ArabJAdmin المجلة العربية للإدارة 1110-5453 المنظمة العربية للتنمية الإدارية 14_1871_1110-5453_v45_i06_p243 10.21608/aja.2025.391419.1871 تأثير أدوات الذكاء الاصطناعي على المستوى الضعيف من كفاءة السوق المالية السعودية The Impact of Artificial Intelligence Tools on the Weak-Form Efficiency of the Saudi Stock Market البريثن يزيد عبد العزيز قسم المالية والمصارف والتأمين كلية الإدارة والاقتصاد جامعة أم القرى المملكة العربية السعودية yazeedalburaythin@gmail.com 2025 07 2025 12 45 6 243 254 2025 06 2025 07 2025 07 حقوق النشر محفوظة للمجلة العربية للإدارة. الملخص

تهدف هذه الدراسة إلى اختبار المستوى الضعيف من الكفاءة وتحليل مدى تأثير انتشار أدوات الذكاء الاصطناعي الحديثة على هذا المستوى من الكفاءة في السوق المالية السعودية. لتحقيق ذلك الهدف، تم تقسيم فترة الدراسة إلى فترتين زمنيتين: الأولى من يناير 2019 إلى ديسمبر 2022 وتمثل فترة ما قبل ظهور أدوات الذكاء الاصطناعي، والثانية من يناير 2023 إلى ديسمبر 2024 وهي فترة ما بعد انتشار تطبيقات ذكاء اصطناعي (على سبيل المثال، ChatGPT). استخدمت الدراسة سلسلة العوائد اليومية لمؤشر تداول لجميع الأسهم (TASI) وطبقت اختبارات إحصائية تشمل تحليل الارتباط الذاتي (ACF)، اختبار المتتابعات (Runs Test)، واختبار نسبة التباين (Variance Ratio Test) للتحقق من فرضية السير العشوائي في كل فترة على حدة. بناءً عليه، أظهرت نتائج الاختبارات الإحصائية فروقًا واضحة بين الفترتين الزمنيتين محل الدراسة. في الفترة الأولى (2019–2022) رُفضت فرضية السير العشوائي، حيث كشفت النتائج عن وجود ارتباط ذاتي ذو دلالة إحصائية بين عوائد المؤشر، مما يشير إلى أن السوق لم يكن كفؤًا في المستوى الضعيف خلال تلك الفترة. أما في الفترة الثانية (2023–2024) فلم يتم رفض فرضية السير العشوائي، حيث لم تُظهر الاختبارات وجود علاقات ذات دلالة إحصائية بين العوائد الحالية والسابقة. بشكل عام، تشير نتائج الدراسة إلى تحسن في مستوى كفاءة السوق السعودية في مستواها الضعيف خلال الفترة من 2023 إلى 2024 وهو ما يتزامن مع الانتشار الواسع لأدوات الذكاء الاصطناعي بين المتداولين. بناءً على ذلك، تقترح الدراسة أن استخدام هذه الأدوات قد يكون أحد العوامل التي ساهمت في تعزيز كفاءة السوق، مع التأكيد على ضرورة إجراء دراسات مستقبلية لتحديد مدى مساهمة الذكاء الاصطناعي بشكل مباشر في تحسين كفاءة الأسواق المالية.

الكلمات المفتاحية السوق المالية السعودية كفاءة السوق المالية السير العشوائي الذكاء الاصطناعي ABSTRACT

This study aims to test the weak-form efficiency and analyse the extent to which the spread of modern artificial intelligence (AI) tools has affected this level of efficiency in the Saudi stock market. To achieve this goal, the study period was divided into two timeframes: the first from January 2019 to December 2022, representing the period before the emergence of AI tools; and the second from January 2023 to December 2024, representing the period following the widespread adoption of AI applications (e.g., ChatGPT). The study used the daily return series of the Tadawul All Share Index (TASI) and applied statistical tests including the Autocorrelation Function (ACF), the Runs Test, and the Variance Ratio Test to examine the random walk hypothesis in each period separately. The statistical test results revealed clear differences between the two periods under study. In the first period (2019–2022), the random walk hypothesis was rejected, as the results showed statistically significant autocorrelation in index returns, indicating that the market was not weak-form efficient during that time. In contrast, in the second period (2023–2024), the random walk hypothesis was not rejected, as the tests did not find statistically significant relationships between current and past returns. Overall, the findings suggest an improvement in the weak-form efficiency of the Saudi market during 2023–2024, which coincides with the widespread use of AI tools among traders. Accordingly, the study proposes that the adoption of these tools may be one of the factors contributing to enhanced market efficiency, while emphasising the need for future research to determine the extent to which AI directly improves financial market efficiency.

Keywords Saudi Stock Market Market Efficiency Random Walk Artificial Intelligence 1. المقدمة

تعد فرضية كفاءة السوق (Market Efficient Hypothesis) إحدى الفرضيات الرائدة في أدبيات المالية والاستثمار لما لها من أهمية نظرية وتطبيقية في تفسير حركة أسعار الأسهم في الأسواق المالية. تفترض الفرضية أن أسعار الأوراق المالية تعكس جميع المعلومات المتاحة في السوق، ولذلك فمن شبه المستحيل أن يستطيع المستثمرون تحقيق أرباح غير عادية باستمرار (Fama, 1970). وتصنف هذه الفرضية كفاءة الأسواق المالية، بناءً على نوعية المعلومات التي تنعكس في الأسعار، إلى ثلاثة مستويات: مستوى الكفاءة الضعيف، مستوى الكفاءة شبه القوي، ومستوى الكفاءة القوي (Fama, 1970). وتكمن أهمية دراسة كفاءة الأسواق المالية في كونها تقدم إطاراً نظرياً مهماً لفهم حركة أسعار الأسهم وتفاعلها مع المعلومات المتاحة، مما له من انعكاسات مباشرة على الاستراتيجيات الاستثمارية للمتعاملين في الأسواق المالية وكذلك أدوات التحليل المستخدمة. بالإضافة إلى ذلك، تسعى كثير من الدول، وخصوصاً النامية، لتحسين مستوى كفاءة أسواقها المالية من خلال إتاحة مزيد من المعلومات للمتعاملين وذلك في ظل سعيها لجذب رؤوس الأموال الخارجية (Alesmaiel, Hof & Fifield, 2024).

بالنسبة لمستوى الكفاءة الضعيف، وهو محل اهتمام هذه الدراسة، تفترض الفرضية أن أسعار الأسهم الحالية تعكس جميع الأسعار التاريخية للأسهم بالإضافة إلى حجم التعاملات التاريخي. بناء عليه، فإن المتعاملين في السوق المالية لا يمكنهم تحقيق عائد أعلى من متوسط المؤشر لفترات زمنية طويلة عن طريق تحليل أسعار الأسهم التاريخية (التحليل الفني)، حيث إن الأسعار في المستقبل مستقلة تماماً عن الأسعار التي كانت في الماضي (هندي، 2006). وخلال السنوات الماضية تم اختبار فرضية كفاءة الأسواق المالية في مستواها الضعيف في عدد من دول العالم. وبشكل عام، دعمت معظم الدراسات كفاءة الأسواق المالية بمستواها الضعيف في أسواق الدول المتقدمة، حيث وجدت أن عوائد هذه الأسواق تتبع نمطاً عشوائياً إلى حد كبير (Higgs & Worthington, 2004). على الصعيد المقابل، أشارت دراسات متعددة في الأسواق الناشئة إلى وجود انحرافات عن النمط العشوائي وبالتالي وجود فرص لتحقيق عوائد غير عادية، وهو ما يتعارض مع فرضية الكفاءة في مستواها الضعيف (Al‑Wazier, 2024).

