تحليل سلوكي متعدد الأبعاد: تحسين نموذج توقعات الأسهم باستخدام الذكاء الاصطناعي

في عصر تتزايد فيه تحديات توقعات السوق المالية، قدمت دراسة حديثة إطار عمل مبتكر لتقييم أداء نماذج توقعات الأسهم المعتمدة على الذكاء الاصطناعي، والذي يعتمد على سلوكيات نموذجية في اتخاذ القرارات. تعتمد هذه النماذج، التي تُعرف باسم نظم توقعات الأسهم ذات الصفات الذاتية (Agentic Stock Prediction Systems)، على تحليل تسلسلات من القرارات المتداخلة مثل اكتشاف الأنماط، توجيه المسارات، وتحكم التعلم المعزز.لكن قياس جودة هذه القرارات التقليدية غالبًا ما يكون مخفيًا تحت مقاييس التجميع مثل النسبة المئوية للخطأ المطلق المتوسط (Mean Absolute Percentage Error - MAPE) أو الدقة الاتجاهية.

تعتمد الدراسة على جمع عدة نقاط سلوكية عند كل نقطة قرار ذاتية، حيث يتم تجميعها في حلقات تمتد على مدى خمسة أيام. تم تقييم هذه الحلقات عبر ستة أبعاد محددة، بما في ذلك اكتشاف النظام، التوجيه، التكيف، معايرة المخاطر، اتساق الاستراتيجية، واسترجاع الأخطاء. يتم ذلك باستخدام مجموعة من ثلاثة نماذج لغوية ضخمة (Large Language Models - LLMs) مثل GPT 5.4 وClaude 4.6 Opus وGemini 3.1 Pro، مما يعزز من دقة التحليل.

أظهرت النتائج أن النماذج خضعت لاختبارات تصحيحية على 420 حلقة، وأسفرت عن انخفاض مستهدف في الدرجات يتراوح بين -1.6 إلى -2.4 في الأبعاد المقصودة، مقارنة بمعدل متوسط قدره -0.32 في الأبعاد الأخرى. كما ارتبطت الدرجات المجمعة سلوكيًا بنسبة 0.72 مع نسبة شارب المحققة على مدى 20 يومًا من اختبارات سابقة.

اختتمت الدراسة بتطبيق دورة مختصرة من تعديلات لتحسين الأداء، تم خلالها ضبط النموذج بمعدل انخفاض للنسبة المئوية للخطأ المطلق من 0.61% إلى 0.54%، بالإضافة إلى زيادة الدقة الاتجاهية من 71% إلى 74%. وتبين أن التحسينات كانت مركزة بشكل خاص في الحلقات ذات التقلبات العالية.

تدعو هذه الدراسة إلى التفكير بعمق في كيفية دمج نظم تقييم سلوكية متعددة الأبعاد في تطوير نظم التمويل الذكية. هل تعتقد أن هذه المنهجية يمكن أن تحدث فارقًا في استراتيجيات الاستثمار؟ شاركونا آرائكم في التعليقات.