أفضل 10 وكلاء لبحوث الأسهم والتحليل المالي

أفضل 10 وكلاء لبحوث الأسهم والتحليل المالي

أبحاث أسهم الذكاء الاصطناعي تتجاوز تلخيص المستندات. تجمع الأنظمة الأكثر فائدة الآن بين الإيداعات التنظيمية، نصوص مكالمات الأرباح، عروض المستثمرين التقديمية، مؤشرات الأداء الرئيسية الخاصة بالشركة، تقديرات الإجماع، الأبحاث الداخلية، والنماذج المالية في سير عمل قابل للتكرار.

التمييز المهم هو بين أداة ذكاء اصطناعي تنتج فقرة معقولة وبين وكيل بحث قابل للتدقيق يمكنه:

• استرداد الإيداع الصحيح، الفترة، القطاع، الوحدة، والتعريف المحاسبي.
• ربط كل تأكيد واقعي بالدليل.
• تعبئة أو تحديث نموذج مالي.
• مقارنة النتائج المبلغ عنها بتقديرات الإجماع المتاحة في ذلك الوقت.
• اكتشاف التناقضات، وإعادة الصياغة، والتغييرات غير العادية.
• الحفاظ على تاريخ الافتراضات، والمطالبات، وإصدارات النموذج، وموافقات المحللين.
• منع تسرب المعلومات المادية غير العامة إلى مخرجات غير مناسبة.

تصنف هذه المقالة أفضل 10 منصات حسب ملاءمتها لبحث أسهم السوق العام والتحليل المالي، وليس حسب حصة السوق أو دقة الذكاء الاصطناعي المبلغ عنها من قبل البائع. لا يوجد حاليًا معيار مستقل ومقارن يغطي جميع المنتجات العشرة عبر دقة الاسترجاع، ووقت الملاحظة، وتباين الإجماع، واكتشاف أخطاء الإيداع.

أفضل 10 في لمحة سريعة

كيف تم تقييم هذه المنصات

السؤال ذو الصلة ليس ببساطة "أي نظام لديه أفضل روبوت محادثة؟" يجب تقييم وكيل بحث أسهم جاد عبر ست طبقات.

1. تغطية البيانات وموصلات البائعين

هل تتصل المنصة بـ:

• إيداعات هيئة الأوراق المالية والبورصات (SEC).
• الإيداعات الدولية.
• نصوص مكالمات الأرباح وملفات الصوت.
• عروض المستثمرين التقديمية.
• القوائم المالية الموحدة.
• مؤشرات الأداء الرئيسية الخاصة بالشركة.
• تقديرات الإجماع.
• أبحاث جانب البيع.
• نصوص شبكة الخبراء.
• البيانات البديلة.
• ملاحظات البحث الداخلية، البريد الإلكتروني، أنظمة إدارة علاقات العملاء، ومستودعات الملفات.

2. دقة الاسترجاع

هل يمكن للنظام تحديد ما يلي بشكل صحيح:

• الفترة المشمولة بالتقرير.
• تاريخ الإيداع ورقم الوصول.
• الشركة والأوراق المالية الصحيحة.
• الوحدات والعملة.
• الأرقام المبلغ عنها مقابل الأرقام المعدلة.
• البيانات الموحدة مقابل بيانات القطاعات.
• إفصاحات الحواشي.
• الأرقام المعاد صياغتها مقابل الأرقام المبلغ عنها أصلاً.
• الجملة، الجدول، الصفحة، أو السطر الدقيق الذي يدعم التأكيد.

3. توليد النماذج المالية

هل يمكن للوكيل بناء أو تحديث:

• قوائم الدخل.
• الميزانيات العمومية.
• قوائم التدفقات النقدية.
• نماذج الإيرادات.
• نماذج القطاعات.
• جداول المصروفات التشغيلية.
• جداول مؤشرات الأداء الرئيسية.
• تحليلات الشركات المقارنة.
• نماذج التدفقات النقدية المخصومة.
• حالات الصعود (bull)، القاعدة (base)، والهبوط (bear).
• جداول الحساسية.