ولكن في خلال السنوات الأخيرة، وتحديداً منذ مطلع عام 2023 ومع الانتشار الواسع لأدوات الذكاء الاصطناعي، ظهر عامل تقني جديد يتمثل في استخدام هذه الأدوات في مجال التحليل المالي، والذي قد يؤثر على طرق تحليل البيانات وسرعة انعكاس المعلومات في أسعار الأسهم. ففي نهاية عام 2022 وبداية عام 2023 ظهرت تطبيقات متقدمة للذكاء الاصطناعي يسهل على المتعاملين في الأسواق المالية استخدامها (مثل ChatGPT وغيرها)، مما أتاح للمستثمرين والمحللين في الأسواق المالية القدرة على معالجة كميات ضخمة من البيانات واستخلاص رؤى وتوقعات حول حركة أسعار الأسهم بشكل أكثر سرعة وفعالية؛ مما قد يؤدي إلى تحسين جودة تحليل المعلومات المنعكسة في الأسواق، وبالتالي تحسين كفاءتها من خلال جعل الأسعار أكثر عشوائية وأقل قابلية للتنبؤ. بناءً على ذلك، تبرز الحاجة إلى دراسة مدى تحسن الكفاءة في مستواها الضعيف في السوق المالية السعودية، إحدى الأسواق الناشئة، في ظل توفر أدوات الذكاء الاصطناعي. انطلاقاً من ذلك، تسعى هذه الدراسة إلى سد هذه الفجوة البحثية من خلال دراسة اختبار كفاءة السوق المالية السعودية عند المستوى الضعيف، وتحليل أثر استخدام أدوات الذكاء الاصطناعي على هذا المستوى من الكفاءة.

 2. الإطار النظري ومراجعة الدراسات السابقة

بداية من عام 1970، وعندما قام الباحث Eugene Fama بنشر فرضيته الشهيرة «فرضية كفاءة الأسواق المالية»، انتشرت هذه الفرضية على نطاق واسع في الأسواق المالية وأصبحت محل اهتمام كثير من الباحثين حول العالم. وتنقسم الأبحاث الخاصة بفرضية كفاءة الأسواق المالية إلى الأبحاث التي اختبرت هذه الفرضية في الأسواق المتقدمة وأخرى في الأسواق الناشئة.

بالنسبة للنوع الأول من الأسواق، دعمت العديد من الدراسات السابقة كفاءة الأسواق المالية في مستواها الضعيف حيث وجدت أن عوائد هذه الأسواق تسير بشكل عشوائي، إلى حد كبير، بشكل يتوافق مع الفرضية على الأقل في مستواها الضعيف. على سبيل المثال، أشارت دراسة Ulucak & Erdem (2016) إلى أن مؤشرات أسواق الأسهم في مجموعة الدول الصناعية السبع (G7) تسير بشكل عشوائي وفق عدد من الاختبارات الإحصائية؛ مما يدعم تحقق الكفاءة في مستواها الضعيف. بالإضافة إلى دراسة Darné & Charles (2009) التي وجدت أدلة على تحقق الكفاءة في مستواها الضعيف في الأسواق المتقدمة عن طريق اختبار مستويات الكفاءة باستخدام نسبة التباين (Variance Ratio Test) والذي أفاد أن الأسواق المالية في الدول المتقدمة عموماً تحقق نتائج متسقة مع فرضية السير العشوائي.

أما بالنسبة للأسواق الناشئة عموماً، فقد وجدت الدراسات السابقة أن الأسواق المالية أقل كفاءة مقارنة بالأسواق في الدول المتقدمة (Al‑Wazier, 2024). على سبيل المثال، ومن أوائل هذه الدراسات، دراسة Al‑Khazali, Pyun & Ding (2007) التي قام فيها الباحثون باختبار الكفاءة في مستواها الضعيف في ثمانية أسواق ناشئة في منطقة الشرق الأوسط وشمال إفريقيا باستخدام نسخة محسنة من اختبار نسبة التباين، وتوصلت النتائج إلى أن العديد من هذه الأسواق لا تتبع فرضية السير العشوائي؛ مما يشير إلى أن الكفاءة في مستواها الضعيف غير منطبقة في تلك الأسواق.

وفي عام 2016، أظهرت دراسة بوسلمة (2016) أن أسعار الأسهم في سوق عمان للأوراق المالية لا تستجيب بشكل فعال للمعلومات التي تصل للسوق، مما يشير إلى عدم كفاءة سوق عمان المالي عند المستوى شبه القوي. أما نور الدين (2019) فقد قام باختبار كفاءة سوق الكويت للأوراق المالية عند المستوى الضعيف من خلال بيانات يومية وباستخدام اختبار ديكي فولر الموسع (ADF)، اختبار فيلبس‑بيرون (PP) واختبار نسبة التباين (Variance Ratio Test). وتوصلت هذه الدراسة إلى أن عوائد مؤشر سوق الكويت للأوراق المالية لا تسير بشكل عشوائي، وبالتالي فإن السوق غير كفؤ عند المستوى الضعيف.

وفي عام 2019 قام عقبة وزهواني (2019) باختبار كفاءة سوق الدوحة للأوراق المالية على المستوى الضعيف باستخدام اختبار ديكي فولر الموسع (ADF)، اختبار فيلبس‑بيرون (PP) واختبار الارتباط الذاتي (ACF). وأظهرت نتائج الدراسة أن سلسلة عوائد المؤشر العام في سوق الدوحة مستقرة وتخلو من الارتباطات الذاتية ذات الدلالة الإحصائية، مما يشير إلى أن سوق الدوحة للأوراق المالية هو سوق كفؤ عند المستوى الضعيف. بصورة مماثلة، اختبرت دراسة سالم (2020) كفاءة السوق المصرية للأوراق المالية عند المستوى الضعيف باستخدام اختبارات جذر الوحدة، وأظهرت النتائج أن السوق المصري هو سوق ذو كفاءة عند المستوى الضعيف.

أما حديثاً، فقد هدفت دراسة Bhutto & Akbar (2023) إلى اختبار الكفاءة السعرية في ستة أسواق ناشئة في آسيا وهي: الهند، الصين، باكستان، ماليزيا، الفلبين، وإندونيسيا، باستخدام اختبارات إحصائية تشمل جذر الوحدة (ADF, PP)، نموذج GARCH، واختبار نسبة التباين، وأظهرت النتائج أن معظم هذه الأسواق لا تتبع فرضية السير العشوائي؛ ما يشير إلى ضعف الكفاءة السعرية في هذه الأسواق.

