في عالم الذكاء الاصطناعي المتطور، يبحث الباحثون دائماً عن طرق مبتكرة لتعزيز دقة التحليلات المالية. أحدث دراسة تفحص إمكانية استخدام نموذج تجميعي خفيف (Lightweight Aggregator) يجمع بين مخرجات نماذج اللغات الضخمة (Large Language Models) لأغراض تصنيف الإفصاحات الشركات.

تستخدم النماذج اللغوية الضخمة استراتيجيات قراءة متطورة تسمح لها بفهم الإفصاحات المالية دون الحاجة لتعديل على أساس المهمة، ولكن يواجه المستخدمون غالباً مشكلة في تباين التنبؤات بين النماذج المختلفة ووجهات النظر المتعددة.

للتغلب على هذه التحديات، عمد الباحثون إلى إنشاء إطار عمل متعدد الموجهات حيث يقوم ثلاثة نماذج تصنيف صفرية (Zero-Shot LLM Classifiers) بتحليل كل إفصاح مالي من وجهات نظر مالية مختلفة. كل نموذج يعطي نتيجة تحتوي على علامة ميل، درجة ثقة، وتفسير قصير. ثم يُستخدم مُصنف لوجستي لتجميع هذه المخرجات واستنتاج اتجاه عائد السهم في اليوم التالي.

الدراسة شملت تقييم 9,860 إفصاحًا لشركات كبرى في الولايات المتحدة، وقد أظهرت النتائج أن النموذج التجميعي المدرب يتفوق على التصنيفات الفردية، والتصويت بالأغلبية، وحتى نموذج FinBERT. حيث ارتفعت دقة التصنيف المتوازن من 0.566 لأفضل مصنف فردي إلى 0.606 للمجمع المدرب، مما يدل على أن قوة الإشارات المالية تكمن في دمج النتائج بدلاً من الاعتماد على التصويت فقط.

بالتالي، قد يمثل هذا البحث خطوة كبيرة نحو تحسين الأدوات المستخدمة في تقييم الإفصاحات الشركات، مما يسهل اتخاذ قرارات استثمارية أكثر ذكاءً وفعالية.