لماذا يتحرك السوق نحو اكتشاف التدفق السام المدفوع بالذكاء الاصطناعي — ولماذا لا يزال أحدٌ هناك بالكامل

تحدث مع عدد كافٍ من السماسرة في الفعاليات الصناعية وستجد أن موضوعًا واحدًا يتكرر باستمرار: عدد قليل من الحسابات يسرقون الكتاب بهدوء، ولا أحد متأكد تمامًا من كيفية إيقاف ذلك دون إزعاج العملاء الجيدين. تُسمى الصناعة هذا بـ “التدفق السام” — أوامر تميل، بغض النظر عن نية المتداول، إلى التحرك عكس السمسار في الثواني والدقائق التي تلي التنفيذ. إنها مشكلة قديمة. ما هو أحدث هو تكرار ظهور “AI” كإجابة في هذه المحادثات — رغم أنه في الواقع لا يمتلك أحد تقريبًا أداة ناضجة ومثبتة تعمل في الإنتاج بعد.

على مدار العقدين الماضيين تقريبًا، كان الجواب الشائع هو دليل القواعد: وضع علامة على الصفقات التي تتجاوز حجمًا معينًا، توسيع الفروق قبل الأخبار، تحديد الحد الأقصى للتعرض على الحسابات التي تحتفظ بمراكز لفترة قصيرة بشكل مريب. هذه القواعد ليست فكرة سيئة، ومعظم المكاتب لا تزال تعتمد عليها بشدة. لكنها تشترك في ضعف واحد — القاعدة تلتقط النمط الذي كُتبت من أجله فقط، والمتداولون الذين يستحقون القلق عادةً هم أولئك الذين يلاحظون القاعدة بسرعة ويعدلون سلوكهم حولها.

لماذا تفقد العتبات الثابتة أرضها

العديد من أنماط التدفق السام المعروفة — مثل المراجحة بسبب الكمون، والتزييف، واختيار الاقتباسات القديمة عبر المنصات — موثقة جيدًا في الصناعة، ويميل المتداولون إلى قراءة نفس المواد التي يقرأها السماسرة. ضع علامة على أي شيء يُحتفظ به أقل من ثانية، وسيبدأ المتداولون بالاحتفاظ لمدة 1.2. وسّع الفروق 30 ثانية قبل الأخبار الكبيرة، وتحدث الصفقة عند 45. القاعدة لا تصبح أذكى — المتداول هو الذي يصبح كذلك. تجدر الإشارة إلى أن أكبر مزودي المنصات لا يزالون يركزون في الغالب على هذا المجال بدلاً من مجال AI: MetaQuotes’ new MT5 matching engine ي يأتي مع لوحات مراقبة مدمجة في محطة الإدارة تسمح للسماسرة برؤية تدفق الأوامر السامة وتعريض A-book/B-book في الوقت الحقيقي — مفيد حقًا، لكنه لا يزال مجرد رؤية ولوحات مراقبة بدلاً من النمذجة التنبؤية.هناك قضية أكثر دقة أيضًا: العتبة الثابتة تعامل كل حساب بنفس الطريقة، وهذا ليس هو الواقع الفعلي لعمل المخاطر. LiquidityFinder has a good breakdown of how brokers actually think about toxic flow، ونقطة تستحق التأكيد — السمية نسبية للأعمال، ليست خاصية ثابتة للصفقة. ما قد يكون خطأً تقريبيًا في دفتر أحد السماسرة قد يكون مشكلة حقيقية لآخر، اعتمادًا على تكاليف التحوط، مزيج العملاء، ومدى تشغيل A-book مقابل B-book. لا يمكن لقاعدة ثابتة واحدة أن تحتفظ بتعريفين مختلفين لـ “fine” في آن واحد. هذه هي الفجوة التي يشير إليها الصناعة عندما تتحدث عن AI — نموذج مدرب على بيانات تنفيذ السمسار الخاصة يمكن، نظريًا، أن يقترب كثيرًا.