أما بخصوص السوق المالية السعودية، محور هذه الدراسة، فقد قامت دراسة Alesmaiel, Hof & Fifield (2024) باستخدام أسلوب نسبة التباين (Variance Ratio Test) لتقييم كفاءة السوق في مستواها الضعيف في الفترة من 2008 إلى 2017، وأظهرت النتائج عدم تحقق الكفاءة في مستواها الضعيف لمعظم الشركات في السوق وكذلك للمؤشر بشكل عام. ومن الدراسات الحديثة التي ركزت على السوق المالية السعودية هي دراسة المقبل والمقرن (2023). قام الباحثان في هذه الدراسة باختبار مستوى الكفاءة الضعيف باستخدام ثلاثة اختبارات، وهي اختبار ديكي فولر الموسع (ADF)، اختبار فيلبس‑بيرون (PP) واختبار KPSS، وأوجدت الدراسة أن أسعار الأسهم في السوق المالية السعودية تسير بشكل عشوائي.

أما دراسة Akeel & Khoj (2020) فقد اعتمدت على اختبارات مختلفة حيث قام الباحثان باختبار فرضية كفاءة السوق في مستواها الضعيف باستخدام اختباري نسبة التباين (Variance Ratio Test) واختبار المتتابعات (Runs Test) على سبعة عشر قطاعاً في السوق المالية السعودية خلال الفترة من أبريل 2007 إلى مايو 2011. أظهرت نتائج اختبار نسبة التباين أن عوائد جميع القطاعات لا تتبع فرضية السير العشوائي، بينما أظهر اختبار المتتابعات أن بعض القطاعات، مثل البنوك والتأمين والاتصالات، تسير عوائدها بشكل عشوائي إلى حد ما.

أخيراً، تناولت دراسة Diftar‑El (2024) مدى تحقق فرضية السير العشوائي في تسع أسواق ناشئة، من ضمنها السوق المالية السعودية، باستخدام العوائد اليومية لمؤشرات هذه الأسواق وتطبيق اختبارات جذر الوحدة واختبار نسبة التباين وكذلك اختبار المتتابعات. بناء عليه، وجدت الدراسة أن عوائد معظم مؤشرات الأسواق المشمولة في الدراسة لا تسير بشكل عشوائي، بشكل يبرز الحاجة لإجراء تحسينات تنظيمية في هذه الأسواق لتحسين مستوى الكفاءة.

ولكن حتى هذه اللحظة لا توجد دراسات في الأسواق الناشئة حول أثر ظهور أدوات الذكاء الاصطناعي على كفاءة الأسواق المالية في مستواها الضعيف، حيث إن جميع الدراسات التي ركزت على هذا التأثير كانت في الأسواق المتقدمة. من ضمن هذه الدراسات دراسة Kumar (2024) حيث استعرضت هذه الدراسة كيف يمكن لخوارزميات التداول المدعومة بالذكاء الاصطناعي أن تعزز كفاءة السوق من خلال تحسين سرعة ودقة قرارات التداول. رغم ذلك، حذرت الدراسة من أن الاستخدام الواسع لهذه الخوارزميات قد يؤدي إلى مخاطر نظامية جديدة وظهور سلوكيات مشابهة لسلوك القطيع (Herding Behaviour).

أما في دراسة حديثة لصندوق النقد الدولي (International Monetary Fund, 2024)، فقد تم تحليل تأثير تبني تقنيات الذكاء الاصطناعي، بما في ذلك النماذج اللغوية الكبيرة (LLMs)، على كفاءة الأسواق المالية واستقرارها. وتوصلت الدراسة إلى أنه يمكن لأدوات الذكاء الاصطناعي أن تحسن إدارة المخاطر وترفع مستوى السيولة من خلال تسريع معالجة المعلومات وتسهيل تنفيذ الصفقات، ولكن أوجدت الدراسة أيضاً أن تبني أدوات الذكاء الاصطناعي قد يؤدي إلى زيادة تذبذب أسواق المال خصوصاً خلال فترات الأزمات.

بناءً على ذلك، فإن ما يميز هذه الدراسة عن الدراسات السابقة هو تركيزها على تحليل أثر أدوات الذكاء الاصطناعي على مستوى الكفاءة الضعيف في السوق المالية السعودية، وذلك عبر مقارنة فترتين زمنيتين: قبل وبعد انتشار هذه الأدوات. في حين أن الدراسات السابقة تناولت كفاءة السوق السعودية أو أسواقاً ناشئة أخرى دون التطرق لتأثير أدوات الذكاء الاصطناعي، فإن هذه الدراسة تسد فجوة بحثية من خلال تقديم أدلة توضح كيف يمكن لتقنيات الذكاء الاصطناعي أن تسهم في تعزيز كفاءة السوق.

 3. مشكلة الدراسة

في ضوء ما سبق، تتمحور مشكلة الدراسة حول معرفة ما إذا كان هناك تغير في مستوى كفاءة السوق المالية السعودية خلال فترتين زمنيتين متعاقبتين: الفترة الأولى تسبق الانتشار الواسع لأدوات الذكاء الاصطناعي، والثانية تلي هذا الانتشار. وبشكل أكثر تحديداً، تسعى الدراسة للإجابة على سؤال رئيسي وهو: هل تحسنت كفاءة السوق السعودية في مستواها الضعيف بعد ظهور وانتشار أدوات الذكاء الاصطناعي مقارنة بما كانت عليه قبل انتشار هذه الأدوات؟

 4. أهداف الدراسة

من خلال دراسة مستوى كفاءة السوق المالية السعودية خلال فترتين زمنيتين وتطبيق عدد من الاختبارات الإحصائية، تهدف هذه الدراسة إلى:

اختبار تحقق الكفاءة في مستواها الضعيف في السوق المالية السعودية باستخدام اختبارات كمية خلال فترتين زمنيتين: ما قبل (2019–2022) وما بعد (2023–2024) انتشار أدوات الذكاء الاصطناعي.

تحليل أثر انتشار أدوات الذكاء الاصطناعي على مستوى الكفاءة الضعيف في السوق المالية السعودية، من خلال مقارنة نتائج الاختبارات بين الفترتين.

سد فجوة بحثية في الدراسات السابقة من خلال دراسة تأثير أدوات الذكاء الاصطناعي على المستوى الضعيف من الكفاءة في سوق مالية ناشئة مثل السوق المالية السعودية.

