هل يمكن للذكاء الاصطناعي التنبؤ بسوق الأوراق المالية؟

مقدمة

لطالما كان التنبؤ بسوق الأسهم غايةً ماليةً سعى إليها المستثمرون المؤسسيون والأفراد حول العالم. ومع التطورات الحديثة في الذكاء الاصطناعي والتعلم الآلي ، يتساءل الكثيرون عما إذا كانت هذه التقنيات قد كشفت أخيرًا سرّ التنبؤ بأسعار الأسهم. هل يستطيع الذكاء الاصطناعي التنبؤ بسوق الأسهم؟ يتناول هذا التقرير هذا السؤال من منظور عالمي، مُبيّنًا كيف تحاول النماذج المُدارة بالذكاء الاصطناعي التنبؤ بحركات السوق، والأسس النظرية التي تقوم عليها هذه النماذج، والقيود الحقيقية التي تواجهها. نُقدّم تحليلًا موضوعيًا، قائمًا على البحث لا على المبالغة، لما يمكن وما لا يمكنه فعله في سياق التنبؤ بالأسواق المالية.

في النظرية المالية، يبرز تحدي التنبؤ من خلال فرضية السوق الفعالة (EMH) . تفترض فرضية السوق الفعالة (خاصةً في شكلها "القوي") أن أسعار الأسهم تعكس تمامًا جميع المعلومات المتاحة في أي وقت معين، مما يعني أنه لا يمكن لأي مستثمر (ولا حتى المطلعين) التفوق على السوق باستمرار من خلال التداول بناءً على المعلومات المتاحة ( نماذج التنبؤ بالأسهم القائمة على البيانات المستندة إلى الشبكات العصبية: مراجعة ). وبعبارات بسيطة، إذا كانت الأسواق عالية الكفاءة وتحركت الأسعار بشكل عشوائي ، فإن التنبؤ الدقيق بالأسعار المستقبلية يجب أن يكون مستحيلاً تقريبًا. وعلى الرغم من هذه النظرية، فإن إغراء التغلب على السوق قد حفز إجراء أبحاث مكثفة في أساليب التنبؤ المتقدمة. أصبح الذكاء الاصطناعي والتعلم الآلي محوريين في هذا المسعى، وذلك بفضل قدرتهما على معالجة كميات هائلة من البيانات وتحديد الأنماط الدقيقة التي قد يفوتها البشر ( استخدام التعلم الآلي للتنبؤ بسوق الأسهم... | FMP ).

يقدم هذا الكتاب الأبيض نظرة شاملة على تقنيات الذكاء الاصطناعي المستخدمة في التنبؤ بأسواق الأسهم، ويُقيّم فعاليتها. سنتعمق في الأسس النظرية للنماذج الشائعة (من أساليب السلاسل الزمنية التقليدية إلى الشبكات العصبية العميقة والتعلم المعزز)، ونناقش عملية البيانات والتدريب لهذه النماذج، ونُسلّط الضوء على القيود والتحديات التي تواجهها هذه الأنظمة، مثل كفاءة السوق، وتشويش البيانات، والأحداث الخارجية غير المتوقعة. كما أُدرجت دراسات وأمثلة واقعية لتوضيح النتائج المتباينة التي تم الحصول عليها حتى الآن. وأخيرًا، نختتم بتوقعات واقعية للمستثمرين والممارسين: نقرّ بالقدرات المذهلة للذكاء الاصطناعي، مع التسليم بأن الأسواق المالية لا تزال تعاني من مستوى من عدم القدرة على التنبؤ لا يمكن لأي خوارزمية القضاء عليه تمامًا.

الأسس النظرية للذكاء الاصطناعي في التنبؤ بسوق الأسهم

يعتمد التنبؤ بالأسهم الحديث القائم على الذكاء الاصطناعي على عقود من البحث في الإحصاء والتمويل وعلوم الحاسوب. من المفيد فهم طيف المناهج، من النماذج التقليدية إلى الذكاء الاصطناعي المتطور.

• 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 الانحداري التلقائي) و ARCH/GARCH على رصد الاتجاهات الخطية وتجمعات التقلبات في بيانات السلاسل الزمنية ( نماذج التنبؤ بالأسهم القائمة على البيانات والشبكات العصبية: مراجعة ). توفر هذه النماذج أساسًا للتنبؤ من خلال نمذجة تسلسلات الأسعار التاريخية بافتراضات الثبات والخطية. على الرغم من فائدة النماذج التقليدية، إلا أنها غالبًا ما تواجه صعوبات في التعامل مع الأنماط المعقدة وغير الخطية للأسواق الحقيقية، مما يؤدي إلى دقة تنبؤ محدودة في التطبيق العملي ( نماذج التنبؤ بالأسهم القائمة على البيانات والشبكات العصبية: مراجعة ).

• خوارزميات التعلم الآلي: تتجاوز أساليب التعلم الآلي الصيغ الإحصائية المحددة مسبقًا من خلال تعلم الأنماط مباشرة من البيانات . تم تطبيق خوارزميات مثل آلات دعم المتجهات (SVM) والغابات العشوائية وتعزيز التدرج على التنبؤ بالأسهم. يمكنها دمج مجموعة واسعة من ميزات الإدخال - من المؤشرات الفنية (مثل المتوسطات المتحركة وحجم التداول) إلى المؤشرات الأساسية (مثل الأرباح والبيانات الاقتصادية الكلية) - وإيجاد علاقات غير خطية بينها. على سبيل المثال، يمكن لنموذج الغابة العشوائية أو تعزيز التدرج أن يأخذ في الاعتبار عشرات العوامل في وقت واحد، مع التقاط التفاعلات التي قد يفوتها نموذج خطي بسيط. أظهرت نماذج التعلم الآلي هذه القدرة على تحسين دقة التنبؤ بشكل متواضع من خلال اكتشاف الإشارات المعقدة في البيانات ( استخدام التعلم الآلي للتنبؤ بسوق الأسهم... | FMP ). ومع ذلك، فإنها تتطلب ضبطًا دقيقًا وبيانات وفيرة لتجنب الإفراط في التجهيز (تعلم الضوضاء بدلاً من الإشارة).

