هل يستطيع الذكاء الاصطناعي التنبؤ بسوق الأسهم؟

مقدمة

لطالما كان التنبؤ بسوق الأسهم هدفًا ماليًا بالغ الأهمية يسعى إليه المستثمرون المؤسسيون والأفراد على حد سواء في جميع أنحاء العالم. ومع التطورات الأخيرة في مجال الذكاء الاصطناعي والتعلم الآلي ، يتساءل الكثيرون عما إذا كانت هذه التقنيات قد كشفت أخيرًا سر التنبؤ بأسعار الأسهم. هل يستطيع الذكاء الاصطناعي التنبؤ بسوق الأسهم؟ تتناول هذه الورقة البحثية هذا السؤال من منظور عالمي، موضحةً كيف تحاول النماذج المدعومة بالذكاء الاصطناعي التنبؤ بتحركات السوق، والأسس النظرية التي تقوم عليها هذه النماذج، والقيود الحقيقية التي تواجهها. نقدم تحليلًا موضوعيًا، قائمًا على البحث العلمي لا على المبالغات، لما يمكن وما لا يمكنه فعله في سياق التنبؤ بالأسواق المالية.

في النظرية المالية، يبرز تحدي التنبؤ من خلال فرضية كفاءة السوق (EMH) . تفترض هذه الفرضية (وخاصةً في صيغتها "القوية") أن أسعار الأسهم تعكس بشكل كامل جميع المعلومات المتاحة في أي وقت، مما يعني أنه لا يمكن لأي مستثمر (ولا حتى المطلعين على بواطن الأمور) أن يتفوق باستمرار على أداء السوق من خلال التداول بناءً على المعلومات المتاحة ( نماذج التنبؤ بالأسهم القائمة على البيانات والمستندة إلى الشبكات العصبية: مراجعة ). بعبارة أخرى، إذا كانت الأسواق تتسم بكفاءة عالية وتتحرك الأسعار بشكل عشوائي ، فإن التنبؤ الدقيق بالأسعار المستقبلية يكاد يكون مستحيلاً. على الرغم من هذه النظرية، فقد حفزت رغبة التفوق على السوق أبحاثًا مكثفة في أساليب التنبؤ المتقدمة. وقد أصبح الذكاء الاصطناعي والتعلم الآلي عنصرين أساسيين في هذا المسعى، بفضل قدرتهما على معالجة كميات هائلة من البيانات وتحديد الأنماط الدقيقة التي قد يغفل عنها البشر ( استخدام التعلم الآلي للتنبؤ بسوق الأسهم... | FMP ).

تقدم هذه الورقة البحثية نظرة شاملة على تقنيات الذكاء الاصطناعي المستخدمة في التنبؤ بسوق الأسهم، وتقيّم فعاليتها. سنتناول بالتفصيل الأسس النظرية للنماذج الشائعة (من أساليب السلاسل الزمنية التقليدية إلى الشبكات العصبية العميقة والتعلم المعزز)، ونناقش البيانات وعملية تدريب هذه النماذج، ونسلط الضوء على القيود والتحديات التي تواجهها هذه الأنظمة، مثل كفاءة السوق، وتشويش البيانات، والأحداث الخارجية غير المتوقعة. كما تتضمن الورقة دراسات وأمثلة واقعية لتوضيح النتائج المتباينة التي تم التوصل إليها حتى الآن. وأخيرًا، نختتم بتوقعات واقعية للمستثمرين والممارسين: مع الإقرار بالقدرات المذهلة للذكاء الاصطناعي، مع التسليم بأن الأسواق المالية لا تزال تحتفظ بمستوى من عدم القدرة على التنبؤ لا يمكن لأي خوارزمية القضاء عليه تمامًا.

الأسس النظرية للذكاء الاصطناعي في التنبؤ بسوق الأسهم

تعتمد التنبؤات الحديثة للأسهم باستخدام الذكاء الاصطناعي على عقود من البحث في الإحصاء والتمويل وعلوم الحاسوب. ومن المفيد فهم نطاق المناهج، بدءًا من النماذج التقليدية وصولًا إلى أحدث تقنيات الذكاء الاصطناعي

• نماذج السلاسل الزمنية التقليدية: اعتمدت التنبؤات المبكرة للأسهم على نماذج إحصائية تفترض أن أنماط الأسعار السابقة قادرة على التنبؤ بالمستقبل. تركز نماذج مثل ARIMA (المتوسط ​​المتحرك المتكامل التلقائي) و ARCH/GARCH على رصد الاتجاهات الخطية وتجمعات التقلبات في بيانات السلاسل الزمنية ( نماذج التنبؤ بالأسهم القائمة على البيانات والمبنية على الشبكات العصبية: مراجعة ). توفر هذه النماذج أساسًا للتنبؤ من خلال نمذجة تسلسلات الأسعار التاريخية بافتراضات الاستقرار والخطية. على الرغم من فائدتها، غالبًا ما تواجه النماذج التقليدية صعوبة في التعامل مع الأنماط المعقدة وغير الخطية للأسواق الحقيقية، مما يؤدي إلى دقة تنبؤ محدودة عمليًا ( نماذج التنبؤ بالأسهم القائمة على البيانات والمبنية على الشبكات العصبية: مراجعة ).

• خوارزميات التعلم الآلي: تتجاوز أساليب التعلم الآلي الصيغ الإحصائية المُحددة مسبقًا، إذ تتعلم الأنماط مباشرةً من البيانات . وقد طُبقت خوارزميات مثل آلات المتجهات الداعمة (SVM) والغابات العشوائية وتعزيز التدرج في التنبؤ بسوق الأسهم. تستطيع هذه الخوارزميات دمج نطاق واسع من خصائص الإدخال، بدءًا من المؤشرات الفنية (مثل المتوسطات المتحركة وحجم التداول) وصولًا إلى المؤشرات الأساسية (مثل الأرباح وبيانات الاقتصاد الكلي)، واكتشاف العلاقات غير الخطية فيما بينها. على سبيل المثال، يمكن لنموذج الغابة العشوائية أو تعزيز التدرج أن يأخذ في الاعتبار عشرات العوامل في آنٍ واحد، ما يسمح برصد التفاعلات التي قد يغفلها نموذج خطي بسيط. وقد أظهرت نماذج التعلم الآلي هذه قدرةً على تحسين دقة التنبؤ بشكل طفيف من خلال رصد الإشارات المعقدة في البيانات ( استخدام التعلم الآلي للتنبؤ بسوق الأسهم... | FMP ). مع ذلك، فهي تتطلب ضبطًا دقيقًا وبيانات وافرة لتجنب التجاوز (تعلم الضوضاء بدلًا من الإشارة).

