Financial Numerical Prediction and Allocation as Token Generation
تقدم هذه الورقة بحث FinATOM، وهو إطار عمل موحد وخالٍ من الرأس (head-free) يستفيد من توليد الرموز المقيد في النماذج اللغوية السببية للقيام مباشرة بالتنبؤ المالي وتخصيص الأصول الديناميكي، مما يظهر عوائد محسنة معدلة حسب المخاطر في مهام صناديق الاستثمار المتداولة (ETF) والمهام الاستثمارية القائمة على النصوص مقارنة بنهج الانحدار أو التصنيف التقليدية.
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
صوت العراف الرقمي الجديد
تخيل عالماً لا تكتفي فيه الحواسيب بقراءة القصص فحسب، بل يمكنها أيضاً إجراء العمليات الحسابية، ووضع التوقعات، وتقرير كيفية إنفاق الأموال، وكل ذلك باستخدام نفس "اللغة" التي تستخدمها للدردشة معنا. هذا هو مجال الذكاء الاصطناعي، وتحديداً نوع يسمى "نماذج اللغات الكبيرة" (LLMs). فكر في هذه النماذج كببغاوات فائقة الذكاء قرأت كل شيء تقريباً على الإنترنت. إنها بارعة في التنبؤ بالكلمة التالية في الجملة، تماماً مثل إكمال نكتة صديق. ولكن عادةً، عندما نطلب منها القيام بشيء دقيق، مثل التنبؤ بأسعار الأسهم أو إدارة محفظة استثمارية، يتعين علينا إرفاق آلة حاسبة منفصلة ومتخصصة (تسمى "رأساً") بعقلها للتعامل مع الأرقام. الأمر يشبه أن تطلب من شاعر حل معادلة فيزيائية عبر تسليمه معداداً منفصلاً.
السؤال الكبير الذي يطرحه العلماء هو: هل يمكن للشاعر أن يقوم بالرياضيات بنفسه؟ هل يمكن للحاسوب أن يتعلم التحدث بالأرقام مباشرة، تماماً كما يتحدث بالكلمات، دون الحاجة إلى تلك الآلة الحاسبة الإضافية؟ هذا الأمر مهم لأنه إذا كان بإمكان عقل واحد فهم خبر صحفي عن شركة ما و اتخاذ قرار فوري بشأن مقدار الأموال التي سيستثمرها فيها، فإن العملية برمتها ستصبح أسرع، وأنظف، وأسهل في التحقق. إنه يشبه امتلاك طاهٍ يمكنه تذوق الحساء ومعرفة كمية الملح التي يجب إضافتها بدقة فورية، بدلاً من تذوقه، ثم تدوين الرقم، ثم تسليم الملح لطهٍ ثانٍ ليضيفه.
قصة الورقة البحثية: تعليم الروبوت التحدث بلغة "المال"
تقدم هذه الورقة نظاماً جديداً يسمى FinATOM، والذي يحاول تعليم نموذج لغوي كيفية التنبؤ المالي وإدارة الأموال باستخدام مفرداته الأصلية فقط. بدلاً من إرفاق آلة حاسبة خاصة، ترك الباحثون الذكاء الاصطناعي يولد "رموزاً" (قطع نصية) تمثل الأرقام. الأمر كما لو أن الذكاء الاصطناعي يتعلم شفرة سرية حيث قد تعني كلمة "تفاحة" "5 دولارات" وكلمة "موز" "10 دولارات"، مما يسمح له بكتابة قراراته المالية تماماً كما يكتب قصة.
اختبر الباحثون هذا على مهمتين رئيسيتين. أولاً، طلبوا من الذكاء الاصطناعي التنبؤ بمدى ارتفاع أو انخفاض أسعار الأسهم خلال الأيام الثلاثة القادمة. ثانياً، طلبوا منه تقرير كيفية تقسيم الأموال بين خمس صناديق استثمارية مختلفة (ETFs). ولإنجاح ذلك، كان عليهم توخي الحذر الشديد؛ فقد علموا الذكاء الاصطناعي باستخدام "معلم" يعرف فقط ما هو مرئي في اللحظة الراهنة (مثل النظر إلى عداد سرعة السيارة الآن، دون معرفة أين ستكون بعد ساعة). ضمن هذا الأمر عدم وصول الذكاء الاصطناعي إلى الإجابات المستقبلية.
