DOI: https://doi.org/10.3390/fintech5020034
تاريخ النشر: 2026-04-19
المؤلف: Hui Gong
الموضوع الرئيسي: الأنظمة المعقدة وتحليل السلاسل الزمنية
نظرة عامة
تقدم الورقة إطارًا شاملاً لفهم دور أنظمة الذكاء الاصطناعي المستقلة وشبه المستقلة في الأسواق المالية، والتي تُسمى المالية الوكيلة. توضح بنية من أربع طبقات لوكلاء الذكاء الاصطناعي المالي، والتي تشمل إدراك البيانات، ومحركات التفكير، وتوليد الاستراتيجيات، والتحكم في التنفيذ. يتم تقديم نموذج السوق المالي الوكالي (AFMM) كتمثيل قائم على الوكلاء يربط بين معلمات التصميم – مثل عمق الاستقلالية وترابط التنفيذ – والنتائج على مستوى السوق مثل الكفاءة والسيولة والمخاطر النظامية. تؤكد التحليل على أن تأثير الذكاء الاصطناعي في المالية يعتمد ليس فقط على ذكاء النماذج ولكن أيضًا على توزيع وترابط وحوكمة هذه الأنظمة الوكيلة عبر المؤسسات.
تخلص الورقة إلى أن الانتقال من الأتمتة المركزية على النماذج إلى الأتمتة المركزية على سير العمل في المالية يتطلب فهمًا أعمق لكيفية دمج وكلاء الذكاء الاصطناعي للإدراك والتفكير والتنفيذ ضمن الأطر المؤسسية. تشير التطبيق التجريبي، الذي يفحص ردود أفعال السوق على إفصاحات قدرات الوكلاء الذكاء الاصطناعي، إلى أنه بينما تزداد انتباه السوق، فإن إعادة التسعير غير متساوية ومركزة في القطاعات المعرضة للأتمتة. وهذا يشير إلى أن أهمية الذكاء الاصطناعي في المالية مرتبطة ارتباطًا وثيقًا بتفاعله مع الأدوار المؤسسية الحالية والهياكل الاقتصادية. يدعو المؤلفون إلى مزيد من البحث لتحسين AFMM واستكشاف آثار دمج الذكاء الاصطناعي في اتخاذ القرارات المالية، مشيرين إلى أن فهم هياكل الذكاء الاصطناعي سيكون أمرًا حاسمًا للحفاظ على الاستقرار المالي في المستقبل.
مقدمة
ت outlines مقدمة الورقة المشهد المتطور للأسواق المالية، مع التأكيد على الأهمية المتزايدة للسرعة والنطاق والجودة في معالجة المعلومات. تفترض أن التأثير النظامي للذكاء الاصطناعي (AI) في المالية يتأثر ليس فقط بذكاء النماذج الفردية ولكن أيضًا بتصميمها المعماري، ودمجها في سير العمل المؤسسي، وهياكل الحوكمة. يتم تقديم مفهوم “المالية الوكيلة”، والذي يُعرف بأنه البيئات التي تشارك فيها أنظمة الذكاء الاصطناعي المستقلة أو شبه المستقلة في أنشطة ذات أهمية اقتصادية مثل معالجة المعلومات واتخاذ القرارات.
لاستكشاف هذا الانتقال، تطرح الورقة ثلاثة أسئلة بحث رئيسية تتعلق بهندسة وكلاء الذكاء الاصطناعي المالي، وإمكاناتهم لتعزيز أو استبدال اتخاذ القرار البشري، والآثار النظامية لاعتمادهم على نطاق واسع. يجادل المؤلفون بأنه بينما تقوم المؤسسات المالية بالفعل بنشر الذكاء الاصطناعي لمجموعة متنوعة من الوظائف، فإن هناك نقصًا في إطار نظري واضح يربط تصميم الذكاء الاصطناعي باتخاذ القرارات المالية والنتائج السوقية الأوسع. تسهم الورقة من خلال تعريف المالية الوكيلة، واقتراح بنية معيارية من أربع طبقات لوكلاء الذكاء الاصطناعي، وتطوير نموذج السوق المالي الوكالي (AFMM) لربط تصميم الوكلاء على المستوى الجزئي مع النتائج السوقية على المستوى الكلي مثل الكفاءة والسيولة. المنهجية مفاهيمية وموجهة نحو البحث، تهدف إلى توجيه التحقيقات التجريبية المستقبلية، مع تفاصيل الأقسام اللاحقة المساهمات النظرية، والتطبيقات، وآثار الحوكمة للذكاء الاصطناعي في المالية.