• التعلم العميق (الشبكات العصبية): الشبكات العصبية العميقة ، المستوحاة من بنية الدماغ البشري، شعبيةً واسعةً في مجال التنبؤ بسوق الأسهم خلال السنوات الأخيرة. ومن بين هذه الشبكات، صُممت الشبكات العصبية المتكررة (RNNs) الذاكرة طويلة المدى (LSTM) خصيصًا لبيانات التسلسل الزمني، مثل سلاسل أسعار الأسهم. تتميز شبكات LSTM بقدرتها على الاحتفاظ بمعلومات الماضي ورصد التبعيات الزمنية، مما يجعلها مناسبةً لنمذجة الاتجاهات والدورات والأنماط الأخرى المرتبطة بالزمن في بيانات السوق. تشير الأبحاث إلى أن شبكات LSTM وغيرها من نماذج التعلم العميق قادرة على رصد العلاقات المعقدة وغير الخطية في البيانات المالية التي تغفلها النماذج الأبسط. تشمل أساليب التعلم العميق الأخرى الشبكات العصبية الالتفافية (CNNs) (التي تُستخدم أحيانًا مع "صور" المؤشرات الفنية أو التسلسلات المشفرة)، وشبكات Transformers (التي تستخدم آليات الانتباه لتقييم أهمية الخطوات الزمنية المختلفة أو مصادر البيانات)، وحتى شبكات الرسم البياني العصبية (GNNs) (لنمذجة العلاقات بين الأسهم في الرسم البياني للسوق). تستطيع هذه الشبكات العصبية المتقدمة استيعاب بيانات الأسعار، بالإضافة إلى مصادر بيانات بديلة مثل النصوص الإخبارية، وتحليلات المشاعر على وسائل التواصل الاجتماعي، وغيرها، لتتعلم خصائص مجردة قد تتنبأ بتحركات السوق ( استخدام التعلم الآلي للتنبؤ بسوق الأسهم... | FMP ). إلا أن مرونة التعلم العميق تأتي بتكلفة: فهي تستهلك كميات هائلة من البيانات، وتتطلب موارد حاسوبية ضخمة، وغالبًا ما تعمل كـ"صناديق سوداء" ذات قدرة تفسيرية محدودة.

• التعلم المعزز: التعلم المعزز (RL) أحد أحدث مجالات التنبؤ بالأسهم باستخدام الذكاء الاصطناعي ، حيث لا يقتصر الهدف على التنبؤ بالأسعار فحسب، بل يتعداه إلى تعلّم استراتيجية تداول مثلى. في إطار التعلم المعزز، الذكاء الاصطناعي مع بيئة السوق من خلال اتخاذ إجراءات (شراء، بيع، احتفاظ) والحصول على مكافآت (أرباح أو خسائر). ومع مرور الوقت، يتعلم النموذج سياسة تُعظّم المكافأة التراكمية. التعلم المعزز العميق (DRL) بين الشبكات العصبية والتعلم المعزز للتعامل مع فضاء الحالات الواسع للأسواق. تكمن جاذبية التعلم المعزز في مجال التمويل في قدرته على مراعاة تسلسل القرارات وتحسين عائد الاستثمار بشكل مباشر، بدلاً من التنبؤ بالأسعار بمعزل عن غيرها. على سبيل المثال، يمكن لنموذج التعلم المعزز أن يتعلم متى يدخل أو يخرج من المراكز بناءً على إشارات الأسعار، بل ويتكيف مع تغيرات ظروف السوق. والجدير بالذكر أن التعلم المعزز استُخدم لتدريب نماذج الذكاء الاصطناعي التي تتنافس في مسابقات التداول الكمي وفي بعض أنظمة التداول الخاصة. مع ذلك، تواجه أساليب التعلم المعزز تحديات كبيرة: فهي تتطلب تدريبًا مكثفًا (محاكاة سنوات من التداولات)، وقد تعاني من عدم الاستقرار أو السلوك المتباين إذا لم يتم ضبطها بدقة، كما أن أداءها شديد الحساسية لبيئة السوق المفترضة. وقد لاحظ الباحثون مشكلات مثل التكلفة الحسابية العالية ومشاكل الاستقرار عند تطبيق التعلم المعزز على أسواق الأسهم المعقدة. على الرغم من هذه التحديات، يمثل التعلم المعزز نهجًا واعدًا، لا سيما عند دمجه مع تقنيات أخرى (مثل استخدام نماذج التنبؤ بالأسعار بالإضافة إلى استراتيجية تخصيص قائمة على التعلم المعزز) لتشكيل نظام هجين لاتخاذ القرارات ( التنبؤ بسوق الأسهم باستخدام التعلم المعزز العميق ).

مصادر البيانات وعملية التدريب

بغض النظر عن نوع النموذج، تُعدّ البيانات الركيزة الأساسية للتنبؤ بسوق الأسهم باستخدام الذكاء الاصطناعي. تُدرَّب النماذج عادةً على بيانات السوق التاريخية ومجموعات البيانات الأخرى ذات الصلة لاكتشاف الأنماط. تشمل مصادر البيانات وخصائصها الشائعة ما يلي:

• الأسعار التاريخية والمؤشرات الفنية: تستخدم جميع النماذج تقريبًا أسعار الأسهم السابقة (سعر الافتتاح، وأعلى سعر، وأدنى سعر، وسعر الإغلاق) وأحجام التداول. ومن هذه البيانات، يستخلص المحللون عادةً مؤشرات فنية (المتوسطات المتحركة، ومؤشر القوة النسبية، ومؤشر MACD، وغيرها) كمدخلات. تساعد هذه المؤشرات في إبراز الاتجاهات أو الزخم الذي يمكن للنموذج استغلاله. على سبيل المثال، قد يأخذ النموذج كمدخلات أسعار وأحجام التداول لآخر 10 أيام، بالإضافة إلى مؤشرات مثل المتوسط ​​المتحرك لعشرة أيام أو مقاييس التقلب، للتنبؤ بحركة السعر في اليوم التالي.