4. توليد الملاحظات

هل يمكنه إنتاج ما يلي بشكل مفيد:

• وميض الأرباح.
• معاينة الأرباح.
• مراجعة ما بعد الأرباح.
• تقرير بدء التغطية.
• ورقة تعريف بالشركة.
• أطروحة الاستثمار.
• ملخص اجتماع الإدارة.
• ملخص تغيير النموذج.
• مذكرة لجنة الاستثمار الداخلية.

5. قابلية التدقيق

هل يمكن للمراجع النقر من كل مطالبة مهمة إلى:

• المستند الأصلي.
• الصفحة أو السطر ذي الصلة.
• الطابع الزمني للمصدر.
• إصدار البيانات.
• الحساب أو الصيغة.
• الافتراض السابق.
• المحلل أو الوكيل الذي أجرى التغيير؟

6. الحوكمة والامتثال

هل تدعم المنصة:

• أذونات تستند إلى الدور.
• استحقاقات على مستوى المصدر.
• تسميات المعلومات العامة مقابل الخاصة.
• ضوابط المعلومات المادية غير العامة (MNPI).
• الاحتفاظ بالمطالبات والمخرجات.
• سجل إصدارات غير قابل للتغيير أو قابل لإعادة البناء.
• موافقة بشرية.
• حذف البيانات.
• التزامات عدم التدريب.
• شفافية مزود النموذج.
• تصدير التدقيق.

1. AlphaSense Generative Search and Workflow Agents

الأفضل بشكل عام لبحوث الأسهم الواسعة والذكاء النوعي.

تمتلك AlphaSense واحدة من أوسع أسس محتوى البحث في هذه المجموعة. تجمع منصتها بين الإيداعات، نصوص مكالمات الأرباح، أبحاث جانب البيع، مقابلات الخبراء، الأبحاث الداخلية، البيانات المالية، مؤشرات الأداء الرئيسية للشركة، ومعلومات المعاملات. تشير وثائقها إلى أن Generative Search يمكن أن يجمع البيانات المالية المنظمة مع المحتوى النوعي، بما في ذلك أكثر من 20 عامًا من البيانات المالية التاريخية وبيانات الإجماع عبر أكثر من 22,000 شركة عامة. يضيف تكاملها مع Canalyst مقاييس تشغيلية خاصة بالشركة عبر آلاف الشركات. (help.alpha-sense.com)

ينشئ وضع Deep Research في المنصة خطة بحث، ويجري عمليات بحث متكررة، وينتج تحليلاً موثقًا. يمكن لوكلائها في سير العمل دعم إعداد الأرباح، وتوسيع نطاق الشركات، وقياس الأداء التنافسي، والعناية الواجبة. يمكن للمستخدمين أيضًا فحص خطة البحث والاستشهادات الأساسية بدلاً من تلقي إجابة نهائية فقط. (help.alpha-sense.com)

نقاط القوة

• أوسع مزيج من محتوى البحث النوعي والكمي.
• تغطية قوية لمكالمات الأرباح، وشبكات الخبراء، وأبحاث جانب البيع.
• مفيد لملفات تعريف الشركات، وإعداد الأرباح، وقياس الأداء التنافسي.
• إجابات مرتبطة بالأدلة وجداول مالية مرتبطة بالمصدر.
• طبقة وكيل سير عمل متزايدة القدرة.

القيود

تعتبر AlphaSense الأقوى كـ منصة للبحث والذكاء، وليس بالضرورة كمترجم نماذج مالية حتمي بالكامل. يمكنها المساعدة في التحقق من صحة الافتراضات وإنتاج مخرجات بحث، ولكن يجب على المشترين اختبار ما إذا كان النظام يقوم بتحديث نموذج Excel الحالي الخاص بهم بنفس دقة منصة البيانات المالية المتخصصة.

الأفضل لـ: مديري الأصول، صناديق التحوط، البنوك الاستثمارية، وفرق البحث التي تحتاج إلى ربط الإيداعات، والمكالمات، وأبحاث الخبراء، وأبحاث السماسرة، والمعرفة الداخلية.

2. Rogo and Felix

الأفضل لمنتجات العمل المالي الشاملة.

