مفارقة السوق الثنائية: هل الانتباه هو كل ما نحتاجه؟

撰文：BayesCrest

على مدى هذه السنة وأكثر، لا أعرف ما إذا كان لدى الجميع شعور خاص بأن أداء السوق وسعر السهم أصبحا أكثر ثنائية: فالشركات التي تملك حرارة سردية تشهد قفزات حادة، مثل جميع جوانب البنية التحتية للذكاء الاصطناعي؛ أما الشركات التي لا تملك هذه الحرارة السردية ولديها عيوب، فغالبًا تكون في هبوط مستمر بلا توقف، مثل شركات الاستهلاك، حتى شركة مثل ماوتاي.

تتجه حركة السوق إلى حالة ثنائية واستقطاب متزايد: إما أن يرتفع السعر بدافع Fomo، أو ينخفض بسبب الهلع. أسلوب طرح الأسئلة ومعالجتها في عصر الذكاء الاصطناعي يحملان نزعة واضحة. مثلًا، عندما يرتفع السهم، يسأل المستثمرون أسئلة عن سبب الارتفاع. وبصفته نموذج LLM، سيبحث حتمًا عن عدد لا يحصى من الأسباب لدعم لماذا ارتفع، وبذلك يعزز توقعات المستثمرين بشكل مباشر، ويتشكل تأثير القطيع والاتفاق الجماعي بشكل أسرع، ويعزز الزخم الصاعد على المدى القصير؛ أما إذا انخفض السهم فالأمر ذاته: يُسأل AI لماذا انخفض، فيجد AI كومة من الأسباب لدعم الانخفاض، فيعزز توقعات الهبوط، ثم يتشكل هلع ودفع للانهيار. جوهر هذا الانتقال هو أن طريقة استخدام AI ومبدأ عمله يسببان ذلك، وفي عصر الذكاء الاصطناعي يتزايد الانقسام الثنائي.

حلقة انعكاسية جديدة في سوق عصر AI

في كثير من الأحيان، لا يكون AI في حالة «اكتشاف أسباب الصعود والهبوط»، بل في ضغط «الأسئلة الموجهة باتجاه» إلى رواية تبدو أقرب إلى الحقيقة.

بمجرد أن يكون الاتجاه مفترضًا مسبقًا في سؤال المستخدم نفسه — «لماذا يرتفع؟» «لماذا ينخفض؟» — يصبح النموذج أقرب إلى محرّك تفسير مشروط، وليس حكماً بايزيّاً يَحصُر أولًا الفرضيات المتنافسة ثم يفرّق بينها. وقد وجدت الأبحاث في السنوات الأخيرة بالفعل أن نماذج RLHF لديها عمومًا درجة من sycophancy ترضي مواقف المستخدمين؛ كما أن تقييمات تفضيلات البشر نفسها تميل إلى الإجابة التي «تتوافق أكثر» مع آراء المستخدم؛ وعلاوة على ذلك، عندما يقدم النموذج أسبابًا تبدو كاملة وواثقة، يرتفع مستوى ثقة المستخدم، وثقة قراره، ومعدل تبنيه للإجابة. كما أن بحث LLM يجعل إنهاء القرار أسرع وبنسبة رضا أعلى، لكن عند وقوع خطأ في النموذج يصبح من الأسهل أيضًا الاعتماد عليه بشكل مفرط.

لذا فظاهرتك — من حيث الجوهر — ليست: «هل يستطيع AI تحليل أم لا»، بل:

السعر يتحرك أولًا → السؤال يأتي باتجاه محدد → AI يولّد أسبابًا مهيكلة ومنظمة → يرتفع مستوى الحسم الذاتي لدى المستخدم → المزيد من السلوك المماثل → السعر يستمر في الحركة. هذه حلقة إغلاق جديدة من نوع price → narrative → confidence → flow → price.

من منظور علوم الإدراك

بمجرد أن يتضمن السؤال اتجاهًا، يصبح النموذج «يختار لك الأدلة»

العقل البشري ليس بطبيعته محايدًا في معالجة المعلومات؛ بل يتأثر بتحيزات التأكيد، والاستدلال الدافعي، وتفضيلات إغلاق السرد. يقوم AI بإخراج هذه نقاط ضعف البشر إلى العالم الخارجي وتلقينها تلقائيًا. المستخدم لا يسأل «ما مجموعة التفسيرات الأكثر احتمالًا»، بل يسأل «ساعدني في جعل هذا الاتجاه يبدو محكمًا». كما أن النموذج بطبيعته يجيد تنظيم معلومات متفرقة في خطاب منطقي سلس، لذلك لا يبدو الأمر للناس وكأنه «قد يكون كذلك»، بل كأنه «كان هكذا بالفعل». وتُظهر الأبحاث الحديثة أيضًا أن المستخدمين بعد رؤية عرض استدلال/أسباب النموذج، يميلون إلى اعتبار هذه الأسباب أساسًا لمعايرة الثقة؛ فإذا بدت الأسباب صحيحة وحاسمة، ترتفع معدلات التبني والثقة.

