چرا بلک‌راک مدل‌های تک‌کاره را با کمیته‌های عامل جایگزین کرد؟

اگر به دنبال یک سیگنال جادویی از هوش مصنوعی برای تسلط بر بازارها هستید، در حال جنگیدن در جبهه‌ای شکست‌خورده‌اید. حتی بلک‌راک (BlackRock)، بزرگ‌ترین مدیر دارایی جهان، دیگر برای تصمیمات معاملاتی به یک مدل واحد اعتماد نمی‌کند. به جای آن، آن‌ها به سیستمی روی آورده‌اند که در آن عامل‌های متخصص با هم بحث می‌کنند و یک داور نتیجه را تعیین می‌کند.

سال‌هاست معامله‌گران خرد به دنبال «اندیکاتور کامل» یا هوشمندترین مدل بوده‌اند و تصور می‌کردند یک پیش‌گوی واحد در جایی وجود دارد و تنها وظیفه باقی‌مانده، یافتن آن است. در این نگاه، اختلاف‌نظر یک «باگ» یا خطا بود؛ اما در واقعیت، بازیگران حرفه‌ای اختلاف‌نظر را مکانیسم اصلی برای رسیدن به دقت می‌دانند. این تغییر، گذار از «جست‌وجوی اتفاق آرا» به «جست‌وجوی اجماع وزن‌دار» است.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت و استدلال مدل‌های زبانی اشاره کردیم، تکیه بر یک خروجی واحد همواره ریسک توهم را بالا می‌برد. در دنیای مالی، این ریسک به معنای از دست رفتن سرمایه است.

چارچوب AlphaAgents

در اوت ۲۰۲۵، بلک‌راک چارچوبی به نام AlphaAgents را منتشر کرد. این سیستم صرفاً یک اجرای ساده از مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — نیست؛ بلکه یک سیستم چند-عاملی است که به‌طور خاص برای ساخت سبد سهام طراحی شده است. در این معماری، به جای اینکه یک مدل واحد درباره یک معامله تصمیم بگیرد، چندین عامل متخصص یک سهم را از زوایای مختلف تحلیل کرده و درباره مزایای آن بحث می‌کنند. طبق اعلام بلک‌راک، در این سیستم، اختلاف‌نظر یک مکانیسم است، نه باگی که باید حذف یا هموار شود.

این معماری در یک مقاله داوری‌شده به نام TradingAgents که تقریباً در همان زمان در arXiv منتشر شد، بازتاب یافته است. چارچوب TradingAgents نقش‌های صریحی را به عامل‌های مختلف هوش مصنوعی می‌سپارد:

• پژوهشگران گاوی (Bull Researchers): وظیفه دارند قوی‌ترین مورد ممکن را برای خرید بسازند.
• پژوهشگران خرسی (Bear Researchers): وظیفه دارند قوی‌ترین مورد ممکن را برای فروش بسازند.
• تیم مدیریت ریسک: یک لایه نظارتی است که بالای سر پژوهشگران قرار می‌گیرد تا بر تصمیم نهایی نظارت کند.

بر اساس مستندات مقاله TradingAgents، این چارچوب در بازارهای شبیه‌سازی‌شده (Backtests) در مقایسه با مدل‌های پایه، نسبت شارپ بالاتر، بازده cumulative بهتر و حداکثر افت (Drawdown) کم‌تری را گزارش کرده است. هرچند نتایج شبیه‌سازی‌ها بیشتر شبیه به فرضیه هستند تا تضمین — و هر کسی که ادعای خلاف این را کند، در واقع در حال فروش یک کالای توهمی است — اما جهت حرکت صنعت روشن است: حرکت به سمت «کمیته‌های متخصصان».

چرا سیگنال‌های واحد شکست می‌خورند

وقتی از تیترها فاصله بگیریم، منطق این تغییر ساده است. سیگنال‌های تک‌گانه در واقع «فشرده‌سازی‌های ناقص» از بازار هستند. آن‌ها تقریباً همه چیز را دور می‌ریزند و فقط یک برش کوچک را نگه می‌دارند. در حالی که آن برش مفید است، اما به‌طور قابل‌اطمینانی در بدترین لحظه ممکن، اشتباه می‌کند.

شکست‌های رایج اندیکاتورهای محبوب را در نظر بگیرید:

• RSI: درست زمانی که یک روند در حال سقوط است، سیگنال «اشباع فروش» می‌دهد و فریاد می‌زند بخرید؛ چون یک چاقوی در حال سقوط، طبق تعریف، تمام مسیر را در وضعیت اشباع فروش است.
• MACD: در میانه یک بازار خرسی، یک تقاطع صعودی تمیز چاپ می‌کند و شما را در یک «پرش گربه مرده» (Dead-cat bounce) می‌اندازد که در جلسه بعد دوباره برمی‌گردد.
• Bollinger Bands: یک شکست (Breakout) را اعلام می‌کند که در نهایت یک تله (Fake-out) است و قیمت فقط برای لحظه‌ای از باند خارج شده و سریعاً بازمی‌گردد.
• حجم معاملات: جهش‌هایی که شبیه به اطمینان بازار به نظر می‌رسند، اغلب فقط زنجیره‌ای از فعال شدن حد ضررهای متوالی هستند.

این ابزارها خراب نیستند؛ آن‌ها فقط به سوالات محدودی صادقانه پاسخ می‌دهند. تله اینجاست که یک پاسخ محدود و صادقانه، دقیقاً زمانی که خطرناک‌ترین است، متقاعدکننده‌ترین به نظر می‌رسد. تمیزترین خوانشِ اشباع فروش، درست در شروع بدترین ریزش‌ها ظاهر می‌شود. شفاف‌ترین کندلِ شکست، همان کندلی است که بیشترین تعداد خریداران را به تله می‌اندازد. یک اندیکاتور به شما هشدار نمی‌دهد که قرار است اشتباه کند؛ بلکه ادعایش را با همان سطح از اعتمادبه‌نفس در هر دو حالت بیان می‌کند.