 5. فرضيات الدراسة

اتساقاً مع الهدف الرئيسي لهذه الدراسة، وهو اختبار كفاءة السوق السعودية عند المستوى الضعيف وكذلك دراسة أثر ظهور أدوات الذكاء الاصطناعي على كفاءة السوق المالية، ومن خلال اختبار مستوى الكفاءة في فترتين زمنيتين تمثلان مرحلتي ما قبل وبعد ظهور أدوات الذكاء الاصطناعي، يمكن تلخيص فرضيات الدراسة كما يلي:

5.1 الفترة الأولى: ما قبل ظهور أدوات الذكاء الاصطناعي (2019–2022)

الفرضية الصفرية (H₀): من المتوقع أن تكون عوائد مؤشر السوق في هذه الفترة عشوائية وغير قابلة للتنبؤ باستخدام البيانات التاريخية.

الفرضية البديلة (H₁): من المتوقع أن تحتفظ عوائد مؤشر السوق ببعض الأنماط القابلة للتنبؤ تاريخياً.

 5.2 الفترة الثانية: ما بعد ظهور أدوات الذكاء الاصطناعي (2023–2024)

الفرضية الصفرية (H₀): من المتوقع أن تكون عوائد مؤشر السوق في هذه الفترة عشوائية وغير قابلة للتنبؤ باستخدام البيانات التاريخية.

الفرضية البديلة (H₁): من المتوقع أن تحتفظ عوائد مؤشر السوق ببعض الأنماط القابلة للتنبؤ تاريخياً.

 6. منهج الدراسة

للإجابة على أسئلة الدراسة واختبار الفرضيات، اعتمدت الدراسة منهجية كمية تحليلية استندت إلى تحليل سلسلة العوائد اليومية للمؤشر الرئيسي في السوق المالية السعودية (TASI). وبالتالي يتضمن هذا القسم وصفاً للبيانات المستخدمة في الدراسة، عينة الدراسة، والأدوات الإحصائية المستخدمة لاختبار مستوى الكفاءة في المستوى الضعيف.

6.1 أدوات وطرق جمع البيانات

تغطي البيانات المستخدمة سلسلة أسعار الإغلاق اليومية للمؤشر الرئيسي في المملكة العربية السعودية، مؤشر تداول لجميع الأسهم (TASI)، وذلك للفترة من 01‑01‑2019م حتى 31‑12‑2024م. وقد تم الحصول على هذه البيانات من منصة «إيداع» التابعة للسوق السعودية (تداول)، وتتضمن 1497 جلسة تداول.

وكما ذكر سابقاً، جرى تقسيم الفترة الإجمالية إلى فترتين فرعيتين:

الفترة الأولى: من يناير 2019 حتى ديسمبر 2022، وتمثل بشكل تقريبي فترة ما قبل انتشار أدوات الذكاء الاصطناعي، وتتضمن بعض الأحداث المهمة مثل: تقلبات أسعار النفط الحادة وكذلك جائحة كوفيد‑19 في بداية عام 2020، حيث شهد هذا العام انخفاضاً حاداً لأسعار الأسهم تلاه تعافٍ في بداية عام 2021.

الفترة الثانية: من يناير 2023 حتى ديسمبر 2024، وهذه الفترة وافقت ظهور تطبيقات متقدمة للذكاء الاصطناعي متاحة للمستخدمين بشكل مجاني أو بتكلفة منخفضة مثل ChatGPT وغيرها، والتي ساهمت في تسهيل وتحسين جودة التحليل المالي للمستثمرين.

 6.2 متغيرات الدراسة ومفرداتها

تم التعامل مع مؤشر TASI كممثل لأداء السوق ككل وللكفاءة السعرية فيه، وتم حساب العائد اليومي على هيئة النسبة المئوية للتغير في سعر الإغلاق باستخدام لوغاريتم العائد، والذي يجعل توزيع العوائد أقرب للتوزيع الطبيعي كما هو موضح في المعادلة (1):

حيث Pt هو سعر الإغلاق في اليوم t.

بعد حساب العوائد، تم إجراء بعض الإحصاءات الوصفية الأساسية للفترتين (المتوسط، التباين، الالتواء، التفرطح) للتحقق من خصائص التوزيع كما هو موضح في الجدول (1).

اختبارات الإحصاء الوصفي للعينة للفترتين (الوسط الحسابي، الانحراف المعياري، الالتواء، التفرطح)
البيان 2019–2022
(قبل انتشار تطبيقات الذكاء الاصطناعي)		 2023–2025
(بعد انتشار تطبيقات الذكاء الاصطناعي)
حجم العينة (يوم) 998 499
متوسط العائد اليومي 0.03% 0.02%
الانحراف المعياري 1.09% 0.77%
معامل الالتواء (Skewness) -1.53 -1.25
معامل التفرطح (Kurtosis) 12.23 12.31
اختبار Bera–Jarque (قيمة إحصاء الاختبار) 3810 6538
اختبار Bera–Jarque (قيمة الاحتمالية p‑value) 0.000 0.000

المصدر: من إعداد الباحث باستخدام برنامج Python.

يتضح من الجدول (1) أن متوسط العائد اليومي في كلا الفترتين قريب من الصفر الموجب (حوالي 0.02–0.03%)، وهو أمر متوقع في أسواق الأسهم على المدى الطويل حيث تميل الاتجاهات الصاعدة لتعويض التراجعات. أما الانحراف المعياري، والذي يمثل التقلب اليومي، فكان أعلى بكثير في الفترة من 2019–2022 (1.09%) مقارنة بالفترة اللاحقة (0.77%)، مما يعكس طبيعة الفترة الأولى التي تضمنت تقلبات حادة نتيجة جائحة كوفيد‑19، والتي انخفض المؤشر خلالها بأكثر من 30% في أوائل 2020 ثم شهد ارتفاعات كبيرة في 2021، بينما اتسمت الفترة بعد 2023 بتقلبات أقل حدة.

أما شكل توزيع العوائد، فكلا الفترتين تُظهران التواءً سلبياً ملحوظاً (قيم سالبة عالية لمعامل الالتواء)، مما يعني أن منحنى توزيع العوائد منحرف جهة اليسار، أي أن احتمالية الخسائر الكبيرة أكبر نسبياً من احتمالية المكاسب الكبيرة بنفس المقدار. كما أن التفرطح (Kurtosis) عالٍ جداً وأعلى بكثير من النتيجة المعيارية (3)، مما يشير إلى ذيل سميك للتوزيع، وهذا يقترح وجود عدد أكبر من الأحداث المتطرفة مما يفترضه التوزيع الطبيعي. هذه الملاحظات تعتبر من النتائج الشائعة في الدراسات التي تتضمن دراسة أسواق الأسهم، إذ كثيراً ما تشهد هذه الأسواق انخفاضات حادة مفاجئة أكبر من الارتفاعات المفاجئة، مما ينتج توزيعاً غير طبيعياً (Leptokurtic).

بالإضافة إلى اختباري الالتواء والتفرطح، فإن اختبار Bera–Jarque يؤكد أيضاً أن العوائد ليست موزعة توزيعاً طبيعياً. هذه الاختبارات الوصفية للبيانات مهمة لأن عدم وجود توزيع طبيعي قد يؤثر على دقة بعض الاختبارات المعتمدة، خاصة اختبار الارتباط الذاتي الذي يفترض في بعض صيغه التوزيع الطبيعي. ولذلك سيتم استخدام صيغ معدلة للاختبارات تراعي هذه الخصائص مثل اختبار Box‑Ljung بدلاً من اختبار Watson–Durbin التقليدي.

