مدل‌های زبانی بزرگ و بورس: ماجرای هوش مصنوعی و بازار سهام!

امروزه همه از هوش مصنوعی حرف می‌زنن، اما مدل‌های زبانی بزرگ یا همون Large Language Models (LLMs) حسابی دارن تو بورس و بازار سهام غوغا می‌کنن! خب اصلا این LLMها چی هستن؟ مثلاً همین ChatGPT یا مدل‌هایی که می‌تونن کلی متن بخونن و بفهمن و حتی تو مسائل تحلیل بازار سهام کمک کنن. مقاله‌ای که امروز میخوایم درباره‌اش حرف بزنیم، خلاصه ۸۴ تا تحقیق مختلف رو که بین سال‌های ۲۰۲۲ تا اوایل ۲۰۲۵ انجام شده جمع کرده و نشون میده LLMها چجوری دارن بازار بورس رو تکون می‌دن!

ببین چی شد؟ الان LLMها تو چند تا شاخه اصلی دارن استفاده میشن:

پیش‌بینی قیمت سهام (Stock Price Forecasting): یعنی مدل هوش مصنوعی با خوندن کلی داده و خبر، سعی می‌کنه حدس بزنه قیمت سهام چطور تغییر می‌کنه.
تحلیل احساسات (Sentiment Analysis): مثلاً میرن تو شبکه‌های اجتماعی یا خبرگزاری‌ها میگردن تا ببینن مردم یا تحلیلگرها درباره یه سهم چی گفتن – مثبت یا منفی – بعد همون رو وارد مدل می‌کنن تا تاثیرش رو رو قیمت سهام بسنجن. تحلیل احساسات دقیق یعنی مدل هوش مصنوعی بتونه بفهمه کی داره فاز میده کی داره واقعا اطلاعات میده!
مدیریت پورتفوی (Portfolio Management): وظیفه اینه که تصمیم بگیره کدوم سهم رو بخریم یا بفروشیم، کدوم سهم‌ها کنار هم بهتر کار می‌کنن و چطوری میشه ریسک کمتر بشه. مدل‌های جدید کمک می‌کنن این کارها هوشمند و طبق داده‌ها باشه.
معاملات الگوریتمی (Algorithmic Trading): این یعنی داد و ستد سهام به شکل خودکار با استفاده از الگوریتم‌ها و مدل‌های خیلی پیشرفته که حتی می‌تونن اتفاقات غیرمنتظره بازار رو هم پیش‌بینی کنن و سریع واکنش نشون بدن.

توی این تحقیقات فقط کاربردها رو نگفتن، بلکه بررسی کردن مدل‌ها و روش‌های فنی رو هم یکجا جمع کردن. مثلاً:

Prompting: یعنی به مدل هوش مصنوعی با دقت بگی دقیق دنبال چی هستی (مثل فرمول‌نویسی سوال از ChatGPT).
Fine-tuning: این یعنی مدل رو با داده‌های خاص مثل داده‌های بورسی آموزش اضافه میدن تا بهتر عمل کنه.
Multi-agent frameworks: چندتا مدل هوش مصنوعی رو میذارن کنار هم تا هر کدوم یه وظیفه بردارن – میشه گفت یه تیم هوشمند!
Reinforcement Learning: یه جور یادگیریه که مدل بر اساس بازخورد از بازار یاد می‌گیره تصمیم بهتری بگیره – مثلا اگه معامله‌ای برده یا باخته، دفعه بعدی بهتر تصمیم می‌گیره.
Custom Architectures: یعنی معماری مدل رو مخصوص بورس طراحی کنن که دقیق‌تر هم جواب میده.

در مورد داده‌هایی که استفاده کردن هم خیلی متنوع کار کردن: از صورت‌های مالی شرکت‌ها، اخبار اقتصادی، گزارش عملکرد مدیران (Earnings Transcripts یعنی حرف‌هایی که مدیرها تو جلسه‌های مالی می‌زنن)، تا حتی توییت‌ها و هشتگ‌های توی شبکه‌های اجتماعی! به این داده‌های چندمدلی میگن Multimodal Data.

یه نکته جذاب دیگه تو این تحقیقات این بوده که مقایسه کردن مدل‌های هوش مصنوعی عمومی (مثلاً همین ChatGPT) و مدل‌هایی که مخصوص بازار بورس و مالی طراحی شدن. نتیجه؟ مدل‌های تخصصی‌تر تو بازار مالی یه سر و گردن بهتر عمل می‌کنن چون دقیقاً با داده‌های همون حوزه آموزش دیدن.

طبق تحقیقات، مثلاً مدل‌هایی که حالت تقویت یادگیری دارن (همون Reinforcement Learning)، به خوبی می‌تونن بازخوردهای واقعی بازار رو تو تصمیم‌گیری‌هاشون لحاظ کنن. یا تو تحلیل احساسات با روش‌های جدید LLM، سیگنال‌های دقیق‌تری نسبت به روش‌های قدیمی گرفته میشه.

اما کار تموم نیست! محقق‌ها گفتن هنوز کلی چالش باقی مونده. مثلاً:

مشکل مقیاس‌پذیری (Scalability): یعنی چطور میشه این مدل‌های بزرگ رو تو دنیای واقعی و بازارهای خیلی بزرگ اجرا کرد، بدون اینکه مشکل یا خطا پیش بیاد.
قابل تفسیر بودن (Interpretability): الان خیلی وقتا خودمون نمی‌فهمیم مدل چرا یه تصمیم گرفته!
تست تو شرایط واقعی (Real-world Validation): بیشتر نتایج تو دنیای آزمایشگاهی خوبن، تو بازار واقعی هنوز باید امتحان کنن ببینن واقعا دوام میارن یا نه.

در آخر هم مقاله پیشنهاد داده که آینده متعلق به مدل‌های هیبریدی (Hybrid Modeling Approaches یعنی ترکیب روش‌های مختلف هوش مصنوعی با هم) و اینه که مدل‌ها بتونن اطلاعات بیشتری رو هم‌زمان تحلیل کنن (Large Context Windows یعنی مدل بتونه حجم زیادی اطلاعات همزمان ببینه). تازه، باید معیارهای تست قوی‌تر هم داشته باشیم تا مطمئن بشیم مدل‌ها واقعا واسه بازار سرمایه ایران یا دنیا جواب میدن!

در کل، این تحقیقات میانبر خوبی واسه جا انداختن هوش مصنوعی تو بورس درست کرده و نشون داده آینده بازار سرمایه حسابی به دست الگوریتم‌ها و LLMها میفته؛ اگه اهل بورس باشی یا هوش مصنوعی دوست داشته باشی، این موضوع واقعاً هیجان‌انگیزه!

منبع: +