejitha Allam (AIVANCITY School of AI and Data)

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 تعليم روبوت كيفية تداول الأسهم. يمكن للروبوت رؤية الأرقام (الأسعار، حجم التداول)، لكنه يحتاج أيضًا إلى فهم "الأخبار" — وهي العناوين غير المنظمة والفوضوية عن الشركات.

تقدم هذه الورقة البحثية طريقة جديدة لترجمة تلك العناوين إلى لغة يمكن للروبوت فهمها، تسمى SSAI (واجهات تجريد الحالة الدلالية). ولكن، إليك المفاجأة: المؤلفون لا يحاولون فقط بناء أفضل روبوت؛ بل يحاولون بناء مختبر شفاف لمعرفة لماذا ينجح الروبوت أو يفشل.

إليك تفصيل تجربتهم باستخدام تشبيهات بسيطة:

1. المشكلة: "الصندوق الأسود" مقابل "لوحة القيادة"

عادةً، عندما يستخدم الناس الذكاء الاصطنا Artificial Intelligence لقراءة الأخبار، فإنهم يغذون النص في دماغ ضخم ومعقد (شبكة عصبية) يخرج رقمًا واحدًا أو متجهًا مخفيًا. الأمر يشبه إعطاء سائق لوحة قيادة بها ضوء واحد متوهج يقول "انطلق" أو "توقف"، لكن ليس لديك أي فكرة عن سبب تغير هذا الضوء.

حل الـ SSAI:
بدلاً من الصندوق الأسود، بنى المؤلفون لوحة قيادة بها أربعة مقاييس محددة. في كل مرة يقرأ فيها الذكاء الاصطنا articul article إخباري، فإنه يخرج أربعة درجات بسيطة (من 1 إلى 5):

المشاعر (Sentiment): هل الأخبار جيدة أم سيئة؟
المخاطر (Risk): هل الشركة في خطر؟
الثقة (Confidence): ما مدى تأكدنا من هذه النظرة المستقبلية؟
التقلب (Volatility): هل ستتأرجح الأسعار بشكل جنوني؟

إذا لم تكن هناك أخبار في يوم ما، تظل المقاييس عند مستوى "3" (متوسط/محايد). وهذا يجعل النظام قابلاً للتدقيق: يمكن للإنسان أن ينظر إلى لوحة القيادة ويقول: "آه، لقد باع الروبوت لأن مقياس المخاطر قفز إلى 5".

2. التجربة: خدعة "مجموعة الضبط"

أراد المؤلفون معرفه: هل الروبوت ذكي بسبب مقاييس الأخبار، أم أنه ذكي بسبب دماغ الروبوت (خوارزمية التعلم)؟

لمعرفة ذلك، استخدموا خدعة ذكية: لقد أعطوا نفس لوحة القيادة (نفس مقاييس الأخبار) لثلاثة أنواع مختلفة من "السائقين":

السائق أ (محفظة العوامل - The Factor Portfolio): سائق بسيط يعتمد على القواعد ويتبع مجرد معادلة.
السائق ب (المتعلم الخاضع للإشراف - The Supervised Learner): نموذج إحصائي قياسي.
السائق ج (وكيل التعلم المعزز - The Reinforcement Learning Agent): روبوت معقد يتعلم (باستخدام خوارزميات مثل PPO و SAC) يحاول التعلم عن طريق التجربة والخطأ.

ولأن الجميع حصلوا على نفس بيانات الأخبار بالضبط، فإن أي فرق في أدائهم يجب أن يكون ناتجًا عن دماغ السائق، وليس بسبب الأخبار نفسها.