 6.3 أساليب تحليل البيانات

من أجل تقييم مدى تحقق فرضية الكفاءة الضعيفة في كل فترة، استخدمت الدراسة مجموعة من الاختبارات التي تم اقتراحها في الدراسات السابقة، وفيما يلي نبذة عن كل اختبار وطريقة تطبيقه.

6.3.1 تحليل الارتباط الذاتي (Autocorrelation Function - ACF)

هو عبارة عن حساب معامل الارتباط الذاتي لسلسلة العوائد مع نفسها باستخدام فترات تأخير مختلفة (Lags). فإذا كانت كفاءة السوق ضعيفة، ينبغي نظرياً ألا يظهر أي ارتباط ذاتي مؤثر في سلسلة العوائد. في هذه الدراسة تم حساب معاملات الارتباط الذاتي لعوائد المؤشر لعدد من فترات التأخير (من 1 حتى 10 أيام تأخير لكل فترة) (Fama, 1965). وتم استخدام اختبار Box‑Ljung للتحقق، مجتمعاً، مما إذا كانت مجموعة من تلك الارتباطات الذاتية تختلف عن الصفر بشكل معنوي.

يعطي اختبار Box‑Ljung إحصائية Q مع درجة حرية تساوي عدد الفترات المفحوصة، ويمكن تفسير قيمة الاحتمالية (p‑value) على أنها مستوى الثقة لرفض الفرضية الصفرية بأن «جميع معاملات الارتباط الذاتي حتى الإزاحة k تساوي صفراً». في هذه الدراسة، تم استخدام k=5 و k=10 كمستويين لمجموع الفترات القصيرة والمتوسطة.

 6.3.2 اختبار المتتابعات (Runs Test)

هو اختبار إحصائي غير معلمي (Distribution‑free) يستخدم لتقييم مدى عشوائية تسلسل البيانات في سلسلة زمنية محددة. يعتمد هذا الاختبار على فرضية أنه إذا كانت البيانات عشوائية، فإن عدد المتتابعات في السلسلة الزمنية يجب أن يكون قريباً من العدد المتوقع لها (Fama, 1965). ويمكن تعريف «التتابع» هنا بأنه سلسلة من التغيرات المتتالية في الأسعار تحمل نفس الإشارة (صعود، هبوط، ثبات).

تحت الفرضية الصفرية (Null Hypothesis) التي تفترض استقلالية التغيرات في عوائد الأسهم، يمكن تقدير العدد المتوقع للمتتابعات M كما يلي (المعادلة 2):

حيث N هو العدد الكلي للمشاهدات، و ni عدد التغيرات في العوائد في كل فئة من الفئات الثلاث (ارتفاع، انخفاض، ثبات) بحيث يساوي مجموعها N.

أما لاختبار ما إذا كان العدد الفعلي للمتتابعات متسقاً مع فرضية الاستقلالية، فيتم استخدام القيمة الحرجة Z كما في المعادلة (3):

حيث R هو العدد الفعلي للمتتابعات، و M العدد المتوقع، و \sigma_M هو الانحراف المعياري للمتتابعات.

 6.3.3 اختبار نسبة التباين (Variance Ratio Test)

يعد من الاختبارات الشائعة في الدراسات السابقة، حيث اقترحه Lo & MacKinlay (1988) لقياس ما إذا كانت سلسلة العوائد تتبع سيراً عشوائياً أم لا من خلال مقارنة تباين تذبذبها على مدى فترات مختلفة. وتعتمد فكرة الاختبار على أنه إذا كانت التغيرات في عائد المؤشر عشوائية، فإن تباين عوائد فترة مكونة من q فترات يجب أن يكون مساوياً تقريباً q ضعف تباين العائد لفترة واحدة، أي:

ويقيس الاختبار نسبة التباين الفعلية على النحو التالي:

حيث rt هو العائد اليومي، و Rt,q هو مجموع العائد خلال q من الفترات، وVR(q) هي نسبة التباين للفترة q.

إذا كانت قيمة VR(q) تختلف كثيراً عن 1، فإن السلسلة في هذه الحالة لا تحقق نظرية السير العشوائي. بشكل أكثر تفصيلاً، إذا كانت VR(q)>1 فذلك يشير إلى أن التباين على المدى الطويل أكبر من المفترض عشوائياً، وغالباً ما يدل ذلك على وجود زخم اتجاهي. أما في حالة أن VR(q)<1 فذلك يشير إلى أن التذبذب على المدى الطويل أقل من المتوقع، ويمكن تفسير ذلك بظاهرة العودة للوسط الحسابي (Mean Reversion)، حيث تميل الارتفاعات لأن يعقبها هبوط والعكس؛ مما يقلل التباين على المدى الطويل.

 7. النتائج

من أجل تحقيق الهدف الرئيسي للدراسة، تم إجراء الاختبارات الإحصائية التالية: تحليل الارتباط الذاتي (ACF)، اختبار المتتابعات (Runs Test)، واختبار نسبة التباين (Variance Ratio Test) خلال الفترتين: (1) ما قبل انتشار أدوات الذكاء الاصطناعي (يناير 2019 – ديسمبر 2022)، و(2) ما بعد انتشار أدوات الذكاء الاصطناعي (يناير 2023 – ديسمبر 2024).

حركة مؤشر تداول لجميع الأسهم (TASI) يومياً من 2019 إلى منتصف 2025

يوضح الشكل حركة المؤشر العام للسوق المالية السعودية خلال فترة الدراسة، مع ملاحظة الهبوط الحاد خلال أزمة كوفيد‑19 ثم التعافي اللاحق، وانخفاض حدة التقلبات بعد عام 2023. الخط الأحمر المتقطع يبين بداية عام 2023 (بداية الفترة الثانية).

 7.1 اختبار تحليل الارتباط الذاتي (ACF)

يتضمن الجدول (2) نتائج اختبار تحليل الارتباط الذاتي لعشر فترات من التأخير (Lags) للفترة ما قبل ظهور أدوات الذكاء الاصطناعي، بينما يتضمن الجدول (3) نتائج الفترة ما بعد ظهور أدوات الذكاء الاصطناعي.

نتائج اختبار تحليل الارتباط الذاتي لعشر فترات من التأخير لعوائد المؤشر للفترة ما قبل ظهور أدوات الذكاء الاصطناعي (2019–2022)
فترة التأخير (يوم) معامل الارتباط الذاتي (ACF) المعنوية الإحصائية (p‑value)
1 0.059 0.064
2 -0.068 0.017
3 0.023 0.034
4 0.042 0.034
5 0.033 0.042
6 -0.026 0.057
7 -0.080 0.009
8 0.013 0.016
9 -0.010 0.026
10 0.011 0.040

اختبار Box‑Ljung لمجموع (5) أيام تأخير: Q = 11.5320, p = 0.042.

