تفوّق متزايد للذكاء الاصطناعي في انتقاء الأسهم

من الواضح أن كل من يعمل في صناعة المعلومات –بما في ذلك الصحفيون والمبرمجون ومعهم مديرو المحافظ الاستثمارية– باتوا مطالبين في أن يفكروا ملياً فيما إذا كان الكمبيوتر سيحلّ محلهم. وعليهم أن يتساءلوا الآن متى سيحدث ذلك.

فبإمكان نموذج لغوي كبير، تم تدريبه على الكتابات المنشورة في صحيفة فاينانشال تايمز، أن يكتب رسائل إخبارية تشبه أسلوبي إلى حد كبير، وربما لن تكون هذه الرسائل مقنعة تماماً لكن من المرجح ألا يمر وقت طويل قبل أن تصبح كذلك.

قد يكون القراء العاديون أقل اهتماماً بمستقبل الصحافة من اهتمام المحللين ومديري المحافظ الاستثمارية، وهذا يقودني إلى ورقة بحثية حديثة قام بها ثلاثة باحثين في كلية إدارة الأعمال بجامعة شيكاغو، وهم أليكس كيم وماكسيميليان موهن، وفاليري نيكولاييف.

وتسند الورقة البحثية، التي تحمل عنوان «تحليل البيانات المالية باستخدام النماذج اللغوية الكبيرة» إلى تشات جي بي تي، مهمة تحليل البيانات المالية. ومع بعض التوجيهات البسيطة، حول النموذج اللغوي الكبير هذه البيانات إلى توقعات للأرباح كانت أكثر دقة من توقعات المحللين. وشكلت هذه التوقعات أساساً لمحافظ نموذجية حققت، في الاختبارات السابقة، عوائد كبيرة.

وقال الباحثون إن «الأدلة التي قدمناها تتوافق مع قدرة النماذج اللغوية الكبيرة على امتلاك قدرات شبيهة بالبشر في المجال المالي».

وقام الباحثون الثلاثة بتزويد تشات جي بي تي بالآلاف من الميزانيات العمومية وبيانات الدخل، التي تم تجريدها من التواريخ وأسماء الشركات، من قاعدة بيانات تمتد من عام 1968 إلى عام 2021 وتغطي أكثر من 15 ألف شركة. وتحتوي كل ميزانية عمومية وبيان الدخل المصاحب على بيانات قياسية لمدة عامين، ولكنها كانت مدخلات فردية؛ ولم يتم «إخبار» النموذج بتاريخ الشركة على المدى الطويل.

ثم دفع الباحثون النموذج لإجراء تحليلات مالية قياسية إلى حد ما: «ما الذي تغير في الحسابات عن العام الماضي؟»، «احسب نسبة السيولة»، «ما هو هامش الربح الإجمالي؟».

بعد ذلك – وقد تبين أن هذا أمر بالغ الأهمية- وجه الباحثون النموذج لكتابة سرديات اقتصادية تشرح مخرجات التحليل المالي. وأخيراً، طلبوا من النموذج التنبؤ بما إذا كانت أرباح كل شركة في العام التالي سترتفع أم تنخفض؛ وما إذا كان التغيير سيكون صغيراً أم متوسطاً أم كبيراً؛ ومدى التأكد من هذا التنبؤ. وتبين في النهاية أن التنبؤ باتجاه الأرباح، حتى بطريقة ثنائية، ليس بالأمر السهل بشكل خاص، سواء بالنسبة للإنسان أو الآلة.

ولتبسيط الأمر: كانت تنبؤات الإنسان (المستمدة من نفس قاعدة البيانات التاريخية) دقيقة بنسبة 57% من الوقت، عند قياسها في منتصف العام السابق، وهذا أفضل مما فعله تشات جي بي تي قبل أن يتم تحفيزه. ومع ذلك، بعد التحفيز، ارتفعت دقة النموذج إلى 60%. وقال الباحثون: «هذا يعني أن تشات جي بي تي يتفوق على أداء المحلل المالي المتوسط» في التنبؤ باتجاه الأرباح.

وقام الباحثون الثلاثة ببناء محافظ نموذجية طويلة وقصيرة الأجل بناءً على الشركات التي توقع النموذج حدوث تغييرات كبيرة في أرباحها بأعلى درجات الثقة.