• التعلم العميق (الشبكات العصبية): الشبكات العصبية العميقة ، المستوحاة من بنية الدماغ البشري، شائعة للتنبؤ بسوق الأسهم في السنوات الأخيرة. ومن بين هذه الشبكات، الشبكات العصبية المتكررة (RNNs) ومتغيراتها من الذاكرة طويلة المدى قصيرة المدى (LSTM) مصممة خصيصًا لبيانات التسلسل مثل السلاسل الزمنية لأسعار الأسهم. يمكن لشبكات الذاكرة طويلة المدى قصيرة المدى الاحتفاظ بذاكرة المعلومات السابقة والتقاط التبعيات الزمنية، مما يجعلها مناسبة تمامًا لنمذجة الاتجاهات أو الدورات أو الأنماط الأخرى المعتمدة على الوقت في بيانات السوق. تشير الأبحاث إلى أن شبكات الذاكرة طويلة المدى قصيرة المدى ونماذج التعلم العميق الأخرى يمكنها التقاط العلاقات المعقدة وغير الخطية في البيانات المالية التي تفوتها النماذج الأبسط. تشمل مناهج التعلم العميق الأخرى الشبكات العصبية التلافيفية (CNNs) (تستخدم أحيانًا في "صور" المؤشرات الفنية أو التسلسلات المشفرة)، والمحولات (التي تستخدم آليات الانتباه لوزن أهمية خطوات الوقت المختلفة أو مصادر البيانات)، وحتى الشبكات العصبية البيانية (GNNs) (لنمذجة العلاقات بين الأسهم في رسم بياني للسوق). تستطيع هذه الشبكات العصبية المتقدمة استيعاب بيانات الأسعار، بالإضافة إلى مصادر بيانات بديلة مثل نصوص الأخبار، ومعنويات وسائل التواصل الاجتماعي، وغيرها، وتعلم خصائص مجردة قد تُنبئ بحركات السوق ( استخدام التعلم الآلي للتنبؤ بسوق الأسهم... | FMP ). لكن مرونة التعلم العميق تأتي بتكلفة: فهي تتطلب بيانات كثيرة، وتتطلب حسابات مكثفة، وغالبًا ما تعمل كـ"صناديق سوداء" ذات قابلية أقل للتفسير.

• التعلم التعزيزي: التعلم التعزيزي (RL) أحد المجالات الأخرى في مجال التنبؤ بالأسهم باستخدام الذكاء الاصطناعي ، حيث لا يقتصر الهدف على التنبؤ بالأسعار فحسب، بل يشمل تعلم استراتيجية تداول مثالية. في إطار التعلم التعزيزي، العميل (نموذج الذكاء الاصطناعي) مع بيئة (السوق) من خلال اتخاذ إجراءات (شراء، بيع، الاحتفاظ) والحصول على مكافآت (أرباح أو خسائر). بمرور الوقت، يتعلم العميل سياسةً تُعظم المكافأة التراكمية. التعلم التعزيزي العميق (DRL) بين الشبكات العصبية والتعلم التعزيزي للتعامل مع مساحة الحالة الكبيرة للأسواق. تكمن جاذبية التعلم التعزيزي 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 لوكيل التعلم التعزيزي تعلم متى يدخل أو يخرج من المراكز بناءً على إشارات الأسعار، بل ويتكيف مع تغير ظروف السوق. والجدير بالذكر أن التعلم التعزيزي قد استُخدم لتدريب نماذج الذكاء الاصطناعي التي تتنافس في مسابقات التداول الكمي وفي بعض أنظمة التداول الخاصة. مع ذلك، تواجه أساليب التعلم التعزيزي تحديات كبيرة: فهي تتطلب تدريبًا مكثفًا (محاكاة سنوات من التداول)، وقد تعاني من عدم الاستقرار أو السلوك المتباين إذا لم تُضبط بعناية، كما أن أدائها حساس للغاية لبيئة السوق المفترضة. وقد لاحظ الباحثون مشكلات مثل التكلفة الحسابية العالية ومشاكل الاستقرار عند تطبيق التعلم التعزيزي على أسواق الأسهم المعقدة. على الرغم من هذه التحديات، يُمثل التعلم التعزيزي نهجًا واعدًا، خاصةً عند دمجه مع تقنيات أخرى (مثل استخدام نماذج التنبؤ بالأسعار بالإضافة إلى استراتيجية تخصيص قائمة على التعلم التعزيزي) لتشكيل نظام هجين لاتخاذ القرارات ( التنبؤ بسوق الأسهم باستخدام التعلم التعزيزي العميق ).

مصادر البيانات وعملية التدريب

بغض النظر عن نوع النموذج، تُعدّ البيانات ركيزة تنبؤات سوق الأسهم باستخدام الذكاء الاصطناعي. عادةً ما تُدرّب النماذج على بيانات السوق التاريخية ومجموعات البيانات الأخرى ذات الصلة لاكتشاف الأنماط. تشمل مصادر البيانات وميزاتها الشائعة ما يلي:

• الأسعار التاريخية والمؤشرات الفنية: تعتمد جميع النماذج تقريبًا على أسعار الأسهم السابقة (الافتتاح، الارتفاع، الانخفاض، الإغلاق) وأحجام التداول. ومن هذه البيانات، غالبًا ما يستخرج المحللون المؤشرات الفنية (المتوسطات المتحركة، مؤشر القوة النسبية، MACD، إلخ) كمدخلات. تساعد هذه المؤشرات في تحديد الاتجاهات أو الزخم الذي قد يستغله النموذج. على سبيل المثال، قد يعتمد النموذج على أسعار وحجم التداول في آخر 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، مثل مستويات المؤشرات، وأسعار الفائدة، والتضخم، ونمو الناتج المحلي الإجمالي، أو مؤشرات اقتصادية أخرى. توفر هذه الخصائص الكلية سياقًا (مثلًا، معنويات السوق العامة أو صحة الاقتصاد) يمكن أن يؤثر على أداء الأسهم الفردية.