تضع Rogo منصة Felix كوكيل متخصص في التمويل يمكنه توليد نماذج Excel، عروض PowerPoint التقديمية، مستندات Word، لوحات معلومات، وأبحاث موثقة من مطالبة واحدة. تتضمن مكتبة وكلاءها العامة سياقات عمل بحث الأسهم مثل نماذج الأرباح ربع السنوية، وحالات الصعود والهبوط، وتحليلات ما بعد الأرباح، وفحص محفزات الأحداث، وتقارير بدء التغطية. (rogo.ai)

تقدم Rogo أيضًا وكلاء مخصصين يقومون بترميز قوالب الشركة، وتنسيقها، وسير عملها، ومعاييرها، ومنهجيتها الاستثمارية. تتضمن قائمة موصلاتها أنظمة التعاون والبيانات الداخلية، Daloopa، Moody’s، PitchBook، Microsoft Teams، Dropbox، Slack، Affinity، وخوادم Model Context Protocol المخصصة. تم تصميم الإضافة الخاصة بها لـ Excel لبناء النماذج وتحديثها وتحليلها واختبارها داخل المصنف. (rogo.ai)

نقاط القوة

• أقوى توجه عام نحو المنتجات النهائية المكتملة.
• يمكنها إنتاج نماذج، وملاحظات، وعروض تقديمية، ولوحات معلومات.
• يمكن للوكلاء المخصصين ترميز النمط الخاص بالشركة وعمليات الاستثمار.
• مناسبة جيدًا لسياقات عمل الأرباح المتكررة ومراقبة المحافظ.
• استراتيجية موصلات داخلية وخارجية واسعة النطاق.

القيود

غالبًا ما تكون عمليات نشر Rogo مخصصة، لذلك قد تختلف النتائج بشكل كبير حسب تكوين الشركة، واستحقاقات البيانات، وتصميم الوكيل. نشرت Rogo Big Finance Bench الخاص بها، وهو معيار مكون من 928 سؤالاً يغطي التقييم، ومؤشرات الأداء الرئيسية، والإيداعات، وتحليل الأرباح، والتنبؤ. ومع ذلك، يقيس هذا المعيار النماذج الرائدة في بيئة وكيل مصممة من قبل Rogo؛ وهو ليس مقارنة مستقلة لدقة المنتج على مستوى المنتجات الأخرى في هذه المقالة. (rogo.ai)

الأفضل لـ: الشركات التي تريد محللاً ذكاءً اصطناعيًا قادرًا على إنتاج مسودة أولى قابلة للمراجعة للنموذج أو الملاحظة أو العرض التقديمي بدلاً من مجرد الإجابة على الأسئلة.

3. Bloomberg ASKB

الأفضل للبحث المؤسسي الذي يعتمد على بيانات السوق المتصلة والتقديرات والتحليلات.

Bloomberg ASKB هي طبقة ذكاء اصطناعي حوارية داخل Bloomberg Terminal. تنسق وكلاء متعددين عبر بيانات بلومبرج، الأخبار، الأبحاث، الإيداعات، النصوص، المستندات، والتحليلات. تقول بلومبرج إن ASKB يمكنها دعم إعداد ما قبل الأرباح، وتحليل ما بعد الأرباح، وتحليل تعليقات الشركة، وسياقات عمل البحث المنظمة. (professional.bloomberg.com)

ميزة رئيسية هي اتصالها ببيئة التحليل الحالية في بلومبرج. يمكن أن تتضمن الردود إسنادًا شفافًا للمستندات الأصلية، وعندما يتعلق الأمر بتحليل البيانات، فإن رمز Bloomberg Query Language الأساسي. يمكن للمحللين توسيع النتائج في Microsoft Excel، BQuant Desktop، أو BQuant Enterprise. تصف بلومبرج أيضًا أدوات لمقارنة نتائج الشركة بتقديرات وتحليل مؤشرات الأداء الرئيسية بالنسبة للإجماع. (professional.bloomberg.com)

نقاط القوة

• تكامل عميق مع بيانات بلومبرج المنظمة وغير المنظمة.
• سير عمل قوي لمقارنة الإجماع بالنتائج الفعلية.
• BQL يجعل الإجابات الكمية أكثر قابلية للتكرار.
• تغطية عالمية واسعة للشركات، والسوق، والأبحاث، والأخبار.
• الأنسب للمستخدمين الذين يعملون بالفعل داخل Bloomberg Terminal.