معماری اجماع

اگر یک اندیکاتور توصیفی جزئی از بازار باشد، پس یک مدل — هر چقدر هم بزرگ باشد — تنها یک نقطه دید است. مدل روی برش خاصی از تاریخ آموزش دیده و نقاط کور خودش را دارد. خواستن اینکه مدل به تنهایی همیشه درست بگوید، یعنی خواستن اینکه مدل هرگز فرض غلط نداشته باشد.

راهکار ساده و اشتباه، تقاضای «اتفاق آرا» است؛ یعنی منتظر بمانیم تا پنج اندیکاتور دقیقاً با هم هم‌راستا شوند. این روش شکننده است؛ شما تقریباً هیچ‌وقت معامله نمی‌کنید و وقتی هم که می‌کنید، نیمی از حرکت بازار تمام شده است. اتفاق آرا فقط راهی کندتر برای دیر رسیدن است.

نسخه قابل‌اتکا، «اجماع وزن‌دار» است. هر ورودی یک رای دارد و این رای‌ها بر اساس اینکه در بافتار فعلی بازار چقدر ارزش دارند، وزن‌دهی می‌شوند. تصمیم نهایی از تعادل این رای‌ها بیرون می‌آید، نه از یک اندیکاتور قهرمان.

وتوی ناظر ریسک

پوشش‌های صنعتی تا سال ۲۰۲۶ این مدل را به یک الگوی ذهنی ساده تبدیل کرده‌اند: یک گاو، یک خرس و یک ناظر ریسک. بخش حیاتی، ناظر ریسک است که قدرت وتو (Veto) هر دو طرف را دارد.

در این چارچوب‌ها، اجماع لزوماً حرف آخر را نمی‌زند. یک لایه ریسک در پایین‌دست می‌تواند حتی اگر اجماع روی «خرید شدید» باشد، معامله را وتو کند. این وتو زمانی فعال می‌شود که میزان ریسک (Exposure)، نوسانات یا اندازه موقعیت (Position Sizing) اجازه ندهند. این دقیقاً دلیل وجود نقش «ناظر ریسک» است؛ تفاوت بین سیستمی که صرفاً «مطمئن» است با سیستمی که «منضبط» است.

مقایسه معماری‌ها

بیایید روش «شکننده» را با روش «قابل‌اتکا» مقایسه کنیم:

روش شکننده:

• ورودی‌ها: یک اندیکاتور، یک مدل.
• ترکیب: هر چه مدل تنها بگوید.
• بررسی نهایی: ندارد.
• حالت شکست: یک نقطه کور، کل معامله را غرق می‌کند.

روش قابل‌اتکا:

• ورودی‌ها: چندین دیدگاه مستقل.
• ترکیب: وزن‌دهی شده بر اساس بافتار.
• بررسی نهایی: لایه ریسک با قدرت وتوی سخت.
• حالت شکست: دیدگاه دوم، خطای دیدگاه اول را می‌گیرد.

این رویکرد شاید به اندازه پیدا کردن یک «سیگنال سری» هیجان‌انگیز نباشد، اما با این روش، کال‌مارجین شدن یا نابودی حساب بسیار سخت‌تر است.

جمع‌بندی برای معامله‌گران

اگر یک مدل برتر وجود داشت، شرکت‌هایی با بیشترین داده، بیشترین قدرت پردازشی و قوی‌ترین انگیزه برای یافتن آن، تا الان آن را عرضه کرده بودند. اما تحقیقات عمیق AlphaAgents بلک‌راک، چارچوب داوری‌شده TradingAgents و جامعه گسترده‌تر پژوهشگران سیستم‌های چند-عاملی، همگی به سمت کمیته‌های متخصص با یک داور دارای حق وتو حرکت می‌کنند.

هر صفحه‌ای که وعده یک «سیگنال مخفی» را می‌دهد، جلوتر از زمان نیست؛ بلکه اساساً عقب مانده است. قابلیت اطمینان، ویژگیِ «سیستم» است، نه «مدل». این کار نیازمند دیدگاه‌های مستقلی است که بتوانند مخالفت کنند، روشی برای وزن‌دهی به این مخالفت‌ها و لایه‌ای از ریسک که جرات بگوید «نه».

این روش سود را تضمین نمی‌کند، اما راهی دفاع‌پذیر برای تصمیم‌گیری در فضای شدیداً نامطمئن بازارهای کریپتو فراهم می‌کند. اکنون باید استک معاملاتی خود را ارزیابی کنید: آیا به یک پیش‌گوی واحد تکیه کرده‌اید یا کمیته‌ای ساخته‌اید که اجازه مخالفت دارد؟

گام بعدی شما

• استراتژی‌های معاملاتی خود را بازبینی کنید و به جای تکیه بر یک مدل، سعی کنید دو دیدگاه متضاد (مثلاً یک مدل صعودی و یک مدل نزولی) را در کنار هم قرار دهید.
• برای هر معامله، یک «چک‌لیست ریسک» سخت‌گیرانه تعریف کنید که مستقل از تحلیل فنی، بتواند معامله را وتو کند.
• درباره معماری Multi-Agent در مدل‌های زبانی مطالعه کنید تا بفهمید چگونه می‌توان تخصص‌های مختلف را در یک جریان کاری ترکیب کرد.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.