سهام با ChatGPT و هوش مصنوعی که وارد دنیای بورس شده است و یکی از پرتکرارترین پرسش‌های سرمایه‌گذاران، دانشجویان مالی و تحلیلگران این است: آیا ChatGPT میتواند قیمت سهام را پیشبینی کند؟
مقاله «Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models» نوشته Alejandro Lopez-Lira و Yuehua Tang یکی از جدی‌ترین پاسخ‌های علمی به این پرسش است. این پژوهش در Journal of Financial Economics، از معتبرترین مجلات حوزه مالی، منتشر شده و در مدت کوتاهی صدها ارجاع گرفته است. در این مطلب ایده اصلی، روش، یافته‌ها و محدودیت‌های این مقاله را به زبان ساده توضیح می‌دهیم تا روشن شود چرا این مقاله برای کار پژوهشی و تحلیلی شما اهمیت دارد.
آیا ChatGPT میتواند قیمت سهام را پیشبینی کند؟
نویسندگان نمی‌پرسند که آیا ChatGPT میتواند عدد دقیق قیمت فردای یک سهم را حدس بزند یا نه. پرسش آن‌ها دقیق‌تر است: آیا یک مدل زبانی بزرگ (LLM) میتواند با خواندن اخبار مربوط به یک شرکت، جهت واکنش بازار و بازده بعدی سهم را تشخیص دهد؟
منطق این پرسش ساده است. قیمت سهام به اطلاعات جدید واکنش نشان می‌دهد و بخش بزرگی از این اطلاعات به شکل متن منتشر می‌شود، مثل تیتر خبرها، اطلاعیه‌های شرکتها و گزارش‌های تحلیلی. اگر مدلی بتواند معنا و اثر اقتصادی این متن‌ها را بهتر از روش‌های سنتی درک کند، احتمالاً سیگنال مفیدی برای پیشبینی بازده سهام هم تولید می‌کند.
پیشبینی بازده سهام با ChatGPT چگونه آزمایش شد؟
روش مقاله ساده و قابل تکرار است و همین سادگی یکی از دلایل محبوبیت آن شده است:
- داده‌های خبری: تیتر اخبار مربوط به شرکت‌های بورسی آمریکا جمع‌آوری شد.
- پرسش از مدل: از ChatGPT خواسته شد مانند یک متخصص مالی قضاوت کند که هر خبر برای قیمت سهام آن شرکت در کوتاه‌مدت «خوب»، «بد» یا «نامشخص» است و دلیلش را کوتاه بگوید.
- ساخت امتیاز: پاسخ‌ها به یک امتیاز عددی تبدیل شد که میتوان آن را «نمره ChatGPT» نامید.
- آزمون آماری: رابطه این نمره با بازده روز معاملاتی بعد سنجیده شد و با روش‌های رایج تحلیل احساسات (Sentiment Analysis) و مدل‌های زبانی ساده‌تر مقایسه شد.
نکته روش‌شناختی مهم این است که نویسندگان برای کاهش خطای «نگاه به آینده» (Look-ahead Bias) از اخبار دوره‌ای استفاده کرده‌اند که بعد از پایان داده‌های آموزشی مدل منتشر شده بود. به این ترتیب مدل نمی‌توانسته واکنش واقعی بازار به آن اخبار را از قبل «دیده» باشد.
یافته‌های کلیدی مقاله درباره بازده سهام با ChatGPT
نتایج این پژوهش در چند محور خلاصه می‌شود:
۱. نمره ChatGPT بازده روز بعد را پیشبینی می‌کند
بین ارزیابی ChatGPT از تیتر خبرها و بازده بعدی سهام رابطه مثبت و از نظر آماری معناداری دیده شد. یعنی سهامی که مدل خبرشان را مثبت ارزیابی کرده بود، به طور میانگین بازده بهتری داشتند.
۲. برتری نسبت به روش‌های سنتی تحلیل احساسات
ChatGPT در این آزمون از روش‌های مرسوم مبتنی بر واژه‌نامه و امتیازهای احساسی رایج بهتر عمل کرد. برتری اصلی مدل در درک بافت و پیامد اقتصادی خبر بود، نه صرفاً شمردن کلمات مثبت و منفی.
۳. پیچیدگی مدل اهمیت دارد
مدل‌های زبانی قدیمی‌تر و کوچک‌تر توانایی پیشبینی چندانی نشان ندادند. توانایی پیشبینی بازده سهام ظاهراً قابلیتی است که در مدل‌های زبانی بزرگ و پیشرفته پدیدار می‌شود.
۴. اثر قوی‌تر در سهام کوچک و اخبار منفی
این قدرت پیشبینی در سهام شرکت‌های کوچک‌تر و پس از انتشار اخبار منفی پررنگ‌تر بود. این همان جایی است که موانع آربیتراژ بیشتر است و بازار اطلاعات را کندتر در قیمت‌ها منعکس می‌کند.
فقط مشخصات کامل منبع درخواستی وارد کنید:
در کمتر از ۲ ساعت به شما پاسخ خواهیم داد!
