Do LLMs Understand Limit Order Book Dynamics?

في عالم التمويل الحديث الصاخب، لا تُحرك الأسواق فقط عبر الحدس البشري أو الاتجاهات الاقتصادية العامة، بل عبر تدفق مستمر وعالي السرعة من التعليمات الرقمية. وفي قلب العديد من هذه الأسواق تكمن آلية تسمى "سجل أوامر الحد" (limit order book). تخيل سجلاً رقمياً حيث يصطف المشترون والبائعون، كل منهم يحدد السعر المحدد الذي يرغب في دفعه أو قبوله والكمية التي يريد تداولها من الأسهم. هذا السجل ليس ساكناً؛ بل هو سجل حي يتنفس ويتغير في كل مرة يصل فيها أمر جديد، أو يتم تنفيذ أمر موجود، أو يقرر مشارك إلغاء عرضه. القواعد التي تحكم هذا السجل صارمة ومنطقية: لا يمكن للمشتري شراء سهم بسعر أقل من أدنى سعر يطلبه بائع حالي، ولا يمكن للبائع البيع بسعر أعلى من أعلى سعر يعرضه مشترٍ. ولعقود من الزمن، بنى المتداولون والرياضيون نماذج معقدة للتنبؤ بكيفية تطور هذا السجل، محاولين استباق الخطوة التالية في هذه الرقصة المعقدة بين العرض والطلب.

مؤخراً، بدأ نوع جديد من الذكاء الاصطناعي، يُعرف باسم "النماذج اللغوية الكبيرة"، في التطبيق على هذه الألغاز المالية. عادة ما يتم تدريب هذه النماذج على كميات هائلة من النصوص لتعلم الأنماط اللغوية، لكن الباحثين بدأوا في تدريبها على تسلسلات من الأحداث السوقية بدلاً من ذلك. والأمل هو أنه إذا تمكن النموذج من تعلم توليد تسلسلات صالحة من أوامر السوق - أي محاكاة كيفية انتقال السوق من حالة إلى أخرى بشكل صحيح - فإنه سيكون قد فهم حقاً الآليات الكامنة وراء السوق. وهذا يثير سؤالاً عميقاً: إذا استطاعت الآلة كتابة قصة مثالية حول كيفية تحرك السوق، فهل تفهم القصة حقاً، أم أنها مجرد محاكاة للقواعد النحوية؟ لقد شرع فريق من الباحثين في كلية كولومبيا للأعمال في الإجابة على ذلك من خلال اختبار ما إذا كانت هذه الذكاءات الاصطناعية تمتلك "نموذج عالم" حقيقي للأسواق المالية أم أنها مجرد ببغاوات متطورة.

بدأ الباحثون بإنشاء نسخة مبسطة ومحاكية لـ "سجل أوامر الحد". في هذه البيئة الرقمية التجريبية، حددوا مجموعة ثابتة من مستويات الأسعار وقواعد لكيفية وضع الأوامر، أو تنفيذها، أو إلغائها. ثم قاموا بعد ذلك بتدريب نموذج لغوي كبير من الصفر باستخدام بيانات ناتجة عن هذه المحاكاة. كانت عملية التدريب صارمة: أُعطي النموذج حالة ابتدائية للسوق وحالة مستهدفة، وكُلف بتوليد تسلسل من الأحداث من شأنه نقل السوق من البداية إلى النهاية دون كسر أي من القواعد. وقد برع النموذج في هذه المهمة؛ فعندما طُلب منه إنتاج تسلسل من التداولات، نجح دائماً تقريباً في إنشاء مسار صالح، متجنباً الحركات المستحيلة مثل بيع سهم غير موجود أو تنفيذ صفقة بسعر ينتهك قواعد السوق. وبالنسبة لمراقب عادي، بدا أن النموذج قد أتقن منطق السوق.

ومع ذلك، اشتبه الباحثون في أن نجاح النموذج كان سطحياً. أرادوا معرفة ما إذا كان النموذج يفهم حقاً الحالة الراهنة للسوق أم أنه يعتمد ببساভাবে على تاريخ كيفية وصوله إليها. في السوق الحقيقية، يعتمد التطور المستقبلي لسجل الأوامر بالكامل على حالته الحالية؛ والمسار الذي تم اتخاذه للوصول إلى تلك الحالة لا ينبغي أن يهم. هذه قاعدة أساسية تُعرف باسم "خاصية ماركوف" (Markov property). ولاختبار ما إذا كان النموذج يحترم هذا المبدأ، صمم الباحثون سلسلة من التجارب التي تجاوزت مجرد اتباع القواعد البسيطة. فقد طلبوا من النموذج التنبؤ بما سيحدث تالياً، ليس فقط لتوليد تسلسل صالح، بل للتنبؤ باحتمالات الأحداث المستقبلية.

