افتح ملخص المحرر مجانًا
رولا خلف، محررة الفايننشال تايمز، تختار قصصها المفضلة في هذه النشرة الأسبوعية.
صباح الخير. تراجعت الأسواق الفرنسية قليلاً بعد أن دعا الرئيس إيمانويل ماكرون إلى إجراء انتخابات برلمانية مبكرة، لكن الرد كان مجرد استهزاء من الغال أكثر من أي نوع من الذعر. المزيد من الأدلة على وجهة النظر غير المغطاة التي تقول إن السياسة لا تهم الأسواق كثيراً على المدى القصير (باستثناء الحالات القصوى). أرسل لي بريدًا إلكترونيًا: [email protected].
الروبوتات هنا
يجب على كل من يعمل في صناعة المعلومات – وهي الفئة التي تشمل الصحفيين، ومبرمجي البرمجيات، ومنتقيي الأسهم – أن يفكروا فيما إذا كان الكمبيوتر سيتولى وظيفته، أو ربما متى.
يمكن لنموذج لغوي كبير، تم تدريبه على الكتابة لصحيفة فاينانشيال تايمز، أن يكتب رسائل إخبارية تشبهني كثيرًا. ربما لن تكون الرسائل مقنعة تمامًا اليوم، لكن من المحتمل ألا يمر وقت طويل قبل أن تكون مقنعة. ربما لا يرغب الناس في قراءة النشرات الإخبارية التي يكتبها حاملو ماجستير إدارة الأعمال، وفي هذه الحالة لم يتم حجز رحلتي إلى ساحة الماهر تمامًا. لكن التهديد واضح.
قد يكون القراء غير المحميين أقل اهتمامًا بمستقبل الصحافة من اهتمام المحللين ومديري المحافظ الاستثمارية. وهو ما يقودني إلى بحث حديث أجراه ثلاثة باحثين في كلية إدارة الأعمال بجامعة شيكاغو، وهم أليكس كيم، وماكسيميليان موهن، وفاليري نيكولاييف (سأطلق عليهم اسم KMN). إن الورقة البحثية، “تحليل البيانات المالية باستخدام نماذج لغوية كبيرة”، تضع ChatGPT للعمل على البيانات المالية. مع بعض التحفيز الخفيف إلى حد ما، حولت LLM تلك البيانات إلى تنبؤات بالأرباح كانت أكثر دقة من المحللين – وشكلت التنبؤات الأساس للمحافظ النموذجية التي، في الاختبارات الخلفية، ولدت عوائد زائدة كبيرة.
وخلص المؤلفون إلى: “نحن نقدم أدلة تتفق مع نماذج اللغة الكبيرة التي تتمتع بقدرات شبيهة بالقدرات البشرية في المجال المالي”. “تشير النتائج التي توصلنا إليها إلى إمكانية قيام LLMs بإضفاء الطابع الديمقراطي على معالجة المعلومات المالية.”
قامت KMN بتغذية ChatGPT بآلاف وآلاف من الميزانيات العمومية وبيانات الدخل، مجردة من التواريخ وأسماء الشركات، من قاعدة بيانات تمتد من عام 1968 إلى عام 2021 وتغطي أكثر من 15000 شركة. تحتوي كل ميزانية عمومية وبيان الدخل المصاحب لها على بيانات قياسية لمدة عامين، ولكنها كانت بمثابة مدخلات فردية؛ ولم يتم “إخبار” النموذج عن تاريخ الشركة على المدى الطويل. ثم دفعت KMN النموذج إلى إجراء تحليلات مالية قياسية تمامًا (“ما الذي تغير في الحسابات عن العام الماضي؟”، “احسب نسبة السيولة”، “ما هو هامش الربح الإجمالي؟”).
بعد ذلك – وقد تبين أن هذا أمر بالغ الأهمية – حثت KMN النموذج على كتابة روايات اقتصادية تشرح مخرجات التحليل المالي. وأخيرًا، طلبوا من النموذج التنبؤ بما إذا كانت أرباح كل شركة في العام المقبل سترتفع أم تنخفض؛ وما إذا كان التغيير سيكون صغيرًا أم متوسطًا أم كبيرًا؛ ومدى تأكده من هذا التوقع.
تبين أن التنبؤ باتجاه الأرباح، حتى بطريقة ثنائية، ليس بالأمر السهل بشكل خاص، سواء بالنسبة للإنسان أو للآلة. وللتبسيط بشكل ملحوظ: كانت تنبؤات الإنسان (المستمدة من نفس قاعدة البيانات التاريخية) دقيقة بنسبة 57% تقريبًا من الوقت، عند قياسها في منتصف العام السابق. وهذا أفضل مما فعله ChatGPT قبل المطالبة به. ولكن بعد المطالبة، ارتفعت دقة النموذج إلى 60 في المائة. وكتبت KMN: “هذا يعني أن GPT تهيمن بشكل مريح على أداء المحلل المالي المتوسط” في التنبؤ باتجاه الأرباح.