اختبار Box‑Ljung لمجموع (10) أيام تأخير: Q = 19.0491, p = 0.040.

المصدر: من إعداد الباحث باستخدام برنامج Python.

يتضح من الجدول (2) وجود عدد من معاملات الارتباط الذاتي ذات دلالة إحصائية؛ حيث إن قيم p‑value لفترات التأخير من 2 إلى 10 أيام أقل من 0.05، مما يعني وجود علاقة معنوية إحصائياً بين عائد المؤشر وعوائد الأيام السابقة. هذه العلاقة يتم تأكيدها من خلال اختبار Box‑Ljung؛ إذ تشير نتائج الاختبار إلى أن مجموع معاملات الارتباط حتى 5 أيام، وكذلك حتى 10 أيام، تختلف عن الصفر بشكل معنوي، مما يدل على أن التغيرات في عوائد المؤشر خلال هذه الفترة ليست مستقلة تماماً، بل توجد إمكانية للتنبؤ بحركة المؤشر في الأيام التالية باستخدام عوائد الأيام السابقة. وهذه النتائج معاكسة لفرضية السير العشوائي، وتقترح عدم انطباق نظرية كفاءة السوق في مستواها الضعيف على السوق المالية السعودية خلال الفترة من 2019 حتى نهاية 2022.

نتائج اختبار تحليل الارتباط الذاتي لعشر فترات من التأخير لعوائد المؤشر للفترة ما بعد ظهور أدوات الذكاء الاصطناعي (2023–2024)
فترة التأخير (يوم) معامل الارتباط الذاتي (ACF) المعنوية الإحصائية (p‑value)
1 0.041 0.364
2 0.018 0.609
3 -0.121 0.039
4 0.042 0.055
5 -0.038 0.076
6 0.014 0.121
7 0.029 0.162
8 0.113 0.030
9 0.014 0.048
10 0.047 0.052

اختبار Box‑Ljung لمجموع (5) أيام تأخير: Q = 9.9784, p = 0.076.

اختبار Box‑Ljung لمجموع (10) أيام تأخير: Q = 18.1788, p = 0.052.

المصدر: من إعداد الباحث باستخدام برنامج Python.

تُظهر النتائج في الجدول (3) نمطاً مختلفاً عن الفترة الأولى، حيث أصبحت معاملات الارتباط لمعظم فترات التأخير ذات دلالة غير معنوية إحصائياً؛ فمثلاً معامل الارتباط في اليوم الثاني إيجابي (0.018)، إلا أن قيمة p‑value (0.609) أكبر بكثير من 0.05، مما يدل على عدم وجود علاقة معنوية. وعلى الرغم من وجود بعض معاملات الارتباط ذات المعنوية الإحصائية مثل الأيام 3، 8، و9، إلا أن نتيجة اختبار Box‑Ljung لمجموع 5 أيام، وكذلك لمجموع 10 أيام، تشير إلى أن هذه الارتباطات بشكلها المجمع ليست ذات دلالة إحصائية، حيث قيم p‑value أكبر من 0.05. بالتالي لا نستطيع رفض الفرضية الصفرية بأن جميع معاملات الارتباط حتى k=5 وk=10 تساوي صفراً.

بناء على ذلك، فإن نتائج اختبار تحليل الارتباط الذاتي للفترة الثانية تؤيد نظرية السير العشوائي، بحيث لا يوجد علاقة واضحة بين عوائد المؤشر الحالية وعوائد الأيام العشرة السابقة؛ مما يتوافق مع نظرية الكفاءة في مستواها الضعيف. ومن خلال مقارنة نتائج الجدولين (2) و(3)، يمكن القول إن مستوى كفاءة السوق المالية في المملكة العربية السعودية شهد تحسناً خلال الفترة الثانية (ما بعد ظهور أدوات الذكاء الاصطناعي) مقارنة بالفترة الأولى، حيث انخفض الارتباط الذاتي لعوائد المؤشر إلى مستويات غير دالة إحصائياً.

 7.2 اختبار المتتابعات (Runs Test)

اختبار المتتابعات هو اختبار إحصائي غير معلمي يستخدم لتقييم مدى عشوائية تسلسل البيانات في سلسلة زمنية، ويمكن استخدامه كنموذج لتقييم مستوى الكفاءة الضعيف. يوضح الجدول (4) نتائج الاختبار للفترتين ما قبل ظهور أدوات الذكاء الاصطناعي وما بعد ظهورها.

نتائج اختبار المتتابعات (Runs Test) للفترتين ما قبل وما بعد ظهور أدوات الذكاء الاصطناعي
البيان الفترة من يناير 2019 إلى ديسمبر 2022
(ما قبل ظهور أدوات الذكاء الاصطناعي)		 الفترة من يناير 2023 إلى ديسمبر 2024
(ما بعد ظهور أدوات الذكاء الاصطناعي)
عدد المتتابعات الفعلي (Runs) 496 233
العدد المتوقع للمتتابعات (M) 500 250
الانحراف المعياري للمتتابعات (σM) 15.78 11.15
القيمة الحرجة (Z) -0.253 -1.568
المعنوية الإحصائية (p‑value) 0.800 0.117

المصدر: من إنشاء الباحث باستخدام برنامج Python.

تُظهر نتائج اختبار المتتابعات في الجدول (4) أن عدد المتتابعات الفعلي متسق مع فرضية الاستقلالية خلال الفترتين؛ حيث إن عدد المتتابعات للفترة الأولى (496) مقارب للعدد المتوقع (500)، والاختلاف بين القيمتين غير معنوي إحصائياً (p‑value = 0.800 > 0.05). أما بالنسبة للفترة الثانية، فإن عدد المتتابعات الفعلي (233) قريب من العدد المتوقع (250)، وقيمة p‑value (0.117) أكبر من 0.05، مما يعني أيضاً عدم رفض الفرضية الصفرية. بالتالي يمكن القول إن نتائج هذا الاختبار تؤيد نظرية السير العشوائي لمؤشر السوق المالي السعودي (TASI) في كلتا الفترتين، مما يدعم فرضية كفاءة السوق في مستواها الضعيف من منظور اختبار المتتابعات.

 7.3 اختبار نسبة التباين (Variance Ratio Test)

الاختبار الثالث والأخير في هذه الدراسة هو اختبار نسبة التباين، والذي يهدف لقياس ما إذا كانت سلسلة العوائد تتبع سيراً عشوائياً من خلال مقارنة تباين التذبذب على مدى فترات مختلفة. يبين الجدول (5) نتائج الاختبار للفترتين محل الدراسة مع تبيان القيم الحرجة وقيم المعنوية الإحصائية لكل نسبة تباين (فترات تأخير 2، 5، 10 أيام).