وهذا يعني أن أكثر ما في AI خطورة لا يكون بالضرورة «الهلوسة والكلام الفارغ»، بل أن يجعل سردًا أحاديًا ممزوجًا بالقليل من الحقيقة والقليل من الكذب يبدو جدًا كأنه «سلسلة سببية خضعت للتدقيق». إنه يعيد تعبئة ما كان ينبغي أن يكون «تفسيرًا بانتظار الاختبار» على أنه «تفسير ثبتت صحته». وفي السوق، ما إن يحصل التوافق على تفسير قبل التحقق، فإنه سيدفع السلوك أولًا، ثم يجبر المزيد من الناس على تصديقه لاحقًا.

من منظور التمويل السلوكي

هذا سيعزز بشكل واضح «القطيع المدفوع بالانتباه»

يوجد في التمويل السلوكي سؤال قديم: يشتري كثير من المستثمرين ويبيعون ليس لأنهم يملكون معلومات خاصة أفضل، بل لأن شيئًا ما في أصل بعينه أصبح فجأة «أكثر جدارة بالانتباه». تظهر نتائج أبحاث ذات صلة أن اهتمام مشتري التجزئة على Google يرتبط ارتباطًا إيجابيًا بـ herding؛ ففي الأسواق الصاعدة، يميل قطيع المشترين إلى الظهور في الأسهم الصغيرة الحجم أكثر؛ وفي الأسواق الهابطة، يظهر قطيع البائعين أكثر. كما أن دراسة أخرى عن Robinhood تُظهر أن تداول مستخدمي المنصة أكثر تأثرًا بالانتباه، وأن متوسط العائدات غير الطبيعية خلال 20 يومًا التالية للسهم الأكثر تداولًا وإقبالًا كان -4.7%.

يدفع AI هذه القضية خطوة أخرى إلى الأمام. في السابق، كان «الانتباه» فقط يسحب الناس إلى مشاهدة سهم ما؛ أما الآن، فإن «الانتباه + LLM» يمكن أن يولّد فورًا حزمة كاملة من الأسباب الصاعدة أو حزمة كاملة من الأسباب الهابطة. وبعبارة أخرى، كان الماضي هو «الانتباه يؤدي بك إلى أن تنظر»، أما الآن فهو «الانتباه يؤدي بك إلى أن تنظر، وتحصل فورًا على مجموعة من الحجج التي يمكنك استخدامها لإقناع نفسك». وهذا يجعل تداول الانتباه يرتقي إلى تداول الانتباه + تداول الأسباب.

والمهم أكثر أن النقاشات الاجتماعية نفسها ستستمر في تضخيم هذا السلوك. تُظهر الأبحاث حول StockTwits أن ارتفاع حرارة النقاش يتوقع قطيع شراء أقوى لدى مستخدمي Robinhood، كما يرتبط أيضًا بشراء صافي أكثر جرأة من المستثمرين الأفراد. بعبارة أخرى، ليست حرارة النقاش مجرد خلفية، بل هي واحدة من المتغيرات الرائدة للدفعة الشرائية القادمة.

من منظور الانعكاسية

AI يجعل «السعر يخلق الأسباب، والأسباب تعيد خلق السعر» أسرع في إغلاق الحلقة

الظاهرة التي وصفتها تقترب كثيرًا من نسخة حديثة من الانعكاسية على طريقة Soros.

الانعكاسية التقليدية هي: ارتفاع الأسعار → يقتنع السوق بأن الأساسيات أفضل/أن التمويل أسهل/أن مكانة الصناعة أكثر ثباتًا → يتحسن السلوك أكثر → يستمر ارتفاع الأسعار.

في عصر AI توجد طبقة وسيطة إضافية: ارتفاع الأسعار → يثار في جميع أنحاء الشبكة سؤال «لماذا ارتفع؟» → ينتج LLM بسرعة سردًا موحدًا → يحصل المستخدم على يقين معرفي → المزيد من رأس المال الإضافي أو رأس مال عكسي أقل → تستمر الأسعار في الارتفاع.

تؤكد اقتصاديات السرد لدى شيلر أن تذبذب الاقتصاد والأسواق لا يدفعه فقط «متغيرات صلبة»، بل أيضًا قصص تُنقل وتُعدي الناس. وفي دراسة نموذجية عام 2025، تم ربط «القصص الشعبية المعدية» مباشرة بديناميكيات ازدهار السوق ثم الانهيار: عندما تبدو قصة ما أكثر plausible في فترة الرخاء، ومع أن أقرانًا يصدقونها أكثر، فإنها تُحفّز موجات الدخول/الخروج إلى السوق.

لذا فإن الدور العميق لـ AI ليس استبدال رأس المال، بل زيادة سرعة انتشار السرد وكثافته والتخصيص له ومصداقيته السطحية. يشبه تركيب توربين أقوى على حلقة الانعكاسية. وتُظهر دراسة في Nature Communications لعام 2025 أيضًا أن المعلومات التي يولدها LLM فعّالة في الإقناع بالمواقف بشكل مماثل تقريبًا للنصوص الإقناعية المكتوبة من قبل عامة الناس؛ وهذه ليست تجربة على أسهم، لكنها تكفي لتوضيح أن «النصوص المنطقية والقابلة للتخصيص والمتولدة بواسطة الآلات» لديها قدرة حقيقية على تشكيل المواقف. إن إسقاط ذلك على السرد الاستثماري هو استنتاج منطقي جدًا.