النتائج
تقدم قسم النتائج نتائج من دراسة تجريبية أجريت على عينة من 31 شركة، تركز على ردود أفعال السوق على إفصاحات قدرات الوكلاء الذكاء الاصطناعي بين يونيو 2025 ومارس 2026. تشمل العينة ثمانية بائعين للخدمات التقليدية، وستة عشر مستخدمًا ماليًا تقليديًا، وسبع شركات تحكم. من الجدير بالذكر أن حدث التحقق من السوق في 24 فبراير 2026 أثار أكبر ردود فعل، مع عوائد غير طبيعية تراكمية (CAR) تبلغ حوالي -6.39% (s.e. 0.0140) لبائعي الخدمات التقليدية و-2.61% (s.e. 0.0057) للمستخدمين الماليين، بينما ظلت مجموعة التحكم قريبة من الصفر. يشير هذا إلى رد فعل سلبي ملحوظ في السوق خاصة بين الشركات التي تهدد جهود التحديث إيراداتها.
بالإضافة إلى ذلك، يكشف تحليل حجم التداول غير الطبيعي حول نفس الحدث عن صدمة انتباه سوق أوسع، حيث شهد بائعو الخدمات حجمًا غير طبيعي قدره حوالي 0.73، مقارنة بـ 0.37 للمستخدمين الماليين و0.70 للمجموعات الضابطة. تشير النتائج إلى أنه بينما يستجيب السوق للأخبار المتعلقة بالذكاء الاصطناعي، فإن ردود الفعل ليست موحدة وتختلف بشكل كبير بناءً على نماذج الأعمال للشركات المعنية. الأحداث اللاحقة، مثل تقرير سوق العمل في 5 مارس 2026، حولت السرد من القدرات إلى التعديلات التنظيمية، مما أثر سلبًا على المستخدمين الماليين أكثر من بائعي الخدمات. بشكل عام، توضح هذه النتائج التفاعل المعقد بين قدرات الذكاء الاصطناعي، وإدراكات السوق، والآثار الاقتصادية لنماذج الأعمال المختلفة، مما يدعم الطبيعة الاستكشافية للدراسة بدلاً من تقديم تحقق نهائي من الإطار النظري.
المناقشة
تضع قسم المناقشة من الورقة مساهماتها ضمن الأدبيات المتزايدة حول الذكاء الاصطناعي (AI) في المالية، وتنظم الأبحاث الحالية في ستة تيارات موضوعية: المالية القائمة على الوكلاء، والهيكل الدقيق للسوق، ونماذج اللغة الكبيرة المالية (LLMs)، وهندسة الوكلاء، والذكاء الاصطناعي في التداول، والتنظيم. يكشف هذا التنظيم عن فجوة حرجة في الأدبيات: بينما تم دراسة المكونات الفردية للمالية الوكيلة بشكل موسع، لا تزال الروابط بين هندسة الوكلاء، والتطبيقات المالية، والنتائج على مستوى السوق غير مستكشفة بشكل كافٍ. تهدف الورقة إلى سد هذه الفجوة من خلال اقتراح إطار مفاهيمي محدد للمالية يربط بين هذه العناصر، مما يعزز فهمنا لكيفية تأثير الأنظمة المدفوعة بالذكاء الاصطناعي على الأسواق المالية.
تشمل المساهمات النظرية للورقة تطوير بنية معيارية من أربع طبقات لوكلاء الذكاء الاصطناعي المالي، والتي تفكك أنظمة الوكلاء إلى إدراك البيانات، والتفكير، وتوليد الاستراتيجيات، والتنفيذ مع التحكم. يسمح هذا الإطار بتحليل منهجي لكيفية تأثير تصميمات مختلفة لوكلاء الذكاء الاصطناعي على نتائج السوق مثل السيولة، والتقلب، وسلوك القطيع. من خلال اعتبار وكلاء الذكاء الاصطناعي كفاعلين في السوق مدمجين في البنى التحتية المشتركة، تؤكد الورقة على أهمية خيارات التصميم في تشكيل عمليات اتخاذ القرار المالي. في النهاية، يهدف الإطار المقترح إلى توفير أساس للبحث التجريبي المستقبلي حول الآثار الاقتصادية والنظامية للأنظمة المالية الوكيلة، متميزًا عن الأدبيات الحالية من خلال التركيز على دمج تصميم الوكلاء، والنشر المؤسسي، والنتائج على مستوى السوق.