نتائج اختبار نسبة التباين (Variance Ratio Test) للفترتين ما قبل وما بعد ظهور أدوات الذكاء الاصطناعي
الفترة البيان نسبة التباين VR(q) القيمة الحرجة (Z) المعنوية الإحصائية (p‑value)
يناير 2019 – ديسمبر 2022
(قبل ظهور أدوات الذكاء الاصطناعي)		 نسبة التباين (Lag 2) 1.051 1.027 0.304
نسبة التباين (Lag 5) 1.028 0.788 0.431
نسبة التباين (Lag 10) 1.069 2.105 0.035
يناير 2023 – ديسمبر 2024
(بعد ظهور أدوات الذكاء الاصطناعي)		 نسبة التباين (Lag 2) 1.042 0.659 0.510
نسبة التباين (Lag 5) 1.008 0.174 0.862
نسبة التباين (Lag 10) 1.032 0.769 0.442

المصدر: من إنشاء الباحث باستخدام برنامج Python.

من خلال النتائج الموضحة في الجدول (5)، يمكن القول إن حركة مؤشر السوق المالي في المملكة أصبحت أكثر اتساقاً مع نظرية السير العشوائي خلال فترة ما بعد ظهور أدوات الذكاء الاصطناعي؛ إذ إن نسب التباين في هذه الفترة لجميع فترات التأخير (2، 5، 10) لا تختلف عن 1 بشكل دال إحصائياً، حيث قيم p‑value أكبر من 0.05، مما يدعم أن سلسلة عوائد الإغلاق اليومية للمؤشر مستقرة وتسير بشكل عشوائي تقريباً.

أما نتائج الاختبار للفترة الأولى فتشير إلى أن نسبة التباين خلال فترتي التأخير 2 و5 أيام متسقة مع نظرية السير العشوائي (قيم p‑value أكبر من 0.05)، لكن نتائج نسبة التباين خلال 10 أيام تأخير تشير إلى وجود اعتماد زمني دال إحصائياً؛ إذ إن نسبة التباين (1.069) أكبر من 1 والاختلاف ذو دلالة إحصائية (p = 0.035 < 0.05)، مما يعني وجود فرصة للتنبؤ بالعوائد أو استغلالها خلال العشرة أيام اللاحقة من ارتفاع المؤشر.

 8. مناقشة نتائج الدراسة

أظهرت نتائج الدراسة تحسناً ملموساً في مستوى الكفاءة الضعيف في السوق المالية السعودية خلال فترة ما بعد انتشار أدوات الذكاء الاصطناعي (2023–2024) مقارنة بالفترة السابقة (2019–2022). إذ كشفت اختبارات الارتباط الذاتي (ACF) عن وجود علاقات ذات دلالة إحصائية بين عوائد المؤشر في الفترة الأولى، ما يشير إلى إمكانية التنبؤ بالعوائد اعتماداً على البيانات التاريخية، وهو ما يتعارض مع فرضية الكفاءة في مستواها الضعيف. كما دعمت نتائج اختبار نسبة التباين هذا الاتجاه، مما يدل على أن العوائد لم تكن تسير بشكل عشوائي خلال تلك الفترة.

في المقابل، أظهرت نتائج الدراسة في المرحلة اللاحقة اتساقاً أعلى مع فرضية السير العشوائي؛ فقد تراجعت معاملات الارتباط الذاتي إلى مستويات غير دالة إحصائياً، بالإضافة إلى انخفاض دلالة اختبار نسبة التباين، مما يشير إلى صعوبة التنبؤ بحركة الأسعار اعتماداً على العوائد السابقة في هذه الفترة. ويرتبط هذا التحسن المحتمل في الكفاءة بسياق زمني مهم، وهو الانتشار الواسع لاستخدام أدوات الذكاء الاصطناعي منذ عام 2023، حيث أتاحت أدوات مثل ChatGPT وغيرها للمستثمرين تحليل كميات كبيرة من المعلومات بشكل أسرع وأكثر دقة، ما ساهم في تقليل الفجوة المعلوماتية وزيادة سرعة انعكاس المعلومات على الأسعار.

تعزز هذه النتائج ما أشارت إليه الدراسات السابقة حول قدرة الذكاء الاصطناعي على تحسين كفاءة الأسواق، مثل دراسة Kumar (2024) وصندوق النقد الدولي (2024)، التي أظهرت أن الذكاء الاصطناعي يمكن أن يعزز من كفاءة الأسواق المالية. على الرغم من ذلك، ينبغي الحذر عند تفسير هذه النتائج، إذ لا يمكن الجزم بالعلاقة السببية المباشرة، نظراً للاحتمال القائم بتداخل عوامل أخرى مثل التطورات التنظيمية، تحسن البنية التحتية للسوق، وزيادة وعي المستثمرين. وبالتالي من الضروري إجراء دراسات مستقبلية لتحديد مدى مساهمة الذكاء الاصطناعي بشكل مباشر في تحسين كفاءة الأسواق المالية.

 9. توصيات الدراسة

بناءً على نتائج هذه الدراسة، يمكن استنتاج عدد من التوصيات:

أولاً – للمستثمرين: من المهم إدراك أن السوق السعودية، خاصة في فترة ما بعد 2023، أصبحت أكثر كفاءة في مستواها الضعيف؛ بمعنى أن الاعتماد على تحليل بيانات الأسعار التاريخية للمؤشر لم يعد استراتيجية مجدية لتحقيق عوائد أعلى. لذا يُنصح المستثمرون بتطوير استراتيجيات تداول تستند بشكل أكبر إلى التحليل الأساسي وعوامل المخاطر والعائد، بدلاً من الاعتماد على التحليل الفني وحده.

ثانياً – للدراسات المستقبلية: توصي الدراسة بأن تتناول الأبحاث المستقبلية جوانب أعمق مرتبطة بموضوع الدراسة؛ مثل بحث تأثير انتشار أدوات الذكاء الاصطناعي على مستويات أخرى من كفاءة السوق، كالكفاءة شبه القوية، لمعرفة ما إذا كانت فوائد هذه التقنيات تمتد إلى تحسين استجابة السوق للمعلومات الأساسية الجديدة. كما تُعد المقارنات الدولية مجالاً واعداً؛ إذ يمكن إجراء دراسات مقارنة بين السوق السعودية وأسواق أخرى إقليمية أو عالمية شهدت تطورات تقنية مشابهة، لقياس ما إذا كان نمط التحسن في الكفاءة ظاهرة قابلة للتعميم.

ثالثاً – متابعة تطور الكفاءة: قد يكون من المثمر متابعة تطور كفاءة السوق السعودية على مدى فترة أطول خلال السنوات القادمة لمعرفة ما إذا كان التحسن في الفترة الأخيرة سيستمر مع مرور الوقت، أم أنه مرتبط فقط بمرحلة تبني التقنيات الجديدة.

 10. حدود الدراسة

على الرغم من الإضافة العلمية للدراسة، إلا أنها لا تخلو من عدد من القيود العلمية والمنهجية التي ينبغي أخذها في الاعتبار عند تفسير النتائج. أول هذه القيود يتعلق بطبيعة المتغير المستقل والمتمثل في انتشار أدوات الذكاء الاصطناعي؛ حيث لم يتم قياس هذا المتغير بشكل مباشر أو كمي، وإنما تم الاعتماد على تقسيم زمني (قبل وبعد 2023) كمؤشر تقريبي لمرحلة انتشار هذه الأدوات. وبالتالي، فإن العلاقة المستنتجة بين الذكاء الاصطناعي وتحسن الكفاءة تبقى علاقة ارتباط زمني، وليست علاقة سببية مؤكدة.