يخفض AI «تكلفة توفير السرد»، لكنه لا يزيد «تكلفة توفير الأدلة القابلة للتحقق»

هذه نقطة بالغة الأهمية. في السابق، كان تشكيل حزمة مثل bull case / bear case يتطلب تعاون المحللين والإعلام وKOLs والجهات البيعية وسلاسل المشاركات الطويلة في المنتديات؛ أما اليوم، يستطيع أي شخص خلال ثوانٍ أن يولّد 10 أسباب لارتفاع السعر، و10 أسباب لانخفاضه، و3 مجموعات من تفسير سلاسل الصناعة، و2 إطار لإعادة تسعير التقييم. لقد انهارت التكلفة الحدّية لإنتاج السرد.

لكن المشكلة هي:

زيادة هائلة في توفير السرد لا تعني زيادة هائلة في توفير أدلة قابلة للتدقيق

ارتفاع كثافة التفسير لا يعني ارتفاعًا في قدرة تمييز السبب الحقيقي

توليد الإجماع يصبح أسرع لا يعني أن posterior الحقيقي أكثر ثباتًا

لذا سيظهر في السوق اختلال نموذجي جدًا:

«الأسباب كثيرة» يُخطئ الناس اعتباره «الأدلة كثيرة»

«التفسير مكتمل» يُخطئ الناس اعتباره «الحقائق مؤكدة»

«الجميع قادر على شرحها بوضوح» يُخطئ الناس اعتباره «الجميع أصاب»

وهذا هو التضخم الإدراكي الأكثر قابلية للظهور في عصر AI: ليس لأن المعلومات قليلة، بل لأن تفسيرات ضعيفة التمييز كثيرة. وهذا يشبه ما تشرحه نظرية التتابع/التسلسل (cascades) للمعلومات: من يتحرك أولًا ومن يروي القصة أولًا يخلق اعتمادًا على المسار لدى من يأتي بعده؛ وما يراه اللاحقون هو «أن الآخرين يفعلون/يقولون ذلك بالفعل»، لذلك يصبح من السهل أن يكرروا نفس المسار.

ومن منظور علم الأحياء التطوري، يضخم AI نزعة البشر «النسخ بغالبية الناس تحت عدم اليقين المرتفع». ومن منظور التطور، ليس من المفترض أن يفكر الإنسان بشكل مستقل في كل وقت حتى النهاية. في كثير من الحالات، يكون التعلم الاجتماعي أرخص وأكثر فعالية من الاستكشاف الذاتي. وتشير أبحاث ذات صلة إلى أنه عندما تصبح البيئة معقدة، وتزداد الخيارات، ويصير نقل المعلومات أكثر موثوقية، ويكبر حجم الجماعة، ويصبح التعلم الفردي أغلى، فإن الناس يعتمدون أكثر على التعلم الاجتماعي وconformist transmission.

وهذا يفسر تمامًا لماذا يصبح عصر AI أكثر ثنائية:

المجالات/الأصول المستهدفة أكثر تعقيدًا، والمتغيرات أكثر

تكلفة تفكيك كل شيء بشكل كامل على مستوى الفرد مرتفعة للغاية

يجعل AI «آراء الجماعة» قابلة للنسخ بإتاحة عالية للقراءة وبكلفة منخفضة جدًا

لذا تصبح «مسايرة الأغلبية / اتباع السرد الذي يبدو معقولًا» أكثر إغراءً. وبعبارة أخرى، لم يُغيّر AI طبيعة الإنسان، بل حوّل نمط الإنسان الموفّر للجهد في التعلم إلى صناعة. في الماضي كنت «تنظر إلى ما يظنه الآخرون»؛ أما الآن فأنت «تنظر إلى ما يظنه جهاز يمكنه تلخيص وتنظيم وإعادة صياغة وتبرير آراء الأغلبية خلال لحظة». وهذا يضاعف في آنٍ واحد عرض نطاق التعلم الاجتماعي ودقته وسرعته.

لماذا يكون جانب الهبوط غالبًا أكثر شراسة لأن دماغ الإنسان حساس للخسارة والتهديد

تُعد حالة «fomo للصعود» وحالة «الهلع للهبوط» حالتين ثنائيتين، ولا يوجد بينهما تماثل كامل. في الاقتصاد السلوكي، تُعد كراهية الخسارة آلية أساسية جدًا. يشير تحليل تلوي عام 2024 إلى أن كراهية الخسارة لا تزال واحدة من أكثر النتائج رسوخًا في الاقتصاد السلوكي، رغم أن قوتها ليست كما تخيل الناس في السنوات الأولى بشكل مبالغ. لكن اتجاه «الخسارة تؤلم أكثر من المكسب المتساوي» ثابت.

