على Habr AI: اقتراح استخدام المزاج الإخباري كإشارة تداول لسوق العملات المشفرة
صدر تحليل لاستراتيجية لا تكون فيها الإشارة الرئيسية للصفقات هي الرسم البياني، بل تحوّل المزاج في الأخبار ووسائل التواصل الاجتماعي. ويقترح المؤلف الفصل بين البحث المتجهي (vector search) وتحليل LLM، وتصفية المصادر بحسب تأثيرها الفعلي في السوق، والتمسك بنافذة زمنية مدتها 24 ساعة حتى لا يختلط إيجابيّ الصباح بسلبيّ المساء. يعرض المؤلف الفكرة عبر حالتين تخصان البيتكوين، ثم يتوسع فيها وصولًا إلى اختبار رجعي (backtest) بسيط.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
يصف تحليل جديد نهجًا تُبنى فيه إشارة التداول لسوق العملات المشفرة لا على الرسوم البيانية، بل على تغيّر المزاج الإخباري. ويرى المؤلف أن الانعكاسات خلال اليوم الواحد تفسّرها في الغالب سلسلة متتابعة من المنشورات وإعادة النشر، لا تاريخ السعر.
لماذا تتعطل الإشارات
يتناول المقال مشكلة شائعة في التحليل الفني: المتوسطات المتحركة وغيرها من المؤشرات تتكيّف مع بيانات الماضي وتفترض أن نظام السوق مستقر بما يكفي. لكن المزاج في سوق العملات المشفرة قد ينتقل من الصعودي إلى الهبوطي والعكس عدة مرات في اليوم الواحد. وحين يحدث ذلك، تبدأ حتى الاستراتيجية المضبوطة بعناية في إنتاج ضجيج بدل الاتجاه، لأنها تستجيب لبنية السوق في الأمس، لا لتدفق الرسائل الجديد الذي يغيّر سلوك المشاركين بالفعل.
«المزاج الإخباري هو الذي يحدد النظام. والمؤشر يعمل داخل هذا النظام».
بحسب المؤلف، لا تكمن المشكلة في الأخبار نفسها فحسب، بل في آلية انتشارها. فالذي يحرّك السعر ليس وثائق الجهات التنظيمية الجافة ولا نشر التقرير بحد ذاته، بل سلسلة إعادة النشر والتعليقات والتفسيرات في النطاقات والمدونات التي يتابعها المستثمر الفرد. ولهذا يتفاعل السوق مع البيئة الإعلامية أسرع مما تستطيع المؤشرات الكلاسيكية إعادة ضبط نفسها، وغالبًا ما ينتهي تطبيق المجموعة نفسها من الإشارات على جميع الأنظمة إلى نتيجة تقارب 50 إلى 50.
كيف نبحث عن المزاج
يدور الجزء العملي حول البحث المتجهي في الأخبار والمنشورات، يليه تفسير النتائج بواسطة LLM. ويقترح المؤلف عدم الخلط بين المهمتين: تُستخدم embeddings والمسافة الجيبية (cosine distance) لاستخراج مجموعة الأخبار ذات الصلة بحسب المعنى، ثم يتولى النموذج اللغوي بشكل منفصل تقييم المزاج العام للعيّنة. وتُذكر كأدوات عمل حزم قائمة على Scrapy، وPostgreSQL مع PgVector، وMongoDB Atlas Vector Search، أما للبدء السريع فيُذكر Tavily وPerplexity Search API.
- البحث لا عن التطابقات الحرفية فحسب، بل عن السياق الدلالي المحيط بالأصل.
- عدم اعتماد أعلى درجة تطابق (score) بوصفها أفضل إشارة، بل النظر إلى الإشارات الحدّية.
- انتقاء النطاقات والكتّاب المؤثرين أولًا، ثم تدقيق الاستعلام بعد ذلك.
- الالتزام بنافذة زمنية صارمة حتى لا يختلط إيجابيّ الصباح بسلبيّ المساء.
- الفصل بين البحث عن المنشورات وتحليل المزاج، حتى لا يحلّ تفسير LLM محل الواقعة.
ويُركَّز بشكل خاص على وقت النشر. ينصح المقال باستبعاد المواد التي لا تحمل طابعًا زمنيًا (timestamp) دقيقًا، وإلا دخل إلى العيّنة تحيّز النظرة المستقبلية (look-ahead bias) وصارت الاستراتيجية ترى المستقبل بأثر رجعي. ويُقترح البحث ضمن نطاق يومين، ثم تصفية آخر 24 ساعة من جانب المستخدم. ويعتبر المؤلف أن اليوم الكامل هو النافذة المثلى: فهو يوفر سياقًا كافيًا، لكنه لا يُذيب اتجاه المزاج بعدُ في ضجيج إحصائي.
