الذكاء الاصطناعي أم المحلل المالي.. من الأفضل في توقع أرباح الشركات؟

في خضم المنافسة المستمرة بين الذكاء الاصطناعي والقدرات البشرية، أظهرت الأبحاث الجديدة قدرة فائقة للذكاء الاصطناعي على توقع أرباح الشركات العامة مقارنة بالمحللين الماليين.

هذه الأبحاث، التي نشرت نتائجها صحيفة "وول ستريت جورنال"، لا تزال أولية، وتحتاج إلى مزيد من التحقق.

تشير هذه الأبحاث إلى تحدي الاعتقاد السائد منذ فترة طويلة بأن المحللين الماليين هم الركيزة الأساسية لاتخاذ القرارات الهامة في الأسواق المالية. وأوضح فاليري نيكولاييف، أستاذ المحاسبة في جامعة شيكاغو وأحد مؤلفي الدراسة، أهمية هذا الاكتشاف قائلاً: "من المهم جداً أن يكون هناك إنسان في هذه الحلقة"، مشيراً إلى الدور المتطور للذكاء الاصطناعي من كونه مجرد أداة دعم إلى احتمال توليه القيادة في عمليات اتخاذ القرارات المالية.

لتقييم أداء نماذج اللغة الكبيرة (LLMs) مقابل المحللين البشريين، استخدم الباحثون نموذج "GPT-4 Turbo" من "أوبن إيه آي"، تم تكليف النموذج بتحليل القوائم المالية الموحدة للشركات، وحساب النسب المالية المختلفة المستخدمة لتقييم الأسهم، مثل كفاءة التشغيل، والسيولة، ونسب الرفع المالي.

لضمان نزاهة التحليل، تمت إزالة أسماء الشركات والمعلومات التعريفية من القوائم، واستبدال بعض الأحرف والرموز. ثم طُلب من النموذج التنبؤ بما إذا كانت الشركات ستحقق أرباحاً أعلى أو أقل في السنة التالية بناءً على البيانات المالية المقدمة فقط. كما كان عليه تقييم حجم أي تغيير في الأرباح ومدى ثقته بكل تنبؤ.

شمل التحليل القوائم المالية لـ15,401 شركة من عام 1968 إلى عام 2021، وتمت مقارنة هذه التوقعات مع توقعات المحللين الماليين الذين غطوا 3,152 شركة من عام 1983 إلى عام 2021، إذ تم استخدام التوقعات المتوسطة للأرباح من عدة محللين لكل سهم كنقطة مرجعية.

وجدت الدراسة أن النموذج توقع بشكل صحيح ما إذا كانت أرباح الشركة ستنمو أو تتقلص في السنة التالية بنسبة 60.35%. بالمقارنة، كانت دقة المحللين الماليين الذين قدموا توقعاتهم في غضون شهر من نشر الشركة لوثائقها المالية السنوية 52.71%. وعلى الرغم من أن دقة المحللين تتحسن مع تحديثهم لتوقعاتهم على مدار السنة، إلا أنهم لا يزالون خلف هذا النموذج.

بشكل ملحوظ، بقيت توقعات النموذج، التي لم يتم تحديثها على مدار السنة، أكثر دقة. وهذا الأداء ملحوظ؛ نظراً لأن توقعات النموذج تعتمد فقط على البيانات المالية، في حين أن المحللين يأخذون في الاعتبار السياقات السردية الأوسع، بما في ذلك تعليقات الإدارة وظروف السوق.

يسمح هذا السياق الأوسع للمحللين البشريين بالتفوق على النموذج في تقييم الشركات الأصغر والتي تخسر المال، إذ تكون المعرفة بالصناعة وفهم البيئات التنظيمية والسياسية والاقتصادية أموراً حاسمة. فيما تنخفض دقة النموذج خلال فترات الصدمة الاقتصادية، مثل أزمة النفط عام 1974، والأزمة المالية عام 2008، وجائحة كوفيد-19، إذ تصبح العوامل الخارجية خلال هذه الفترات أكثر أهمية، وتثبت توقعات المحللين أنها أكثر دقة، مما يبرز أهمية المعرفة السياقية التي تفتقر إليها النماذج اللغوية الكبيرة حالياً.

لاستكشاف التطبيقات العملية لتوقعات النموذج بشكل أكبر، استخدم الباحثون النموذج لبناء محافظ استثمارية افتراضية. حققت هذه المحافظ عائدات بمتوسط 12% سنوياً في بعض النماذج، متفوقة على السوق بشكل عام. استناداً إلى ثقة النموذج في توقعاته، اشترى الباحثون أعلى 10% من الأسهم التي كان من المتوقع أن تشهد نمواً معتدلاً أو كبيراً في الأرباح، وقاموا ببيع الأسهم الأدنى 10% المتوقع أن تشهد انخفاضات معتدلة أو كبيرة في الأرباح.

خلصت الدراسة إلى أن "GPT-4 Turbo" يمكنه التفوق على المحللين البشريين في تحليل البيانات المالية حتى دون السياقات السردية المحددة. وأشار الباحثون في الدراسة: "نظراً لأن (جي بي تي) يتفوق على المحللين البشريين في توقع الأرباح المستقبلية، فإن هذا الاكتشاف يثير التساؤل عما إذا كان يمكن لنموذج اللغة الكبيرة أن يحل محل المحلل البشري بشكل كبير".

تؤكد هذه الأبحاث إمكانيات الذكاء الاصطناعي في التحليل المالي، مما يشير إلى مستقبل يمكن أن تتولى فيه نماذج الذكاء الاصطناعي دوراً أكثر مركزية في اتخاذ القرارات المالية، مع تقديم المحللين البشريين للإشراف والفهم السياقي.