• مؤشرات السوق والبيانات الاقتصادية: تتضمن العديد من النماذج معلومات سوقية أوسع نطاقًا، مثل مستويات المؤشرات، وأسعار الفائدة، والتضخم، ونمو الناتج المحلي الإجمالي، أو غيرها من المؤشرات الاقتصادية. توفر هذه السمات الكلية سياقًا (مثل معنويات السوق العامة أو الوضع الاقتصادي) يمكن أن يؤثر على أداء الأسهم الفردية.

• بيانات الأخبار وتحليل المشاعر: يتزايد عدد أنظمة الذكاء الاصطناعي التي تستوعب بيانات غير منظمة، مثل المقالات الإخبارية، ومنشورات وسائل التواصل الاجتماعي (تويتر، ستوك تويتس)، والتقارير المالية. وتُستخدم تقنيات معالجة اللغة الطبيعية، بما في ذلك نماذج متقدمة مثل BERT، لقياس معنويات السوق أو رصد الأحداث ذات الصلة. على سبيل المثال، إذا تحولت معنويات الأخبار فجأة إلى سلبية حادة تجاه شركة أو قطاع ما، فقد يتوقع نموذج الذكاء الاصطناعي انخفاضًا في أسعار الأسهم ذات الصلة. ومن خلال معالجة الأخبار الآنية وتحليلات المشاعر على وسائل التواصل الاجتماعي ، يستطيع الذكاء الاصطناعي التفاعل مع المعلومات الجديدة بشكل أسرع من المتداولين البشريين.

• البيانات البديلة: تستخدم بعض صناديق التحوط المتطورة وباحثو الذكاء الاصطناعي مصادر بيانات بديلة - مثل صور الأقمار الصناعية (لرصد حركة المرور في المتاجر أو النشاط الصناعي)، وبيانات معاملات بطاقات الائتمان، واتجاهات البحث على الإنترنت، وغيرها - للحصول على رؤى تنبؤية. قد تُستخدم مجموعات البيانات غير التقليدية هذه أحيانًا كمؤشرات رائدة لأداء الأسهم، إلا أنها تُضيف تعقيدًا إلى عملية تدريب النماذج.

يتضمن تدريب نموذج ذكاء اصطناعي للتنبؤ بأسعار الأسهم تزويده بالبيانات التاريخية وتعديل معايير النموذج لتقليل خطأ التنبؤ. عادةً، تُقسّم البيانات إلى مجموعة تدريب (مثل البيانات التاريخية القديمة لتعلم الأنماط) ومجموعة اختبار/تحقق (بيانات أحدث لتقييم الأداء في ظروف غير مألوفة). ونظرًا للطبيعة التسلسلية لبيانات السوق، يُحرص على تجنب التنبؤات المستقبلية؛ فعلى سبيل المثال، تُقيّم النماذج على بيانات من فترات زمنية لاحقة لفترة التدريب، لمحاكاة أدائها في التداول الحقيقي. التحقق المتبادل المُكيّفة مع السلاسل الزمنية (مثل التحقق الأمامي) لضمان تعميم النموذج بشكل جيد وعدم اقتصاره على فترة زمنية محددة.

علاوة على ذلك، يجب على الممارسين معالجة قضايا جودة البيانات ومعالجتها المسبقة. فالبيانات المفقودة، والقيم الشاذة (مثل الارتفاعات المفاجئة الناتجة عن تجزئة الأسهم أو أحداث استثنائية)، والتغيرات في أنظمة الأسواق، كلها عوامل قد تؤثر على تدريب النموذج. ويمكن تطبيق تقنيات مثل التطبيع، وإزالة الاتجاهات، وإزالة التأثيرات الموسمية على بيانات الإدخال. وتقوم بعض المناهج المتقدمة بتحليل سلاسل الأسعار إلى مكوناتها (الاتجاهات، والدورات، والضوضاء) ونمذجتها بشكل منفصل (كما هو موضح في بحث يجمع بين تحليل الأنماط المتغيرة والشبكات العصبية ( التنبؤ بسوق الأسهم باستخدام التعلم العميق المعزز )).

تختلف متطلبات التدريب باختلاف النماذج: فقد تحتاج نماذج التعلم العميق إلى مئات الآلاف من نقاط البيانات وتستفيد من تسريع وحدة معالجة الرسومات (GPU)، بينما يمكن للنماذج الأبسط، مثل الانحدار اللوجستي، التعلم من مجموعات بيانات أصغر نسبيًا. تتطلب نماذج التعلم المعزز محاكاة أو بيئة للتفاعل معها؛ وفي بعض الأحيان، تُعاد البيانات التاريخية إلى وكيل التعلم المعزز، أو تُستخدم محاكيات السوق لتوليد الخبرات.

وأخيرًا، بعد تدريب هذه النماذج، تُنتج دالة تنبؤية، مثل سعر متوقع لليوم التالي، أو احتمال ارتفاع سعر سهم ما، أو توصية بالشراء أو البيع. تُدمج هذه التنبؤات عادةً في استراتيجية تداول (مع تحديد حجم المراكز، وقواعد إدارة المخاطر، وما إلى ذلك) قبل تعريض رأس المال الحقيقي للخطر.

القيود والتحديات

رغم التطور الهائل الذي شهدته نماذج الذكاء الاصطناعي، لا تزال التنبؤات في سوق الأسهم مهمة بالغة الصعوبة . فيما يلي أبرز القيود والعقبات التي تحول دون أن يكون الذكاء الاصطناعي أداةً مضمونة للتنبؤ في الأسواق:

• كفاءة السوق والعشوائية: كما ذُكر سابقًا، تفترض فرضية كفاءة السوق أن الأسعار تعكس المعلومات المعروفة مسبقًا، لذا فإن أي معلومات جديدة تُحدث تعديلات فورية. عمليًا، يعني هذا أن تغيرات الأسعار مدفوعة إلى حد كبير غير متوقعة أو تقلبات عشوائية. في الواقع، أظهرت عقود من البحث أن تحركات أسعار الأسهم قصيرة الأجل تُشبه السير العشوائي ( نماذج التنبؤ بالأسهم القائمة على البيانات والمبنية على الشبكات العصبية: مراجعة ) - فسعر الأمس لا يُؤثر كثيرًا على سعر الغد، باستثناء ما تتوقعه الصدفة. إذا كانت أسعار الأسهم عشوائية أو "فعّالة" بشكل أساسي، فلا يمكن لأي خوارزمية التنبؤ بها بدقة عالية باستمرار. وكما لخصت إحدى الدراسات البحثية الأمر بإيجاز، "تنص فرضية السير العشوائي وفرضية كفاءة السوق بشكل أساسي على أنه من غير الممكن التنبؤ بأسعار الأسهم المستقبلية بشكل منهجي وموثوق" ( التنبؤ بالعوائد النسبية لأسهم مؤشر ستاندرد آند بورز 500 باستخدام التعلم الآلي | الابتكار المالي | النص الكامل ). هذا لا يعني أن تنبؤات الذكاء الاصطناعي عديمة الفائدة دائمًا، ولكنه يؤكد على حد أساسي: قد يكون جزء كبير من تحركات السوق مجرد ضوضاء لا يمكن حتى لأفضل نموذج التنبؤ بها مسبقًا.