القيود
تُعترف قيود الإطار المقترح، وبشكل خاص نموذج السوق المالي القائم على الوكلاء (AFMM)، حيث إنه يعمل كنموذج مفاهيمي مبسط بدلاً من نموذج توازن شامل للتفاعلات الاستراتيجية بين الوكلاء المتنوعين. التحليل التجريبي المقدم محدود عمدًا، حيث يعتمد على عينة صغيرة، وبيانات عامة، ومعيار مبسط، مما قد لا يعكس تعقيدات التفاعلات في العالم الحقيقي بشكل كامل. تشمل القضايا الرئيسية التي تستدعي المزيد من الاستكشاف تأثير التحيزات السلوكية في أنظمة الذكاء الاصطناعي وديناميات التعاون بين البشر والذكاء الاصطناعي، حيث تتأثر عمليات اتخاذ القرار بالتفاعل بين الوكلاء البشريين والتوصيات التي يولدها الذكاء الاصطناعي.
تُقترح اتجاهات البحث المستقبلية لتعزيز الجوانب التجريبية والنظرية للإطار. يمكن أن تشمل التقدمات التجريبية تحليل أحداث صدمة القدرة المتعددة، واستخدام تحليل نصوص أغنى لقياسات التعرض، ودمج البيانات اليومية جنبًا إلى جنب مع مقاييس مستمدة من الخيارات. يجب أن تركز التطورات النظرية على رسم التفاعلات بين الوكلاء البشريين والذكاء الاصطناعي المتنوعين تحت ظروف مختلفة من الاستقلالية والترابط. يعد دمج دراسات الأحداث المدمجة مع مراقبة مدعومة بالذكاء الاصطناعي لروايات السوق مسارًا واعدًا للعمل المستقبلي، مما يعزز الأساس التجريبي مع الحفاظ على التركيز المفاهيمي للدراسة. على الرغم من قيوده، يوفر الإطار أساسًا تجريبيًا أوضح لربط الهندسة، والتبني، والحوكمة، وإعادة التسعير في سياق المالية الوكيلة.
DOI: https://doi.org/10.3390/fintech5020034
Publication Date: 2026-04-19
Author(s): Hui Gong
Primary Topic: Complex Systems and Time Series Analysis
Overview
The paper presents a comprehensive framework for understanding the role of autonomous and semi-autonomous AI systems in financial markets, termed agentic finance. It outlines a four-layer architecture for financial AI agents, which encompasses data perception, reasoning engines, strategy generation, and execution control. The Agentic Financial Market Model (AFMM) is introduced as a stylized agent-based representation that connects design parameters—such as autonomy depth and execution coupling—to market-level outcomes like efficiency, liquidity, and systemic risk. The analysis emphasizes that the impact of AI in finance is contingent not only on the intelligence of the models but also on the distribution, coupling, and governance of these agentic systems across institutions.
The paper concludes that the transition from model-centric to workflow-centric automation in finance necessitates a deeper understanding of how AI agents integrate perception, reasoning, and execution within institutional frameworks. The empirical application, which examines market reactions to AI-agent capability disclosures, indicates that while market attention increases, repricing is uneven and concentrated in sectors vulnerable to automation. This suggests that the significance of AI in finance is closely tied to its interaction with existing institutional roles and economic structures. The authors advocate for further research to refine the AFMM and explore the implications of AI integration in financial decision-making, positing that understanding AI architectures will be crucial for maintaining financial stability in the future.
Introduction
The introduction of the paper outlines the evolving landscape of financial markets, emphasizing the increasing importance of speed, scale, and quality in information processing. It posits that the systemic impact of artificial intelligence (AI) in finance is influenced not only by the intelligence of individual models but also by their architectural design, integration into institutional workflows, and governance structures. The concept of “agentic finance” is introduced, defined as environments where autonomous or semi-autonomous AI systems engage in economically significant activities such as information processing and decision-making.