ما الذي يعنيه فعليًا “AI-driven” هنا

من المهم أن نكون دقيقين بشأن هذا، لأن “AI” يُرفق تقريبًا بأي شيء يحتوي على لوحة معلومات في هذه الأيام، ومعظم ما يُسوّق تحت هذا اللقب لا يزال قريبًا إلى حد كبير من القواعد مع خطوات إضافية. النسخة التي ستهم فعليًا هي التحول من العتبات الثابتة إلى نماذج تتعلم من الـ markouts — حركة السعر في اللحظات التي تلي إغلاق الصفقة — عبر متغيرات أكثر بكثير مما يمكن ترميزه يدويًا: حجم الطلب بالنسبة لتاريخ ذلك الحساب نفسه، التوقيت بالنسبة للتقلب، الارتباط بسلوك حسابات أخرى، بالإضافة إلى عدد من الإشارات الصغيرة التي لا تعني شيئًا بمفردها ولكنها تتجمع لتشكل نمطًا معًا.هناك أبحاث مبكرة تشير إلى هذا الاتجاه، رغم أنه من المهم أن نكون واضحين بشأن مدى قدمها. ورقة عام 2023 حول real-time toxicity prediction using Bayesian neural networks، التي اختُبرت على بيانات معاملات FX حية، وجدت أن نموذجًا تم تدريبه تسلسليًا يتفوق على الانحدار اللوجستي، وغابات عشوائية، ومقدري الاحتمال الأقصى القياسي في توقع ما إذا كانت الصفقة ستصبح سامة — بسرعة كافية، من حيث المبدأ، لتوجيه قرار internalize-or-externalize في الوقت الحقيقي. هذه نتيجة ذات معنى في بيئة أكاديمية. إنها شيء مختلف تمامًا عن سمسار يشغل هذا بشكل موثوق في الإنتاج ضد تدفق حي، مع كل ضبط الإيجابيات الكاذبة والأنابيب البياناتية التي يتطلبها — وعلى ما يبدو، القليل من الشركات وصلت إلى ذلك بعد.

لماذا هذا أصعب مما توحي به عروض تقديمية

لا يجعل أي من هذا التوتر الأساسي يختفي. كل نظام كشف، سواء كان قواعد أو نماذج، يجب أن يقع في مكان ما على الخط بين التقاط التدفق السام الحقيقي ووضع علامة على العملاء الشرعيين الذين يصادف أن يتداولون بطريقة غير عادية. Finance Magnates has a good piece on how brokers identify toxic clients، وهو يطرح نقطة عادلة — إذا تم وضع علامة بشكل مفرط، ينتهي الأمر بالسماسرة إلى توسيع الفروق أو تقليل الائتمان عن أشخاص لم يكونوا مشكلة أبدًا، ولا يميل هؤلاء العملاء إلى البقاء بعد ذلك.النموذج لا يزيل هذا التوازن، بل يغيّر شكله — نظريًا يسمح للسمسار برسم الخط بدقة أكبر بكثير من “أكثر من حجم لوت X دولار” أو “أقل من Y مللي ثانية محتفظ به”. لكن ذلك يتحقق فقط إذا كان النموذج مضبوطًا جيدًا، وهو ما يتطلب حجمًا من البيانات التاريخية النظيفة والمصنفة التي لا يمتلكها الكثير من السماسرة المتوسطين بعد، وإعادة ضبط مستمرة لا يملكها سوى عدد قليل من فرق المخاطر.

إلى أين يتجه هذا على الأرجح

ال underlying causes of toxic flow — التداول المؤسسي المستنير، واختراق HFT للفجوات السعرية، والطلبات الكبيرة العدوانية حول الأخبار — لم تتغير حقًا خلال عقد من الزمن. ما تغير هو كمية بيانات التنفيذ التاريخية التي تمتلكها المكاتب الآن، وهو جزء كبير من السبب في أن الكشف القائم على النماذج يُناقش بجدية الآن بدلاً من قبل خمس سنوات، عندما لم يكن لدى معظم السماسرة بيانات نظيفة كافية لجعل ذلك مجديًا.

أتوقع أن يكون الاعتماد أبطأ وأكثر فوضى مما توحي به موجة التسويق الحالية للذكاء الاصطناعي. الأنظمة القائمة على القواعد لن تختفي — فهي رخيصة، وسهلة الشرح لفريق الامتثال، ولا تزال تلتقط الحالات الواضحة بشكل جيد. المسار الأكثر واقعية هو إعداد طبقي على مدى السنوات القليلة القادمة: قواعد سريعة وقابلة للتفسير للحالات الواضحة، مع اعتماد التقييم القائم على النماذج تدريجيًا على المنطقة الرمادية الأكبر بينهما، بمجرد أن يقوم السماسرة والبائعون معًا بوضع الجهد لجعلها موثوقة بدلاً من مجرد قابلة للتسويق. في Brokerpilot، تلك المنطقة الرمادية هي بالضبط ما نراقبه عن كثب بينما نفكر في الاتجاه الذي يجب أن تذهب إليه أدوات المخاطر بعد ذلك.