إدارة محافظ الأسهم باستخدام الذكاء الاصطناعي متعدد الوكلاء: نظرة على نظام AlphaAgents من بلاك روك

إدارة محافظ الأسهم باستخدام الذكاء الاصطناعي متعدد الوكلاء: نظرة على نظام AlphaAgents من بلاك روك

يُشهد تطوراً سريعاً في استخدام تقنيات الذكاء الاصطناعي (AI) في الأسواق المالية، حيث تُستخدم نماذج اللغات الكبيرة (LLMs) بشكل متزايد في تحليل الأسهم، وإدارة المحافظ، واختيار الأسهم. وقد قام فريق البحث في شركة بلاك روك (BlackRock) باقتراح إطار عمل AlphaAgents للبحث الاستثماري. يعتمد هذا الإطار على قوة الأنظمة متعددة الوكلاء لتحسين النتائج الاستثمارية، والحد من التحيزات المعرفية، وتعزيز عملية صنع القرار في بناء محافظ الأسهم.

الحاجة إلى الأنظمة متعددة الوكلاء في البحث عن الأسهم

تعتمد إدارة محافظ الأسهم تقليدياً على محللين بشريين يقومون بتجميع مجموعات بيانات ضخمة ومتنوعة – مثل البيانات المالية، والتقارير الإخبارية، ومؤشرات السوق، وغيرها – لاتخاذ قرارات مدروسة بشأن اختيار الأسهم. لكن هذه العملية عرضة للتحيزات المعرفية والسلوكية، مثل النفور من الخسارة والثقة المفرطة، والتي تم توثيقها جيداً في أدبيات المالية السلوكية.

يمكن لأنظمة نماذج اللغات الكبيرة (LLMs) معالجة كميات كبيرة من البيانات غير المنظمة بسرعة، واستخراج رؤى قابلة للتطبيق من مصادر مثل الإفصاحات التنظيمية، ومكالمات الأرباح، وتقييمات المحللين. ومع ذلك، حتى النماذج القوية تواجه تحديات:

• الهلوسة: توليد معلومات تبدو معقولة ولكنها غير دقيقة.
• التركيز المحدود على المجال: قد تتجاهل الوكلاء الفردية وجهات النظر المتناقضة أو تفشل في مراعاة تفاعل مشاعر السوق، والتحليل الأساسي، والتقييم.
• التخفيف من التحيز المعرفي: تقليل التحيزات الشبيهة بالتحيزات البشرية في صنع القرار الآلي.

تهدف أطر عمل LLM متعددة الوكلاء إلى معالجة هذه العيوب من خلال التفكير التعاوني، والمناقشة، وبناء الإجماع.

إطار عمل AlphaAgents: البنية النظامية

AlphaAgents هو إطار عمل نمطي مصمم لاختيار أسهم الأسهم، ويتميز بثلاثة وكلاء متخصصين رئيسيين، كل واحد يمثل تخصصاً تحليلياً مميزاً:

1. الوكيل الأساسي (Fundamental Agent):

   • الوظيفة: أتمتة التحليل النوعي والكمي لأساسيات الشركة باستخدام ملفات 10-K / 10-Q، واتجاهات القطاع، والبيانات المالية.
   • الأدوات: توليد مُعزز بالاسترجاع (RAG) لتحليل التقارير، واستخراج البيانات مباشرة من الملفات، وهندسة المطالبات الخاصة بالمجال.

2. الوكيل المتعلق بالمشاعر (Sentiment Agent):

   • الوظيفة: تحليل الأخبار المالية، وتقييمات المحللين، والتغيرات في الإدارة، والإفصاحات المتعلقة بالتداول الداخلي لتقييم تأثير مشاعر السوق على أسعار الأسهم.
   • الأدوات: تلخيص قائم على LLM، ومطالبات مُحسّنة بالتفكير، مما يُؤدي إلى توصيات مدروسة وتصنيف المشاعر.

3. الوكيل الخاص بالتقييم (Valuation Agent):

   • الوظيفة: تقييم أسعار الأسهم التاريخية وأحجام التداول لتحديد القيمة، وحساب العوائد/التقلب السنوي، وتقييم اتجاهات التسعير.
   • الأدوات: تحليلات حسابية لحساب التقلب والعوائد، بمساعدة قيود الأدوات الرياضية للدقة.

يعمل كل وكيل على بيانات مُعتمدة خصيصاً لدوره المخصص، مما يقلل من التلوث بين المجالات.