3. النتائج المفاجئة: "الأخبار ليست هي السحر"

أجرى المؤلفون التجربة من عام 2019 إلى 2023 على 30 سهمًا رئيسيًا في قطاع التكنولوجيا. إليكم ما وجدوه:

الروبوت "البسيط" فاز (نوعًا ما): الروبوتات المتعلمة المعقدة (وكلاء RL) لم تتفوق في الواقع على استراتيجية "الشراء والاحتفاظ" البسيطة (مجرد شراء الأسهم والاحتفاظ بها). في الواقع، غالبًا ما خسر الروبوت المعقد أموالًا مقارنة بمجرد الجلوس دون فعل شيء.
"الأخبار" لم تكن هي البطل: عندما نظروا إلى مقاييس الأخبار الأربعة، أدركوا أن "السحر" لم يكن في الكلمات المحددة التي قرأها الذكاء الاصطناعي.
- وجدوا أنه إذا أخذوا فقط المتوسط لتلك المقاييس الأربعة (مع تجاهل الرياضيات المعقدة)، فسيحصلون على نفس النتيجة التي تحققها الطريقة الأكثر تعقيدًا تقريبًا.
- والأفضل من ذلك، وجدوا أن اختصارًا إحصائيًا (يسمى تحليل المكونات الرئيسية - PCA) الذي تجاهل الأسماء "القابلة للقراءة من قبل البشر" للمقاييس واكتفى بالنظر إلى الرياضيات الخام، قد حقق أداءً أفضل بكثير (بفارق 126 نقطة مئوية في إجمالي العائد) من لوحة القيادة القابلة للقراءة البشرية.

التشبيه:
تخيل أنك تحاول التنبؤ بالطقس.

SSAI يشبه طلب تقرير من إنسان: "الجو غائم، عاصف، ورطب".
الاختصار الإحصائي يشبه حاسوبًا خارقًا ينظر إلى الضغط ودرجة الحرارة الخام دون الاهتمام بكلمات مثل "غائم" أو "عاصف".
النتيجة: الحاسوب الخارق تنبأ بالطقس بشكل أفضل بكثير. التقرير القابل للقراءة من قبل البشر كان مفيدًا لفهم سبب اتخاذ الكمبيوتر لقرار ما، لكنه لم يكن الأداة الأفضل للتنبؤ بالنتيجة.

4. فخ "التركيب" (The Composition Trap)

اكتشف المؤلفون فخًا رئيسيًا. بدت استراتيجيتهم "القائمة على الأخبار" وكأنها تحقق الكثير من المال (عائد 307%) مقارنة بمجرد شراء الأسهم (243%).

ومع ذلك، عندما قاموا بتحليل الأمر، أدركوا أن الاستراتيجية لم تكن في الواقع "تقرأ الأخبار" بشكل أفضل. بل كانت ببساطة تختار مجموعة معينة من الشركات (التي تتمتع بتغطية متوسطة) والتي صادف أنها حققت أداءً جيدًا خلال تلك الفترة الزمنية المحددة.

الفخ: كان الأمر يشبه مدربًا يختار فريقًا لأنه تصادف أن يلعب في يوم مشمس، وليس لأن استراتيجية المدرب جيدة.
الواقع: عندما اختبروا الاستراتيجية على مجموعات مختلفة من الأسهم أو أضافوا رسوم معاملات صغيرة، اختفت "ميزة الأخبار".

5. المساهمة الحقيقية: "أداة تشخيصية"

إذًا، هل بنوا آلة لصنع المال؟ لا.
هل أثبتوا أن قراءة الأخبار بواسطة الذكاء الاصطناعي عديمة الفائدة؟ لا.

ما فعلوه بالفعل هو:
بناء أداة تشخيصية (مثل ماسح ميكانيكي للسيارات).

أثبتوا أنه بالنسبة لهذا الإعداد المحدد، فإن اختيار الخوارزمية (السائق) كان أكثر أهمية من بيانات الأخبار (لوحة القيادة).
أظهروا أن قابلية التفسير (جعل الذكاء الاصطناعي قابلاً للشرح) لها ثمن. إذا أردت أن يتحدث الذكاء الاصطناعي بمصطلحات مفهومة للبشر (مثل "المخاطر: عالية")، فقد تخسر بعض الأداء مقارنة بنموذج رياضيات "الصندوق الأسود".
قدموا نموذجًا للآخرين لفصل "الإشارة" (البيانات الجيدة) عن "الضجيج" (الحظ السيئ أو الخوارزميات السيئة) في تجارب الذكاء الاصطناعي المستقبلية.

