← أحدث الأبحاث
💻 علوم الحاسوب

Artificial Intelligence and Machine Learning for Stock Market Prediction: A Systematic Literature Review of Methods, Emerging Paradigms, Reproducibility, and Evaluation Gaps (2016-2026)

تُحلل هذه المراجعة المنهجية للأدبيات، والتي تشمل 685 دراسة (2016–2026)، التطور، وقابلية التكرار، وفجوات التقييم في التنبؤ بأسواق الأسهم المدفوع بالذكاء الاصطناعي، كاشفةً عن انفصال حرج بين دقة النماذج المُبلغ عنها والمنفعة التجارية العملية نتيجة مشكلات واسعة النطاق مثل تسرب البيانات، وعدم مشاركة الكود البرمجي، وعدم كفاية الاختبارات الإحصائية.

المؤلفون الأصليون: Akshatha Srikantha, Manpreet Singh, Rahul Joshi, Anant Singh, Eugene Pinsky

نُشر 2026-10-15
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Akshatha Srikantha, Manpreet Singh, Rahul Joshi, Anant Singh, Eugene Pinsky

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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

تُعد أسعار الأسهم صعبة التنبؤ بشكل ملحوظ؛ فهي لا تتحرك في خطوط مستقيمة، وغالباً ما تكون مشوبة بالضجيج، وتغير سلوكها بمرور الوقت. لعقود من الزمن، حاول الاقتصاديون التنبؤ بهذه التحركات باستخدام قواعد رياضية بسيطة تفترض أن المستقبل سيكون مشابهاً للماضي. ولكن مع زيادة سرعة وقوة أجهزة الكمبيوتر، بدأ جيل جديد من الباحثين في استخدام الذكاء الاصطناعي للعثور على أنماط وسط هذه الفوضى. هذه الأنظمة، المعروفة بنماذج تعلم الآلة، يمكنها استيعاب كميات هائلة من البيانات التاريخية لرصد إشارات دقيقة قد يغفل عنها المحللون البشريون. والوعد هنا مغرٍ: إذا استطاع الكمبيوتر أن يتعلم التنبؤ باتجاه حركة السهم، فقد يولد ثروات طائلة. ومع ذلك، ورغم هذا الحماس، عانى هذا المجال من مشكلة مستمرة؛ حيث تدعي دراسات كثيرة أنها وجدت صيغة رابحة، ولكن عندما يحاول آخرون تكرار العمل، غالباً ما تتلاشى النتائج.

لقد شرع فريق من الباحثين في فهم سبب وجود هذه الفجوة بين ما تنشره الأوراق البحثية وما ينجح فعلياً في العالم الحقيقي. أجروا مراجعة شاملة لـ 685 دراسة علمية نُشرت بين عامي 2016 و2026، فحصوا خلالها كيفية استخدام الذكاء الاصطناعي حالياً للتنبؤ بأسواق الأسهم. لم يكن عملهم نموذجاً تنبؤياً جديداً، بل كان تدقيقاً عميقاً للمجال بأكته. لقد نظروا في أنواع البنى الحاسوبية التي يتم بناؤها، وكيف تغيرت الأساليب على مدار العقد الماضي، والأهم من ذلك، ما إذا كانت النتائج جديرة بالثقة. ومن خلال تمحيص آلاف الصفحات من الأبحاث، كشفوا عن مشهد تتقدم فيه التكنولوجيا بسرعة، لكن المعايير الخاصة بإثبات نجاعة هذه التكنولوجيا لم تواكب هذا التقدم.

وجد الباحثون أن المجال قد تجاوز بكثير المعادلات الخطية البسيطة. في السنوات الأولى لمراجعتهم، اعتمدت الدراسات على أدوات إحصائية قديمة أو تقنيات تعلم آلة أساسية. وبحلول عشرينيات القرن الحادي والعشرين، تحول النهج السائد نحو التعلم العميق، وتحديداً نوع من الشبكات العصبية يسمى "الذاكرة الطويلة قصيرة المدى" (LSTM). صُممت هذه الشبكات لتذكر تسلسل الأحداث، مما يجعلها مناسبة جداً للبيانات القائمة على الزمن مثل أسعار الأسهم. وفي الواقع، استخدمت ما يقرب من 90 بالمائة من الدراسات التي فحصوها شكلاً من أشكال هذه التكنولوجيا. ومؤخراً، بدأ المجال في تبني أنظمة أكثر تعقيداً، بما في ذلك النماذج التي تحاكي الطريقة التي تعالج بها النماذج اللغوية الكبيرة النصوص، والأنظمة التي تحلل العلاقات بين الشركات المختلفة كما لو كانت عقدًا في شبكة ضخمة ومتغيرة. لقد انفجر تنوع الأدوات، حيث يجمع الباحثون الآن بين بيانات الأسعار والمقالات الإخبارية، وتحليل مشاعر وسائل التواصل الاجتماعي، وحتى اتصالات سلاسل التوريد لإجراء تنبؤاتهم.