توجيه الأدوار وسير عمل الوكيل

يستخدم AlphaAgents “توجيه الأدوار”، حيث يتم صياغة تعليمات الوكيل بعناية بما يتوافق مع خبرة المجال المالي. على سبيل المثال، يُطلب من وكيل التقييم التركيز على اتجاهات الأسعار والأحجام على المدى الطويل، بينما يقوم وكيل المشاعر بتجميع ردود أفعال السوق القائمة على الأخبار. يتم إدارة التنسيق بواسطة مساعد دردشة جماعي (بناءً على Microsoft AutoGen)، والذي يضمن المشاركة المتساوية ويُجمع مخرجات الوكيل. في حالات التحليل أو التوصية المتباينة، تتيح آلية “مناقشة متعددة الوكلاء” (أسلوب الدوران) للوكلاء مشاركة وجهات النظر والتكرار نحو إجماع – وهي عملية مصممة للحد من الهلوسة وتعزيز الشفافية.

دمج تحمل المخاطر

يُقدم AlphaAgents نمذجة تحمل المخاطر الخاصة بالوكيل من خلال هندسة المطالبات، محاكياً ملفات المستثمرين الحقيقية – محايد المخاطر مقابل مُحافظ المخاطر. على سبيل المثال:

• الوكلاء المحافظون للمخاطر: اختيارات أسهم ضيقة، مع التركيز على انخفاض التقلب والاستقرار المالي.
• الوكلاء المحايدون للمخاطر: اختيارات أوسع، مع موازنة إمكانية العائد مع الحذر المدروس.

هذا يسمح ببناء محافظ مُخصصة تعكس الولايات الاستثمارية المختلفة – وهو جانب جديد لم يُدمج على نطاق واسع في أنظمة مالية متعددة الوكلاء السابقة.

التقييم والاختبار العكسي

1. مقياس توليد مُعزز بالاسترجاع (RAG): يستخدم AlphaAgents Arize Phoenix لتقييم دقة وملاءمة مخرجات الوكيل، باستخدام مقاييس الاسترجاع للوكلاء الذين يعتمدون على RAG والتلخيص (مثل الوكلاء الأساسيين والوكلاء المتعلقين بالمشاعر).

2. اختبار المحفظة العكسي: يتضمن التقييم النهائي الحاسم اختبار محافظ مدفوعة بالوكيل بشكل عكسي مقابل معيار مرجعي خلال فترة أربعة أشهر. تتضمن المحافظ المُبنية:

   • محفظة وكيل التقييم
   • محفظة الوكيل الأساسي
   • محفظة وكيل المشاعر (حيث تتوفر تغطية إخبارية كافية)
   • محفظة وكلاء مُنسّقة متعددة

   مقاييس الأداء: العائد التراكمي، العائد المُعدّل بالمخاطرة (معامل شارب)، معامل شارب المتداول لتقييم المخاطرة الديناميكي.

النتائج:

• السيناريو المحايد للمخاطر: يتفوق التعاون بين الوكلاء المتعددين على أساليب الوكلاء الفرديين ومعيار السوق المرجعي، مُدمجاً وجهات نظر المشاعر/التقييم على المدى القصير والأساسيات على المدى الطويل.
• السيناريو المحافظ للمخاطر: جميع المحافظ المُدارة بالوكلاء أكثر تحفظاً، متخلفة عن المعيار المرجعي بسبب ارتفاعات قطاع التكنولوجيا وانخفاض تعرضات التقلب. ومع ذلك، يُحقق النهج متعدد الوكلاء انخفاضات أقل في القيمة وتحسيناً في التخفيف من المخاطر.

الرؤى الرئيسية والآثار العملية

تُقدم أطر عمل LLM متعددة الوكلاء استنتاجات قوية قابلة للتفسير لاختيار الأسهم، مع قابلية التوسع ودمج أنواع الوكلاء الجديدة (مثل التحليل الفني، والوكلاء الاقتصاديين الكليين). تُحاكي آلية المناقشة سير عمل لجان الاستثمار في العالم الحقيقي، مُصالحة وجهات النظر المختلفة لمسارات قرارات شفافة – وهي ميزة أساسية لاعتماد المؤسسات.

لا يخدم AlphaAgents فقط لبناء المحافظ، بل كمدخل نمطي لمحركات التحسين المتقدمة (متوسط التباين، بلاك-ليتمان)، مما يُوسّع حالات الاستخدام في إدارة الأصول الحديثة.

شفافية الإنسان في الحلقة: تتوفر جميع سجلات مناقشات الوكيل للمراجعة، مما يوفر إمكانيات إلغاء وإجراء مراجعة أساسية لثقة المؤسسات.

الخلاصة

يمثل AlphaAgents تقدماً مُقنعاً في إدارة المحافظ الوكالية: LLMs متعاونة متعددة الوكلاء، وهندسة معمارية نمطية، و استنتاجات مُدركة للمخاطر، وتقييم دقيق. بينما يركز النطاق الحالي على اختيار الأسهم، فإن إمكانية إدارة المحافظ الآلية، القابلة للتفسير، والقابل للتوسع واضحة – مما يُضع أطر العمل متعددة الوكلاء كأجزاء أساسية في أنظمة الذكاء الاصطناعي المالية في المستقبل.

المصدر: MarkTechPost