بالإضافة إلى ذلك، اقتصرت الدراسة على استخدام ثلاث اختبارات إحصائية فقط وهي: تحليل الارتباط الذاتي (ACF)، اختبار المتتابعات (Runs Test)، واختبار نسبة التباين (Variance Ratio Test) للتحقق من فرضية السير العشوائي، وعلى الرغم من شيوع هذه الاختبارات في الدراسات السابقة، إلا أنها تركز بشكل رئيس على سلوك العوائد. أخيراً، ركزت هذه الدراسة على مستوى المؤشر العام للسوق (TASI) دون تحليل تفصيلي للقطاعات أو الأسهم الفردية، والتي قد تتباين في مستوى كفاءتها ومدى تأثرها بظهور أدوات الذكاء الاصطناعي.

 11. الخاتمة

قامت هذه الدراسة بقياس مستوى الكفاءة الضعيفة في السوق المالية السعودية قبل وبعد انتشار أدوات الذكاء الاصطناعي، وذلك عبر مقارنة سلسلة عوائد مؤشر السوق المالي السعودي (TASI) خلال فترتين زمنيتين واستخدام مجموعة من الاختبارات الإحصائية لتقييم فرضية السير العشوائي. بناء عليه، أظهرت النتائج أن السوق السعودية لم تكن كفؤاً تماماً على المستوى الضعيف خلال الفترة من 2019 إلى 2022؛ حيث أمكن رفض فرضية السير العشوائي في تلك الفترة، وتبين وجود ارتباطات ذاتية وأنماط قابلة للتنبؤ بعوائد المؤشر.

في المقابل، كشفت نتائج الفترة الثانية (2023–2024) عن عدم وجود ارتباط ذاتي ذي دلالة إحصائية في سلسلة العوائد، مما يشير إلى عدم القدرة على التنبؤ بحركة الأسعار اعتماداً على سلسلة عوائد المؤشر التاريخية. ويعكس هذا التحول الإيجابي في كفاءة السوق مجموعة من العوامل المحتملة؛ أحد أبرز هذه العوامل هو التطور التقني والانتشار الواسع لأدوات الذكاء الاصطناعي في مجال الاستثمار الذي حدث خلال عام 2023، حيث إن توفر أدوات مثل ChatGPT وغيرها للمستثمرين ساعد في تسريع معالجة المعلومات والتنبؤ بالاتجاهات بشكل أسرع، مما قلل من قدرة بعض المشاركين على تحقيق مكاسب استثنائية اعتماداً على أنماط الماضي قبل أن تفقد تلك المعلومات قيمتها.

يُضاف إلى ذلك استمرار جهود تطوير البيئة التنظيمية للسوق المالية السعودية، سواء من ناحية التشريعات أو زيادة وعي وخبرة المتداولين، مما ساهم كذلك في تعزيز مستوى الكفاءة. ورغم أن نتائج هذه الدراسة تدعم التأثير الإيجابي المحتمل لأدوات الذكاء الاصطناعي على كفاءة السوق المالية، إلا أن إثبات السببية المباشرة يتطلب دراسات تكميلية أكثر تفصيلاً وقياسات كمية مباشرة لمستوى انتشار واستخدام هذه الأدوات بين المستثمرين.

 المراجع سالم أسامة محمد 2020 اختبار كفاءة السوق المصري لأوراق المالية على المستوى الضعيف مجلة البحوث التجارية 42 4 136 159 بوسلمة حكيمة 2016 اختبار كفاءة أسواق الأوراق المالية العربية عند المستوى شبه القوي: دراسة سوق عمان المالي المجلة الجزائرية للتنمية الاقتصادية 3 5 37 44 عقبة خضير زهواني رضا 2019 اختبار كفاءة سوق الدوحة لأوراق المالية عند المستوى الضعيف خلال الفترة 2013–2017 مجلة الاقتصاد والتنمية المستدامة 2 1 100 115 المقبل راشد بن خالد المقرن عبد الرحمن بن مساعد 2023 تقييم المستوى الضعيف من الكفاءة: دراسة حالة السوق المالية السعودية 2000–2023 المجلة العربية للإدارة 43 2 313 328 نور الدين بوالكور 2019 تحليل الكفاءة السعرية لسوق الكويت للأوراق المالية عند المستوى الضعيف Dossiers de Recherches en Gestion et Économie 7 2 95 118 هندي منير إبراهيم 2006 الأوراق المالية وأسواق المال منشأة المعارف الإسكندرية Bhutto A. N. Akbar S. U. 2023 Weak Form Market Efficiency: Evidence from Developing and Emerging Markets International Journal of Management Research and Economics 4 3 211 224 Alesmaiel A. Hof J. Fifield S. 2024 The Influence of Foreign Investors on the Efficiency of the Saudi Stock Market Journal of Emerging Markets 14 1 1 11 Al‑Wazier R. 2024 Testing Weak-Form Market Efficiency in Saudi and Egyptian Stock Markets Asian Economic and Financial Review 5 1 893 915 Darné O. Charles A. 2009 Variance-Ratio Tests of Random Walk: An Overview Journal of Economic Surveys 23 3 503 527 Diftar‑El D. 2024 The Applicability of the Efficient Market Hypothesis in Emerging Markets Arab Journal of Administration 44 4 367 376 Ulucak R. Erdem E. 2016 Efficiency of Stock Markets in G7 Countries: A Bootstrap Causality Approach World Economics 4 1 17 24 Fama E. F. 1965 The Behavior of Stock-Market Prices Journal of Business 38 1 34 105 Fama E. F. 1970 Efficient Capital Markets: A Review of Theory and Empirical Work Journal of Finance 25 2 383 417 International Monetary Fund IMF 2024 Advances in Artificial Intelligence: Implications for Capital Markets Global Financial Stability Report Chapter 3 2024-10 https://www.imf.org/en/News/Articles/2024/09/06/artificial-intelligence-and-its-impact-on-financial-markets-and-financial-stability Akeel Hatem Khoj Haitham 2020 Testing Weak-Form Market Efficiency: The Case of Saudi Arabia Asian Economic and Financial Review 10 1 644 653 Kumar N. R. 2024 Impact of AI-Powered Investment Algorithms on Market Efficiency International Journal of Scientific Research and Engineering Trends (IJSRET) 10 4 342 347 Lo A. W. MacKinlay A. C. 1988 Stock Market Prices Do Not Follow Random Walks: Evidence from a Simple Specification Test Review of Financial Studies 1 1 41 66 Higgs H. Worthington A. 2004 Random Walks and Market Efficiency in European Equity Markets Global Journal of Finance and Economics 1 1 59 78