۵. پیامد برای کارایی بازار
نویسندگان درباره پیامدهای گسترش استفاده از LLMها هم بحث می‌کنند. هرچه این ابزارها میان سرمایه‌گذاران فراگیرتر شوند، انتظار می‌رود اطلاعات سریع‌تر در قیمت‌ها جذب شود و فرصت‌های سود غیرعادی کمتر شود.
مدل زبانی بزرگ در بازار سرمایه (سهام با ChatGPT): چرا این یافته‌ها مهم است؟
اهمیت این مقاله فقط در این نیست که ChatGPT نتیجه خوبی گرفته است. پیام اصلی آن این است که مدل‌های زبانی بزرگ می‌توانند حجم عظیمی از اطلاعات متنی را به سیگنال‌های قابل‌سنجش مالی تبدیل کنند. این موضوع چند پیامد دارد:
- برای مدیران سرمایه و صندوق‌ها، LLMها به ابزاری جدی برای پردازش اخبار و گزارش‌ها تبدیل می‌شوند.
- برای پژوهشگران مالی، دریچه تازه‌ای در مطالعه کارایی بازار، رفتار سرمایه‌گذاران و نحوه انتشار اطلاعات باز می‌شود.
- برای نهادهای ناظر، این پرسش مطرح می‌شود که استفاده گسترده از هوش مصنوعی چه اثری بر نوسان و ثبات بازار دارد.
هوش مصنوعی در تحلیل بازارهای مالی (فرصت‌ها و محدودیت‌ها)
پیش از اینکه نتیجه بگیرید می‌شود با ChatGPT در بورس پولدار شد، باید به چند محدودیت توجه کنید:
- پیشبینی جهت با پیشبینی قیمت فرق دارد: مقاله رابطه آماری میانگین را در سبدی بزرگ از سهام نشان می‌دهد، نه پیشبینی قطعی برای یک سهم خاص.
- هزینه معاملات: سودآوری راهبردهای کوتاه‌مدت مبتنی بر خبر به هزینه معامله، سرعت اجرا و نقدشوندگی بستگی دارد.
- کاهش اثر در گذر زمان: با فراگیر شدن این ابزارها، احتمالاً مزیت آن‌ها کمتر می‌شود.
- تفاوت بازارها: داده‌های پژوهش مربوط به بازار آمریکاست. بازارهایی با ساختار، نقدشوندگی و جریان خبری متفاوت مثل بورس تهران نیاز به آزمون جداگانه دارند و همین یک فرصت پژوهشی جذاب است.
کاربرد مقاله Lopez-Lira و Tang برای پژوهشگران ایرانی
این مقاله برای دانشجویان و پژوهشگران ایرانی چند فایده مشخص دارد:
- منبع معتبر برای پیشینه پژوهش: انتشار در Journal of Financial Economics و تعداد بالای ارجاع‌ها آن را به منبعی کلیدی برای فصل دوم پایان‌نامه‌ها و مقالات تبدیل کرده است.
- الگوی روش‌شناسی قابل بومیسازی: میتوان همین روش را روی اخبار فارسی، اطلاعیه‌های کدال یا تیترهای خبرگزاری‌های اقتصادی آزمود.
- ایده برای موضوع پایاننامه: برای نمونه «بررسی توان مدل‌های زبانی بزرگ در پیشبینی بازده سهام بورس اوراق بهادار تهران» یا «مقایسه تحلیل احساسات اخبار فارسی با LLM و روش‌های سنتی».
این مقاله برای چه پژوهشگرانی ضروری است؟
- دانشجویان کارشناسی ارشد و دکتری مدیریت مالی، مهندسی مالی و اقتصاد
- پژوهشگران هوش مصنوعی، پردازش زبان طبیعی (NLP) و علم داده که به کاربردهای مالی علاقه دارند
- تحلیلگران بازار سرمایه، مدیران سبد و فعالان صندوق‌های سرمایه‌گذاری
- اساتید و پژوهشگرانی که درباره کارایی بازار و مالی رفتاری کار می‌کنند
مشخصات مقاله Can ChatGPT Forecast Stock Price Movements
- عنوان اصلی: Can ChatGPT forecast stock price movements? Return predictability and large language models
- عنوان فارسی: آیا ChatGPT میتواند حرکت قیمت سهام را پیشبینی کند؟ پیش‌بینی‌پذیری بازده و مدل‌های زبانی بزرگ
- نویسندگان: Alejandro Lopez-Lira, Yuehua Tang
- مجله: Journal of Financial Economics
- سال انتشار: 2026
- DOI: 10.1016/j.jfineco.2026.104335
- زبان: انگلیسی (فایل اصل مقاله)
دانلود مقاله Can ChatGPT Forecast Stock Price Movements
اگر روی موضوعاتی مثل هوش مصنوعی در بورس، تحلیل احساسات اخبار مالی یا کارایی بازار پژوهش می‌کنید، خواندن متن کامل این مقاله ضروری است. جزئیات روش، جداول نتایج و آزمون‌های استحکام فقط در متن اصلی آمده است. فایل PDF اصل مقاله Lopez-Lira و Tang را می‌توانید از همین صفحه در فایلسو تهیه کنید و در پژوهش خود به آن استناد کنید.