ما وجدوه:
تشير النتائج إلى أن هذا النهج "الخالي من الرأس" (head-free) يعمل بالفعل. عندما تم تعليم الذكقة الاصطناعي في البداية (مرحلة تسمى الضبط الدقيق الخاضع للإشراف)، قام بعمل جيد. ولكن عندما سمحوا له بالممارسة والتعلم من أخطائه باستخدام طريقة تدريب خاصة (تسمى DAPO-augmented GRPO)، أصبح أفضل.
- لمهمة الاستثمار: تحسنت استراتيجية الذكاء الاصطناعي في العائد المعدل حسب المخاطر (وهو مقياس يسمى نسبة شارب) من 1.428 إلى 1.529 عند النظر في بيانات من 2023 إلى 2025. وحتى بعد احتساب الرسوم الصغيرة (5 نقاط أساس لكل عملية تداول)، ارتفعت النسبة من 1.394 إلى 1.494.
- لمهمة التنبؤ بالأسهم: على مجموعة بيانات محددة تسمى FinTexTS، حققت استراتيجية الذكاء الاصطناعي عائداً تراكمياً قدره 73.52% مع نسبة شارب بلغت 2.68. وبعد الممارسة الإضافية، ارتفعت هذه الأرقام قليلاً لتصل إلى 73.72% و 2.69.
اكتشفت الورقة أيضاً أن الذكاء الاصطناعي يعمل بشكل أفضل عندما يحصل على الأرقام الخام (مثل أسعار الأسهم الماضية) والقصص الإخبارية (مثل التقارير عن الاقتصاد) في آن واحد. في عام 2025، أحدثت إضافة الأخبار فرقاً هائلاً، حيث عززت الأداء بشكل كبير مقارنة بالاعتماد على الأرقام فقط. ومع ذلك، في سنوات أخرى، كانت الأرقام وحدها جيدة تقريباً.
ما تنفيه الورقة:
يحرص المؤلفون على توضيح أن هذا ليس حلاً سحرياً يحل جميع المشكلات المالية. فقد استبعدوا صراحةً فكرة أن الذكاء الاصطناعي يقوم بمجرد حفظ الإجابات. لقد تحققوا من أن البيانات المستخدمة في اختبارات 2024 و2025 حدثت بعد تدريب الذكاء الاصطناعي الأصلي، لذا لم يكن بإمكان الذكاء الاصطناعي مجرد "تذكر" المستقبل. كما لاحظوا أن الذكاء الاصطناعي لم يتحسن ببساطة من خلال التداول بشكل أكثر تكراراً؛ بل في الواقع، ظل عدد الصفقات ثابتاً تقريباً، مما يعني أن التحسن جاء من اتخاذ قرارات أفضل، وليس من اتخاذ قرارات أكثر.
ما مدى تأكدهم؟
تشير الورقة إلى أن هذا يعتبر إثبات مفهوم واعد للغاية، لكنها تتوقف عند هذا الحد ولا تسميه فائزاً عالمياً. تعتمد النتائج على اختبارات محددة مع خمسة صناديق ومجموعة محدودة من الأسهم. يعترف المؤلفون أنه بينما ينجح هذا الأسلوب في عمليات المحاكاة هذه، فإننا لا نعرف بعد ما إذا كان سيعمل بشكل مثالي في كل ظروف السوق أو مع كل نوع من الأصول. إنهم يصفون النتائج بأنها دليل على "القابلية للتطبيق" (feasibility)—أي أنه يمكن القيام بذلك—وليس ضماناً بأنه سيكون دائماً الطريقة الأفضل لجني المال. كان التحسن في مهمة الاستثمار واضحاً في عامي 2024 و2025، ولكن في عام 2023، لم يحدث التدريب المتقدم فرقاً كبيراً، مما يظهر أن النجاح يعتمد على ظروف السوق المحددة.
باخت مختص، يظهر FinATOM أن نموذج اللغة يمكنه تعلم التحدث بلغة التمويل مباشرة، وتحويل الأخبار والأرقام إلى قرارات استثمارية دون الحاجة إلى آلة حاسبة منفصلة. إنها خطوة صغيرة ولكنها مثيرة نحو ذكاء اصطناعي لا يتحدث عن المال فحسب، بل يفهم فعلياً كيفية إدارته.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.