• الضوضاء والعوامل الخارجية غير المتوقعة: تتأثر أسعار الأسهم بعوامل عديدة، كثير منها خارجي وغير متوقع. فالأحداث الجيوسياسية (كالحروب والانتخابات والتغييرات التنظيمية)، والكوارث الطبيعية، والأوبئة، وفضائح الشركات المفاجئة، وحتى الشائعات المنتشرة على وسائل التواصل الاجتماعي، كلها عوامل قد تُحرك الأسواق بشكل غير متوقع. هذه أحداث لا يمكن للنماذج أن تمتلك بيانات تدريب مسبقة عنها (لأنها غير مسبوقة)، أو أنها تحدث كصدمات نادرة. على سبيل المثال، لم يكن بإمكان أي نموذج ذكاء اصطناعي مُدرب على بيانات تاريخية من 2010 إلى 2019 أن يتنبأ تحديدًا بانهيار سوق الأسهم بسبب جائحة كوفيد-19 في أوائل عام 2020 أو انتعاشه السريع. وتواجه نماذج الذكاء الاصطناعي المالية صعوبة عند تغير الأنظمة أو عندما يؤثر حدث واحد على الأسعار. وكما يشير أحد المصادر، فإن عوامل مثل الأحداث الجيوسياسية أو الإصدارات المفاجئة للبيانات الاقتصادية قد تجعل التوقعات قديمة على الفور تقريبًا ( استخدام التعلم الآلي للتنبؤ بسوق الأسهم... | FMP ) . وبعبارة أخرى، يمكن للأخبار غير المتوقعة أن تتجاوز دائماً التوقعات الخوارزمية ، مما يؤدي إلى إدخال مستوى من عدم اليقين لا يمكن تقليله.

• التخصيص الزائد والتعميم: نماذج التعلم الآلي عُرضة للتخصيص الزائد ، ما يعني أنها قد تتعلم "التشويش" أو الخصائص الشاذة في بيانات التدريب بشكل مفرط، بدلاً من الأنماط العامة الكامنة. قد يُحقق النموذج المُخصَّص بشكل زائد أداءً باهرًا على البيانات التاريخية (حتى أنه يُظهر عوائد مُبهرة في الاختبارات السابقة أو دقة عالية داخل العينة)، ولكنه يفشل فشلاً ذريعًا على البيانات الجديدة. هذا مأزق شائع في التمويل الكمي. على سبيل المثال، قد تلتقط شبكة عصبية مُعقدة ارتباطات زائفة كانت قائمة في الماضي بالصدفة (مثل مجموعة مُعينة من تقاطعات المؤشرات التي سبقت الارتفاعات في السنوات الخمس الماضية)، ولكن هذه العلاقات قد لا تصمد في المستقبل. مثال عملي: يُمكن تصميم نموذج يتنبأ بأن أسهم العام الماضي الرابحة سترتفع دائمًا - قد يُناسب فترة مُعينة، ولكن إذا تغير نظام السوق، فإن هذا النمط ينهار. يؤدي التخصيص الزائد إلى أداء ضعيف خارج العينة ، ما يعني أن تنبؤات النموذج في التداول الفعلي قد لا تكون أفضل من العشوائية على الرغم من مظهرها الرائع أثناء التطوير. يتطلب تجنب فرط التخصيص تقنيات مثل التنظيم، والتحكم في تعقيد النموذج، واستخدام التحقق القوي. ومع ذلك، فإن التعقيد الذي يمنح نماذج الذكاء الاصطناعي قوتها يجعلها أيضاً عرضة لهذه المشكلة.

• جودة البيانات وتوافرها: ينطبق المثل القائل "مدخلات رديئة، مخرجات رديئة" بشدة على الذكاء الاصطناعي في التنبؤ بالأسهم. تؤثر جودة البيانات وكميتها ومدى ملاءمتها بشكل كبير على أداء النموذج. إذا كانت البيانات التاريخية غير كافية (مثل محاولة تدريب شبكة عصبية عميقة على أسعار أسهم لبضع سنوات فقط) أو غير ممثلة (مثل استخدام بيانات من فترة صعودية في الغالب للتنبؤ بسيناريو هبوطي)، فلن يكون النموذج قابلاً للتعميم بشكل جيد. قد تكون البيانات متحيزة أو خاضعة لتأثير البقاء (على سبيل المثال، تستبعد مؤشرات الأسهم بشكل طبيعي الشركات ذات الأداء الضعيف بمرور الوقت، لذلك قد تكون بيانات المؤشر التاريخية متحيزة نحو الأعلى). يُعد تنظيف البيانات وتنسيقها مهمة معقدة. بالإضافة إلى ذلك، البيانات البديلة مكلفة أو يصعب الحصول عليها، مما قد يمنح المؤسسات المالية ميزة تنافسية بينما يترك المستثمرين الأفراد ببيانات أقل شمولاً. هناك أيضًا مسألة التكرار : تحتاج نماذج التداول عالية التردد إلى بيانات لحظية، وهي ضخمة الحجم وتتطلب بنية تحتية خاصة، بينما قد تستخدم النماذج منخفضة التردد بيانات يومية أو أسبوعية. إن ضمان توافق البيانات مع الوقت (على سبيل المثال، الأخبار مع بيانات الأسعار المقابلة) وخلوها من التحيز الاستباقي يمثل تحديًا مستمرًا.

