أظهر باحثون من جامعة KAIST أن السماح لروبوت تداول يعمل بنموذج لغوي بإعادة كتابة "الأمر" (prompt) الخاص به كل خمسة أيام قد رفع نسبة شارب (Sharpe ratio) من 2.94 إلى 4.00، وحقق تفوقاً بمقدار 50 نقطة أساس خلال تجربة استمرت 50 يوماً. وجاء هذا الربح من خلال إجبار الروبوت على نقل كل عملية حسابية من النص النثري إلى كود Python قابل للتنفيذ.

لماذا تفشل الأوامر الثابتة (static prompts)

تبدأ معظم وكلاء النماذج اللغوية الكبيرة (LLM agents) التي تنفذ الكود بأمر نظام ثابت (fixed system prompt) – وهو عبارة عن كتلة نصية تخبر النموذج بكيفية التصرف. وغالباً ما يعامل هذا الأمر أداة الكود كزينة اختيارية. قد يظل النموذج "يفكر" في التقلبات أو العوائد المتوقعة، لكنه يكتب الأرقام في نص عادي ثم يقرر مقدار الاستثمار بناءً على تخمينات غامضة. والنتيجة هي حدوث انفصال: يمكن للنموذج إنشاء كود صحيح تماماً، ومع ذلك يتم اختيار حجم الصفقة النهائي خارج هذا الكود، مما يجعل القرار عرضة للهلوسة (hallucination).

نهج EvolveTrade

استبدل فريق KAIST الأمر الثابت بـ "وكيل ميتا" (meta-agent) يراجع أداء الروبوت عبر نافذة زمنية متجددة مدتها خمسة أيام. وبعد كل مراجعة، يقوم وكيل الميتا بإعادة كتابة أمر النظام، مما يعزز الارتباط بين النموذج اللغوي ومفسر الكود الخاص به. ويفرض الأمر الجديد ثلاث خطوات ملموسة:

  • بناء جدول للمقاييس لكل أصل باستخدام Python.
  • تطبيق معادلات رياضية صريحة لتقييم الأصول.
  • اشتقاق أوزان المحفظة المستهدفة داخل الكود بدلاً من نص markdown.

من الناحية العملية، استدعى الروبوت المطور أداة Python إحدى عشرة مرة في كل دورة تداول – لحساب المقاييس، والتحقق من حدود المخاطر، ومعايرة الأوزان – بينما استدعى الوكيل الأساسي الأداة مرة واحدة فقط، معتمداً على الاستدلالات النصية (textual heuristics) في بقية العمليات.

الأرقام التي تهم

خلال اختبار رجعي (back-test) لمدة 50 يوماً على مجموعة أصول قياسية، حقق الوكيل المطور ما يلي:

  • نسبة شارب (Sharpe ratio): 4.00 مقابل 2.94 للوكيل الثابت.
  • العائد التراكمي: 10.56% مقابل 8.88% للوكيل الثابت.

ينبع التفوق بمقدار 50 نقطة أساس مباشرة من الربط الوثيق بين الإجراءات والرياضيات الحتمية. ومن خلال جعل مسار اتخاذ القرار في النموذج قابلاً للملاحظة والتكرار بالكامل، قضى الباحثون على "التخمين" الذي عادة ما يقلل من كفاءة استراتيجيات التداول القائمة على LLM.

من يربح ومن يخسر

بالنسبة للمطورين الذين يبنون روبوتات مالية، الدرس واضح: إذا كان للوكيل إمكانية الوصول إلى بيئة تشغيل (runtime environment)، فيجب أن يجبره الأمر على التعبير عن كل رؤية قابلة للتنفيذ في شكل كود. إن تجاهل هذا المبدأ يسمح للنموذج بمعاملة مخرجات الأدوات كضجيج خلفي، مما قد يؤدي إلى تآكل الأداء وزيادة المخاطر.

الحدود والنقاط المضادة

ما يجب مراقبته لاحقاً

الخلاصة: إن السماح لـ LLM بإعادة كتابة مجموعة تعليماته الخاصة يجبر كل قرار تداول على التحول إلى كود يمكن التحقق منه، مما يحول الوكيل النصي الغامض إلى محرك منضبط وعالي العائد. المطورون الذين يتجاهلون العقد بين "الأمر" و"الأداة" يخاطرون بإهدار فرص ربح محققة.