الاختبار في السوق
للتحقق من الفرضية، يعرض المؤلف حالتين تخصان البيتكوين: أعطى الاستعلام في إحداهما مزاجًا محايدًا إلى هبوطي، وفي الأخرى مزاجًا صعوديًا. ثم تُقارَن هذه التقييمات برد فعل السوق اللاحق. ولا يبدو هذا رسميًا بحثًا أكاديميًا متكاملًا، لكنه كعرض هندسي يوضّح الفكرة بجلاء: يمكن استخدام الخلفية الإخبارية لا كمتنبّئ مطلق بالسعر، بل كمرشّح للنظام، يُتخذ داخله قرار الدخول.
ثم يُدفع النهج نحو الأتمتة. وبحسب الوصف، يتلقى وكيل ذكاء اصطناعي الإشارة الإخبارية، ويفتح مركزًا، ويحتفظ به حتى استنفاد المزاج، ويستخدم لضبط المخاطر وقف خسارة صارمًا (hard stop) يصعب إحصائيًا بلوغه، إلى جانب جني أرباح متحركًا (trailing take-profit). ويسمّي المؤلف نقطة الضعف صراحةً: إذا اقتصر الخروج على تغيّر المزاج، فقد تضيع جزء من الأرباح بسبب تأخر جمع الأخبار وتسليمها. لذلك يُقترح كتحسين الخروج عند تراجع بنسبة 3% عن أقصى PnL للمركز المفتوح.
ماذا يعني ذلك
بالنسبة إلى التداول الخوارزمي في الأسواق الإخبارية سريعة التغير مثل العملات المشفرة، تمثل هذه إشارة أخرى إلى أن المنافسة لا تدور حول جودة النماذج فحسب، بل أيضًا حول جودة المصادر والتوقيت وتصفية الضجيج. وإذا صمدت فرضية المؤلف أمام اختبار رجعي أوسع، فقد تنتقل الأولوية من تعقيد المؤشرات إلى أنظمة تقرأ مزاج السوق بشكل أفضل في الوقت الفعلي.
- 2 مايو 2026بيوتر تريبولسكي يعرض على Habr وكيل ذكاء اصطناعي لتحليل الأخبار وإشارات Bitcoin
- 2 مايو 2026DiffQuant يحسّن نسبة شارب مباشرة عبر محاكي تداول قابل للاشتقاق
- 8 نوفمبر 2026متداول يجمع بين RAG وRandomForest لإنتاج إشارات BUY/SELL: دقة 62% عبر 59 سجلًا
- 1 يوليو 2026eToro تربط نماذج xAI بوكيلها Tori لتحليل معنويات السوق في الوقت الفعلي
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول لماذا تتعطل الإشارات؟
يتناول المقال مشكلة شائعة في التحليل الفني: المتوسطات المتحركة وغيرها من المؤشرات تتكيّف مع بيانات الماضي وتفترض أن نظام السوق مستقر بما يكفي. لكن المزاج في سوق العملات المشفرة قد ينتقل من الصعودي إلى الهبوطي والعكس عدة مرات في اليوم الواحد. وحين يحدث ذلك، تبدأ حتى الاستراتيجية المضبوطة بعناية في إنتاج ضجيج بدل الاتجاه، لأنها تستجيب لبنية السوق في الأمس، لا لتدفق الرسائل الجديد الذي يغيّر سلوك المشاركين بالفعل. «المزاج الإخباري هو الذي يحدد النظام. والمؤشر يعمل داخل هذا النظام».
ما أبرز التفاصيل حول كيف نبحث عن المزاج؟
يدور الجزء العملي حول البحث المتجهي في الأخبار والمنشورات، يليه تفسير النتائج بواسطة LLM. ويقترح المؤلف عدم الخلط بين المهمتين: تُستخدم embeddings والمسافة الجيبية (cosine distance) لاستخراج مجموعة الأخبار ذات الصلة بحسب المعنى، ثم يتولى النموذج اللغوي بشكل منفصل تقييم المزاج العام للعيّنة. وتُذكر كأدوات عمل حزم قائمة على Scrapy، وPostgreSQL مع PgVector، وMongoDB Atlas Vector Search، أما للبدء السريع فيُذكر Tavily وPerplexity Search API. البحث لا عن التطابقات الحرفية فحسب، بل عن السياق الدلالي المحيط بالأصل.
ما أبرز التفاصيل حول الاختبار في السوق؟
للتحقق من الفرضية، يعرض المؤلف حالتين تخصان البيتكوين: أعطى الاستعلام في إحداهما مزاجًا محايدًا إلى هبوطي، وفي الأخرى مزاجًا صعوديًا. ثم تُقارَن هذه التقييمات برد فعل السوق اللاحق. ولا يبدو هذا رسميًا بحثًا أكاديميًا متكاملًا، لكنه كعرض هندسي يوضّح الفكرة بجلاء: يمكن استخدام الخلفية الإخبارية لا كمتنبّئ مطلق بالسعر، بل كمرشّح للنظام، يُتخذ داخله قرار الدخول. ثم يُدفع النهج نحو الأتمتة.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.