• بيانات الأخبار والمشاعر: يتزايد عدد أنظمة الذكاء الاصطناعي التي تستوعب بيانات غير منظمة، مثل المقالات الإخبارية، ومنشورات منصات التواصل الاجتماعي (تويتر، وستوكتويتس)، والتقارير المالية. تُستخدم تقنيات معالجة اللغة الطبيعية (NLP)، بما في ذلك نماذج متقدمة مثل BERT، لقياس مشاعر السوق أو رصد الأحداث ذات الصلة. على سبيل المثال، إذا تحولت مشاعر الأخبار فجأةً إلى سلبية بشكل حاد لشركة أو قطاع، فقد يتنبأ نموذج الذكاء الاصطناعي بانخفاض في أسعار الأسهم ذات الصلة. من خلال معالجة الأخبار الفورية ومشاعر منصات التواصل الاجتماعي ، يمكن للذكاء الاصطناعي التفاعل مع المعلومات الجديدة أسرع من المتداولين البشر.

• بيانات بديلة: يستخدم بعض صناديق التحوط المتطورة وباحثو الذكاء الاصطناعي مصادر بيانات بديلة - صور الأقمار الصناعية (لحركة مرور المتاجر أو النشاط الصناعي)، وبيانات معاملات بطاقات الائتمان، واتجاهات البحث على الإنترنت، وغيرها - للحصول على رؤى تنبؤية. يمكن أن تُستخدم مجموعات البيانات غير التقليدية هذه أحيانًا كمؤشرات رئيسية لأداء الأسهم، إلا أنها تُعقّد أيضًا عملية تدريب النماذج.

يتضمن تدريب نموذج ذكاء اصطناعي للتنبؤ بالأسهم تزويده بهذه البيانات التاريخية وتعديل معلمات النموذج لتقليل خطأ التنبؤ. عادةً، تُقسّم البيانات إلى مجموعة تدريب (مثل البيانات التاريخية القديمة لتعلم الأنماط) ومجموعة اختبار/تحقق (بيانات أحدث لتقييم الأداء في ظل ظروف غير مرئية). ونظرًا للطبيعة التسلسلية لبيانات السوق، يُحرص على تجنب "الاستشراف المستقبلي" - على سبيل المثال، تُقيّم النماذج بناءً على بيانات من فترات زمنية بعد فترة التدريب، لمحاكاة أدائها في التداول الفعلي. التحقق المتقاطع المُعدّلة للسلاسل الزمنية (مثل التحقق المُستمر) لضمان تعميم النموذج بشكل جيد وعدم اقتصاره على فترة زمنية محددة.

علاوةً على ذلك، يجب على الممارسين معالجة قضايا جودة البيانات والمعالجة المسبقة. فالبيانات المفقودة، والقيم المتطرفة (مثل الارتفاعات المفاجئة الناتجة عن انقسامات الأسهم أو الأحداث غير المتكررة)، وتغيرات النظام في الأسواق، كلها عوامل قد تؤثر على تدريب النماذج. ويمكن تطبيق تقنيات مثل التطبيع، وإزالة الاتجاهات، أو إزالة الموسمية على بيانات الإدخال. وتقوم بعض الأساليب المتقدمة بتحليل سلاسل الأسعار إلى مكونات (اتجاهات، دورات، ضوضاء) ونمذجتها بشكل منفصل (كما هو موضح في الأبحاث التي تجمع بين تحليل الوضع المتغير والشبكات العصبية ( التنبؤ بسوق الأسهم باستخدام التعلم التعزيزي العميق )).

تختلف متطلبات التدريب باختلاف النماذج: قد 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 التعزيزي مُحاكيًا أو بيئةً للتفاعل معها؛ أحيانًا تُعاد البيانات التاريخية إلى وكيل التعلم التعزيزي، أو تُستخدم مُحاكيات السوق لتوليد التجارب.

أخيرًا، بعد تدريب هذه النماذج، تُنتج دالة تنبؤية - على سبيل المثال، ناتج قد يكون سعرًا متوقعًا للغد، أو احتمالية ارتفاع السهم، أو إجراءً مُوصى به (شراء/بيع). عادةً ما تُدمج هذه التنبؤات بعد ذلك في استراتيجية تداول (مع تحديد حجم المركز، وقواعد إدارة المخاطر، إلخ) قبل المخاطرة بالأموال الفعلية.

القيود والتحديات

في حين أصبحت نماذج الذكاء الاصطناعي متطورة للغاية، إلا أن التنبؤ بسوق الأسهم لا يزال مهمة صعبة بطبيعتها . فيما يلي بعض القيود والعقبات الرئيسية التي تمنع الذكاء الاصطناعي من أن يكون عرافة أكيدة في الأسواق:

• كفاءة السوق والعشوائية: كما ذكرنا سابقًا، تزعم فرضية السوق الكفؤة أن الأسعار تعكس بالفعل معلومات معروفة، لذا فإن أي معلومات جديدة تسبب تعديلات فورية. من الناحية العملية، يعني هذا أن تغيرات الأسعار مدفوعة إلى حد كبير غير متوقعة أو تقلبات عشوائية. في الواقع، وجدت عقود من البحث أن تحركات أسعار الأسهم على المدى القصير تشبه السير العشوائي ( نماذج التنبؤ بالأسهم القائمة على البيانات القائمة على الشبكات العصبية: مراجعة ) - سعر الأمس ليس له تأثير يذكر على سعر الغد، بما يتجاوز ما تتوقعه الفرصة. إذا كانت أسعار الأسهم عشوائية أو "فعّالة" بشكل أساسي، فلا يمكن لأي خوارزمية التنبؤ بها باستمرار بدقة عالية. وكما ذكرت إحدى الدراسات البحثية بإيجاز، "تنص فرضية السير العشوائي وفرضية السوق الكفؤة بشكل أساسي على أنه من غير الممكن التنبؤ بأسعار الأسهم المستقبلية بشكل منهجي وموثوق" ( التنبؤ بالعوائد النسبية لأسهم S&P 500 باستخدام التعلم الآلي | الابتكار المالي | النص الكامل ). ولكن هذا لا يعني أن توقعات الذكاء الاصطناعي عديمة الفائدة دائماً، ولكنه يسلط الضوء على حد أساسي: فالكثير من حركة السوق قد تكون مجرد ضوضاء لا يستطيع حتى أفضل نموذج التنبؤ بها مسبقاً.

