لم يصل التداول المدعوم بالذكاء الاصطناعي بعد إلى "لحظة آيفون"، عندما يحمل الجميع مدير محفظة خوارزمي للتعلم المعزز في جيوبهم، لكن شيئًا من هذا القبيل قادم، كما يقول الخبراء.

في الواقع، تجد قوة الذكاء الاصطناعي نظيرها عندما تواجه الساحة الديناميكية والتنافسية لأسواق التداول. على عكس وكيل الذكاء الاصطناعي المدعوم بدوائر لا نهائية من السيارات ذاتية القيادة التي تتعلم التعرف بدقة على إشارات المرور، لن تتمكن أي كمية من البيانات والنمذجة من التنبؤ بالمستقبل.

هذا يجعل تحسين نماذج التداول بالذكاء الاصطناعي عملية معقدة ومتطلبة. كان مقياس النجاح عادة هو قياس الربح والخسارة (PNL). لكن التطورات في كيفية تخصيص الخوارزميات تولد وكلاء يتعلمون باستمرار موازنة المخاطر والمكافآت عند مواجهة مجموعة متنوعة من ظروف السوق.

إن السماح للمقاييس المعدلة حسب المخاطر مثل نسبة شارب بإثراء عملية التعلم يضاعف تعقيد الاختبار، كما قال مايكل سينا، مدير التسويق في Recall Labs، وهي شركة أدارت حوالي 20 ساحة تداول بالذكاء الاصطناعي، حيث يقدم المجتمع وكلاء تداول بالذكاء الاصطناعي، ويتنافس هؤلاء الوكلاء على مدى فترة أربعة أو خمسة أيام.

"عندما يتعلق الأمر بمسح السوق بحثًا عن الألفا، فإن الجيل القادم من المطورين يستكشفون تخصيص الخوارزميات والتخصص، مع مراعاة تفضيلات المستخدم،" قال سينا في مقابلة. "إن التحسين لنسبة معينة وليس فقط للربح والخسارة الخام يشبه أكثر الطريقة التي تعمل بها المؤسسات المالية الرائدة في الأسواق التقليدية. لذا، ننظر إلى أشياء مثل، ما هو أقصى انخفاض لديك، وكم كانت قيمة المخاطرة لتحقيق هذا الربح والخسارة؟"

بالعودة خطوة للوراء، وضعت مسابقة تداول حديثة على منصة التبادل اللامركزية Hyperliquid، التي تضمنت العديد من نماذج اللغة الكبيرة (LLMs)، مثل GPT-5 وDeepSeek وGemini Pro، نوعًا من الأساس لمكانة الذكاء الاصطناعي في عالم التداول. تم إعطاء جميع نماذج اللغة الكبيرة هذه نفس التوجيه وتم تنفيذها بشكل مستقل، واتخاذ القرارات. لكنها لم تكن جيدة جدًا، وفقًا لسينا، حيث تفوقت بالكاد على السوق.

"أخذنا نماذج الذكاء الاصطناعي المستخدمة في مسابقة Hyperliquid وسمحنا للناس بتقديم وكلاء التداول الخاصين بهم التي بنوها للتنافس ضد تلك النماذج. أردنا أن نرى ما إذا كان وكلاء التداول أفضل من النماذج الأساسية، مع هذا التخصص الإضافي،" قال سينا.

احتلت النماذج المخصصة المراكز الثلاثة الأولى في مسابقة Recall. "كانت بعض النماذج غير مربحة وأداؤها ضعيف، لكن أصبح من الواضح أن وكلاء التداول المتخصصين الذين يأخذون هذه النماذج ويطبقون منطقًا واستدلالًا إضافيًا ومصادر بيانات وأشياء أخرى فوقها، يتفوقون على الذكاء الاصطناعي الأساسي،" كما قال.

إن ديمقراطية التداول القائم على الذكاء الاصطناعي تثير أسئلة مثيرة للاهتمام حول ما إذا كان سيبقى أي ألفا للتغطية إذا كان الجميع يستخدمون نفس المستوى من تقنية التعلم الآلي المتطورة.

"إذا كان الجميع يستخدمون نفس الوكيل وكان هذا الوكيل ينفذ نفس الاستراتيجية للجميع، هل ينهار ذلك في نفسه؟" قال سينا. "هل تختفي الألفا التي يكتشفها لأنه يحاول تنفيذها على نطاق واسع للجميع؟"

هذا هو السبب في أن أولئك الذين هم في أفضل وضع للاستفادة من ميزة التداول بالذكاء الاصطناعي التي ستأتي في النهاية هم أولئك الذين لديهم الموارد للاستثمار في تطوير أدوات مخصصة، كما قال سينا. كما هو الحال في التمويل التقليدي، فإن الأدوات ذات الجودة العالية التي تولد معظم الألفا عادة ما تكون غير عامة، كما أضاف.

"يريد الناس الاحتفاظ بهذه الأدوات خاصة قدر الإمكان، لأنهم يريدون حماية تلك الألفا،" قال سينا. "لقد دفعوا الكثير مقابلها. رأيت ذلك مع صناديق التحوط التي تشتري مجموعات البيانات. يمكنك رؤية ذلك مع الخوارزميات المملوكة التي طورتها المكاتب العائلية.

"أعتقد أن النقطة السحرية المثالية ستكون حيث يوجد منتج هو مدير محفظة ولكن المستخدم لا يزال لديه رأي في استراتيجيته. يمكنهم أن يقولوا، 'هذه هي الطريقة التي أحب أن أتداول بها وهذه هي معاييري، دعنا ننفذ شيئًا مشابهًا، ولكن نجعله أفضل.'"