• شفافية النماذج وقابليتها للتفسير: تعمل العديد من نماذج الذكاء الاصطناعي، وخاصة نماذج التعلم العميق، كصناديق سوداء . فقد تُصدر تنبؤات أو إشارات تداول دون سبب واضح. هذا النقص في الشفافية قد يُشكل مشكلة للمستثمرين، لا سيما المؤسسات منهم، الذين يحتاجون إلى تبرير قراراتهم لأصحاب المصلحة أو الامتثال للوائح. فإذا تنبأ نموذج ذكاء اصطناعي بانخفاض سعر سهم ما وأوصى بالبيع، فقد يتردد مدير المحفظة إذا لم يفهم الأساس المنطقي. إن غموض قرارات الذكاء الاصطناعي قد يُقلل من الثقة به واعتماده، بغض النظر عن دقة النموذج. هذا التحدي يُحفز البحث في مجال الذكاء الاصطناعي القابل للتفسير في القطاع المالي، ولكن يبقى من الصحيح أن هناك غالبًا مفاضلة بين تعقيد النموذج/دقته وقابليته للتفسير.

• الأسواق التكيفية والمنافسة: من المهم ملاحظة أن الأسواق المالية تتسم بالتكيف . فبمجرد اكتشاف نمط تنبؤي (بواسطة الذكاء الاصطناعي أو أي طريقة أخرى) واستخدامه من قبل العديد من المتداولين، قد يتوقف عن العمل. على سبيل المثال، إذا وجد نموذج ذكاء اصطناعي أن إشارة معينة تسبق غالبًا ارتفاع سعر السهم، فسيبدأ المتداولون بالتصرف بناءً على تلك الإشارة مبكرًا، وبالتالي يضيعون فرصة المراجحة. باختصار، يمكن للأسواق أن تتطور لتُبطل الاستراتيجيات المعروفة . اليوم، تستخدم العديد من شركات التداول والصناديق الذكاء الاصطناعي والتعلم الآلي. هذه المنافسة تعني أن أي ميزة غالبًا ما تكون ضئيلة وقصيرة الأجل. والنتيجة هي أن نماذج الذكاء الاصطناعي قد تحتاج إلى إعادة تدريب وتحديث مستمرين لمواكبة ديناميكيات السوق المتغيرة. في الأسواق عالية السيولة والناضجة (مثل أسهم الشركات الأمريكية الكبيرة)، يبحث العديد من اللاعبين المحترفين عن نفس الإشارات، مما يجعل الحفاظ على ميزة تنافسية أمرًا بالغ الصعوبة. في المقابل، في الأسواق الأقل كفاءة أو الأصول المتخصصة، قد يجد الذكاء الاصطناعي أوجه قصور مؤقتة، ولكن مع تحديث تلك الأسواق، قد تتقلص الفجوة. إن الطبيعة الديناميكية للأسواق تشكل تحدياً أساسياً: فـ "قواعد اللعبة" ليست ثابتة، لذا فإن النموذج الذي نجح في العام الماضي قد يحتاج إلى إعادة صياغة في العام المقبل.

• القيود الواقعية: حتى لو استطاع نموذج الذكاء الاصطناعي التنبؤ بالأسعار بدقة معقولة، فإن تحويل هذه التنبؤات إلى أرباح يمثل تحديًا آخر. فالتداول ينطوي على تكاليف معاملات ، مثل العمولات والانزلاق السعري والضرائب. قد يتنبأ النموذج بالعديد من تحركات الأسعار الصغيرة بشكل صحيح، ولكن قد تتبدد المكاسب بسبب الرسوم وتأثير التداولات على السوق. كما أن إدارة المخاطر أمر بالغ الأهمية، إذ لا يوجد تنبؤ مؤكد بنسبة 100%، لذا يجب أن تأخذ أي استراتيجية تعتمد على الذكاء الاصطناعي في الحسبان الخسائر المحتملة (من خلال أوامر وقف الخسارة، وتنويع المحفظة، وما إلى ذلك). غالبًا ما تدمج المؤسسات تنبؤات الذكاء الاصطناعي في إطار أوسع لإدارة المخاطر لضمان عدم المخاطرة بكل شيء بناءً على تنبؤ قد يكون خاطئًا. هذه الاعتبارات العملية تعني أن الميزة النظرية للذكاء الاصطناعي يجب أن تكون كبيرة ليكون مفيدًا بعد تجاوز العقبات الواقعية.

باختصار، يتمتع الذكاء الاصطناعي بقدرات هائلة، لكن هذه القيود تجعل سوق الأسهم نظامًا قابلًا للتنبؤ جزئيًا وغير قابل للتنبؤ جزئيًا . يمكن لنماذج الذكاء الاصطناعي أن تُرجّح كفة المستثمر من خلال تحليل البيانات بكفاءة أكبر، وربما الكشف عن إشارات تنبؤية دقيقة. مع ذلك، فإن اجتماع عوامل مثل التسعير الفعال، والبيانات غير الدقيقة، والأحداث غير المتوقعة، والقيود العملية، يعني أن حتى أفضل أنظمة الذكاء الاصطناعي قد تُخطئ أحيانًا، وغالبًا ما يكون ذلك بشكل غير متوقع.

أداء نماذج الذكاء الاصطناعي: ماذا تقول الأدلة؟

بالنظر إلى كل من التطورات والتحديات التي نوقشت، ما الذي تعلمناه من الأبحاث والمحاولات العملية لتطبيق الذكاء الاصطناعي في التنبؤ بسوق الأسهم؟ النتائج حتى الآن متباينة، إذ تسلط الضوء على نجاحات واعدة وإخفاقات مُحبطة .

