تواجه نماذج التداول بالذكاء الاصطناعي صعوبات في اختبارات السوق الحية، وتسجل غالبية الأنظمة خسائر

الذكاء الاصطناعي يقرع أبواب غرف تداول وول ستريت، لكن سجله الحالي ليس جيدًا.

تشير النتائج المبكرة من سلسلة من المسابقات التجارية العامة إلى أن النماذج اللغوية الكبيرة (LLM) الرئيسية تؤدي أداءً ضعيفًا بشكل عام في التداول الذاتي — فمعظم الأنظمة تخسر، وتُجري تداولات مفرطة، وتتخذ قرارات مختلفة تمامًا عند تلقي نفس التعليمات. هذه النتائج تثير سؤالًا أساسيًا: ما مدى عمق الفجوة بين النماذج اللغوية الكبيرة وآليات السوق الحقيقية؟

أحد أكثر الأمثلة تمثيلاً هو مسابقة Alpha Arena التي نظمتها شركة التكنولوجيا الناشئة Nof1. وضعت المسابقة ثمانية أنظمة ذكاء اصطناعي متقدمة، بما في ذلك Claude من Anthropic وGemini من Google وChatGPT من OpenAI وGrok من إيلون ماسك، في أربع جولات من المنافسات المستقلة، حيث حصل كل نظام على 10,000 دولار في بداية كل جولة ل التداول自主 في أسهم التكنولوجيا الأمريكية على مدار أسبوعين. في النهاية، خسر المحفظة الاستثمارية الإجمالية حوالي ثلث رأس المال، وحقق الربح فقط في 6 من أصل 32 نتيجة.

مؤسس Nof1، جاي أزهانغ، قال مباشرة: "ليس من الممكن حاليًا إعطاء المال مباشرةً لنموذج لغوي كبير ليقوم بالتداول نيابةً عنك."

كشفت بيانات Alpha Arena عن عيوب متعددة في نماذج اللغة الكبيرة الحالية في سيناريوهات التداول. تحت نفس التعليمات، نفذ Qwen من علي بابا ما مجموعه 1,418 صفقة خلال جولة واحدة من المسابقة، بينما قام Grok 4.20 الأفضل أداءً بوضع أوامر فقط بـ 158 صفقة. ظهر أفضل أداء لـ Grok في الجولة التي تمكّنت فيها من مراقبة أداء المنافسين.

تتبع مدونة الذكاء الاصطناعي Flat Circle 11 ساحة مرتبطة بالسوق، وأظهرت النتائج أنه في جميع الساحات، حقق على الأقل نموذج واحد ربحًا، لكن فقط ساحتين من الساحات كان نموذجهما الوسيط مربحًا، مما يشير إلى أن معظم النماذج تواجه صعوبة في تجاوز أداء السوق.

كما أن الاختلافات في القرارات بين النماذج المختلفة تثير الاهتمام أيضًا. وفقًا لـ Azhang، في أحدث جولة اختبارات في Alpha Arena، كان Claude يميل إلى الشراء، بينما لم يُظهر Gemini أي ممانعة تجاه البيع القصير، وكان Qwen مستعدًا لاستخدام رافعة مالية عالية لتحمل المخاطر. "لديها كل منها 'شخصية' خاصة، وإدارتها تشبه إلى حد كبير إدارة محلل بشري،" كما قال دوغ كلينتون، مدير Intelligent Alpha، الذي يدير صندوقًا مدعومًا بـ LLM، مضيفًا أن إعلام النماذج بوجود تحيز معين يمكنه تحسين النتائج إلى حد ما.

أشار جاي أزهانغ إلى أن نماذج اللغة الكبيرة تتمتع بميزة في البحث واستدعاء الأدوات الصحيحة، لكنها تعاني من عيوب منهجية على مستوى تنفيذ التداول: فهي لا تزال غير مدركة للوزن النسبي للعديد من المتغيرات التي تؤثر على أسعار الأسهم، مثل تقييمات المحللين وصفقات الداخلين وتغيرات المشاعر، مما يجعلها عرضة لمشاكل مثل سوء توقيت التداول، وحجم المراكز غير المناسب، والشراء والبيع المفرطين.