وهذا يؤدي إلى نتيجتين:

أولًا، سرديات الصعود أكثر قابلية لتصنيع الجشع وFOMO، لكن

ثانيًا، سرديات الهبوط أكثر قابلية لتفعيل الحركة — تقليل المراكز، وضع أوامر إيقاف الخسارة، الانسحاب، التخلص من المخاطر.

ومع إضافة قدرة AI على صياغة الأسباب، يسهل على جانب الهبوط أن يتشكل على النحو التالي:

السعر ينخفض قليلًا أولًا → يسأل «لماذا انخفض؟» → يعطي AI سلسلة من تفسيرات المخاطر النظامية/نقض الأساسيات/هروب التمويل → يفهم المستخدم التقلب على أنه اتجاه، ويفهم الاتجاه على أنه نقض → تصبح الحركة أكثر حدة.

وفي بيئة سيولة أرق، يكون الصدمة السعرية الناتجة عن سلوك أحادي سلبي أقوى. يشير ملخص البنك المركزي الأوروبي عن السيولة إلى أن سيولة السوق وسيولة التمويل تعزز بعضهما البعض لتشكل liquidity spirals. وفي سوق السندات الشركات، يكون sell herding لدى المؤسسات أقوى وأطول أمدًا من buy herding، وتشوهه للسعر أكثر وضوحًا، خاصة في الأصول عالية المخاطر، صغيرة الحجم، ومنخفضة السيولة. صحيح أن الأسهم ليست مثل السندات، لكن منطق «بيع القطيع + سيولة هشة → تشوه سعر أكبر» متوافق في الاتجاه.

وهذا سيدفع السوق إلى «آلة حالات ثنائية»

ليس كل سهم ثنائيًا، لكن عددًا متزايدًا من الأسهم يُجبر في الدورات القصيرة والمتوسطة على الدخول إلى آلية تسعير ثنائية.

الأكثر عرضة للثنائية عادة هي هذه الأصول:

كثافة سردية عالية، ومساحة كبيرة لصنع قصة

السيولة ليست عميقة، ويمكن لرأس المال الهامشي أن يدفع السعر

مشاركة عالية من المستثمرين الأفراد/أموال الموضوع/KOL

تأخر التحقق من الأساسيات عن السعر

منطق صناعي معقد، فيلجأ غير المتخصصين أكثر إلى «من يشرح لي»

الجانبان الصاعد والهابط قادران بسرعة على توليد حجج قوية وجميلة

بالمقابل، الأصول التي يرتكز فيها التدفق النقدي بشكل أقوى، ومعدل التحقق أعلى، وتغطية أشمل، وعمق أكبر — رغم أنها تتأثر أيضًا بسرد AI — إلا أنها أقل قابلية لأن تُساق تمامًا عبر إطار الأسئلة «لماذا ارتفع/لماذا انخفض» (ولكن تأثير السرد يزداد أيضًا باستمرار). كما تشير أبحاث الانتباه وherding إلى أن هذا التأثير يظهر بوضوح أكبر في الأسهم لدى التجزئة، والأسهم الصغيرة، والأصول التي تثير صدمة انتباه.

الأعمق: AI يحوّل السوق من «تنافس المعلومات» إلى «تنافس التفسيرات»

كان السوق بالطبع يحتوي على سرد وقطيع وانعكاسية في الماضي، لكن على الأقل في كثير من الأحيان كان النزاع حول:

من يحصل على المعلومات أولًا

من يتقن تفسير المعلومات أكثر

من لديه الجرأة على التحرك

والآن، في كثير من الحالات، أصبح النزاع حول:

من يسبق إلى تحويل تغيّر السعر إلى قصة قابلة للانتشار

من يسبق إلى تغليف هذه القصة بواسطة AI على أنها «مثل نتائج البحث»

من يسبق إلى تحويل السرد الأحادي إلى إجماع جماعي

لذا فإن المنافسة الأساسية في السوق لم تعد مجرد information edge، بل interpretation edge. والأمر الذي تتفوق فيه LLM بالفطرة هو ضغط الواقع المعقد إلى تفسيرات عالية القابلية للانتشار، متماسكة، وسهلة الإعادة. وهذا يخلق نتيجة خطرة: لم يعد السوق يتفاعل فقط مع الحقائق، بل بدأ يتفاعل مع النسخ التي يسهل تكرارها، وسهل تصديقها، وسهل على AI أن يوسعها كتابةً. هذا بالضبط ما يتقاطع فيه narrative economics وcascade المعلومات والانعكاسية في عصر AI.

لم يخترع AI القطيع، لكن AI قام بترقية القطيع من «تقليد المشاعر» إلى «نظام توليد إجماع عالي عرض نطاق بغطاء حِجاجي».

يجعل السوق أكثر قابلية لأن يظهر:

تكدس الأسباب عند الصعود + FOMO يعزز نفسه ذاتيًا

تكدس الأسباب عند الهبوط + هلع يعزز نفسه ذاتيًا

ضغط الحالات الوسطية، وحالات الرمادي، وحالات الانتظار

«أنا لا أعرف» — وهي حالة كان من المفترض أن تكون ثمينة — يتم إقصاؤها بشكل منهجي.

