تطوير أسلوب سردي مبتكر لتوقعات عوائد الأسهم باستخدام نماذج اللغة الكبيرة

في عالم المال، يعد تفسير توقعات الذكاء الاصطناعي في مجال الأسهم أمراً حيوياً، لكن غالباً ما تكون الأرقام الناتجة عن خوارزميات الذكاء الاصطناعي صعبة الفهم لغير المتخصصين. هنا يأتي دور نماذج اللغة الكبيرة (Large Language Models) التي يمكنها ترجمة هذه النتائج إلى عبارات طبيعية. لكن، قد تواجه هذه النماذج صعوبات في استنتاج القيم العددية وعلاقات الخصائص بشكل صحيح.

لذا، نقدم في هذا المقال إطار عمل سردي جديد يعتمد على نموذج لغة كبير لتوقع عوائد الأسهم. يجمع هذا الإطار بين تفسيرات شابلي (Shapley additive explanations) الزمنية وأدلة تاريخية تتعلق بفترات وأحداث سابقة. إذ يقوم بالإشارة إلى التغييرات في الأهمية العالمية العادية لنموذج XGBoost على مدى ستة أشهر.

تقوم الأدلة الزمنية بتتبع التغيرات التي تحدث، مما يسمح بعرض السياق التشغيلي للأداء النموذجي وعوائد السوق. من خلال هذا الإطار، قمنا بإجراء دراسة مضبوطة للمساعدة في تطوير عملية التفكير المستندة إلى الأدلة، حيث نقدم تسلسل شابلي الخام بالإضافة إلى وصفات زمنية حتمية وعلاقات الخصائص بشكل متتابع. كل ادعاء يتم إنشاؤه يتم التحقق منه مقابل أدلة مرتبطة بالمصدر.

أظهرت النتائج أن عملية استنتاج البيانات العددية والعلاقات بنجاح أدت إلى تحسين موثوقية الأدلة، حيث زادت موثوقية الأدلة من 0.696 إلى 0.996 لنموذج Qwen3-32B-Instruct. على الرغم من أن الأبعاد التاريخية لم تُحسن من الموثوقية الهيكلية التلقائية، إلا أنها حصلت على درجات أعلى في تقييم الفائدة من قبل البشر. تشير هذه النتائج إلى أن استنتاج الاستدلالات القابلة للتحقق يعزز موثوقية السرد، وأن السياق التاريخي يضيف قيمة تفسيرية.