• أمثلة على تفوق الذكاء الاصطناعي على الصدفة: أظهرت العديد من الدراسات أن نماذج الذكاء الاصطناعي قادرة على التفوق على التخمين العشوائي في ظل ظروف معينة. على سبيل المثال، طبقت دراسة أجريت عام 2024 شبكة عصبية من نوع LSTM للتنبؤ باتجاهات في سوق الأسهم الفيتنامية، وسجلت دقة تنبؤ عالية بلغت حوالي 93% على بيانات الاختبار ( تطبيق خوارزميات التعلم الآلي للتنبؤ باتجاهات أسعار الأسهم في سوق الأسهم - حالة فيتنام | اتصالات العلوم الإنسانية والاجتماعية ). يشير هذا إلى أن النموذج في ذلك السوق (وهو اقتصاد ناشئ) تمكن من رصد أنماط متسقة، ربما بسبب وجود أوجه قصور في السوق أو اتجاهات فنية قوية تعلمتها شبكة LSTM. وتناولت دراسة أخرى أجريت عام 2024 نطاقًا أوسع: إذ حاول الباحثون التنبؤ بالعوائد قصيرة الأجل لجميع أسهم مؤشر S&P 500 (وهو سوق أكثر كفاءة) باستخدام نماذج التعلم الآلي. وقد صاغوا المسألة على أنها مشكلة تصنيف - التنبؤ بما إذا كان أداء سهم ما سيتفوق على المؤشر بنسبة 2% خلال الأيام العشرة القادمة - باستخدام خوارزميات مثل الغابات العشوائية، وآلات المتجهات الداعمة، وLSTM. النتيجة: تفوّق نموذج LSTM على كلٍّ من نماذج التعلّم الآلي الأخرى وعلى نموذج أساسي عشوائي ، وكانت النتائج ذات دلالة إحصائية كافية للإشارة إلى أن الأمر لم يكن مجرد صدفة ( التنبؤ بالعوائد النسبية لأسهم مؤشر S&P 500 باستخدام التعلّم الآلي | الابتكار المالي | النص الكامل ). بل وخلص الباحثون إلى أنه في هذا الإعداد المحدد، كان احتمال فرضية السير العشوائي "ضئيلاً للغاية"، مما يدل على أن نماذج التعلّم الآلي الخاصة بهم قد وجدت إشارات تنبؤية حقيقية. تُظهر هذه الأمثلة أن الذكاء الاصطناعي قادر بالفعل على تحديد أنماط تُعطي ميزة (ولو كانت طفيفة) في التنبؤ بتحركات الأسهم، لا سيما عند اختبارها على مجموعات بيانات كبيرة.

• تطبيقات بارزة في الصناعة: بعيدًا عن الدراسات الأكاديمية، تشير التقارير إلى نجاح صناديق التحوط والمؤسسات المالية في استخدام الذكاء الاصطناعي في عمليات التداول. تستخدم بعض شركات التداول عالي التردد الذكاء الاصطناعي للتعرف على أنماط بنية السوق الدقيقة والتفاعل معها في أجزاء من الثانية. تمتلك البنوك الكبرى نماذج ذكاء اصطناعي لتخصيص المحافظ والتنبؤ بالمخاطر ، والتي، وإن لم تكن دائمًا متعلقة بالتنبؤ بسعر سهم واحد، إلا أنها تشمل التنبؤ بجوانب السوق (مثل التقلبات أو الارتباطات). كما توجد صناديق مدفوعة بالذكاء الاصطناعي (تُسمى غالبًا "صناديق كمية") تستخدم التعلم الآلي لاتخاذ قرارات التداول - وقد تفوقت بعضها على أداء السوق لفترات معينة، على الرغم من صعوبة عزو ذلك إلى الذكاء الاصطناعي وحده نظرًا لاستخدامها غالبًا مزيجًا من الذكاء البشري والآلي. ومن التطبيقات العملية استخدام لتحليل المشاعر : على سبيل المثال، مسح الأخبار وتويتر للتنبؤ بكيفية تحرك أسعار الأسهم استجابةً لها. قد لا تكون هذه النماذج دقيقة بنسبة 100%، لكنها يمكن أن تمنح المتداولين ميزة طفيفة في تسعير الأخبار. تجدر الإشارة إلى أن الشركات عادة ما تحمي تفاصيل استراتيجيات الذكاء الاصطناعي الناجحة بشكل وثيق باعتبارها ملكية فكرية، لذا فإن الأدلة في المجال العام تميل إلى التأخر أو أن تكون قصصية.

• حالات ضعف الأداء والإخفاقات: لكل قصة نجاح، توجد قصص تحذيرية. فشلت العديد من الدراسات الأكاديمية التي ادعت دقة عالية في سوق أو إطار زمني محدد في تعميم نتائجها. حاولت تجربة بارزة تكرار دراسة ناجحة للتنبؤ بسوق الأسهم الهندية (والتي حققت دقة عالية باستخدام التعلم الآلي على المؤشرات الفنية) على الأسهم الأمريكية. لم يجد التكرار أي قوة تنبؤية تُذكر ، بل إن استراتيجية بسيطة تعتمد على التنبؤ الدائم بارتفاع سعر السهم في اليوم التالي تفوقت على نماذج التعلم الآلي المعقدة من حيث الدقة. وخلص الباحثون إلى أن نتائجهم "تدعم نظرية السير العشوائي" ، ما يعني أن تحركات الأسهم كانت غير قابلة للتنبؤ بشكل أساسي، وأن نماذج التعلم الآلي لم تُجدِ نفعًا. وهذا يؤكد أن النتائج قد تختلف اختلافًا كبيرًا باختلاف السوق والفترة الزمنية. وبالمثل، أظهرت العديد من مسابقات Kaggle ومسابقات البحث الكمي أنه في حين أن النماذج غالبًا ما تُطابق البيانات السابقة جيدًا، فإن أداءها في التداول المباشر غالبًا ما يتراجع إلى دقة 50% (للتنبؤ بالاتجاه) عند مواجهة ظروف جديدة. تُظهر حالات مثل انهيار صناديق الاستثمار الكمي عام 2007 والصعوبات التي واجهتها الصناديق المدعومة بالذكاء الاصطناعي خلال صدمة جائحة 2020 أن نماذج الذكاء الاصطناعي قد تتعثر فجأة عند تغير ظروف السوق. أن تحيز البقاء عامل مؤثر في التصورات؛ فنحن نسمع عن نجاحات الذكاء الاصطناعي أكثر من إخفاقاته، ولكن في الخفاء، تفشل العديد من النماذج والصناديق بهدوء وتُغلق أبوابها لأن استراتيجياتها تتوقف عن العمل.

• الاختلافات بين الأسواق: من الملاحظات المهمة في الدراسات أن فعالية الذكاء الاصطناعي قد تعتمد على نضج السوق وكفاءته . ففي الأسواق الأقل كفاءة أو الناشئة، قد تتوفر أنماط أكثر قابلية للاستغلال (بسبب قلة تغطية المحللين، أو قيود السيولة، أو التحيزات السلوكية)، مما يسمح لنماذج الذكاء الاصطناعي بتحقيق دقة أعلى. وتُعد دراسة سوق فيتنام باستخدام نموذج LSTM، والتي حققت دقة 93%، مثالًا على ذلك. في المقابل، في الأسواق عالية الكفاءة كالولايات المتحدة، قد تتلاشى هذه الأنماط بسرعة نتيجةً للمراجحة. وتشير النتائج المتباينة بين حالة فيتنام ودراسة المحاكاة في الولايات المتحدة إلى هذا التباين. عالميًا، يعني هذا أن الذكاء الاصطناعي قد يُحقق حاليًا أداءً تنبؤيًا أفضل في أسواق متخصصة أو فئات أصول محددة (على سبيل المثال، استخدم البعض الذكاء الاصطناعي للتنبؤ بأسعار السلع أو اتجاهات العملات المشفرة بنجاح متفاوت). ومع مرور الوقت، ومع سعي جميع الأسواق نحو مزيد من الكفاءة، تضيق نافذة تحقيق مكاسب تنبؤية سهلة.