القيود

ASKB حاليًا هو تحسين لنظام بلومبرج البيئي بدلاً من بيئة بناء نماذج مستقلة تمامًا. قد يظل المستخدمون بحاجة إلى Excel، BQuant، أو سياقات عمل بلومبرج الحالية لنماذج التوقعات المعقدة. لا تفصح بلومبرج علنًا عن معدل دقة الاسترجاع أو اكتشاف أخطاء الإيداع المحايد للبائع.

الأفضل لـ: المستخدمين المؤسسيين الذين لديهم بالفعل استحقاقات بلومبرج ويرغبون في تسريع البحث دون مغادرة Terminal.

4. LSEG Workspace AI Search

الأفضل للبيانات العالمية، ومحتوى رويترز، وسياقات عمل تقديرات المحللين.

يجمع LSEG Workspace AI Search بين بيانات السوق، الإيداعات، أخبار رويترز، بيانات الصفقات، أبحاث ما بعد السوق، التحليلات المالية، والمنطق التجاري في واجهة محادثة. يمكن للمستخدمين استرداد البيانات، فحص الأسواق، مقارنة الكيانات، تلخيص المستندات، وتحليل الاتجاهات، مع استشهادات شفافة تعود إلى المصادر الأساسية. (lseg.com)

كما تعمل LSEG على توسيع الوصول عبر Microsoft Excel، PowerPoint، Microsoft Teams، Microsoft Copilot، وموصلات Model Context Protocol. يغطي نظام تقديرات سماسرة المؤسسات (IBES) أكثر من 23,000 شركة ومئات المقاييس المالية، بما في ذلك بيانات الإجماع والبيانات الفعلية القابلة للمقارنة المستخدمة لقياس التجاوزات والإخفاقات. (lseg.com)

نقاط القوة

• تغطية قوية للشركات والأسواق العالمية.
• رويترز، الإيداعات، الصفقات، أبحاث ما بعد السوق، والتقديرات في بيئة واحدة.
• مفيد لتباين الإجماع وأبحاث الأسهم الدولية.
• استشهادات شفافة وجداول وتصورات تفاعلية.
• أصبح الوصول إليه متاحًا بشكل متزايد من خلال أدوات إنتاجية Microsoft.

القيود

منتج AI Search جديد نسبيًا، وقد تختلف إمكانية الوصول إليه، وعمق سير العمل، واستحقاقات العملاء. قد يظل بناء النماذج المعقدة يتطلب Excel، أو الوظيفة الإضافية Workspace، أو أدوات نمذجة طرف ثالث مثل Macabacus.

الأفضل لـ: البنوك الاستثمارية العالمية، ومديري الأصول، وفرق البحث التي تعتمد على نظام تقديرات سماسرة المؤسسات (IBES)، ورويترز، والتحليل القائم على Excel.

5. Kepler Finance

الأفضل للتحليل المالي الذي يعتمد على الأدلة أولاً والحتمي.

التمييز المعماري المركزي لـ Kepler هو أن نموذج اللغة يفسر سؤال المحلل، بينما تسترد الشفرة الحتمية البيانات، وتجري الحسابات، وتولد الاستشهادات. تذكر Kepler أن نظام الذكاء الاصطناعي لا ينشئ الأرقام المالية بنفسه؛ كل رقم يرتبط بمستند مصدر، صفحة، وبند سطر، والحسابات قابلة للتكرار. (kepler.ai)

تم تصميم المنصة لتحديد التغييرات عندما تعيد الشركة صياغة أو تودع أرقامًا جديدة. كما تدعم تحليل الإيداعات، وإيرادات القطاعات، وهياكل الديون، وإفصاحات الضرائب، والتقييم، وتصديرات Excel، وتصديرات PowerPoint، وسلسلة بيانات موجهة نحو الامتثال. تتضمن قاعدة بياناتها المنشورة إيداعات هيئة الأوراق المالية والبورصات، ونصوص الأرباح، ووثائق علاقات المستثمرين، وبيانات السوق. (kepler.ai)