• الضوضاء والعوامل الخارجية غير المتوقعة: تتأثر أسعار الأسهم بالعديد من العوامل، وكثير منها خارجي وغير متوقع. يمكن للأحداث الجيوسياسية (الحروب والانتخابات والتغييرات التنظيمية) والكوارث الطبيعية والأوبئة والفضائح الشركاتية المفاجئة أو حتى الشائعات الفيروسية على وسائل التواصل الاجتماعي أن تحرك الأسواق بشكل غير متوقع. هذه أحداث لا يمكن للنموذج الحصول على بيانات تدريب مسبقة عنها (لأنها غير مسبوقة) أو تحدث كصدمات نادرة. على سبيل المثال، لا يمكن لأي نموذج ذكاء اصطناعي مدرب على بيانات تاريخية من 2010-2019 أن يتنبأ بشكل خاص بانهيار كوفيد-19 في أوائل عام 2020 أو انتعاشه السريع. تواجه نماذج الذكاء الاصطناعي المالي صعوبات عندما تتغير الأنظمة أو عندما يحرك حدث واحد الأسعار. وكما يشير أحد المصادر، يمكن لعوامل مثل الأحداث الجيوسياسية أو إصدارات البيانات الاقتصادية المفاجئة أن تجعل التنبؤات قديمة على الفور تقريبًا ( استخدام التعلم الآلي للتنبؤ بسوق الأسهم... | FMP ) ( استخدام التعلم الآلي للتنبؤ بسوق الأسهم... | FMP ). بعبارة أخرى، يمكن للأخبار غير المتوقعة أن تتغلب دائمًا على التوقعات الخوارزمية ، مما يؤدي إلى إدخال مستوى من عدم اليقين لا يمكن تقليله.

• الإفراط في التجهيز والتعميم: نماذج التعلم الآلي معرضة للإفراط في التجهيز - مما يعني أنها قد تتعلم "الضوضاء" أو التقلبات في بيانات التدريب بشكل جيد للغاية، بدلاً من الأنماط العامة الأساسية. قد يعمل النموذج المفرط في التجهيز بشكل رائع على البيانات التاريخية (حتى أنه يُظهر عوائد رائعة تم اختبارها أو دقة عالية في العينة) ولكنه يفشل فشلاً ذريعًا في البيانات الجديدة. هذا فخ شائع في التمويل الكمي. على سبيل المثال، قد تلتقط شبكة عصبية معقدة ارتباطات زائفة كانت موجودة في الماضي بالصدفة (مثل مجموعة معينة من تقاطعات المؤشرات التي تصادف أنها تسبق الارتفاعات في السنوات الخمس الماضية) ولكن قد لا تصمد هذه العلاقات في المستقبل. مثال عملي: يمكن للمرء أن يصمم نموذجًا يتنبأ بأن الأسهم الفائزة في العام الماضي سترتفع دائمًا - قد يتناسب مع فترة معينة، ولكن إذا تغير نظام السوق، فإن هذا النمط ينكسر. يؤدي الإفراط في التجهيز إلى ضعف الأداء خارج العينة ، مما يعني أن تنبؤات النموذج في التداول المباشر لا يمكن أن تكون أفضل من العشوائية على الرغم من أنها تبدو رائعة في التطوير. يتطلب تجنب الإفراط في التجهيز تقنياتٍ مثل التنظيم، والتحكم في تعقيد النموذج، واستخدام التحقق الدقيق. ومع ذلك، فإن التعقيد نفسه الذي يمنح نماذج الذكاء الاصطناعي القوة يجعلها أيضًا عرضة لهذه المشكلة.

• جودة البيانات وتوافرها: ينطبق المثل القائل "البيانات غير المكتملة تُخرج بيانات غير مكتملة" بشدة على الذكاء الاصطناعي في مجال تنبؤات الأسهم. تؤثر جودة البيانات وكميتها وأهميتها بشكل كبير على أداء النموذج. إذا كانت البيانات التاريخية غير كافية (مثل محاولة تدريب شبكة عميقة على أسعار أسهم لبضع سنوات فقط) أو غير تمثيلية (مثل استخدام بيانات من فترة صعودية إلى حد كبير للتنبؤ بسيناريو هبوطي)، فلن يُعمم النموذج بشكل جيد. كما يمكن أن تكون البيانات متحيزة أو عرضة للبقاء (على سبيل المثال، تُسقط مؤشرات الأسهم الشركات ذات الأداء الضعيف بشكل طبيعي بمرور الوقت، لذلك قد تكون بيانات المؤشرات التاريخية متحيزة للأعلى). يُعد تنظيف البيانات وتنظيمها مهمةً سهلة. بالإضافة إلى ذلك، البيانات البديلة مكلفة أو صعبة الحصول عليها، مما قد يمنح اللاعبين المؤسسيين أفضلية بينما يترك بيانات أقل شمولاً للمستثمرين الأفراد. هناك أيضًا مشكلة التردد : تحتاج نماذج التداول عالية التردد إلى بيانات دقيقة، وهي ضخمة الحجم وتتطلب بنية تحتية خاصة، بينما قد تستخدم نماذج التردد المنخفض بيانات يومية أو أسبوعية. إن ضمان محاذاة البيانات في الوقت المناسب (على سبيل المثال، الأخبار مع بيانات الأسعار المقابلة) وخالية من التحيز الاستشرافي يشكل تحديًا مستمرًا.

• شفافية النموذج وقابليته للتفسير: تعمل العديد من نماذج الذكاء الاصطناعي، وخاصةً نماذج التعلم العميق، كصناديق سوداء . فقد تُنتج تنبؤات أو إشارات تداول دون سبب واضح. قد يُمثل هذا النقص في الشفافية مشكلةً للمستثمرين، وخاصةً المؤسسات التي تحتاج إلى تبرير قراراتها لأصحاب المصلحة أو الامتثال للوائح. إذا توقع نموذج الذكاء الاصطناعي انخفاض سعر سهم وأوصى بالبيع، فقد يتردد مدير المحفظة الاستثمارية إذا لم يفهم السبب. يُمكن أن يُقلل غموض قرارات الذكاء الاصطناعي من الثقة والاعتماد، بغض النظر عن دقة النموذج. يُحفز هذا التحدي البحث في مجال الذكاء الاصطناعي القابل للتفسير في مجال التمويل، ولكن يبقى من الصحيح وجود توازن بين تعقيد/دقة النموذج وقابليته للتفسير.