الملخص

هذه الورقة البحثية هي بمثابة تحذير لعالم الذكاء الاصطناعي في التمويل. تقول: "لا تفترض أنه بمجرد تغذية الذكاء الاصطناعي بالأخبار، فإنه سيصبح أذكى. أحيانًا، الطريقة التي تطلب بها من الذكاء الاصطناعي قراءة الأخبار (الواجهة) تهم أقل من الدماغ الذي تستخدمه لمعالجتها. وإذا أردت للذكاء الاصطناعي أن يشرح قراراته بلغة بشرية بسيطة، فقد يتعين عليك دفع ثمن من حيث الأداء."

لم يجدوا "الهدف الأسمى" للتداول؛ بل وجدوا طريقة أفضل لقياس لماذا تنجح استراتيجيات التداول أو تفشل.

ملخص تقني: واجهات تجريد الحالة الدلالية لقرارات المحافظ الاستثمارية المعززة بالنماذج اللغوية الكبيرة (LLM)

بيان المشكلة

تتكامل أنظمة التعلم التعزيزي العميق (DRL) وأنظمة اتخاذ القرار المتسلسلة بشكل متزايد مع النصوص غير المهيكلة (مثل الأخبار المالية) مع البيانات السوقية الرقمية. ومع ذلك، توجد فجوة تصميمية حرجة: معظم مسارات العمل (pipelines) تطمس التمييز بين التمثيل الدلالي للنص وخوارزمية التحسين المستخدمة لاستغلاله. المناهج الشائعة إما تستخدم ناقلات كامنة (latent vectors) عالية الأبعاد (مما يعيق القابلية للتفسير) أو درجات رقمية مفردة (مثل درجة شعور واحدة)، وهو ما يخلط بين مفاهفات متمايزة مثل المخاطر، والثقة، والتقلب. علاوة على ذلك، عندما تكون النصوص متفرقة (تظهر فقط في مجموعة فرعية من تواريخ القرار)، فمن غير الواضح ما إذا كانت مكاسب الأداء ناتجة عن الإشارة الدلالية نفسها أم من قدرة خوارزمية التعلم المحددة على التعامل مع الضجيج.

المنهجية: واجهات تجريد الحالة الدلالية (SSAI)

يقدم المؤلفون واجهات تجريد الحالة الدلالية (SSAI)، وهي قالب منهجي مصمم لتعيين النصوص المتفرقة وغير المهيكلة إلى $K$ من الإحداثيات المسماة والقابلة للتدقيق.

1. إطار عمل SSAI

التعريف: يقوم SSAI بتعيين مجموعة من الوثائق $N_{s,d}$ للأصل $s$ في اليوم $d$ إلى متجه $\sigma \in \{1, \dots, 5\}^K$ .
المحاور: في هذا التطبيق، تم تحديد $K=4$ $K = 4$ محاور هي:
1. الشعور (Sentiment): من سلبي جداً (1) إلى إيجابي جداً (5).
2. المخاطر (Risk): من مخاطر منخفضة جداً (1) إلى مخاطر عالية جداً (5).
3. الثقة (Confidence): من عدم يقين شديد (1) إلى يقين شديد (5).
4. توقعات التقلب (Volatility Forecast): من استقرار تام (1) إلى تقلب عالٍ (5).
التنفيذ: يتم استخدام نموذج لغوي كبير (LLM) مجمد، يتم توجيهه بتعليمات ثابتة وأمثلة قليلة (few-shot) لاستخراج هذه الدرجات الصحيحة.
التعامل مع التفرقة (Sparsity): في الأيام التي لا يوجد فيها أخبار ( $N_{s,d} = \emptyset$ )، يطبق النظام قيمة افتراضية محايدة (القيمة 3.0) بدلاً من ملء الفراغات بالأصفار أو حذف البيانات.
القابلية للتدقيق: تم تصميم الواجهة للإشراف البشري (human-in-the-loop)، مما يسمح باختبار الاستئصال (ablation) على مستوى التوجيه (prompt) والوضوح التنظيمي (على سبيل المثال: "ارتفعت المخاطر من 2 إلى 4").

