Large Language Model-Driven Small-Capitalization Trading: Integrating Financial News Sentiment, Macroeconomic Indicators, and Technical Signals

البلورة الرقمية والبورصة

تخيل سوق الأسهم كأنه محيط هائل وفوضوي. لعقود من الزمن، حاول المستثمرون التنبؤ بالأمواج باستخدام أداتين رئيسيتين: مراقبة سطح الماء (الإشارات الفنية مثل الرسوم البيانية للأسعار) وقراءة تقارير الطقس (المؤشرات الاقتصادية الكلية مثل أسعار الفائدة أو أسعار النفط). ولكن هناك عنصر ثالث صاخب: التدفق اللامتناهي للأخبار. في الماضي، حاولت الحواسيب قراءة هذه الأخبار باستخدام "معاجم" بسيطة، وهي مجرد قوائم بالكلمات الجيدة (مثل "ربح") والكلمات السيئة (مثل "خسارة"). الأمر يشبه محاولة فهم فيلم معقد من خلال عدّ عدد مرات ظهور كلمتي "سعيد" أو "حزين" فقط؛ فأنت بذلك تفقد الحبكة، والتهكم، والسياق.

هنا يأتي دور النماذج اللغوية الكبيرة (LLMs). فكر في هذه النماذج كقراء رقميين فائقي الذكاء يمكنهم حقاً فهم القصة وراء العناوين، واستيعاب الفروق الدقيقة والسياق الذي تغفله عملية عدّ الكلمات البسيطة. السؤال الكبير الذي يطرحه الباحثون هو: إذا منحنا هؤلاء القراء الفائقين مهمة التنبؤ بمستقبل الشركات الصغيرة والمحفوفة بالمخاطر (التي تسمى أسهم "القيم السوقية الصغيرة" أو small-cap)، فهل يمكنهم مساعدتنا في بناء محفظة استثمارية أفضل؟ الإجابة لا تتعلق فقط بـ ما تقوله الأخبار، بل بـ كيفية استخدامنا لتلك المعلومات لتقرير أي الأسهم نشتري ومدى المخاطرة التي سنتخذها.

القصة: تعليم روبوت كيفية "قراءة الغرفة"

يتحدث هذا البحث عن فريق من الباحثين الذين بنوا نظام تداول متطوراً لاختبار هذه الفكرة تحديداً. أرادوا معرفة ما إذا كان بإمكانهم استخدام ذكاء اصطناعي لقراءة الأخبار المالية، ودمجها مع بيانات اقتصادية ضخمة، ومن ثم استخدام تلك المعلومات لجني الأرباح من تداول الشركات الصغيرة. لكنهم لم يرغبوا فقط في تخمين المستقبل؛ بل أرادوا من الذكاء الاصطناعي أن يعترف عندما يكون غير متأكد.

إليك كيف يعمل نظامهم، خطوة بخطوة:

1. مرشح الأخبار: تجميع الضجيج
تخيل خبراً عاجلاً عن شركة ما. قد تكتب عشرات الوسائل الإخبارية عن هذا الخبر، وأحياناً تكرر نفس الحقائق مراراً وتكرى. إذا قمت بعدّ كل مقال، فقد يبدو هذا الخبر الواحد أكثر أهمية بعشر مرات مما هو عليه في الواقع. قام الباحثون بإصلاح ذلك باستخدام حيلة "التجميع" (Clustering). لقد قاموا بتجميع المقالات المتشابهة معاً في "قصة" واحدة قبل أن يقرأها الذكاء الاصطناعي. بهذه الطريقة، يركز الذكاء الاصطناعي على أهمية الحدث، وليس فقط على عدد الصحفيين الذين حضروا لتغطيته.

2. نوعان من الإشارات: اللاعبون "الصافيون"
أدرك الباحثون أن الأسهم تتحرك لسببين مختلفين تماماً، وعاملوهما كلاعبين منفصلين في لعبة:

• الألفا الصافية (دراما الشركة الخاصة): يحدث هذا عندما تقوم شركة معينة بشيء غريب—مثل استقالة مدير تنفيذي أو إطلاق منتج جديد—وهو أمر لا يفسره الاقتصاد العام. إنه يشبه ممثلاً معيناً في مسرحية يبدأ فجأة في ارتجال مشهد.
• البيتا الصافية (موجة المحيط): يحدث هذا عندما يتحرك مؤشر اقتصادي كبير (مثل أسعار الفائدة أو أسعار النفط)، ويتحرك السهم لأنه حساس لهذا التغيير، حتى قبل أن يفعل السهم نفسه أي شيء غريب. إنه يشبه راكب الأمواج الذي يركب الموجة قبل أن يرى قمتها حتى.

اختبر الفريق ثلاث استراتيجيات: المراهنة فقط على دراما "الألفا الصافية"، والمراهنة فقط على أمواج "البيتا الصافية"، والمراهنة فقط عندما يحدث كلاهما في نفس الوقت (تقاطع البيتا).