• الأسواق التكيفية والمنافسة: من المهم ملاحظة أن الأسواق المالية متكيفة . بمجرد اكتشاف نمط تنبؤي (باستخدام الذكاء الاصطناعي أو أي طريقة أخرى) واستخدامه من قبل العديد من المتداولين، فقد يتوقف عن العمل. على سبيل المثال، إذا وجد نموذج الذكاء الاصطناعي أن إشارة معينة غالبًا ما تسبق ارتفاع السهم، فسيبدأ المتداولون في التصرف بناءً على تلك الإشارة مبكرًا، مما يُضيع الفرصة. باختصار، يمكن للأسواق أن تتطور لإبطال الاستراتيجيات المعروفة . اليوم، تستخدم العديد من شركات وصناديق التداول الذكاء الاصطناعي والتعلم الآلي. تعني هذه المنافسة أن أي ميزة غالبًا ما تكون صغيرة وقصيرة الأجل. والنتيجة هي أن نماذج الذكاء الاصطناعي قد تحتاج إلى إعادة تدريب وتحديث مستمر لمواكبة ديناميكيات السوق المتغيرة. في الأسواق عالية السيولة والناضجة (مثل أسهم الشركات الأمريكية ذات القيمة السوقية الكبيرة)، يبحث العديد من اللاعبين المتمرسين عن نفس الإشارات، مما يجعل من الصعب للغاية الحفاظ على الميزة. على النقيض من ذلك، في الأسواق الأقل كفاءة أو الأصول المتخصصة، قد يجد الذكاء الاصطناعي أوجه قصور مؤقتة - ولكن مع تحديث هذه الأسواق، قد تتقلص الفجوة. إن الطبيعة الديناميكية للأسواق تشكل تحدياً أساسياً: فـ"قواعد اللعبة" ليست ثابتة، وبالتالي فإن النموذج الذي نجح في العام الماضي قد يحتاج إلى إعادة صياغته في العام المقبل.

• قيود واقعية: حتى لو استطاع نموذج الذكاء الاصطناعي التنبؤ بالأسعار بدقة جيدة، فإن تحويل التوقعات إلى ربح 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 تُمحى هذه المكاسب بسبب الرسوم وتأثير التداولات على السوق. كما تُعد إدارة المخاطر أمرًا بالغ الأهمية - فلا يوجد توقع مؤكد بنسبة 100%، لذا يجب على أي استراتيجية تعتمد على الذكاء الاصطناعي أن تأخذ في الاعتبار الخسائر المحتملة (من خلال أوامر وقف الخسارة وتنويع المحفظة الاستثمارية وما إلى ذلك). غالبًا ما تدمج المؤسسات توقعات الذكاء الاصطناعي في إطار عمل أوسع للمخاطر لضمان عدم رهانات الذكاء الاصطناعي على توقع قد يكون خاطئًا. تعني هذه الاعتبارات العملية أن الميزة النظرية للذكاء الاصطناعي يجب أن تكون كبيرة لتكون مفيدة بعد الاحتكاكات الواقعية.

باختصار، يتمتع الذكاء الاصطناعي بقدرات هائلة، إلا أن هذه القيود تضمن بقاء سوق الأسهم نظامًا قابلًا للتنبؤ جزئيًا وغير قابل للتنبؤ جزئيًا . تستطيع نماذج الذكاء الاصطناعي ترجيح كفة المستثمر من خلال تحليل البيانات بكفاءة أكبر، وربما الكشف عن إشارات تنبؤية خفية. ومع ذلك، فإن الجمع بين التسعير الفعال، والبيانات غير الواضحة، والأحداث غير المتوقعة، والقيود العملية يعني أن حتى أفضل أنظمة الذكاء الاصطناعي قد تخطئ أحيانًا - وغالبًا بشكل غير متوقع.

أداء نماذج الذكاء الاصطناعي: ماذا تقول الأدلة؟

بالنظر إلى التطورات والتحديات التي ناقشناها، ما الذي تعلمناه من الأبحاث والمحاولات العملية لتطبيق الذكاء الاصطناعي في التنبؤ بالأسهم؟ النتائج حتى الآن متباينة، تُبرز نجاحات واعدة وإخفاقات صادمة .

• أمثلة على تفوق الذكاء الاصطناعي على الفرص: أظهرت العديد من الدراسات أن نماذج الذكاء الاصطناعي يمكنها التغلب على التخمين العشوائي في ظل ظروف معينة. على سبيل المثال، طبقت دراسة أجريت عام 2024 شبكة عصبية LSTM للتنبؤ باتجاهات في سوق الأسهم الفيتنامية وأفادت بدقة تنبؤ عالية - حوالي 93٪ على بيانات الاختبار ( تطبيق خوارزميات التعلم الآلي للتنبؤ باتجاه أسعار الأسهم في سوق الأسهم - حالة فيتنام | اتصالات العلوم الإنسانية والاجتماعية ). يشير هذا إلى أنه في تلك السوق (اقتصاد ناشئ)، كان النموذج قادرًا على التقاط أنماط متسقة، ربما لأن السوق كان يعاني من عدم كفاءة أو اتجاهات فنية قوية تعلمتها LSTM. تناولت دراسة أخرى في عام 2024 نطاقًا أوسع: حاول الباحثون التنبؤ بالعوائد قصيرة الأجل لجميع أسهم S&P 500 (سوق أكثر كفاءة بكثير) باستخدام نماذج التعلم الآلي. لقد صاغوها كمشكلة تصنيف - التنبؤ بما إذا كان السهم سيتفوق على المؤشر بنسبة 2٪ خلال الأيام العشرة القادمة - باستخدام خوارزميات مثل الغابات العشوائية و SVM و LSTM. النتيجة: تفوق نموذج LSTM على كل من نماذج التعلم الآلي الأخرى وخط الأساس العشوائي ، مع نتائج ذات دلالة إحصائية كافية للإشارة إلى أنه لم يكن مجرد حظ ( التنبؤ بالعوائد النسبية لأسهم S&P 500 باستخدام التعلم الآلي | الابتكار المالي | النص الكامل ). حتى أن المؤلفين خلصوا إلى أنه في هذا الإعداد المحدد، كان احتمال صحة فرضية المشي العشوائي "ضئيلًا بشكل لا يُذكر"، مما يشير إلى أن نماذج التعلم الآلي الخاصة بهم وجدت إشارات تنبؤية حقيقية. تُظهر هذه الأمثلة أن الذكاء الاصطناعي يمكنه بالفعل تحديد الأنماط التي تعطي ميزة (حتى لو كانت متواضعة) في التنبؤ بتحركات الأسهم، خاصةً عند اختبارها على مجموعات كبيرة من البيانات.

