افتح ملخص المحرر مجانًا
رولا خلف، محررة الفايننشال تايمز، تختار قصصها المفضلة في هذه النشرة الأسبوعية.
الكاتب هو رئيس عالمي سابق للأبحاث في مورجان ستانلي ورئيس سابق لمجموعة الأبحاث والبيانات والتحليلات في UBS.
لقد عرَّف الراحل بايرون فين، وهو خبير استراتيجي بارز في الأسواق في تسعينيات القرن العشرين، أفضل الأبحاث بأنها توصية لا تحظى بالإجماع وتبين أنها صحيحة. هل يمكن للذكاء الاصطناعي اجتياز اختبار فيينا للبحث الجدير بالاهتمام وجعل وظيفة المحلل زائدة عن الحاجة؟ أو على الأقل زيادة احتمال أن تكون التوصية صحيحة بنسبة تزيد عن 50 في المائة من الوقت؟
حسنًا، من المهم أن نفهم أن معظم تقارير المحللين مخصصة لتفسير البيانات المالية والأخبار. هذا يتعلق بتسهيل عمل المستثمرين. وهنا، تعمل نماذج اللغة الكبيرة الحديثة على تبسيط وظيفة المحلل هذه أو تحل محلها.
بعد ذلك، يتم بذل قدر كبير من الجهد للتنبؤ بالأرباح. وبالنظر إلى أن الأرباح في معظم الأوقات تميل إلى اتباع نمط معين، حيث أن السنوات الجيدة تتبع السنوات الجيدة والعكس صحيح، فمن المنطقي أن يعمل المحرك القائم على القواعد. ولأن النماذج لا تحتاج إلى أن “تُسمع” من خلال التميز بين الحشود بتوقعات غريبة، فإن انحيازها الأقل وضجيجها من الممكن أن يتفوق على تقديرات أغلب المحللين في الفترات التي تتسم بقدر محدود من عدم اليقين. لقد كتب الأكاديميون عن هذا الأمر منذ عقود مضت، لكن هذه الممارسة لم تنتشر في الأبحاث السائدة. للتوسع، كان الأمر يتطلب جرعة جيدة من الإحصائيات أو بناء شبكة عصبية. نادرًا ما يكون في مجموعة مهارات المحلل.
التغيير جار. قام أكاديميون من جامعة شيكاغو بتدريب نماذج لغوية كبيرة لتقدير التباين في الأرباح. وقد تفوقت هذه التقديرات المتوسطة عند مقارنتها بتقديرات المحللين. النتائج رائعة لأن طلاب ماجستير القانون يولدون رؤى من خلال فهم سرد إعلان الأرباح، لأنهم لا يملكون ما يمكن أن نسميه التفكير العددي – حافة خوارزمية مدربة بشكل ضيق. وتتحسن توقعاتهم عندما يُطلب منهم عكس الخطوات التي يقوم بها أحد كبار المحللين. مثل مبتدئ جيد، إذا كنت ترغب في ذلك.
لكن المحللين يجدون صعوبة في تحديد حجم المخاطر. يرجع جزء من هذه المشكلة إلى اهتمام المستثمرين الشديد بالحصول على مكاسب مؤكدة، مما يدفع المحللين إلى التعبير عن اليقين عندما لا يكون هناك شيء. الاختصار هو ثني التقديرات أو المضاعفات قليلاً لأعلى أو لأسفل. في أحسن الأحوال، مع أخذ سلسلة من المواقف المشابهة في الاعتبار، يمكن أن يساعد حاملو شهادات LLM.
ومن خلال اللعب مع “درجة حرارة” النموذج، التي تعتبر وكيلا لعشوائية النتائج، يمكننا إجراء تقدير إحصائي لنطاقات المخاطرة والعوائد. بالإضافة إلى ذلك، يمكننا أن نطلب من النموذج أن يعطينا تقديرًا لمدى ثقته في توقعاته. ربما يكون هذا هو السؤال الخطأ الذي يجب طرحه على معظم البشر، وهو أمر يتعارض مع الحدس. نحن نميل إلى الإفراط في الثقة في قدرتنا على التنبؤ بالمستقبل. وعندما تبدأ توقعاتنا في الخطأ، فليس من غير المعتاد أن نصعد التزامنا. من الناحية العملية، عندما تنتج شركة ما “قائمة استدعاءات الإدانة”، قد يكون من الأفضل التفكير مرتين قبل اتباع النصيحة بشكل أعمى.
ولكن قبل أن نتخلص من المحلل الذي يضرب به المثل، يجب علينا أن نعترف بوجود قيود كبيرة على الذكاء الاصطناعي. وبينما تحاول النماذج تقديم الإجابة الأكثر منطقية، لا ينبغي لنا أن نتوقع أنها ستكتشف شركة إنفيديا التالية – أو تتوقع أزمة مالية عالمية أخرى. هذه الأسهم أو الأحداث تخالف أي اتجاه. ولا يمكن لـ LLMs اقتراح شيء “يستحق النظر فيه” في مكالمة الأرباح حيث يبدو أن الإدارة تتجنب مناقشة المعلومات ذات الصلة بالقيمة. كما أنهم لا يستطيعون توقع تقلبات الدولار، على سبيل المثال، بسبب المشاحنات السياسية. السوق غير ثابت والآراء حوله تتغير طوال الوقت. نحن بحاجة إلى الحدس والمرونة لدمج المعلومات الجديدة في وجهات نظرنا. هذه هي صفات كبار المحللين.
هل يمكن للذكاء الاصطناعي أن يزيد من حدسنا؟ ربما. يمكن للباحثين المغامرين استخدام الهلوسة المشوهة لدرجة كبيرة لصالحهم من خلال الاتصال بعشوائية استجابات النموذج. سيؤدي هذا إلى تسرب الكثير من الأفكار للتحقق. أو بناء سيناريوهات جيوسياسية “ماذا لو” تستخلص دروسًا بديلة من التاريخ أكثر مما يستطيع جيش من الخبراء تقديمه.
تشير الدراسات المبكرة إلى الإمكانات في كلا النهجين. وهذا أمر طيب، حيث أن أي شخص كان عضواً في لجنة استثمار يدرك مدى صعوبة طرح وجهات نظر بديلة على الطاولة. ولكن احذر: فمن غير المرجح أن نرى “شرارة العبقرية”، وسيكون هناك الكثير من الهراء الذي يتعين التخلص منه.
هل يعقل أن يكون هناك قسم بحثي مناسب أو أن نتبع محللاً نجماً؟ إنه كذلك. ولكن يتعين علينا أن نفترض أن بعض العمليات يمكن تشغيلها آليا، وأن بعضها يمكن تعزيزه، وأن الحدس الاستراتيجي أشبه بإبرة في كومة قش. ومن الصعب العثور على توصيات غير متفق عليها ويتبين أنها صحيحة. وهناك بعض الصدفة في البحث.