كشفت النتائج عن خلل كبير في فهم النموذج. فبينما استطاع النموذج توليد تسلسلات صالحة، إلا أن رؤيته الداخلية للسوق كانت منحازة وغير مكتملة. فعندما فحص الباحثون تنبؤات النموذج، وجدوا أنه يحدد باستمرار احتمالات غير صحيحة للأحداث المستقبلية. على سبيل المثال، كان النموذج يبالغ في تقدير احتمالية أمر إلغاء عند سعر معين، حتى عندما كانت الاحتمالية الرياضية الحقيقية أقل بكثير. والأمر الأكثر إثارة للقلق هو أن توقعات النموذج كانت متأثرة بتاريخ الأحداث التي أدت إلى الحالة الحالية، رغم أن هذا التاريخ لا ينبغي أن يكون ذا صلة. فإذا وصل السوق إلى حالة معينة عبر مسارين مختلفين، فإن النموذج الذي يمتلك فهماً صحيحاً يجب أن يتنبأ بنفس المستقبل لكليهما. ومع ذلك، قدم الذكاء الاصطناعي تنبؤات مختلفة اعتماداً على المسار المتخذ، مما يشير إلى أنه كان يتشبث بتفاصيل الماضي التي لا تملك أي قوة تنبؤية.

ولقياس هذا الخطأ، طور الباحثون اختبارات جديدة تقيس المسافة بين تنبؤات النموذج والواقع الرياضي الحقيقي للسوق المحاكي. ووجدوا أنه كلما نظر النموذج إلى مستقبل أبعد، زادت أخطاؤه. بدا أن النموذج يعتقد أنه يمكنه العثور على أنماط في الماضي لا وجود لها، وهي ظاهرة تُعرف باسم "القدرة التنبؤية الزائفة" (spurious predictability). كان الأمر كما لو أن النموذج مقتنع بأن سلسلة من أوامر الشراء الماضية تجعل أمر البيع المستقبلي أكثر احتمالاً، حتى عندما لم يقدم وضع السوق الحالي أي سبب لمثل هذا التحول. لم يكن هذا الانحياز مجرد خلل بسيط؛ بل كان فشلاً منهجياً في استيعاب الديناميكية الجوهرية للنظام. لقد تعلم النموذج قواعد لغة السوق، لكنه فشل في تعلم فيزيائه.

كما اختبر الباحثون ما إذا كانت هذه المشكلات تتعلق تحديداً بمحاكاتهم الصغيرة والبسيطة أم أنها ستستمر في بيئات أكثر تعقيداً. كرروا التجارب مع سجلات أوامر أكبر تحتوي على مستويات أسعار أكثر وسيولة أعمق. وكانت النتائج متسقة: فكلما زاد تعقيد السوق، ساءت قدرة النموذج على الحفاظ على تمثيل داخلي صحيح للحالة. استمر النموذج في توليد تسلسلات صالحة، لكن توقعاته أصبحت أكثر عدم موثوقية. يشير هذا إلى أن مجرد تدريب نموذج على المزيد من البيانات أو جعل محاكاة السوق أكبر لن يحل المشكلة الجوهرية. إن بنية النموذج، كما هي الآن، تعاني في تجريد الحالة الراهنة للنظام بعيداً عن ضجيج تاريخه.

تحمل هذه النتائج آثاراً مهمة على استخدام الذكاء الاصطناعي في التمويل. توضح الدراسة أن قدرة النموذج على توليد مخرجات صالحة ليست دليلاً كافياً على فهمه للنظام الذي يحاكيه. وفي سياق الأسواق المالية، حيث يعد التنبؤ الدقيق أمراً بالغ الأสำคัญية، فإن النموذج الذي يجد أنماطاً حيث لا توجد، قد يؤدي إلى أخطاء مكلفة. ويخلص الباحثون إلى أنه بينما تظهر النماذج اللغوية الكبيرة وعوداً في فهم قواعد النظام، إلا أنها تفتقر حالياً إلى الفهم العمري الضمني للديناميكيات العشوائية المطلوبة للتنبؤ الموثوق. وإلى أن تتمكن هذه النماذج من التدرب على استيعاب حالة العالم الذي تحاكيه حقاً، بدلاً من مجرد تسلسل الأحداث الذي أدى إليه، ستظل توقعاتها في الأسواق المعقدة والواقعية محل شك. يتطلب الطريق إلى الأمام طرق تدريب جديدة ومجموعات بيانات أكبر، لكن التحدي الأساسي يظل قائماً: تعليم الآلة أن ترى العالم كما هو، وليس فقط كما تتذكره.