← أحدث الأبحاث
💰 quantitative finance

Counterfactual Analysis via Large Language Models

تُثبت هذه الورقة أن نماذج GPT-3.5 المهندسة عبر الأوامر (prompt-engineered) يمكنها أداء التحليل المقابل للواقع (counterfactual analysis) بفعالية في مجال الإقراض عبر الإنترنت للتنبؤ بالعائد على الاستثمار تحت سيناريوهات أسعار فائدة افتراضية، محققةً أداءً يضاهي نماذج الانحدار المعززة بالتدرج التقليدية مع إظهار استدلال سببي منطقي.

المؤلفون الأصليون: Zonghao Yang

نُشر 2026-08-07
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Zonghao Yang

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 مسافر عبر الزمن تمتلك آلة سحرية بعنوان "ماذا لو؟". في عالم العلوم، يُطلق على هذا اسم التحليل المقابل للواقع (Counterfactual Analysis). إنه فن التنبؤ بما كان سيحدث لو اتخذت قراراً مختلفاً بالأمس. هل رسب ذلك الطالب لأن الفصل كان كبيراً جداً، أم أنه كان سينجح بتفوق لو كان في غرفة أصغر؟ هل تم تجاهل ذلك البريد الإلكتروني لأن عنوان الموضوع كان مملاً، أم أن واحداً مخصصاً كان سينقذ الموقف؟ يحب العلماء هذا النوع من الأشياء لأنها تساعدنا على فهم السبب والنتيجة، وليس مجرد التخمين. عادةً، للإجابة على هذه الأسئلة، يحتاج الباحثون إلى إجراء تجارب مكلفة أو استخدام نماذج رياضية معقدة تنظر إلى البيانات الماضية لتخمين المستقبل. ولكن مؤخراً، وصل نوع جديد من الأدمغة الرقمية: النموذج اللغوي الكبير (LLM). فكر في هذه النماذج كأنها روبوتات فائقة الذكاء قرأت كل شيء تقريباً على الإنترنت. إنها بارعة في كتابة القصص والدردشة، ولكن هل يمكنها أيضاً لعب دور المسافر عبر الزمن لتحديد سيناريوهات "ماذا لو"؟ هذا هو السؤال الكبير الذي تطرحه هذه الورقة البحثية.

قرر مؤلف هذه الدراسة اختبار هذه الأدمغة الرقمية في عالم الإقراض عبر الإنترنت عالي المخاطر. تخيل بنكاً يقرض الأموال للناس؛ يتعين عليه تحديد سعر الفائدة الذي سيفرضه. إذا فرض سعراً مرتفعاً جداً، فقد يثقل كاهل المقترض ويتوقف عن السداد. وإذا فرض سعراً منخفضاً جداً، فسيخسر البنك المال. يعرف البنك ما حدث بالفعل مع سعر الفائدة الفعلي الذي اختاره، لكنه لا يمكنه التأكد أبداً مما كان سيحدث لو اختار سعراً مختلفاً. هذه القطعة المفقودة من اللغز هي "الواقع المقابل" (Counterfactual). أراد الباحثون معرفة ما إذا كان بإمكان ذكاء اصطناعي، وتحديداً نموذج يُسمى GPT-3.5، أن ينظر إلى طلب قرض ويقول: "لو كنا قد فرضنا 10% بدلاً من 12%، لكان المقترض قد سدد لنا الأموال بشكل أسرع".

ولإنجاح ذلك، لم يكتف الفريق بسؤال الذكاء الاصطناعي سؤالاً بسيطاً؛ بل أدركوا أن التحدث إلى روبوت يشبه التحدث إلى إنسان؛ إذ يجب عليك أن تسأل بالطريقة الصحيحة. استخدموا تقنية تسمى هندسة الأوامر (Prompt Engineering)، وهي في الأساس فن إعطاء الذكاء الاصطعي التعليمات المثالية. جربوا طلب من الذكاء الاصطناعي أن يتظاهر بأنه المقترض، ثم جربوا أن يطلبوا منه التظاهر بأنه خبير ائتمان. حتى أنهم جعلوا الذكاء الاصطناعي يحاكي لجنة مكونة من أربعة خبراء يتجادلون مع بعضهم البعض للوصول إلى إجماع، وهي طريقة تسمى شجرة الأفكار (Tree-of-Thought). كما سمحوا للذكاء الاصطناعي بالاطلاع على التنبؤات التي أجرتها الخوارزميات الحاسوبية التقليدية ليروا ما إذا كان بإمكانه التحسن عليها.

كانت النتائج واعدة بشكل مفاجئ. عندما سأل الباحثون الذكاء الاصطناعي لأول مرة لتخمين نتائج القروض دون أي تعليمات خاصة، كان أداؤه سيئاً للغاية، حيث أصاب في الحسابات بنسبة 2% فقط من الوقت. ولكن بمجرد استخدام حيلة "لجنة الخبراء" ومنحه السياق المناسب، قفز أداؤه إلى ما يقرب من 3%. ورغم أن هذا قد يبدو صغيراً، إلا أنه يمثل أمراً ضخماً في هذا المجال، حيث جعل الذكاء الاصطناعي قريباً جداً من دقة أفضل النماذج الرياضية التقليدية. والأهم من ذلك، أن الذكاء الاصطناعي لم يكتفِ بنطق رقم فحسب، بل شرح منطقه الخاص. لقد نظر في تاريخ المقترض، ووضع في اعتباره سعر الفائدة، وجادل منطقياً بأن سعراً أقل قد يساعدهم على سداد القرض بشكل أسرع.

تشير الدراسة إلى أن هذه النماذج اللغوية الكبيرة ليست مجرد برامج دردشة؛ بل إنها تتحول إلى أدوات قادرة على استكشاف سيناريوهات "ماذا لو". أظهر الذكاء الاصطناعي قدرته على رصد الحالات التي قد يكون فيها النموذج الحاسوبي التقليدي متفائلاً للغاية، وتعديل تنبؤاته بناءً على "معرفته" الخاصة بكيفية تصرف البشر. على سبيل المثال، عندما توقع النموذج التقليدي أن المقترض سيسدد القرض في غضون 8 أشهر مع سعر فائدة أقل، فكر الذكاء الاصطناعي قائلاً: "يبدو هذا سريعاً جداً بالنظر إلى تاريخه الائتماني"، وعدّل التنبؤ إلى 22 شهراً. وهذا يوضح أن الذكاء الاصطناعي يفعل أكثر من مجرد نسخ الرياضيات؛ إنه في الواقع يفكر في المنطق.

ومع ذلك، فإن المؤلف حذر من وصف هذا بأنه حل مثالي. فقد لاحظ أنه بينما يتحسن الذكاء الاصطناعي، إلا أنه لا يزال قيد الاختبار في بيئة محاكاة. ووجدوا أن تنبؤات الذكاء الاصطناعي كانت متسقة منطقياً مع قواعد العالم الحقيقي (مثل: إذا خفضت سعر الفائدة، فمن غير المرجح أن يتخلف الناس عن السداد)، لكنهم لم يدّعوا أن الذكاء الاصطناعي قد حل لغز السلوك البشري تماماً. بدلاً من ذلك، اقترحوا أن هذه النماذج هي أداة جديدة قوية يمكنها مساعدة المقرضين والعلماء على اتخاذ قرارات أفضل من خلال محاكاة مستقبليات مختلفة. الأمر يشبه امتلاك مستشار ذكي جداً ومطلع جداً يمكنه مساعدتك في تصور عواقب خياراتك قبل أن تتخذها بالفعل.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💰 q-fin →