To explore this transition, the paper poses three key research questions regarding the architecture of AI financial agents, their potential to augment or replace human decision-making, and the systemic implications of their widespread adoption. The authors argue that while financial institutions are already deploying AI for various functions, a clear theoretical framework linking AI design to financial decision-making and broader market outcomes is lacking. The paper contributes by defining agentic finance, proposing a modular four-layer architecture for AI agents, and developing the Agentic Finance Market Model (AFMM) to connect micro-level agent design with macro-level market outcomes such as efficiency and liquidity. The methodology is conceptual and research-oriented, aiming to guide future empirical investigations, with subsequent sections detailing the theoretical contributions, applications, and governance implications of AI in finance.
Results
The results section presents findings from an empirical study conducted on a sample of 31 firms, focusing on the market reactions to AI-agent capability disclosures between June 2025 and March 2026. The sample includes eight legacy-service vendors, sixteen legacy-heavy financial users, and seven control firms. Notably, the February 24, 2026 market-validation event elicited the most significant responses, with cumulative abnormal returns (CAR) of approximately -6.39% (s.e. 0.0140) for legacy-service vendors and -2.61% (s.e. 0.0057) for financial users, while the control group remained close to zero. This indicates a pronounced negative market reaction particularly among firms whose revenues are most threatened by modernization efforts.
Additionally, the analysis of abnormal trading volume around the same event reveals a broader market attention shock, with service vendors experiencing an abnormal log volume of approximately 0.73, compared to 0.37 for financial users and 0.70 for controls. The findings suggest that while the market is responsive to AI-related news, the reactions are not uniform and vary significantly based on the business models of the firms involved. Subsequent events, such as the March 5, 2026 labor-market report, shifted the narrative from capability to organizational adjustments, further impacting the financial users more negatively than the service vendors. Overall, these results illustrate the complex interplay between AI capabilities, market perceptions, and the economic implications for different business models, supporting the exploratory nature of the study rather than providing definitive validation of the theoretical framework.
Discussion
The discussion section of the paper situates its contributions within the expanding literature on artificial intelligence (AI) in finance, organizing existing research into six thematic streams: agent-based finance, market microstructure, financial large language models (LLMs), agent architectures, AI in trading, and regulation. This organization reveals a critical gap in the literature: while individual components of agentic finance have been extensively studied, the interconnections between agent architecture, financial applications, and market-wide consequences remain underexplored. The paper aims to fill this gap by proposing a finance-specific conceptual framework that links these elements, thereby enhancing our understanding of how AI-driven systems impact financial markets.
The paper’s theoretical contributions include the development of a modular four-layer architecture for AI financial agents, which decomposes agent systems into data perception, reasoning, strategy generation, and execution with control. This framework allows for a systematic analysis of how different designs of AI agents can influence market outcomes such as liquidity, volatility, and herding behavior. By treating AI agents as market actors embedded in shared infrastructures, the paper emphasizes the importance of design choices in shaping financial decision-making processes. Ultimately, the proposed framework aims to provide a foundation for future empirical research on the economic and systemic implications of agentic financial systems, distinguishing itself from existing literature by focusing on the integration of agent design, institutional deployment, and market-level consequences.
Limitations
The limitations of the proposed framework, specifically the Agent-Based Financial Market Model (AFMM), are acknowledged as it serves as a reduced-form conceptual model rather than a comprehensive equilibrium model of strategic interactions among diverse agents. The empirical analysis presented is intentionally limited, relying on a small sample, public-data proxies, and a simplified benchmark, which may not fully capture the complexities of real-world interactions. Key issues that warrant further exploration include the impact of behavioral biases in AI systems and the dynamics of human-AI collaboration, where decision-making processes are influenced by the interplay between human agents and AI-generated recommendations.
Future research directions are suggested to enhance both empirical and theoretical aspects of the framework. Empirical advancements could involve analyzing multiple capability-shock events, utilizing richer text analysis for exposure measures, and integrating intraday data alongside option-implied metrics. Theoretical developments should focus on formalizing interactions between heterogeneous human and AI agents under varying conditions of autonomy and coupling. A promising avenue for future work is the integration of compact event studies with AI-assisted monitoring of market narratives, which would strengthen the empirical foundation while maintaining the conceptual focus of the study. Despite its limitations, the framework provides a clearer empirical basis for connecting architecture, adoption, governance, and repricing within the context of agentic finance.