وفي الاختبارات الخلفية، تفوقت هذه المحافظ على سوق الأسهم الأوسع بنسبة 37 نقطة أساس شهرياً على أساس مرجح بالقيمة السوقية و84 نقطة أساس شهرياً على أساس مرجح بالتساوي (مما يشير إلى أن النموذج يضيف المزيد من القيمة مع توقعاته لأرباح الأسهم الصغيرة). وهذه نسبة كبيرة من النجاح.

وقد تحدثت إلى أليكس كيم حيث سارع إلى التأكيد على الطبيعة الأولية للنتائج؛ ودليل فقط على المفهوم، وليس دليلاً على أن الباحثين قد اخترعوا آلية أفضل لاختيار الأسهم. وحرص كيم بنفس القدر على التأكيد على مطالبة النموذج بتكوين سرد لتفسير آثار البيانات المالية يبدو أنه المفتاح لفتح دقة أكبر في التنبؤ، وهذا هو الجانب «الشبيه بالبشر».

عموماً، فإن الدراسة تثير الكثير من القضايا، خاصة بالنسبة لشخص مثلي لم يقض الكثير من الوقت في التفكير في الذكاء الاصطناعي:

-لا تبدو النتيجة مفاجئة بالنسبة لي بشكل عام، إذ كان هناك الكثير من الأدلة على مر السنين على أن النماذج الحاسوبية السابقة يمكن أن تتفوق في الأداء على المحلل متوسط الأداء.

– التفسير الأكثر وضوحاً لهذا هو أن النماذج تجد القواعد أو تتبعها فقط، لذلك فهي ليست فريسة للتحيزات التي يتم تشجيعها أو تأكيدها فقط من خلال المعلومات الغنية التي يمكن للبشر الوصول إليها (التقارير المؤسسية، والكلام التنفيذي، وما إلى ذلك).

– ربما يكون الأمر الأكثر إثارة للدهشة هو أن النماذج اللغوية الكبيرة الجاهزة كانت قادرة على التفوق على البشر بشكل كبير جداً مع محفزات أساسية للغاية.

– من الواضح أن جميع المؤهلات المعتادة التي تنطبق على أي دراسة في العلوم الاجتماعية تنطبق هنا، حيث يتم إجراء الكثير من الدراسات؛ والقليل منها ينشر. ففي بعض الأحيان لا تصمد النتائج.

– يتجنب بعض أفضل منتقي الأسهم على وجه التحديد هوس وول ستريت بما ستفعله الأرباح على المدى القريب، بدلاً من ذلك، يركزون على المزايا الهيكلية للشركات، وعلى الطرق التي يتغير بها العالم والتي ستفيد بعض الشركات على حساب الشركات الأخرى. فهل يستطيع تشات جي بي تي إجراء «مكالمات كبيرة» مثل هذه بنفس الفعالية التي يمكنه بها التنبؤ بالأرباح على المدى القصير؟

– ما وظيفة المحلل المالي؟ إذا كان بإمكان ماجستير إدارة الأعمال التنبؤ بالأرباح بشكل أفضل من منافسيهم من البشر في معظم الأوقات، فما هي القيمة التي يقدمها المحلل؟ هل هي موجودة لشرح تفاصيل العمل لمدير المحفظة الذي يقوم بـ «المكالمات الكبيرة»؟ هل هي قناة معلومات تربط الشركة بالسوق؟ هل سيظل لها قيمة عندما تصبح عمليات الشراء والبيع البشرية شيئاً من الماضي؟

وهكذا، ربما لا تغير قدرة الذكاء الاصطناعي على التفوق على المحلل المتوسط أو منتقي الأسهم أي شيء على الإطلاق. لكن كما أشار جوشوا جانز من جامعة تورنتو، فإن القيمة المنخفضة لمنتقي الأسهم المتوسطة ظهرت منذ سنوات من خلال تقنية الذكاء الاصطناعي المعروفة باسم صندوق مؤشر فانغارد منخفض الرسوم.

الأمر المهم هو قدرة النماذج اللغوية الكبيرة على التنافس مع أو دعم أذكى الأشخاص في السوق، والذين يستخدم الكثير منهم بالفعل الكثير من قوة الكمبيوتر للقيام بعملهم.