وهذه هي الجذر العميق لـ «التباعد الثنائي المتزايد».

مفارقة ثنائية السوق: Attention Is All We Need؟

هذه الجملة جاءت أصلًا من ورقة Transformer عام 2017، وتفيد بأن النموذج يمكنه نمذجة التسلسل بالاعتماد فقط على آلية attention. ونقلها إلى سياق السوق يحقق نجاحًا نصفه عن غير قصد: في عصر وفرة المعلومات، وفرة القدرة الحاسوبية، وفرة الآراء، فإن الشيء النادر ليس المعلومات بل الانتباه القابل للتخصيص. لقد اعتبرت الأدبيات الكلاسيكية حول محدودية الانتباه attention مورداً معرفياً نادراً بالفعل؛ إذ يجب على المستثمرين معالجة المعلومات بشكل انتقائي، وهذه المعالجة الانتقائية نفسها تؤثر على مسار السعر.

لكن لماذا هي مفارقة؟ لأن:

بدون attention، لا تستطيع الحقيقة أن تدخل إلى السعر

ومع زيادة attention بشكل مفرط، قد ينحرف السعر عن الحقيقة. فالانتباه المحدود قد يسبب تجاهل المعلومات والتباطؤ في الاستجابة، كما قد يسبب أيضًا رد فعل مفرط تجاه المعلومات البارزة. وعمليًا، المستثمرون الذين لا ينتبهون يجعلون «pricing errors» تستمر لفترة أطول، وربما تمتد إلى أسابيع أو أشهر. بمعنى آخر، attention هو مدخل اكتشاف السعر وفي الوقت نفسه محرك تشويه السعر.

السوق ليس نظامًا «من يملك حقائق أكثر يفوز»، بل يشبه أكثر نظامًا «من يحصل أولًا على انتباه كافٍ، ويحصل أولًا على أهلية التسعير». في منطقة attention المنخفض، حتى لو كانت الحقيقة لدى الأصل تتحسن، قد لا تُسعر بصورة كافية على المدى الطويل؛ وفي منطقة attention المرتفعة، حتى لو كان تغيير الحقيقة محدودًا، قد يدخل السوق بسرعة إلى ساحة المعركة الرئيسية لاكتشاف السعر بسبب الارتفاع المفاجئ في كثافة النقاش وكثافة البحث وكثافة التداول. والأكثر دقة هو أن الانتباه لا يضخم الضجيج فقط؛ فقد وجدت الأبحاث أيضًا أنه بعد أيام من attention مرتفع، تكون بعض عوائد الشذوذ (anomaly returns) أعلى بدلًا من أن تنخفض، ما يعني أن الانتباه أحيانًا يسرّع التحكيم ويعكس المعلومات. لذلك، ليس attention «شيئًا سيئًا»، بل هو مضخم باتجاه غير محدد.

سأختصر هذه المفارقة في جملة واحدة:

افتراض

النتيجة

لا يوجد attention

قد تُدفن الحقيقة، وتبطؤ استجابة السعر

attention مناسب

ينتشر الخبر أسرع، وتتحسن كفاءة التسعير

attention مفرط السخونة

قطيع، استنتاجات مفرطة، ازدحام، وارتفاع حاد في الهشاشة

وهذا يفسر أيضًا لماذا يُقال إن «السوق يصبح أكثر ثنائية»: لأن الحالات الوسطية الحقيقية يتم ضغطها خارج نطاقها بواسطة آلية عتبة الانتباه.

لماذا يدفع attention السوق إلى «آلة حالات ثنائية»

السبب الأساسي جدًا في الحقيقة بسيط: الشراء يحتاج إلى بحث، والبيع لا يحتاج كثيرًا.

وجد Barber وOdean أن مستثمري الأفراد هم المشترون الصافيّون للأسهم التي تجذب الانتباه (attention-grabbing stocks)، مثل الأسهم التي تظهر في الأخبار، أو التي تشهد أحجام تداول غير طبيعية، أو تقلبات حادة خلال يوم واحد. والسبب ليس أنهم يفهمون أكثر، بل أنه عندما يواجهون آلاف الأسهم القابلة للشراء، يصبح الشيء الأكثر بروزًا أكثر قابلية لأن يدخل في قائمة المرشحين. وهذا الانحياز في جانب الشراء، بطبيعته، يحول الانتباه إلى أوامر شراء.

ثم يتحول الانتباه أيضًا إلى مزامنة جماعية. يرتبط حجم بحث Google كمؤشر لانتباه المستثمرين الأفراد إيجابياً بسلوك herding عبر 21 سوقًا للأسهم الدولية؛ كما اكتُشف أن مستخدمي Robinhood أكثر قابلية لظهور تداول مُولّد عن الانتباه. وبذلك، لا يجعل الانتباه الجميع «يفكرون بشكل مستقل أكثر»، بل يجعل المزيد من الناس ضمن نفس نافذة الوقت، يراقبون نفس مجموعة الأشياء، ويقومون بحركات أكثر تشابهًا.