2. بروتوكول التقييم: فصل التمثيل عن التحسين

المساهمة المنهجية الجوهرية هي تصميم تقييم يعزل تأثير التمثيل ( $\phi$ ) عن المحسن (optimizer).

التمثيل الثابت: يتم مشاركة $\phi$ واحدة (خريطة SSAI) مجمدة وثابتة عبر جميع المقدرات.
المقدرات المتوازية: يتم تغذية نفس الحالة الدلالية إلى ثلاث فئات متميزة من النماذج:
1. مقدرات منخفضة التباين: محافظ العوامل المباشرة (SFP, SRF, SCW) ومقدرات ريدج (ridge) فائقة الإشراف.
2. مقدرات غير خطية عالية التباين: وكلاء التعلم التعزيزي (DP-PPO و SAC).
الثابت (Invariant): نظرًا لأن $\phi$ متطابقة ومجمدة عبر جميع النماذج، فإن أي فروق في الأداء تعزى إلى اختيار الخوارزمية، وليس التمثيل.

3. الإعداد التجريبي

البيانات: 30 سهماً من مؤشر NASDAQ-100، فترة الاختبار 2019–2023، والتدريب على 2013–2018. المصدر الإخباري هو FNSPID.
الأسس المرجعية (Baselines): الشراء والاحتفاظ (B&H)، الزخم (Momentum)، تساوي التقلب (Equal-Volatility)، والمشفرات العصبية الكثيفة (FinBERT، والمكون الرئيسي الأول PC1 لمحاور SSAI).
وكلاء التعلم التعزيزي (RL Agents):
- DP-PPO: خوارزمية تحسين السياسة القريبة لبروكسمال (Proximal Policy Optimization) مع معاقبة التراجع (drawdown) بزيادة حدة العقوبة.
- SAC: خوارزمية الناقد الفاعل اللين (Soft Actor-Critic) (خارج السياسة - off-policy) مع ملاحظات حالة متطابقة.

النتائج الرئيسية

1. أداء المحفظة (محافظ العوامل)

التفوق الظاهري: حققت محفظة العامل الدلالي (SFP) القائمة على 4 محاور من SSAX عائداً تراكمياً (CR) بنسبة 307.2% ومعامل شارب 1.067، متفوقة ظاهرياً على استراتيجية الشراء والاحتفاظ (243.6%).
تحذير "تأثير التكوين" (Composition Effect): هذا التفوق لا يصمد أمام الضوابط الصارمة:
- الفشل عند مطابقة الطبقات: عند التحكم في وتيرة تغطية الأخبار، تفوقت SFP على B&H في كل شريحة تغطية (منخفضة، متوسطة، عالية). المكسب الإجمالي كان "تأثير تكوين اختيار السلة"—حيث اختار النموذج أسهمًا ذات تغطية متوسطة كانت قد حققت أداءً جيدًا بالفعل، وليس بسبب قوة الإشارة داخل تلك المجموعات.
- الحساسية للتكلفة: ينعكس التفوق عند وصول تكاليف المعاملات إلى $\ge 0.2\%$ .
- الدلالة الإحصائية: الفرق بين SFP المكون من 4 عوامل وSFP المكون من عامل الشعور فقط لم يكن ذا دلالة إحصائية (Wilcoxon $p=0.556$ ).
البدائل المتفوقة:
- PC1-SFP: حقق المكون الرئيسي الأول (PC1) للبيانات من المحاور الأربعة عائداً تراكمياً قدره 433.6% (أي أعلى بـ 126 نقطة مئوية من SSAI-SFP).
- FinBERT-SFP: حقق المشفر الكثيف (Fin-BERT) عائداً تراكمياً بنسبة 386.3%.
- الاستنتاج: تفرض واجهة المحاور المسماة (SSAI) تكلفة أداء كبيرة (126 نقطة مئوية في العائد التراكمي) مقارنة بالبدائل القائمة على البيانات أو الكثيفة.