• الدقة مقابل الربحية: من الضروري التمييز بين دقة التنبؤ وربحية الاستثمار . قد لا تتجاوز دقة نموذج ما 60% في التنبؤ بحركة سهم ما صعودًا أو هبوطًا يوميًا، وهي نسبة تبدو منخفضة، ولكن إذا استُخدمت هذه التنبؤات في استراتيجية تداول ذكية، فقد تكون مربحة للغاية. في المقابل، قد يتباهى نموذج ما بدقة 90%، ولكن إذا تزامنت نسبة الـ 10% من أخطائه مع تحركات سوقية كبيرة (وبالتالي خسائر فادحة)، فقد يكون غير مربح. تركز العديد من جهود التنبؤ بالأسهم باستخدام الذكاء الاصطناعي على دقة الاتجاه أو تقليل الأخطاء، لكن المستثمرين يهتمون بالعوائد المعدلة حسب المخاطر. لذا، غالبًا ما تتضمن التقييمات مقاييس مثل نسبة شارب، ومعدلات الانخفاض، واتساق الأداء، وليس فقط معدل النجاح المطلق. دُمجت بعض نماذج الذكاء الاصطناعي في أنظمة التداول الخوارزمية التي تدير المراكز والمخاطر تلقائيًا، ويُقاس أداؤها الحقيقي بعوائد التداول المباشر بدلًا من إحصائيات التنبؤ المستقلة. حتى الآن، فإن "متداول الذكاء الاصطناعي" المستقل تمامًا والذي يحقق أرباحًا موثوقة عامًا بعد عام هو أقرب إلى الخيال العلمي منه إلى الواقع، ولكن التطبيقات الأضيق (مثل نموذج الذكاء الاصطناعي الذي يتنبأ بتقلبات والتي يمكن للمتداولين استخدامها لتسعير الخيارات، وما إلى ذلك) قد وجدت مكانًا لها في مجموعة الأدوات المالية.

تشير الأدلة مجتمعةً إلى أن الذكاء الاصطناعي قادر على التنبؤ ببعض أنماط السوق بدقة تفوق الصدفة ، مما يمنح المتداولين ميزةً تنافسية. مع ذلك، غالبًا ما تكون هذه الميزة ضئيلة وتتطلب تنفيذًا متقنًا للاستفادة منها. عندما يُسأل: هل يستطيع الذكاء الاصطناعي التنبؤ بسوق الأسهم؟، فإن الإجابة الأكثر صدقًا استنادًا إلى الأدلة الحالية هي: يستطيع الذكاء الاصطناعي أحيانًا التنبؤ ببعض جوانب سوق الأسهم في ظروف محددة، لكنه لا يستطيع فعل ذلك باستمرار لجميع الأسهم في جميع الأوقات . غالبًا ما تكون النجاحات جزئية وتعتمد على السياق.

الخلاصة: توقعات واقعية للذكاء الاصطناعي في التنبؤ بسوق الأسهم

لا شك أن الذكاء الاصطناعي والتعلم الآلي أصبحا أداتين قويتين في مجال التمويل. فهما يتفوقان في معالجة مجموعات البيانات الضخمة، وكشف العلاقات الخفية، وحتى تعديل الاستراتيجيات بشكل فوري. وفي سعينا للتنبؤ بسوق الأسهم، حقق الذكاء الاصطناعي ملموسة، وإن كانت محدودة . ويمكن للمستثمرين والمؤسسات أن يتوقعوا بشكل واقعي أن يساعدهم الذكاء الاصطناعي في اتخاذ القرارات - على سبيل المثال، من خلال توليد إشارات تنبؤية، أو تحسين المحافظ الاستثمارية، أو إدارة المخاطر - ولكن ليس ككرة بلورية تضمن الأرباح.

ما
يمكن فعله: يُمكن للذكاء الاصطناعي تحسين عملية التحليل في الاستثمار. فهو قادر على تحليل بيانات السوق، وموجزات الأخبار، والتقارير المالية على مدى سنوات في ثوانٍ معدودة، كاشفًا عن أنماط أو شذوذات دقيقة قد يغفل عنها الإنسان ( استخدام التعلّم الآلي للتنبؤ بسوق الأسهم... | FMP ). كما يُمكنه دمج مئات المتغيرات (الفنية، والأساسية، ومعنويات السوق، وغيرها) في توقعات متماسكة. في التداول قصير الأجل، قد تتنبأ خوارزميات الذكاء الاصطناعي، بدقة أفضل قليلًا من العشوائية، بتفوق أداء سهم ما على آخر، أو باقتراب السوق من تقلبات حادة. هذه التحسينات التدريجية، عند استغلالها بالشكل الأمثل، يُمكن أن تُترجم إلى مكاسب مالية حقيقية. يُمكن للذكاء الاصطناعي أيضًا المساعدة في إدارة المخاطر ، من خلال تحديد المؤشرات المبكرة للانكماشات أو إبلاغ المستثمرين بمستوى ثقة التنبؤ. ومن الأدوار العملية الأخرى للذكاء الاصطناعي أتمتة الاستراتيجيات : حيث يُمكن للخوارزميات تنفيذ الصفقات بسرعة عالية وتكرار كبير، والتفاعل مع الأحداث على مدار الساعة، وفرض الانضباط (تجنب التداول العاطفي)، وهو ما يُعد ميزة في الأسواق المتقلبة.