• حالات استخدام بارزة في الصناعة: خارج الدراسات الأكاديمية، هناك تقارير عن صناديق التحوط والمؤسسات المالية التي تستخدم الذكاء الاصطناعي بنجاح في عمليات التداول الخاصة بها. تستخدم بعض شركات التداول عالي التردد الذكاء الاصطناعي للتعرف على أنماط البنية الدقيقة للسوق والتفاعل معها في أجزاء من الثانية. لدى البنوك الكبيرة نماذج ذكاء اصطناعي لتخصيص المحفظة والتنبؤ بالمخاطر ، والتي، على الرغم من أنها لا تتعلق دائمًا بالتنبؤ بسعر سهم واحد، إلا أنها تنطوي على جوانب التنبؤ بالسوق (مثل التقلبات أو الارتباطات). هناك أيضًا صناديق تعتمد على الذكاء الاصطناعي (غالبًا ما تسمى "صناديق الكم") تستخدم التعلم الآلي لاتخاذ قرارات التداول - وقد تفوق بعضها على السوق لفترات معينة، على الرغم من أنه من الصعب أن يعزى ذلك بدقة إلى الذكاء الاصطناعي لأنها غالبًا ما تستخدم مزيجًا من الذكاء البشري والآلي. أحد التطبيقات الملموسة هو استخدام لتحليل المشاعر : على سبيل المثال، مسح الأخبار وتويتر للتنبؤ بكيفية تحرك أسعار الأسهم استجابة لذلك. قد لا تكون هذه النماذج دقيقة بنسبة 100٪، ولكنها يمكن أن تمنح المتداولين بداية طفيفة في تسعير الأخبار. ومن الجدير بالذكر أن الشركات عادة ما تحرس تفاصيل استراتيجيات الذكاء الاصطناعي الناجحة باعتبارها ملكية فكرية، وبالتالي فإن الأدلة في المجال العام تميل إلى التأخر أو أن تكون قصصية.

• حالات ضعف الأداء والفشل: لكل قصة نجاح، هناك حكايات تحذيرية. فشلت العديد من الدراسات الأكاديمية التي ادعت دقة عالية في سوق واحد أو إطار زمني واحد في التعميم. حاولت تجربة بارزة تكرار دراسة ناجحة للتنبؤ بسوق الأسهم الهندية (والتي كانت ذات دقة عالية باستخدام التعلم الآلي على المؤشرات الفنية) على الأسهم الأمريكية. لم يجد التكرار أي قوة تنبؤية كبيرة - في الواقع، تفوقت استراتيجية ساذجة للتنبؤ دائمًا بارتفاع السهم في اليوم التالي على نماذج التعلم الآلي المعقدة في الدقة. وخلص المؤلفون إلى أن نتائجهم "تدعم نظرية المشي العشوائي" ، مما يعني أن تحركات الأسهم كانت غير متوقعة بشكل أساسي وأن نماذج التعلم الآلي لم تساعد. وهذا يؤكد أن النتائج يمكن أن تختلف بشكل كبير حسب السوق والفترة. وبالمثل، أظهرت العديد من مسابقات Kaggle ومسابقات البحث الكمي أنه في حين أن النماذج يمكن أن تتناسب غالبًا مع البيانات السابقة بشكل جيد، فإن أداءها في التداول المباشر غالبًا ما يتراجع نحو دقة 50٪ (للتنبؤ بالاتجاه) بمجرد مواجهة ظروف جديدة. توضح حالات مثل انهيار صناديق التحليل الكمي عام ٢٠٠٧، والصعوبات التي واجهتها الصناديق القائمة على الذكاء الاصطناعي خلال صدمة جائحة ٢٠٢٠، أن نماذج الذكاء الاصطناعي قد تتعثر فجأةً عند تغير نظام السوق. تحيز البقاء عاملاً مؤثراً في التصورات أيضاً - فنحن نسمع عن نجاحات الذكاء الاصطناعي أكثر من إخفاقاته، ولكن خلف الكواليس، تفشل العديد من النماذج والصناديق بهدوء وتغلق أبوابها لأن استراتيجياتها لم تعد مجدية.

• الاختلافات عبر الأسواق: إحدى الملاحظات المثيرة للاهتمام من الدراسات هي أن فعالية الذكاء الاصطناعي قد تعتمد على نضج السوق وكفاءته . في الأسواق الأقل كفاءة أو الناشئة نسبيًا، قد تكون هناك أنماط أكثر قابلية للاستغلال (بسبب انخفاض تغطية المحللين أو قيود السيولة أو التحيزات السلوكية)، مما يسمح لنماذج الذكاء الاصطناعي بتحقيق دقة أعلى. يمكن أن تكون دراسة LSTM لسوق فيتنام بدقة 93٪ مثالاً على ذلك. في المقابل، في الأسواق عالية الكفاءة مثل الولايات المتحدة، قد يتم تحكيم هذه الأنماط بسرعة. تشير النتائج المختلطة بين حالة فيتنام ودراسة التكرار الأمريكية إلى هذا التناقض. على الصعيد العالمي، يعني هذا أن الذكاء الاصطناعي قد يحقق حاليًا أداء تنبؤيًا أفضل في أسواق متخصصة أو فئات أصول معينة (على سبيل المثال، طبق البعض الذكاء الاصطناعي للتنبؤ بأسعار السلع الأساسية أو اتجاهات العملات المشفرة بنجاح متفاوت). بمرور الوقت، ومع تحرك جميع الأسواق نحو كفاءة أكبر، تضيق نافذة المكاسب التنبؤية السهلة.