وخطوة إضافية للأمام: يحفز attention أيضًا استمرارًا في السعر ضمن دورات شديدة القِصر. استخدم Da وEngelberg وGao حجم بحث Google كمؤشر مباشر للانتباه، ووجدوا أن momentum لسعر الأسهم ذات البحث الأعلى يكون أقوى. بينما وجدت دراسة NBER الموجهة للسوق الصينية أن momentum على أساس يومي في أسهم A السوق/الأسواق الناشئة يرتبط بانتباه المستثمرين الجدد ونشاط التداول، وغالبًا يستمر 1–2 يوم فقط، ثم ينعكس بسرعة. هذا الهيكل يشبه جدًا ما قلته «ثنائية»: ليس تسعيراً سلسًا متصلًا، بل إشعال attention — استمرار في السعر — تزاحم سريع — ثم انعكاس لاحق.

في كثير من الأحيان، لا يبحث المستثمرون عن الحقيقة بل عن أشياء لاهوتية/انفعالية يمكن تحمل الانتباه تجاهها

الأهم هنا ليس «هل البشر منحازون أم لا»، بل لأن الانتباه بحد ذاته يحمل منفعة انفعالية. تقترح ورقة في 2026 لـ Review of Economic Studies مفهوم «attention utility»: يخصص المستثمرون انتباهًا زائدًا للأخبار الجيدة التي يعرفونها بالفعل، ويتجنبون الأخبار السيئة التي يعرفونها. بيانات تسجيل الدخول للحسابات تشير إلى أن المستثمرين أكثر استعدادًا لمشاهدة الأسهم الرابحة وأقل استعدادًا لمشاهدة الأسهم الخاسرة، وأن هذا selective attention يؤثر أيضًا على التداول اللاحق. أي أن الانتباه لا يقتصر على الحصول على معلومات، بل يمنح إحساسًا بالمتعة أو الألم. وهذا عميق جدًا لأنه يعيد تعريف السوق من «نظام معالجة معلومات» إلى «نظام تنظيم عاطفي».

عند الصعود، يجذب attention تلقائيًا إلى الرابحين؛ فيكون المستثمرون أكثر استعدادًا لإعادة التعرض للتغذية الراجعة الإيجابية، ما يجعلهم أكثر عرضة لإضافة سردية، وإضافة مراكز، وإضافة يقين. وعند الهبوط، يمكن في الأبحاث التقليدية رؤية ما يسمى ostrich effect — إذ يتهرب المستثمرون بدلًا من الاطلاع على الأخبار السيئة. لكن في عصر AI يحدث تغيير: يستطيع الإنسان تفويض التكلفة النفسية لمواجهة الأخبار السيئة إلى الآلة. لا يلزم أن ينهش المرء البيانات الخام بنفسه؛ يكفي أن يسأل «لماذا انخفض؟»، فيولد LLM بسرعة حزمة bear case تساعد على هيكلة الخوف. الأول هو تجنب الانتباه، والثاني هو تحويل التجنب إلى «فهم مفوض».

attention ليس ضجيجًا، بل هو متغير علوي لسير تدفق الصفقات

نقطة مهمة في نظرية محدودية الانتباه هي أنها لا تفسر الاستجابات البطيئة فقط، بل تفسر أيضًا الاستجابات السريعة جدًا. يوضح نموذج كل من Hirshleifer وLim وTeoh بشكل صريح أن نفس القيد النفسي — limited attention — يمكنه تفسير underreaction وoverreaction في عناصر مختلفة من المعلومات المحاسبية. أي أن السوق ليس في ثنائية «فعال/غير فعال»، بل في تبديل مستمر بين تجاهل زائد ورد فعل مفرط تحت إعدادات مختلفة للانتباه.

وهذا يقود إلى نتيجة سوقية قوية جدًا: لا يقتصر دور attention على شرح السعر، بل غالبًا ما يكون مقدمة لسلوك السعر. عندما يرتفع attention، غالبًا ما ترتفع في الوقت نفسه momentum على المدى القصير، وعوائد الشذوذ، وحجم تداول الأسهم، ومشاركة المستثمرين الأفراد، والنقاشات الاجتماعية. وعندما يزداد attention أكثر ويتداخل مع social interaction، خاصة في الأصول عالية الانحراف «للأسهم كنوع اليانصيب»، تتشكل توقعات استنتاجات مبالغ فيها وتسعير مرتفع. وبعبارة أخرى، في كثير من الأحيان لا يقوم السوق بتخفيض قيمة cash flow، بل يقوم أولًا بتخفيض قيمة salience.

attention يحوّل «العائد» إلى «قابلية الانتشار»، ثم يحوّل «قابلية الانتشار» مرة أخرى إلى «عائد»

المعنى الجوهري في narrative economics لدى Shiller ليس مجرد أن «القصة مهمة»، بل أن السرد هو آلية لتبادل/ترويج المعتقدات الاقتصادية. وتظهر أبحاث Goetzmann وغيرها أن سرديات وسائل الإعلام حول كوارث سوق الأسهم التاريخية تؤثر على beliefs and choices لدى المستثمرين في الوقت الحاضر. أي أن «القصص» في السوق ليست مجرد ديكور في منطقة التعليقات، بل هي جهاز انتشار يغير التوقعات والإدراك بالمخاطر واتجاهات الفعل.