2. التنبؤ الخاضع للإشراف

إن إضافة أعمدة دلالية متفرقة من LLM بشكل ساذج إلى الميزات السعرية والتقنية أضر بأداء تنبؤات ريدج (ridge forecasting).
نجحت الأسس المعجمية (VADER، TF-IDF/SVD) و"التحيزات الدلالية عالية اليقين" في استعادة الأداء إلى مستويات قريبة من الأسعار فقط، لكن المشفرات العصبية الكثيفة (FinBERT) لم تحسن التنبؤ دون دمج دقيق.

కు 3. تشخيصات التعلم التعزيزي (RL)

الاعتماد على الخوارزمية: تحت نفس حالة SSAI، تفوق SAC (شارب 1.059) بشكل ملحوظ على DP-PPO (شارب 0.920، $p=0.027$ ).
التفسير: يُعزى هذا الفارق إلى الاختلافات الخوارزمية (إعادة التشغيل خارج السياسة، وتنظيم الإنتروبيا) وليس جودة التمثيل.
الحجب (Masking): إزالة الإشارات اللغوية (الحجب المحايد) لم يؤدِ إلى تدهور كبير في أداء DP-PPO (Wilcoxon $p \approx 0.25–0.31$ )، مما يشير إلى أن وكلاء RL لم يستفيدوا بفعالية من الإشارة الدلالية المتفرقة.
الاستئصال (Ablation): أدت إزالة محاور معينة (مثل الثقة) إلى تقليل العوائد، ولكن الانعكاس عند نقطة التحقق الواحدة (المحايد > الإشارات الكاملة) عُزي إلى تحولات توزيع الحالة أثناء التقييم، وليس ضرر الإشارة.

الأهمية والادعاءات

يؤطر البحث مساهمته صراحةً كعمل تشخيصي وتحذيري بدلاً من ادعاء تفوق الأداء.

SSAI كأداة لقياس حدود التفسير والأداء: تقيس الدراسة "تكلفة القابلية للتفسير". من خلال مقارنة SSAI (المحاور المسماة والقابلة للتدقيق) مقابل PC1 (القائم على البيانات) وFinBERT (الكثيف)، يوضح المؤلفون أن الحفاظ على محاور مقروءة للبشر يأتي بتكلفة أداء باهظة (126 نقطة مئوية في العائد التراكمي على مدى خمس سنوات) في سياق المحفظة هذا.
فصل الإشارة عن المحسن: يوفر قالب SSAI طريقة قابلة لإعادة الاستخدام للفصل بين ما إذا كان نجاح النظام ناتجاً عن التمثيل الدلالي أم عن خوارزمية التعلم. تشير النتائج إلى أنه في هذا السياق، اختيار الخوارزمية (SAC مقابل PPO) يهيمن على تأثيرات التمثيل.
النتائج التحذيرية بشأن النصوص المتفرقة:
- الإشارات الدلالية المتفرقة من LLM مفيدة كـ تحيزات عالية اليقين أو لإدارة المخاطر، ولكنها ليست مدخلات قوية للتنبؤ الكثيف أو التعلم التعزيزي دون دمج دقيق.
- يمكن أن يكون التفوق الظاهري في محافظ العوامل أثراً ناتجاً عن التكوين (اختيار أسهم معينة) وليس ميزة حقيقية في الإشارة.
- الأسهم ذات التغطية العالية (مثل NVDA، GOOGL) أظهرت أسوأ أداء نسبي لـ SSAI، ويرجع ذلك على الأرجهُ إلى كفاءة السوق وعدم دقة نموذج العامل خلال دورة الاستثمار في الذكاء الاصطناعي.

الخلاصة: لا يدعي المؤلفون أن SSAI يتفوق على البدائل الأكثر كثافة. بدلاً من ذلك، يقدمون SSAI كـ قالب منهجي للبحوث المستقبلية لفصل ضجيج التحسين عن الإشارة الدلالية بدقة، مع تسليط الضوء على أن المقايضة الحالية بين القابلية للتفسير والقدرة التنبؤية هي مقايضة جوهرية. يعمل هذا العمل كـ "مرجع استرجاعي" يؤكد أن قيود القابلية للتفسير لها تكاليف اقتصادية ملموسة.