مقارنة أداء نماذج الذكاء الاصطناعي في اختيار الأسهم
أجرى أستاذ المالية في جامعة فلوريدا، أليخاندرو لوبيز-ليرا، تجارب لاختبار قدرات نماذج الذكاء الاصطناعي مثل ChatGPT وDeepSeek وGrok في اختيار الأسهم، ووجد نتائج مبهرة تشير إلى أن هذه التقنيات قد تؤدي إلى أتمتة العديد من المهام التي يقوم بها محللو الأسواق المالية حالياً.
نتائج أداء المحافظ الاستثمارية باستخدام الذكاء الاصطناعي
أظهرت استراتيجية اختيار الأسهم المدعومة بالذكاء الاصطناعي من Danelfin نتائج مميزة، حيث حققت عائداً بنسبة +263% من يناير 2017 حتى أغسطس 2024، متفوقة بشكل كبير على مؤشر S&P 500 الذي سجل +189% خلال نفس الفترة. كما أظهر نظام تقييم الذكاء الاصطناعي الخاص بالمنصة أن الأسهم المدرجة في الولايات المتحدة والتي حصلت على أعلى الدرجات (10/10) تفوقت على السوق بمعدل عائد إضافي سنوي يبلغ +14.69% خلال ثلاثة أشهر، في حين أن الأسهم ذات الدرجات الأدنى (1/10) شهدت أداءً ضعيفاً بنسبة -37.38%.
على الرغم من أن تجارب استخدام نماذج الذكاء الاصطناعي في اختيار الأسهم أظهرت نتائج مختلطة، إلا أنها واعدة. في إحدى التجارب، حققت الأسهم التي اختارتها الذكاء الاصطناعي عائداً متوسطاً بنسبة 10.74% بعد 30 يوم تداول، مع تفوق سهم واحد على مؤشر S&P 500 بما يقرب من خمسة أضعاف. كما تدعي منصة AltIndex أن اختياراتها للأسهم تحقق معدل نجاح تاريخي بنسبة 70% مع مكاسب متوسطة تبلغ 22% خلال ستة أشهر. ومع ذلك، وكما هو الحال مع جميع استراتيجيات الاستثمار، فإن هذه المنصات تحذر من أن الأداء الماضي لا يضمن النتائج المستقبلية، نظراً لطبيعة الأسواق المالية غير المتوقعة رغم التحليل المتقدم للذكاء الاصطناعي.
منهجية أبحاث لوبيز-ليرا
بدأ لوبيز-ليرا منهجيته بتجربة بسيطة لاختبار قدرة ChatGPT على تفسير ما إذا كانت عناوين الأخبار إيجابية أو سلبية للأسهم، وحقق من خلالها عائداً مذهلاً بنسبة 512%. وفي الاستخدامات الواقعية من خلال تطبيق Autopilot للاستثمار، طور عملية أكثر تعقيداً حيث تقوم نماذج الذكاء الاصطناعي بتقييم الشركات على مقياس من 1 إلى 100 بناءً على بيانات شاملة تشمل الظروف الاقتصادية الكلية، والمخاطر الجيوسياسية، والبيانات المالية للشركات.
تطورت منهجية البحث لتصبح أكثر تعقيداً مع السماح للنماذج بالعمل بحرية أكبر. يستخدم لوبيز-ليرا حالياً نماذج OpenAI o3، وxAI Grok 3، وDeepSeek R1 لإنشاء محافظ تتكون من 15 مركزاً استثمارياً، حيث تسمح للنماذج بتحديد الأوزان والتوزيع بين فئات الأصول بنفسها. وفي بحث مشترك مع زملاء من الاحتياطي الفيدرالي وجامعة كولونيا، استخدم التعلم الآلي لاختبار 200 نظرية استثمارية، واكتشف أن نسبة محددة تتعلق بالمبيعات من الاستحواذات ونفقات الإيجار تفوقت على المؤشرات التقليدية مثل نسبة القيمة الدفترية إلى السوق، حيث حققت عوائد شهرية بنسبة 1.03% بعد عام 2012 مقارنة بأقل من 0.1% للطريقة التقليدية.
مقارنة بين ChatGPT وDeepSeek في التداول
تُظهر المقارنة بين ChatGPT وDeepSeek في تطبيقات التداول أن كل منصة تتميز بنقاط قوة مختلفة. يتفوق ChatGPT في التعامل مع التعليمات المعقدة المتعلقة بالتداول، وقد أثبت فعاليته في التقاط الأخبار الاقتصادية التي ترتبط بعلاوة مخاطر السوق. في اختبارات استراتيجيات التداول، حقق ChatGPT أداءً أفضل مع تحديات المؤشرات المعقدة، حيث أنشأ استراتيجية مربحة تضمنت 514 صفقة بنسبة نجاح 33%.
أما DeepSeek، وعلى الرغم من أدائه الأقل في التنبؤ بسوق الأسهم مقارنة بـChatGPT (ربما بسبب تدريب ChatGPT الأوسع على اللغة الإنجليزية)، فإنه يتفوق في تطوير استراتيجيات التداول البسيطة والعمليات الحسابية المعقدة. كما أن المعلومات التي يحددها DeepSeek يتم دمجها فوراً في أسعار الأسهم دون أن تحمل قوة تنبؤية للعوائد المستقبلية، في حين ترتبط الأخبار الإيجابية التي يحددها ChatGPT بعوائد السوق الحالية والمستقبلية لمدة تصل إلى ستة أشهر. لذلك، يفضل المتداولون استخدام ChatGPT لتحليل السوق الأساسي والسياق الاقتصادي، بينما يوفر DeepSeek قدرات برمجية أقوى ومعالجة بيانات فعالة للتحليل الفني.
