لم يصل التداول المعتمد على الذكاء الاصطناعي بعد إلى “لحظة الآيفون”، حيث يحمل الجميع مدير محفظة خوارزمي للتعلم المعزز في جيوبهم، ولكن شيئًا من هذا القبيل قادم، كما يقول الخبراء.
في الواقع، فإن قوة الذكاء الاصطناعي تجد نفسها في مواجهة الساحة الديناميكية المتعارضة لأسواق التداول. على عكس وكيل الذكاء الاصطناعي الذي يتم إعلامه بدوائر لا نهاية لها من السيارات ذاتية القيادة التي تتعلم كيفية التعرف بدقة على إشارات المرور، لن تتمكن أي كمية من البيانات والنمذجة من التنبؤ بالمستقبل.
وهذا يجعل تحسين نماذج التداول القائمة على الذكاء الاصطناعي عملية معقدة ومتطلبة. عادة ما يكون مقياس النجاح هو قياس الربح والخسارة (P&L). لكن التقدم في كيفية تخصيص الخوارزميات يؤدي إلى نشوء عوامل تتعلم باستمرار كيفية الموازنة بين المخاطر والمكافآت عند مواجهة العديد من ظروف السوق.
قال مايكل سينا، كبير مسؤولي التسويق في شركة Recall Labs، وهي شركة تدير ما يقرب من 20 ساحة تداول للذكاء الاصطناعي، حيث يقدم المجتمع وكلاء تداول الذكاء الاصطناعي، ويتنافس هؤلاء الوكلاء على مدى أربعة أو خمسة أيام، إن السماح للمقاييس المعدلة حسب المخاطر مثل نسبة شارب لإبلاغ عملية التعلم يضاعف من تعقيد الاختبار.
وقال سينا في مقابلة: “عندما يتعلق الأمر بمسح السوق بحثًا عن ألفا، فإن الجيل القادم من المنشئين يستكشفون تخصيص الخوارزمية وتخصصها، مع أخذ تفضيلات المستخدم في الاعتبار”. “إن التحسين لنسبة معينة وليس فقط الربح والخسارة الخام هو أشبه بالطريقة التي تعمل بها المؤسسات المالية الرائدة في الأسواق التقليدية. لذا، بالنظر إلى أشياء مثل، ما هو الحد الأقصى للسحب، ما مقدار القيمة المعرضة للخطر لتحقيق هذا الربح والخسارة؟ “
إذا نظرنا خطوة إلى الوراء، فإن المنافسة التجارية الأخيرة على البورصة اللامركزية Hyperliquid، والتي تتضمن العديد من نماذج اللغات الكبيرة (LLMs)، مثل GPT-5 وDeepSeek وGemini Pro، حددت نوعًا ما خط الأساس لمكان وجود الذكاء الاصطناعي في عالم التجارة. تم منح كل هؤلاء الحاصلين على ماجستير إدارة الأعمال نفس التوجيه وتم تنفيذهم بشكل مستقل، واتخاذ القرارات. لكنها لم تكن بهذه الجودة، وفقًا لما قاله سينا، وبالكاد كانت تتفوق على السوق.
“لقد أخذنا نماذج الذكاء الاصطناعي المستخدمة في مسابقة Hyperliquid وسمحنا للأشخاص بتقديم وكلاء التداول الخاصين بهم الذين قاموا بإنشائه للتنافس ضد تلك النماذج. وقال سينا: “أردنا أن نرى ما إذا كان وكلاء التداول أفضل من النماذج الأساسية، مع هذا التخصص الإضافي”.
تم احتلال المراكز الثلاثة الأولى في مسابقة Recall بواسطة نماذج مخصصة. وقال: “كانت بعض النماذج غير مربحة وكان أداؤها ضعيفًا، ولكن أصبح من الواضح أن وكلاء التداول المتخصصين الذين يأخذون هذه النماذج ويطبقون منطقًا إضافيًا واستدلالًا ومصادر بيانات وأشياء في الأعلى، يتفوقون في الأداء على الذكاء الاصطناعي الأساسي”.
يثير إضفاء الطابع الديمقراطي على التداول القائم على الذكاء الاصطناعي تساؤلات مثيرة للاهتمام حول ما إذا كان سيتبقى أي ألفا لتغطية ما إذا كان الجميع يستخدمون نفس المستوى من تكنولوجيا التعلم الآلي المتطورة.
“إذا كان الجميع يستخدمون نفس الوكيل وكان ذلك الوكيل ينفذ نفس الإستراتيجية للجميع، فهل ينهار هذا النوع من الانهيار في حد ذاته؟” قالت سينا. “هل يختفي ألفا الذي يكتشفه لأنه يحاول تنفيذه على نطاق واسع للجميع؟”
وقال سينا إن هذا هو السبب في أن أولئك الذين هم في وضع أفضل للاستفادة من الميزة التي ستجلبها تجارة الذكاء الاصطناعي في النهاية هم أولئك الذين لديهم الموارد اللازمة للاستثمار في تطوير الأدوات المخصصة. وأضاف أنه كما هو الحال في التمويل التقليدي، فإن الأدوات عالية الجودة التي تولد أكبر قدر من ألفا ليست عامة.
قال سينا: “يريد الناس الحفاظ على خصوصية هذه الأدوات قدر الإمكان، لأنهم يريدون حماية ألفا”. “لقد دفعوا الكثير مقابل ذلك. وقد رأيت ذلك من خلال شراء صناديق التحوط لمجموعات البيانات. ويمكنك أن ترى ذلك من خلال الخوارزميات المملوكة التي طورتها المكاتب العائلية.
“أعتقد أن النقطة السحرية الرائعة ستكون عندما يكون هناك منتج يعمل كمدير محفظة ولكن لا يزال لدى المستخدم رأي في استراتيجيته. يمكنه أن يقول: “هذه هي الطريقة التي أحب بها التداول وهذه هي المعلمات الخاصة بي، دعنا ننفذ شيئًا مشابهًا، ولكن نجعله أفضل.””