نقاط القوة

• أقوى فصل موصوف علنًا بين تفسير اللغة والحساب الرقمي.
• تتبع ممتاز للمصادر والحسابات.
• مناسبة جيدًا لمطابقة الإيداعات، وإعادة الصياغة، وتحديثات النماذج.
• مصممة لمخرجات Excel و PowerPoint الجاهزة للتدقيق.
• قوية محتملة لاكتشاف الأخطاء في البيانات المالية والحواشي.

القيود

يُفضل النظر إلى Kepler كـ طبقة أدلة وحسابات، وليس بديلاً كاملاً لأنظمة بيانات Bloomberg، FactSet، أو LSEG البيئية. تشير وثائقها العامة أيضًا إلى أنه يجب تأكيد توفر المنتج والتركيز الجغرافي للتغطية الدولية، على الرغم من أن مجموعة مستنداتها الأوسع تغطي أسواقًا متعددة.

الأفضل لـ: محللي جانب الشراء، والمؤسسات المالية، وفرق الامتثال حيث يجب أن يكون كل رقم قابلاً للدفاع عنه.

6. FactSet Mercury and Transcript Assistant

الأفضل لإنتاجية موسم الأرباح والبحث الداخلي المتصل.

FactSet Mercury هو وكيل بحث مالي حواري مبني على بيانات FactSet المنظمة وغير المنظمة. يسمح مساعد النصوص (Transcript Assistant) للمحللين بطرح أسئلة حول مكالمات الأرباح وتلقي ملخصات أو إجابات مستهدفة. تصف FactSet النظام بأنه نهج ذو نطاق مغلق يهدف إلى تحسين الموثوقية والأمان. (factset.com)

يضيف منتج FactSet Transcript Intelligence تحكمًا مهمًا: تتم مراجعة ملخصات الأرباح التي يتم إنشاؤها بواسطة الذكاء الاصطناعي من قبل خبراء FactSet StreetAccount، وتظهر روابط المصادر بجانب نقاط الملخص. توفر FactSet أيضًا أدوات ملاحظات البحث الداخلية، بما في ذلك المسودة المرتبطة بالمصدر وتحليل الموضوعات. تشير وثائق حوكمة الذكاء الاصطناعي الخاصة بها إلى أن مطالبات المستخدم واستجاباته سرية ولا تُستخدم لتدريب نماذج اللغة الكبيرة بطريقة غير خاضعة للإشراف أو تلقائية. (factset.com)

نقاط القوة

• تغطية قوية لنصوص مكالمات الأرباح وتكامل سير العمل.
• ملخصات نصوص مراجعة بشريًا.
• أسس مالية متصلة، وتقديرات، وإيداعات، وأبحاث، وأخبار.
• سياقات عمل ملاحظات البحث الداخلية وتحليل المحافظ.
• حوكمة ناضجة ووضع بيانات المؤسسة.

القيود

تعتبر FactSet قوية عبر العديد من سياقات العمل، ولكن المواد العامة أقل وضوحًا بشأن عملية شاملة ومستقلة تمامًا تبني نموذج بحث أسهم وملاحظة كاملة من الصفر. يجب على المشترين اختبار تعبئة النموذج، والحفاظ على الصيغ، والافتراضات المرتبطة بالمصدر، وجودة التصدير مباشرة.

الأفضل لـ: عملاء FactSet الحاليين الذين يبحثون عن سير عمل أرباح أكثر أمانًا وسرعة.

7. Daloopa Scout

الأفضل لبناء وصيانة النماذج التي تركز على Excel.

