في عالم المالية اليوم، تصبح البيانات البديلة مصدراً حيوياً لفهم أعمق لأداء الشركات في المستقبل. هذه البيانات، التي تم جمعها من مصادر غير تقليدية مثل معاملات المستهلكين وزيارات المواقع الإلكترونية وأسواق التنبؤ، يمكن أن تقدم إشارات فورية حول أنشطة الشركات وظروف السوق العامة.

لكن، ماذا لو كان هناك وسيلة لزيادة فعالية هذه البيانات؟ هنا تأتي نماذج اللغة الكبيرة (Large Language Models - LLMs) لتُحدث ثورة في كيفية استخدام هذه البيانات. حيث يمكن لنماذج LLMs تفسير التعليمات، والتعلم من الأمثلة الموجودة، وتوليد توقعات من خلال دمج معلومات متباينة دون الحاجة لتحديث المعلمات الخاصة بكل مهمة.

هدفنا هنا هو استكشاف إمكانية استخدام نموذج LLM لتوقع الأداء المالي للشركات من خلال دمج البيانات البديلة مع معلومات مالية أخرى باستخدام تقنيات التعلم السياقي. أُقترح إطار عمل من وكيلين يعملان معًا: الأول يقوم بتحديد الشركات التي يُمكن أن تكون البيانات البديلة مجدية لها، بينما الثاني يتنبأ بالعائدات باستخدام سياق خاص بكل شركة وقناة بيانات.

تبين من التجارب التي أجريناها على أربعة قنوات تجارية للبيانات البديلة أن دمج هذه البيانات مع معلومات مالية أخرى يحسن دقة التوقعات بشكل ملحوظ مقارنة باستخدام أي مصدر بمفرده، وهذا يشير إلى أن نماذج LLMs توفر نهجًا مرنًا وعمليًا لدمج البيانات البديلة مع المعلومات المالية المتنوعة. قد تكون هذه هي الطريقة التي نعيد بها تعريف كيفية توقع الشركات لأدائها المالي في المستقبل.