وعندما نضيف انحرافات الانتشار الاجتماعي تصبح الأمور أقوى. يشير نموذج Han وHirshleifer وWalden إلى أن المستثمرين يناقشون الاستراتيجيات، ويحوّلون الآخرين إلى استراتيجيتهم باحتمال يعتمد على realized returns ويظهر كدالة مقعّرة (凸性). كما أن عملية التواصل الاجتماعي نفسها تؤثر على شعبية وتسعير بعض الاستراتيجيات عالية التقلب وعالية الانحراف والاستراتيجيات النشطة. بلغة أبسط: كلما كان الارتفاع أقوى، زادت فرص أن يصبح سببًا لترويعه/إخبار الآخرين عنه؛ وكلما سهل الحديث عنه، زادت فرص جذب المزيد؛ وكلما جذب المزيد، زاد احتمال استمرار الارتفاع. هذا ليس مجرد herd بسيط، بل هو رد إيجابي ناتج عن تركيب بين attention وعائدات واجتماعيات الانتشار.

لذا في لغة الانعكاسية، القوة الحقيقية لـ attention ليست فقط «تجعل المزيد من الناس يرونه»، بل أنها تجعل السوق من

price reacts to fundamentals

إلى

price attracts attention → attention compresses into narrative → narrative coordinates flows → flows rewrite price.

وعندما تكون هذه السلسلة قوية بما يكفي، يتحرك السعر أولًا، ويتبع السرد لاحقًا، ثم تصبح الأساسيات تُشكَّل تدريجيًا عكسياً بواسطة سوق رأس المال، فتبدأ الثلاثة في التشابك فيما بينها.

لماذا يدفع كل هذا إلى أقصى الحدود في عصر AI

لأن LLM هو attention compressor + rationale generator

مشكلة LLM ليست من حيث الأساس مجرد hallucination؛ بل الأعمق هو sycophancy: تكشف الأبحاث أن عدة نماذج RLHF تظهر ميولًا للحديث بما يوافق مواقف المستخدمين. كما أن البشر وتفضيلاتهم، وكذلك نماذج التفضيل نفسها، تميل أكثر إلى الإجابات التي «تتماشى أكثر مع رأي المستخدم» والتي «تبدو أكثر إقناعًا». أي أن عندما يسأل المستخدم «لماذا ارتفع؟»، فإن النموذج لا يبدأ بتعداد فرضيات منافسة لـ H-set أولًا، بل من السهل عليه تنظيم إجابة تبدو أكثر كإجابة، ولكن تسير في اتجاه «الارتفاع».

والأخطر هو أن بحث LLM-based يجعل هذه الآلية أسرع وأيسر وأكثر توفيرًا للجهد.

وجدت دراسة لمايكروسوفت في 2025 أن بحث LLM يساعد المستخدم على إكمال المهام أسرع، مع استعلامات أقل ولكن أكثر تعقيدًا، وتجربة أكثر رضا؛ لكن عندما يخطئ النموذج، يصبح المستخدمون أكثر عرضة لـ overrely. وبالربط مع السوق، يصبح المعنى مباشرًا جدًا: لا يقدّم AI معلومات فقط، بل يقلل تكلفة الاحتكاك في «تشكيل سرد أحادي الاتجاه». في الماضي، كان الأمر يتطلب البحث في 10 تقارير أبحاث و3 أخبار وخمس منشورات منتديات لتجميع bull case / bear case بشكل مقبول؛ أما الآن، يمكن أن يولّد prompt واحد فقط.

لذا فإن «Attention is all we need» في عصر AI لا تعني أن الانتباه وحده قادر على خلق القيمة، بل تعني أنه ضمن الدورات القصيرة والمتوسطة، يمكن للانتباه وحده أن يحدد ما الذي يُرى أولًا وما الذي يُشرح أولًا وما الذي يُتداول أولًا وما الذي يتحول إلى إجماع.

يقوم LLM جوهريًا بضغط انتباه متقطع إلى سرد متماسك، ثم يضخ السرد المتماسك مرة أخرى إلى المستخدم، فيرفع يقينه الذاتي. فهو لا يقلل عدم اليقين في الحقائق بقدر ما يقلل عدم اليقين الذي يُشعر به.

attention يخلق تلقائيًا «superstar assets»

في الاقتصاد الرقمي، ترتبط superstar firms ارتباطًا وثيقًا بآثار الشبكة وآثار الحجم وإعادة توزيع الحصة. توضح دراسة «superstar firms» لـ Autor وآخرين إطار التفسير عبر إدخال network effects. وبالقياس إلى سوق رأس المال، ليس من الصعب استنتاج النتيجة: عندما يصبح attention موردًا نادرًا على مستوى القمة، سيحدث أيضًا تسوبر/تحول إلى superstar بين الأصول. الأصول القليلة الأكثر بروزًا، والأسهل في شرح القصة، والأكثر سهولة في التداول، والأكثر ملاءمة لأن يقوم AI بتفسيرها مرارًا وتكرارًا، ستسحب المزيد والمزيد من النقاش والسيولة والمراكز؛ حتى إن كانت الأصول طويلة الذيل ليست سيئة، فقد تظل على المدى الطويل في هامش «لا attention، لا أهلية تسعير، لا حق نقاش». هذا القياس استنتاجي، لكنه متوافق مع الأدلة على محدودية الانتباه وآثار الشبكة وتركيز superstar.