ومع ذلك، اكتشف المؤلفون أن هذا الانفجار في التعقيد لم يواكبه زيادة مماثلة في الموثوقية. فعندما دققوا في الدراسات بحثاً عن "قابلية التكرار" — أي قدرة العلماء الآخرين على أخذ نفس البيانات والشيفرة البرمجية والحصول على نفس النتائج — وجدوا نقصاً صادماً. فقد قدمت حوالي 7.6 بالمائة فقط من أصل 685 دراسة الشيفرة البرمجية الفعلية اللازمة لتشغيل النماذج. ونشر الغالبية العظمى من الباحثين نتائجهم دون مشاركة الأدوات المستخدمة في إنتاجها. وهذا يعني أن معظم النجاحات المُبلغ عنها لا يمكن التحقق منها. علاوة على ذلك، حدد الباحثون خمس طرق محددة تقع من خلالها الدراسات في أخطاء غير مقصودة، حتى دون نية مسبقة. يتضمن أحد الأخطاء الشائعة استخدام معلومات من المستقبل لتدريب النموذج؛ فعلى سبيل المثال، إذا قام الباحث بتطبيع البيانات باستخدام أعلى وأدنى الأسعار لفترة العشر سنوات بأكملها قبل تقسيم البيانات إلى مجموعات تدريب واختبار، فإن النموذج يرى المستقبل فعلياً أثناء مرحلة التدريب. وهذا يخلق وهماً بدقة عالية ينهار بمجرد استخدام النموذج على بيانات جديدة لم يسبق رؤيتها.

كما سلطت المراجعة الضوء على الانفصال بين كيفية اختبار النماذج في المختبر وكيفية أدائها في السوق الحقيقية. تشير العديد من الدراسات إلى معدلات دقة مثيرة للإعجاب، وتدعي أحياناً التنبؤ باتجاه السهم بشكل صحيح بنسبة تزيد عن 90 بالمائة. ومع ذلك، تتجاهل هذه الدراسات غالباً تكاليف التداول، مثل الرسوم والفرق بين السعر الذي يرغب المتداول في دفعه والسعر الذي يحصل عليه بالفعل. وعندما بحث الباحثون عن الدراسات التي تضمنت هذه الاحتكاكات الواقعية، وجدوا عدداً قليلاً جداً. بالإضافة إلى ذلك، لم تستخدم معظم الأوراق اختبارات إحصائية صارمة لإثبات أن نتائجها أفضل من الصدفة العشوائية، بل اعتمدت بدلاً من ذلك على مقارنات بسيطة يمكن أن تكون مضللة بسهولة. وأشار المؤلفون إلى أن النموذج قد يبدو عبقرياً لمجرد أنه جيد في تكرار سعر الأمس، وهي حيلة تعمل جيداً على الورق ولكنها لا تحقق أي أرباح في سوق حية.

ورغم هذه العيوب، لم يخلص الباحثون إلى أن الذكاء الاصطناعي عديم الفائدة في التمويل، بل جادلوا بأن المجال يمر بنقطة تحول. فالأدوات قوية، لكن طريقة استخدامها وتقييمها فضفاضة للغاية بحيث لا يمكن الوثوق بها. اقترح الفريق مجموعة جديدة من المعايير لمعالجة هذه المشكلات؛ حيث طالبوا الباحثين بمشاركة شيفراتهم وبياناتهم بانفتاح، واختبار نماذجهم باستخدام نوافذ زمنية متدحرجة تمنع تسرب البيانات المستقبلية، وإدراج تكاليف التداول في عمليات المحاكاة الخاصة بهم. كما أصروا على أن الادعاءات بالنجاح يجب أن تكون مدعومة بإثبات إحصائي رسمي، وليس مجرد عرض رقم مرتفع على رسم بياني. وحذر المؤلفون من أنه بدون هذه التغييرات، سيستمر المجال في إنتاج نتائج براقة تفشل في التحول إلى قيمة اقتصادية حقيقية. إن الطريق إلى الأمام يتطلب تحولاً من مطاردة الخوارزمية الأكثر تعقيداً إلى بناء الخوارزمية الأكثر أمانة وقابلية للتحقق.

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 💻 cs →