تتسارع وتيرة السوق العربي، ومعها تتقابل فرص جديدة لتوظيف أدوات تقنية لم تكن متاحة قبل خمس سنوات. إذا كنت متداولاً يبحث عن ميزة صغيرة، قد تكون نماذج الذكاء الاصطناعي المجانية التي يمكن تشغيلها على حاسوبك أو سحابة مجانية هي ما تحتاجه.
لماذا الذكاء الاصطناعي؟
الخوارزميات التي تعتمد على تعلم الآلة لا تحكم على أساس الحدس أو الخبرة فقط، بل تتعلم من آلاف النقاط التاريخية. الفكرة ليست استبدال التحليل الأساسي أو الفني، بل إضافتها بأداة تستخرج أنماطاً غير واضحة للعين.
الخطوة الأولى: جمع البيانات التاريخية
أبسط طريقة للحصول على بيانات سعر السهم هي من موقع Yahoo Finance. اختر السهم العربي الذي تريد تحليله، ثم حمّل ملف CSV يغطي على الأقل السنتين الأخيرتين. البيانات الأساسية التي تحتاجها هي:
- التاريخ (Date)
- سعر الإغلاق (Close)
- حجم التداول (Volume)
- الارتفاع اليومي (High) والانخفاض اليومي (Low)
احفظ الملف في مجلد واضح، لأن الخطوات التالية ستعتمد عليه.
الخطوة الثانية: اختيار نموذج بسيط
للمبتدئين، نموذج الانحدار الخطي (Linear Regression) أو شجرة القرار (Decision Tree) يكفيان. الفكرة هي توقع سعر الإغلاق في اليوم التالي بناءً على المتغيرات السابقة (الإغلاق اليومي، حجم التداول، الفارق بين أعلى وأدنى سعر).
في لغة Python، يمكنك كتابة كود قصير يقرأ الملف ويبني النموذج. مثال عملي:
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
# تحميل البيانات
df = pd.read_csv('stock.csv')
# إظهار بعض الأعمدة المهمة
features = df[['Close', 'Volume', 'High', 'Low']]
# الهدف هو إغلاق اليوم التالي
target = df['Close'].shift(-1).fillna(method='ffill')
X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.2, shuffle=False)
model = LinearRegression()
model.fit(X_train, y_train)
print('دقة النموذج:', model.score(X_test, y_test))
النقطة الأساسية هي عدم خلط البيانات المستقبلية مع البيانات السابقة؛ لذا نُبقي الترتيب الزمني كما هو عند تقسيم العينة.
الخطوة الثالثة: تقييم النموذج
بعد التدريب، ستظهر لك قيمة الـ R² التي تقيس مدى توافق النموذج مع البيانات. إذا كان الرقم فوق 0.6، يعني أن النموذج يلتقط جزءاً كبيراً من التذبذب. لا تتوقع دقة 100 %؛ السوق بطبيعته غير قابل للتوقع الكامل.
لتحسين الدقة، جرّب إضافة مؤشرات فنية بسيطة مثل متوسط الحركة لمدة 10 أيام (MA10) أو مؤشر القوة النسبية (RSI). كلما زادت المتغيرات ذات الصلة، زادت فرص اكتشاف نمط ثابت.
الخطوة الرابعة: تحويل النموذج إلى إشارة تداول
نقطة الدخول لا تُستخلص مباشرة من توقع السعر، بل من الفارق بين السعر المتوقع والسعر الفعلي. إذا كان النموذج يوضح توقعاً أعلى من سعر الإغلاق الحالي، قد تعتبر ذلك إشارة صعودية، والعكس بالنسبة لتوقع أقل.
لإضافة طبقة أمان، استخدم قاعدة «الانحراف المعياري»؛ إذا كان الفرق بين التوقع والسعر الفعلي أكبر من 1.5 × الانحراف المعياري للخطأ، فاجعل الإشارة قوية.
نصائح عملية لتطبيق الفكرة في التداول اليومي
- ابدأ بسهم واحد لاختبار الفكرة، ثم انتقل إلى مجموعة صغيرة من الأسهم ذات سيولة عالية.
- حدّد حجم الصفقة بحيث لا يتجاوز المخاطرة 1 % من رأس المال لكل صفقة.
- استخدم وقف خسارة ثابت (مثلاً 2 % من سعر الدخول) لتقليل الخسائر إذا فشلت الإشارة.
- راقب تأثير الأخبار الاقتصادية؛ النماذج لا تتوقع الصدمات الفورية.
- جدد النموذج كل أسبوعين بإضافة بيانات جديدة لتبقى التوقعات محدثة.
خلاصة
استخدام أدوات الذكاء الاصطناعي لا يتطلب خبرة عميقة في البرمجة؛ النموذج البسيط كخط الانحدار أو شجرة القرار يمنحك نظرة إحصائية حول تحركات السهم. المفتاح هو دمج التوقعات مع استراتيجيات إدارة المخاطر التي تعرفها بالفعل. إذا نجحت في تطبيق الخطوات السابقة على سلة صغيرة من الأسهم، ستحصل على قاعدة تجريبية يمكنك توسيعها تدريجياً.
تذكر أن أي أداة هي مجرد جزء من العملية، والقراءة المتأنية لسوق الأسهم العربية تبقى العنصر الأساسي للنجاح.