تحول Daloopa إيداعات الشركة إلى بيانات مالية منظمة وتربط كل نقطة بيانات بالمستند الأصلي. تدعم منصتها Excel، وواجهات برمجة التطبيقات، ومستودعات البيانات السحابية، واتصالات Model Context Protocol. (daloopa.com)

Scout هو مساعد بناء النماذج من Daloopa داخل الوظيفة الإضافية لـ Excel. يمكنه بناء قوائم الدخل، وقوائم التدفقات النقدية، ونماذج الإيرادات، وتحليلات المصروفات، ونماذج مقارنة الصناعة، ونماذج التشغيل متعددة التبويبات. تذكر Daloopa أن كل رقم يكتبه Scout يتضمن رابط تشعبي للمصدر ويمكن تحديثه بنقرة واحدة. (docs.daloopa.com)

نقاط القوة

• بيانات مالية ممتازة مرتبطة بالمصدر.
• الأنسب لتحديث نماذج Excel الحالية.
• معالجة جيدة لصيانة نماذج موسم الأرباح المتكررة.
• واجهة برمجة التطبيقات، السحابة، Excel، وتسليم Model Context Protocol.
• تغطية قوية لأسس الشركة التاريخية ومؤشرات الأداء الرئيسية.

القيود

Daloopa هي في المقام الأول طبقة بيانات ونمذجة مالية منظمة. إنها أقل تميزًا في أبحاث شبكات الخبراء، أو تركيب أبحاث جانب البيع الواسعة، أو تحليل نبرة الإدارة الدقيقة. يجب اختبار دقتها وتوفير الوقت المعلن عنها، بما في ذلك الادعاءات بدقة تزيد عن 99 بالمائة وتقليل كبير في بناء النماذج، بشكل مستقل لأنها أرقام مبلغ عنها من البائع. (daloopa.com)

الأفضل لـ: محللي الأسهم الذين يقضون وقتًا طويلاً في نسخ الأرقام من الإيداعات إلى Excel.

8. Hebbia Matrix

الأفضل للبحث المكثف للمستندات وسياقات عمل المحللين المخصصة.

تم تصميم Hebbia Matrix لتحليل مجموعات كبيرة من المستندات وإرجاع جداول منظمة بدلاً من إجابة حوارية واحدة. تدعم النصوص، الرسوم البيانية، المخططات، وتنسيقات المستندات الأخرى، وتؤكد على الشفافية والاستشهادات عبر سير العمل. (hebbia.com)

لبحوث الأسهم، تصف Hebbia حالات الاستخدام بما في ذلك زيادة التغطية، وتحليل مكالمات الأرباح، والتعليق على النماذج، والتحقق من الافتراضات، والذاكرة المؤسسية القابلة للبحث. تشمل تكاملاتها الموثقة إيداعات هيئة الأوراق المالية والبورصات، S&P، Capital IQ، PitchBook، Third Bridge، Microsoft، Box، والمواد البحثية الداخلية. (hebbia.com)

نقاط القوة

• ممتاز لمقارنة العديد من المستندات جنبًا إلى جنب.
• دعم قوي للمصفوفات المخصصة والاستخراج المنظم.
• مفيد للحواشي، وتعليقات الإدارة، والتحقق من الافتراضات.
• يتعامل مع الأبحاث الداخلية والمستندات الخاصة.
• مناسبة جيدًا للمحللين الذين يرغبون في تصميم سير عملهم الخاص.

القيود

Hebbia ليست في المقام الأول قاعدة بيانات إجماع أساسية أو مزود بيانات نماذج مالية. تعتمد دقتها بشكل كبير على جودة المصادر المتصلة، وتصميم المصفوفة، والتعريفات المالية للشركة.

الأفضل لـ: الفرق التي لديها مجموعات مستندات معقدة وتحتاج إلى إنشاء سياقات عمل بحث مخصصة دون بناء نظام استرجاع داخلي.

9. S&P Capital IQ Pro and ChatIQ

الأفضل للبيانات المالية الموحدة، والتقديرات، وبحوث الشركات المقارنة.