• الدقة مقابل الربحية: من الضروري أيضًا التمييز بين دقة التنبؤ وربحية الاستثمار . قد يكون النموذج دقيقًا بنسبة 60% فقط، على سبيل المثال، في التنبؤ بالحركة اليومية للسهم صعودًا أو هبوطًا - وهو ما لا يبدو مرتفعًا جدًا - ولكن إذا تم استخدام هذه التنبؤات في استراتيجية تداول ذكية، فقد تكون مربحة للغاية. وعلى العكس من ذلك، قد يفتخر النموذج بدقة 90% ولكن إذا تزامنت نسبة الخطأ البالغة 10% مع تحركات ضخمة في السوق (وبالتالي خسائر كبيرة)، فقد يكون غير مربح. تركز العديد من جهود التنبؤ بالأسهم بالذكاء الاصطناعي على دقة الاتجاه أو تقليل الأخطاء، لكن المستثمرين يهتمون بالعوائد المعدلة حسب المخاطر. وبالتالي، غالبًا ما تتضمن التقييمات مقاييس مثل نسبة شارب والانخفاضات واتساق الأداء، وليس مجرد معدل النجاح الخام. تم دمج بعض نماذج الذكاء الاصطناعي في أنظمة التداول الخوارزمية التي تدير المراكز والمخاطر تلقائيًا - ويتم قياس أدائها الحقيقي في عوائد التداول المباشرة بدلاً من إحصائيات التنبؤ المستقلة. حتى الآن، فإن "المتداول بالذكاء الاصطناعي" المستقل بالكامل والذي يطبع الأموال بشكل موثوق عامًا بعد عام هو خيال علمي أكثر من كونه حقيقة، ولكن التطبيقات الأضيق (مثل نموذج الذكاء الاصطناعي الذي يتنبأ بتقلبات والذي يمكن للمتداولين استخدامه لتسعير الخيارات، وما إلى ذلك) وجدت مكانًا في مجموعة الأدوات المالية.

بشكل عام، تشير الأدلة إلى أن الذكاء الاصطناعي قادر على التنبؤ بأنماط سوقية معينة بدقة تفوق التوقعات ، مما يمنحه ميزة تداولية. ومع ذلك، غالبًا ما تكون هذه الميزة ضئيلة وتتطلب تنفيذًا متطورًا للاستفادة منها. عندما يسأل أحدهم: هل يستطيع الذكاء الاصطناعي التنبؤ بسوق الأسهم؟، فإن الإجابة الأكثر صدقًا، استنادًا إلى الأدلة الحالية، هي: يستطيع الذكاء الاصطناعي أحيانًا التنبؤ بجوانب سوق الأسهم في ظل ظروف محددة، لكنه لا يستطيع القيام بذلك بشكل متسق لجميع الأسهم في جميع الأوقات . تميل النجاحات إلى أن تكون جزئية وتعتمد على السياق.

الاستنتاج: توقعات واقعية للذكاء الاصطناعي في التنبؤ بسوق الأسهم

لا شك أن الذكاء الاصطناعي والتعلم الآلي أصبحا أدوات فعّالة في المجال المالي. فهما يتفوقان في معالجة مجموعات البيانات الضخمة، وكشف الارتباطات الخفية، وحتى تكييف الاستراتيجيات بسرعة. وفي سعيهما للتنبؤ بسوق الأسهم، حقق الذكاء الاصطناعي ملموسة وإن كانت محدودة . ويمكن للمستثمرين والمؤسسات توقع أن يُساعد الذكاء الاصطناعي في اتخاذ القرارات - على سبيل المثال، من خلال توليد إشارات تنبؤية، أو تحسين المحافظ الاستثمارية، أو إدارة المخاطر - ولكن ليس كأداة سحرية تضمن الأرباح.

ما
يمكن فعله: يمكن للذكاء الاصطناعي تحسين العملية التحليلية في الاستثمار. يمكنه غربلة سنوات من بيانات السوق وموجزات الأخبار والتقارير المالية في ثوانٍ، واكتشاف الأنماط الدقيقة أو الشذوذ التي قد يغفل عنها الإنسان ( استخدام التعلم الآلي للتنبؤ بسوق الأسهم... | FMP ). يمكنه الجمع بين مئات المتغيرات (الفنية والأساسية والمعنوية، إلخ) في توقعات متماسكة. في التداول قصير الأجل، قد تتنبأ خوارزميات الذكاء الاصطناعي بدقة أفضل قليلاً من العشوائية بأن أحد الأسهم سيتفوق على آخر، أو أن السوق على وشك أن يشهد زيادة في التقلبات. يمكن أن تترجم هذه الحواف التدريجية، عند استغلالها بشكل صحيح، إلى مكاسب مالية حقيقية. يمكن للذكاء الاصطناعي أيضًا المساعدة في إدارة المخاطر - تحديد التحذيرات المبكرة من الانكماش أو إعلام المستثمرين بمستوى ثقة التنبؤ. يتمثل دور عملي آخر للذكاء الاصطناعي في أتمتة الاستراتيجية : يمكن للخوارزميات تنفيذ الصفقات بسرعة وتكرار عاليين، والتفاعل مع الأحداث على مدار الساعة طوال أيام الأسبوع، وفرض الانضباط (لا تداول عاطفي)، مما قد يكون مفيدًا في الأسواق المتقلبة.