وهذا هو الإصدار الاقتصادي الأعمق من ثنائية السوق: ليس «شركات جيدة vs شركات سيئة» ببساطة، بل «أصول غنية بالانتباه vs أصول فقيرة بالانتباه».

الأولى يسهل عليها الحصول على سيولة زائدة، وميزة السرد، وتغطية البحث، واستقبال تمويل هيكلي؛ أما الثانية فتميل إلى أن تتحول إلى حالة «الأصل موجود والواقع جيد، لكن السعر يبدو وكأنه غير موجود».

المفارقة الحقيقية ليست «attention مهم»، بل إنها في نفس الوقت تصلح السوق وتدمر السوق

إذا دمجنا كل المستويات المذكورة أعلاه معًا، يمكن ضغط مفارقة ثنائية السوق إلى أربع جمل:

1. الانتباه شرط ضروري لاكتشاف السعر، لكنه ليس شرطًا كافيًا لخلق القيمة

بدون انتباه، قد لا تدخل الحقيقة إلى السعر على المدى الطويل؛ لكن مع وجود انتباه فقط دون أن تدعم الحقيقة الخاصة بالأصل التسعير، غالبًا ما تتحول في النهاية إلى اختلال بين عوائد قصيرة المدى وخسائر طويلة المدى. وقد لخّصت أبحاث مثل أعمال Da: أحجام البحث على الإنترنت تتنبأ بـ short-term gains وبـ long-term losses.

2. الانتباه يفسر underreaction وoverreaction في آن واحد

عندما يكون الانتباه غير كافٍ، ينتشر الخبر ببطء وتكون الاستجابة متأخرة؛ وعندما يسخن الانتباه أكثر من اللازم، تتضخم طلبات الشراء والتفاعل الاجتماعي والسرد والاستنتاجات المبالغ فيها بالتزامن، فيندفع السعر بعيدًا جدًا. كل من أدبيات limited attention وأدبيات anomaly تتحدث في جوهرها عن الشيء نفسه: الانتباه يمكنه أن يصلح التباطؤ، كما يمكنه أن يخلق اندفاعًا زائدًا.

3. AI دمقرط «قدرة التفسير»، لكنه ركّز «توزيع الانتباه»

يمكن للجميع كتابة bull case / bear case أسرع، لكن الغالبية العظمى من prompt ما تزال تتمحور حول الأصول التي ارتفعت وهبطت بالفعل والتي أصبحت مركز موضوع الحديث؛ النتيجة ليست ظهور المزيد من الحقائق غير المشهورة، بل استمرار ازدياد كثافة سرد الأصول البارزة. هذا التقدير مبني على استدلالات مبنية على sycophancy وoverreliance في LLM.

4. ألفا الحقيقي لا يكمن في مطاردة الانتباه، بل في تحديد العلاقة بين الانتباه والحقيقة

أخيرًا، أرى أن «Attention is all we need» كمقولة سوقية صحيحة في الدورات قصيرة المدى إلى حد ما؛ أما كأنطولوجيا للاستثمار، فهي لا تقف سوى على نصف الطريق. الجزء الصحيح هو أنه في عصر وفرة شديدة للمعلومات وتكدس سردي شديد وتيسير شديد عبر AI، يصبح الانتباه بالفعل متغير العتبة العلوية الأكثر أهمية في السوق. فهو يحدد ما الذي يُرى وما الذي يُناقش وما الذي يُتداول وما الذي يتحول إلى إجماع.

أما الجزء غير الصحيح فهو: يمكن للانتباه أن يحدد — بحد أقصى — من يتم تسعيره أولًا، وكيف يتم تسعيره، وما إذا كان التسعير يمكنه مؤقتًا أن ينفصل عن الأصل/موضوع الحقيقة؛ لكنه لا يمكنه على المدى الطويل أن يستبدل حقيقة الأصل نفسه. الذي يقرر عوائد الأجل الطويل حقًا ما إذا كان الأصل يحول attention إلى cash flows أعلى، وmoat، وكفاءة رأس مال، وحلقة انعكاسية إيجابية.

في عصر AI، ليس الانتباه all we need من أجل الحقيقة؛ لكنه أصبح أكثر فأكثر أشبه بـ all we need من أجل التسعير قصير الأفق.

ولأن السوق يصبح أكثر ثنائية، فالجذر ليس فقط تفضيلات التمويل، ولا فقط المستثمرين الأفراد، ولا فقط الخوارزميات. بل إن محدودية الانتباه + الانتشار الاجتماعي + ضغط السرد بواسطة AI + التداول الميكانيكي + تنظيم المشاعر لدى البشر معًا تلتهم «الحالات الوسطية».

انتهى النص بالكامل.