ما
لا يستطيع فعله (حتى الآن): على الرغم من الضجة الإعلامية، لا يستطيع الذكاء الاصطناعي التنبؤ بسوق الأسهم بشكل دقيق وموثوق ، بمعنى التفوق الدائم على السوق أو استشراف التحولات الرئيسية. تتأثر الأسواق بالسلوك البشري، والأحداث العشوائية، وحلقات التغذية الراجعة المعقدة التي تتحدى أي نموذج ثابت. لا يُزيل الذكاء الاصطناعي حالة عدم اليقين، بل يتعامل فقط مع الاحتمالات. قد يُشير الذكاء الاصطناعي إلى احتمال بنسبة 70% لارتفاع سعر سهم ما غدًا، وهو ما يعني أيضًا احتمالًا بنسبة 30% لانخفاضه. الخسائر في الصفقات والتوقعات الخاطئة أمر لا مفر منه. لا يستطيع الذكاء الاصطناعي التنبؤ بأحداث جديدة تمامًا (تُعرف غالبًا باسم "البجعات السوداء") تقع خارج نطاق بيانات تدريبه. علاوة على ذلك، فإن أي نموذج تنبؤي ناجح يُشجع المنافسة التي قد تُضعف ميزته. باختصار، لا يوجد في الذكاء الاصطناعي ما يُعادل كرة بلورية تضمن استشراف مستقبل السوق. يجب على المستثمرين الحذر من أي شخص يدّعي خلاف ذلك.

منظور محايد وواقعي:
من وجهة نظر محايدة، يُنظر إلى الذكاء الاصطناعي على أنه إضافة قيّمة للتحليل التقليدي والرؤية البشرية، وليس بديلاً عنهما. عمليًا، يستخدم العديد من المستثمرين المؤسسيين نماذج الذكاء الاصطناعي جنبًا إلى جنب مع مدخلات المحللين ومديري المحافظ الاستثمارية. قد يقوم الذكاء الاصطناعي بتحليل البيانات وتقديم التوقعات، لكن البشر هم من يحددون الأهداف، ويفسرون النتائج، ويعدلون الاستراتيجيات وفقًا للسياق (مثل تجاوز النموذج أثناء أزمة غير متوقعة). ينبغي على المستثمرين الأفراد الذين يستخدمون أدوات الذكاء الاصطناعي أو روبوتات التداول توخي الحذر وفهم منطق الأداة وحدودها. إن اتباع توصيات الذكاء الاصطناعي بشكل أعمى أمر محفوف بالمخاطر، لذا ينبغي استخدامه كأحد المدخلات العديدة.

عند وضع توقعات واقعية، يمكن استنتاج أن الذكاء الاصطناعي قادر على التنبؤ بسوق الأسهم إلى حد ما، لكن ليس بيقين تام ولا يخلو من الأخطاء . فهو يزيد من احتمالية اتخاذ القرار الصحيح أو يحسن كفاءة تحليل المعلومات، وهو ما قد يُحدث الفرق بين الربح والخسارة في الأسواق التنافسية. مع ذلك، لا يمكنه ضمان النجاح أو القضاء على التقلبات والمخاطر الكامنة في أسواق الأسهم. وكما أشارت إحدى الدراسات، حتى مع وجود خوارزميات فعالة، قد تكون نتائج سوق الأسهم "غير قابلة للتنبؤ بطبيعتها" بسبب عوامل تتجاوز المعلومات المُنمذجة ( التنبؤ بسوق الأسهم باستخدام التعلم العميق المعزز ).

الطريق إلى الأمام:
من المتوقع أن يتزايد دور الذكاء الاصطناعي في التنبؤ بسوق الأسهم. وتتناول الأبحاث الجارية بعض القيود (على سبيل المثال، تطوير نماذج تأخذ في الحسبان تغيرات الأنظمة، أو أنظمة هجينة تجمع بين التحليل القائم على البيانات والتحليل القائم على الأحداث). كما يوجد اهتمام متزايد بوكلاء التعلم المعزز الذين يتكيفون باستمرار مع بيانات السوق الجديدة في الوقت الفعلي، مما قد يُمكّنهم من التعامل مع البيئات المتغيرة بشكل أفضل من النماذج الثابتة المدربة. علاوة على ذلك، قد يُسفر دمج الذكاء الاصطناعي مع تقنيات من التمويل السلوكي أو تحليل الشبكات عن نماذج أكثر ثراءً لديناميكيات السوق. ومع ذلك، حتى أكثر أنظمة الذكاء الاصطناعي تطورًا في المستقبل ستعمل ضمن حدود الاحتمالية وعدم اليقين.

باختصار، لا توجد إجابة قاطعة بنعم أو لا على "هل يمكن للذكاء الاصطناعي التنبؤ بسوق الأسهم؟" يمكن للذكاء الاصطناعي المساعدة في التنبؤ بسوق الأسهم، ولكنه ليس معصومًا من الخطأ. فهو يوفر أدوات فعّالة، عند استخدامها بحكمة، يمكنها تحسين استراتيجيات التنبؤ والتداول، لكنها لا تُزيل عدم القدرة على التنبؤ بالأسواق. ينبغي على المستثمرين الاستفادة من نقاط قوة الذكاء الاصطناعي - معالجة البيانات والتعرف على الأنماط - مع إدراك نقاط ضعفه. وبذلك، يمكن الجمع بين أفضل ما في العالمين: الحكم البشري والذكاء الاصطناعي معًا. قد لا يكون سوق الأسهم قابلاً للتنبؤ بنسبة 100%، ولكن مع توقعات واقعية واستخدام حكيم للذكاء الاصطناعي، يمكن للمشاركين في السوق السعي لاتخاذ قرارات استثمارية أكثر استنارة وانضباطًا في بيئة مالية دائمة التطور.

أوراق بحثية قد ترغب في قراءتها بعد هذه الورقة:

🔗 وظائف لا يستطيع الذكاء الاصطناعي استبدالها – وما هي الوظائف التي سيستبدلها الذكاء الاصطناعي؟
اكتشف أي الوظائف مضمونة في المستقبل وأيها الأكثر عرضة للخطر مع إعادة تشكيل الذكاء الاصطناعي للتوظيف العالمي.

🔗 ما الذي يمكن الاعتماد عليه في الذكاء الاصطناعي التوليدي دون تدخل بشري؟
فهم الحدود الحالية والقدرات المستقلة للذكاء الاصطناعي التوليدي في سيناريوهات عملية.

🔗 كيف يمكن استخدام الذكاء الاصطناعي التوليدي في الأمن السيبراني؟
تعرف على كيفية استخدام الذكاء الاصطناعي للدفاع ضد التهديدات وتعزيز المرونة السيبرانية باستخدام أدوات تنبؤية وتلقائية.