ما
لا يستطيع فعله (حتى الآن): على الرغم من الضجة الإعلامية، لا يستطيع الذكاء الاصطناعي التنبؤ بسوق الأسهم بشكل ثابت وموثوق ، بالمعنى الشامل للتفوق على السوق دائمًا أو توقع نقاط التحول الرئيسية. تتأثر الأسواق بالسلوك البشري، والأحداث العشوائية، وحلقات التغذية الراجعة المعقدة التي تتحدى أي نموذج ثابت. لا يلغي الذكاء الاصطناعي حالة عدم اليقين؛ إنه يتعامل فقط مع الاحتمالات. قد يشير الذكاء الاصطناعي إلى احتمال 70% لارتفاع السهم غدًا - مما يعني أيضًا احتمال 30% لعدم ارتفاعه. إن الصفقات الخاسرة والخيارات الخاطئة أمر لا مفر منه. لا يستطيع الذكاء الاصطناعي توقع أحداث جديدة حقًا (غالبًا ما تُسمى "البجعات السوداء") خارج نطاق بيانات التدريب الخاصة به. علاوة على ذلك، فإن أي نموذج تنبؤي ناجح يدعو إلى المنافسة التي يمكن أن تقوض ميزته. في جوهره، لا يوجد ما يعادل كرة بلورية في الذكاء الاصطناعي تضمن التنبؤ بمستقبل السوق. يجب على المستثمرين الحذر من أي شخص يدّعي خلاف ذلك.

منظور محايد وواقعي:
من وجهة نظر محايدة، يُنظر إلى الذكاء الاصطناعي على أنه مُحسّن للتحليل التقليدي والفهم البشري، وليس بديلاً عنهما. عمليًا، يستخدم العديد من المستثمرين المؤسسيين نماذج الذكاء الاصطناعي إلى جانب مُدخلات من المحللين البشريين ومديري المحافظ. قد يُحلل الذكاء الاصطناعي الأرقام ويُخرج تنبؤات، لكن البشر هم من يُحددون الأهداف، ويُفسرون النتائج، ويُعدّلون الاستراتيجيات بما يتناسب مع السياق (مثل تجاوز نموذج خلال أزمة غير متوقعة). ينبغي على المستثمرين الأفراد الذين يستخدمون أدوات الذكاء الاصطناعي أو روبوتات التداول أن يظلوا يقظين وأن يفهموا منطق الأداة وحدودها. إن اتباع توصيات الذكاء الاصطناعي دون تفكير أمرٌ محفوفٌ بالمخاطر، لذا ينبغي استخدامه كمُدخل واحد من بين مُدخلات عديدة.

عند وضع توقعات واقعية، قد يستنتج المرء أن الذكاء الاصطناعي قادر على التنبؤ بسوق الأسهم إلى حد ما، ولكن ليس بدرجة يقينية أو خالية من الأخطاء . يمكنه زيادة احتمالات اتخاذ قرار صحيح أو تحسين كفاءة تحليل المعلومات، وهو ما قد يُمثل الفرق بين الربح والخسارة في الأسواق التنافسية. ومع ذلك، لا يمكنه ضمان النجاح أو القضاء على التقلبات والمخاطر الكامنة في أسواق الأسهم. وكما أشارت إحدى المنشورات، حتى مع وجود خوارزميات فعّالة، قد تكون نتائج سوق الأسهم "غير متوقعة بطبيعتها" بسبب عوامل تتجاوز المعلومات النموذجية ( التنبؤ بسوق الأسهم باستخدام التعلم التعزيزي العميق ).

الطريق إلى الأمام:
بالنظر إلى المستقبل، من المرجح أن يتزايد دور الذكاء الاصطناعي في التنبؤ بأسواق الأسهم. وتعالج الأبحاث الجارية بعض القيود (على سبيل المثال، تطوير نماذج تأخذ في الاعتبار تغيرات النظام، أو أنظمة هجينة تجمع بين التحليل القائم على البيانات والتحليل القائم على الأحداث). وهناك أيضًا اهتمام بأدوات التعلم المعزز التي تتكيف باستمرار مع بيانات السوق الجديدة في الوقت الفعلي، والتي قد تتمكن من التعامل مع البيئات المتغيرة بشكل أفضل من النماذج الثابتة المدربة. علاوة على ذلك، قد يُنتج دمج الذكاء الاصطناعي مع تقنيات من التمويل السلوكي أو تحليل الشبكات نماذج أكثر ثراءً لديناميكيات السوق. ومع ذلك، حتى أكثر أنظمة الذكاء الاصطناعي تقدمًا في المستقبل ستعمل ضمن حدود الاحتمالات وعدم اليقين.

باختصار، سؤال "هل يستطيع الذكاء الاصطناعي التنبؤ بسوق الأسهم؟" ليس له إجابة بسيطة بنعم أو لا. الإجابة الأدق هي: يمكن للذكاء الاصطناعي المساعدة في التنبؤ بسوق الأسهم، ولكنه ليس معصومًا من الخطأ. فهو يوفر أدوات فعّالة، عند استخدامها بحكمة، تُحسّن استراتيجيات التنبؤ والتداول، لكنها لا تُزيل عدم القدرة على التنبؤ بالأسواق. ينبغي على المستثمرين تقبّل الذكاء الاصطناعي لما فيه من نقاط قوة - معالجة البيانات والتعرف على الأنماط - مع مراعاة نقاط ضعفه. وبذلك، يُمكن الاستفادة من أفضل ما في العالمين: الحكمة البشرية والذكاء الآلي معًا. قد لا يكون سوق الأسهم قابلًا للتنبؤ بنسبة 100%، ولكن مع توقعات واقعية واستخدام حكيم للذكاء الاصطناعي، يُمكن للمشاركين في السوق السعي لاتخاذ قرارات استثمارية أكثر استنارة وانضباطًا في ظل بيئة مالية دائمة التطور.

الكتب البيضاء التي قد ترغب في قراءتها بعد هذه الورقة:

🔗 وظائف لا يمكن للذكاء الاصطناعي استبدالها - وما هي الوظائف التي سيحل محلها؟
اكتشف أي المهن مضمونة للمستقبل وأيها الأكثر عرضة للخطر في ظل إعادة الذكاء الاصطناعي تشكيل سوق العمل العالمي.

🔗 ما الذي يُمكن الاعتماد عليه في الذكاء الاصطناعي المُولِّد دون تدخل بشري؟
تعرّف على الحدود الحالية والقدرات الذاتية للذكاء الاصطناعي المُولِّد في السيناريوهات العملية.

🔗 كيف يُمكن استخدام الذكاء الاصطناعي التوليدي في الأمن السيبراني؟
تعرّف على كيفية دفاع الذكاء الاصطناعي ضد التهديدات وتعزيز المرونة السيبرانية باستخدام أدوات تنبؤية ومستقلة.