وأخيرًا، قامت KMN ببناء محافظ نموذجية طويلة وقصيرة استنادًا إلى الشركات التي توقع النموذج حدوث تغييرات كبيرة في أرباحها بأعلى مستويات الثقة. في الاختبارات الخلفية، تفوقت هذه المحافظ على أداء سوق الأسهم الواسعة بمقدار 37 نقطة أساس شهريًا على أساس الرسملة المرجحة و84 نقطة أساس شهريًا على أساس متساوٍ مرجح (مما يشير إلى أن النموذج يضيف المزيد من القيمة مع توقعاته لأرباح الأسهم الصغيرة). هذا كثير من ألفا.
لقد تحدثت مع أليكس كيم بالأمس، وقد سارع إلى التأكيد على الطبيعة الأولية للنتائج. وهذا دليل على المفهوم، وليس دليلاً على أن KMN قد اخترعت مصيدة فئران أفضل لانتقاء المخزون. وكان كيم حريصًا بنفس القدر على التأكيد على النتيجة التي توصلت إليها KMN بأن مطالبة النموذج بتأليف سرد لشرح الآثار المترتبة على البيانات المالية يبدو أنه المفتاح لفتح قدر أكبر من دقة التنبؤ. هذا هو الجانب “الشبيه بالإنسان”.
تثير الدراسة الكثير من القضايا، خاصة بالنسبة لشخص مثلي لم يقض الكثير من الوقت في التفكير في الذكاء الاصطناعي. ليس في ترتيب معين:
-
إن نتيجة KMN لا تبدو مفاجئة بالنسبة لي بشكل عام. كان هناك الكثير من الأدلة على مر السنين على أن نماذج الكمبيوتر السابقة أو حتى مجرد الانحدارات الخطية القديمة البسيطة يمكن أن تتفوق في الأداء على المحلل العادي. التفسير الأكثر وضوحًا لذلك هو أن النماذج أو الانحدارات تجد القواعد أو تتبعها فقط. وبالتالي فإنهم ليسوا فريسة للتحيزات التي يتم تشجيعها أو تأكيدها فقط من خلال المعلومات الغنية التي يمكن للبشر الوصول إليها (تقارير الشركات، الثرثرة التنفيذية وما إلى ذلك).
-
ربما يكون الأمر الأكثر إثارة للدهشة هو أن ماجستير إدارة الأعمال (LLM) الجاهز كان قادرًا على التفوق في الأداء على البشر بشكل كبير جدًا من خلال المحفزات الأساسية تمامًا (تفوق النموذج أيضًا في أداء الانحدار الإحصائي الأساسي وأدى أداءً مشابهًا لبرامج “الشبكة العصبية” المتخصصة التي تم تدريبها خصيصا للتنبؤ بالأرباح).
-
من الواضح أن جميع المؤهلات المعتادة التي تنطبق على أي دراسة في العلوم الاجتماعية تنطبق هنا. يتم إجراء الكثير من الدراسات. تم نشر القليل. في بعض الأحيان لا تصمد النتائج.
-
يتجنب بعض أفضل منتقي الأسهم على وجه التحديد هوس وول ستريت بما ستفعله الأرباح على المدى القريب. وبدلا من ذلك، فإنها تركز على المزايا الهيكلية للشركات، وعلى الطرق التي يتغير بها العالم والتي من شأنها أن تميز بعض الشركات على غيرها. هل يستطيع ChatGPT إجراء “مكالمات كبيرة” مثل هذه بنفس الفعالية التي يمكنه بها التنبؤ بالأرباح على المدى القصير؟
-
ما هي وظيفة المحلل المالي؟ إذا كان بإمكان ماجستير إدارة الأعمال التنبؤ بالأرباح بشكل أفضل من منافسيهم من البشر في معظم الأوقات، فما هي القيمة التي يقدمها المحلل؟ هل هي موجودة لشرح تفاصيل العمل التجاري لمدير المحفظة الذي يقوم “بالمكالمات الكبيرة”؟ هل هي قناة معلومات تربط بين الشركة والسوق؟ هل ستظل لها قيمة عندما تصبح مكالمات البيع والشراء البشرية شيئًا من الماضي؟
-
ربما لن تغير قدرة الذكاء الاصطناعي على التفوق على المحلل المتوسط أو منتقي الأسهم أي شيء على الإطلاق. وكما أشار لي جوشوا جانز من جامعة تورنتو، فإن القيمة المنخفضة لمنتقي الأسهم المتوسطة ظهرت منذ سنوات من خلال تكنولوجيا الذكاء الاصطناعي المعروفة باسم صندوق مؤشر فانجارد منخفض الرسوم. ما يهم هو قدرة LLM على التنافس مع أذكى الأشخاص في السوق أو دعمهم، والذين يستخدم الكثير منهم بالفعل كميات كبيرة من قوة الكمبيوتر للقيام بوظائفهم.
أنا حريص على سماع آراء القراء حول هذا الموضوع.
قراءة واحدة جيدة
المزيد عن أجر إيلون ماسك.