3. عقل مدرك لعدم اليقين
تعامل معظم أنظمة التداول مع المخاطر كرقم ثابت، مثل لوحة تحديد السرعة. ومع ذلك، يقوم الذكاء الاصطناعي الخاص بهذا الفريق بحساب المخاطر بشكل ديناميكي. فهو يقسم المخاطر إلى جزأين:

• عدم اليقين العشوائي (Aleatoric Uncertainty): وهو عشوائية السوق نفسها (الطقس غير قابل للتنبؤ ببساطة).
• عدم اليقين المعرفي (Epistemic Uncertainty): وهو نقص ثقة الذكاء الاصطناعي نفسه (الذكاء الاصطناعي يقول: "أنا لست متأكداً من أنني أفهم هذه القصة بعد").

من خلال تغذية "درجة عدم اليقين" هذه مباشرة في الرياضيات التي تقرر مقدار المال الذي يوضع في كل سهم، يصبح النظام أكثر حذراً عندما يكون مرتبكاً وأكثر جرأة عندما يكون متأكداً.

ما وجدوه: النتائج المفاجئة

قام الباحثون بتشغيل نظامهم على قائمة ضخمة من الشركات الصغيرة (مؤشر راسل 2000) خلال فترة محددة في عام 2025. واختبروا فترات احتفاظ مختلفة (مدة الاحتفاظ بالسهم) وتكاليف معاملات مختلفة (الرسوم المدفوعة للتداول).

المفاجأة الكبرى: لا تنتظر الاتفاق
كانت النتيجة الأكثر أهمية هي أن فصل الإشارات كان يعمل بشكل أفضل بكثير من انتظار اتفاقهما.

• استراتيجية "كلاهما" فشلت: تطلبت استراتيجية انتظار حدوث دراما "الألفا الصافية" وموجة "البيتا الصافية" في وقت واحد عادةً ما أدت إلى أسوأ أداء. كان الأمر يشبه انتظار العاصفة المثالية والممثل المثالي للظهور في آن واحد؛ كنت ستفقد الكثير من الفرص الجيدة فحسب.
• الاستراتيجيات "المنفصلة" فازت: حقق النظام أكبر قدر من المال عندما عامل الإشارتين كاستراتيجيتين منفصلتين.
  • المدى القصير (يوم واحد): نجحت استراتيجية "البيتا الصافية" (ركوب الموجة الاقتصادية) عندما كانت تكاليف التداول منخفضة، لكن هذه الميزة تلاشت عندما ارتفły التكاليف (100 نقطة أساس).
  • المدى المتوسط (20-40 يوماً): تألقت استراتيجية "البيتا الصافية" مرة أخرى. يبدو أن التغيرات الاقتصادية الكبيرة تستغرق وقتاً طويلاً لتترسخ تماماً بالنسبة للشركات الصغيرة، وكان بإمكان الذكاء الاصطناعي رصد هذا الانجراف البطيء.
  • المدى الطويل (5، 10، و60 يوماً): كانت استراتيجية "الألفا الصافية" (دراما الشركة الخاصة) هي الفائزة بوضوح. وهذا يشير إلى أنه عندما تمتلك شركة معينة أخباراً فريدة، فإن السوق يستغرق وقتاً لاستيعابها وتسعيرها بالكامل.

أفضل تركيبة
كان الإعداد الأكثر نجاحاً الذي وجدوه هو الإعداد "المحافظ":

• الاستراتيجية: البيتا الصافية (ركوب الموجة الاقتصادية).
• نموذج الذكاء الاصطناعي: GPT-4o mini (نسخة محددة من الذكاء الاصطناعي).
• فترة الاحتفاظ: 40 يوماً.
• إدارة المخاطر: استخدام "هدف Student-t" (طريقة رياضية تتعامل مع الانهيارات السوقية الحادة بشكل أفضل) و"تساوي المخاطر" (Risk Parity) (موازنة المخاطر بدلاً من موازنة المال فقط).
• النتيجة: حقق هذا الإعداد نسبة شارب (Sharpe ratio) بلغت 2.33 حتى مع تكلفة معاملات عالية بلغت 100 نقطة أساس.

ماذا يعني هذا

يشير البحث إلى أن سر استخدام الذكاء الاصطناعي في التداول ليس فقط في امتلاك قارئ أذكى؛ بل في كيفية تنظيم اللعبة. من خلال فصل الأخبار "الخاصة بالشركة" عن الأخبار "العامة بالاقتصاد"، ومن خلال السماح لعدم اليقين الخاص بالذكاء الاصطناعي بتوجيه مقدار المخاطرة التي يتخذها، يمكن للمستثمرين تحقيق نتائج أفضل من الطرق التقليدية.

ومع ذلك، يوضح المؤلفون بحذر أن هذه محاكاة تعتمد على بيانات عام واحد. وهم يشيرون إلى أن هذه النتائج واعدة وليست "فوزاً" مضموناً للمستقبل. كما يشيرون إلى أن ذكاءهم الاصطناعي، رغم ذكائه، لا يزال لديه "توقف معرفي" (فهو لا يعرف الأشياء التي حدثت بعد انتهاء تدريبه)، وأن تلخيص المقالات الإخبارية الطويلة قد يؤدي إلى فقدان بعض التفاصيل الدقيقة. لكن الفكرة الجوهرية قائمة: في عالم الأسهم الصغيرة الصاخب، فإن معرفة متى تستمع إلى الاقتصاد ومتى تستمع إلى الشركة—ومعرفة متى تكون حذراً—هو أمر لا يقل أهمية عن الخبر نفسه.