في عالم الاستثمار، تعد فهم سلوكيات السوق عاملاً حاسماً لتقدير الأسعار وتحقيق الأرباح. ومع ذلك، كانت قياسات سلوكيات المستثمرين مثل تجنب الخسائر (loss aversion) والسلوك الجماعي (herding) ومعدل التوقع (extrapolation) تحديًا كبيرًا. تحولت هذه التحديات بفضل الابتكارات المستندة إلى الذكاء الاصطناعي، حيث تم تطوير إطار عمل جديد يستفيد من نماذج اللغات الضخمة (Large Language Models) كأدوات قياس دقيقة.

هذا البحث الذي تم نشره على arXiv يعرّف كيف يمكن استخدام أربع نماذج للغات مع ما يقارب 24,000 مجموعة من الوكلاء والسيناريوهات لقياس سلوكيات المستثمرين بصورة أكثر دقة. من خلال هذه الدراسة، وُجد أن نماذج اللغات الضخمة تُظهر انحرافات عقلانية (systematic rationality bias) في سلوكها، حيث كانت استجابة تجنب الخسائر أضعف، وكان السلوك الجماعي أقل وضوحًا، ونسبة تأثير الوفاء قريبة من الصفر مقارنة بمعايير البشر.

ومن المثير أنه عندما تم ضبط نماذج البيانات بما يتناسب مع سلوكيات المستثمرين، لوحظت تغييرات كبيرة وثابتة في مجموعة من المعايير السلوكية، حيث وصلت قيم تجنب الخسائر والسلوك الجماعي ومعدل التوقع إلى معايير جديدة. بالإضافة إلى ذلك، تم استخدام المعاملات المعايرة داخل نموذج تسعير الأصول القائم على الوكلاء، مما أدى إلى ظهور أنماط من الزخم قصير الأمد والانحراف طويل الأمد، مما يتماشى مع الأدلة التجريبية.

تكشف نتائج هذه الدراسة عن نطاقات القياس (measurement ranges) ووظائف المعايرة (calibration functions) وحدودًا واضحة لطيف من ثمانية تحيزات سلوكية معروفة، مما يمثل تحولًا في فهمنا للسلوك الاقتصادي وسلوكيات المستثمرين.