توفر اختبارات Intelligent Alpha مرجعًا إيجابيًا نسبيًا. أُجري هذا الاختبار على 10 نماذج ذكاء اصطناعي، وتم منحها إمكانية الوصول إلى المستندات المالية، وتوقعات المحللين، وسجلات مؤتمرات المكالمات المالية، والبيانات الاقتصادية الكلية، ومحركات البحث على الإنترنت، مع التركيز على تقييم اتجاه توقعات الأرباح. وأظهرت النتائج أن نموذج ChatGPT من OpenAI حقق دقة بنسبة 68% في التنبؤ باتجاه توقعات الأرباح للربع الرابع من عام 2025، وهو أفضل أداء حتى الآن. وأشار كلينتون إلى أن أداء النماذج يميل إلى التحسن بشكل عام مع كل إصدار جديد.

يواجه تقييم قدرات الذكاء الاصطناعي على التداول عقبة منهجية جوهرية. تعتمد الاستراتيجيات الكمية التقليدية على اختبارات التأريخ للتحقق من فعاليتها، لكن هذا الإطار يفشل تقريبًا تمامًا أمام نماذج اللغة الكبيرة — فنموذج يُسأل في عام 2026 عن كيفية تداول حركة السوق في مارس 2020، يعرف مسبقًا مسار تلك الفترة التاريخية. هذه المشكلة المُسمّاة "تحيز التطلع للخلف" (lookahead bias) تجبر الباحثين على تقييم الذكاء الاصطناعي فقط من خلال الأسواق الحية، مما أدى إلى ظهور كم هائل من المعايير المرجعية والمنافسات الحالية.

يعتقد جيم موران، كاتب مدونة Flat Circle والشريك المؤسس لشركة YipitData السابقة المزودة للبيانات البديلة، أن معظم التجارب العامة الحالية قصيرة جدًا في دورتها ومشوشة للغاية، ولا تكفي حاليًا لدعم استنتاجات قاطعة. كما أن هذه الساحات تعاني من عيوب طبيعية، مثل عدم القدرة على الوصول إلى موارد أبحاث الأسهم الحصرية وجودة تنفيذ منخفضة. وقال: "إذا نُقل أي وكيل ذكاء اصطناعي من هذه الساحات مباشرةً ليُشغل داخل صندوق تحوط رائد، فمن المرجح أن أدائه سيكون أفضل."

كتب ألكسندر إيزيدورتشيك، الرئيس السابق للعلوم البيانات في Coatue Management والآن العامل في NX1 Capital، مؤخرًا أن أيًا من روبوتات التداول بالذكاء الاصطناعي التي يتابعها لا تظهر حاليًا قدرة مستدامة على تحقيق عوائد فائضة.他认为，这些竞技场的局限性在于其训练数据中缺失了秘密交易机构所使用的实用量化技术。

ومع ذلك، ترك إيزيدورتشيك حكمًا مثيرًا للاهتمام: "أحيانًا يستطيع المبتدئون رؤية أشياء لا يستطيع المحترفون رؤيتها." كتب في مدونته الشخصية: "عندما تبدأ استراتيجيات التداول بواسطة وكلاء نماذج اللغة الكبيرة في العمل حقًا، لن تسمع أي أخبار على الفور."

تُعد Nof1 للمرحلة الثانية من Alpha Arena، وتخطط لمنح كل نموذج ذكاء اصطناعي قدرات مثل البحث على الويب، ووقت تفكير أطول، ومصادر بيانات أكثر، وقدرات تنفيذ متعددة الخطوات. لكن نموذج عمل الشركة الأساسي هو توفير أدوات نظامية للمستثمرين الأفراد لبناء وكلاء تداول ذكاء اصطناعي — وليس وضع الذكاء الاصطناعي مباشرةً في مقاعد التداول. ربما يكون هذا الموقف نفسه أوضح تعبير واقعي عن قدرات الذكاء الاصطناعي الحالية في التداول.