يجمع S&P Capital IQ Pro بين القوائم المالية الموحدة، وبيانات السوق، وتقديرات الإجماع، والملكية، والمعاملات، وبحوث الشركات، وميزات الذكاء الاصطناعي بما في ذلك ChatIQ، وDocument Intelligence، وChart Explainer. تقول S&P إن المنصة تغطي أكثر من 100,000 شركة عامة وتتضمن تقديرات Visible Alpha مع أكثر من 200 مليون نقطة بيانات وأكثر من مليون بند إجماع من مئات الوسطاء. (spglobal.com)

المنصة مفيدة بشكل خاص لتحليل الشركات المقارنة، والتقييم، والفحص، وتحليل الإجماع، وتلخيص المستندات. كما تدعم سياقات عمل Excel المرتبطة واستعلامات اللغة الطبيعية عبر البيانات المالية والنصية.

نقاط القوة

• قاعدة بيانات كبيرة منظمة للشركات والتقديرات.
• سياقات عمل قوية لمقارنة الشركات والتقييم.
• تغطية واسعة لتقديرات الإجماع.
• Document Intelligence للإيداعات، النصوص، العروض التقديمية، والأبحاث.
• مفيد لفرق الخدمات المصرفية الاستثمارية وبحوث الأسهم.

القيود

تركز معلومات المنتج العامة على الوصول إلى البيانات، وتحليل المستندات، والبحث الحواري أكثر من التركيز على وكيل نمذجة مستقل تمامًا ومرتبط بالمصادر لثلاثة قوائم مالية. من المرجح أن يعمل بشكل أفضل كجزء من سير عمل Capital IQ Pro و Excel الحالي بدلاً من كونه موظف بحث مستقل.

الأفضل لـ: الفرق التي تعطي الأولوية للتقديرات، وتحليل النظراء، والفحص، والبيانات المالية الموحدة.

10. Fiscal.ai and Fiscal Model Context Protocol Skills

الأفضل للمطورين وفرق البحث التي تبني وكلاء ماليين مخصصين.

توفر Fiscal.ai قوائم مالية منظمة، ونسب، ومؤشرات أداء رئيسية، وإيداعات، وأحداث أرباح، ونصوص، وتسجيلات صوتية، وبيانات ملكية، ورسائل صناديق، وواجهات برمجة تطبيقات. تشير وثائقها إلى أن المستخدمين يمكنهم استقاء البيانات من الإيداع واسترداد نصوص مكالمات الأرباح المنظمة مع تعيين المتحدث، والطوابع الزمنية، وأقسام الأسئلة والأجوبة. (docs.fiscal.ai)

يدعم خادم Model Context Protocol ومهارات Fiscal المبنية مسبقًا النماذج المالية، ولقطات الشركات، وملاحظات أبحاث الاستثمار، ومقارنات النظراء، والتقييمات، وأدوات الفحص، وعمليات البحث عن الإيداعات، ومراقبة قوائم المراقبة. تتضمن مهارة النموذج المالي هيكل توقعات متصل بافتراضات المحركات، بينما تنتج مهارة أبحاث الاستثمار ملاحظة منظمة على نمط جانب الشراء ببيانات مرتبطة بالمصدر. (docs.fiscal.ai)

نقاط القوة

• واجهة برمجة تطبيقات صديقة للمطورين ووصول إلى Model Context Protocol.
• بيانات مالية وإيداعات مرتبطة بالمصدر.
• مهارات مبنية مسبقًا للنماذج، والملاحظات، والتقييمات، والشركات المقارنة.
• مفيد لبناء وكلاء مخصصين في Claude، ChatGPT، Microsoft Copilot، أو الأنظمة الداخلية.
• تمييز واضح بين البيانات المالية المقدمة كما هي والمقاييس المعدلة.

القيود

تسرد وثائق Fiscal العديد من قيود التغطية الحالية، بما في ذلك أحداث الأرباح باللغة الإنجليزية فقط، والتغطية الجغرافية الجزئية لمؤشرات الأداء الرئيسية، وتاريخ لا يزال قيد التطوير لبعض أحداث ومجموعات بيانات الأخبار. كما أن وظيفة تقدير الإجماع لديها أقل مركزية مما هي عليه في Bloomberg، LSEG، FactSet، أو S&P.

الأفضل لـ: بناة التكنولوجيا المالية، وفرق البيانات الداخلية، وشركات الأبحاث التي ترغب في تجميع وكيلها الخاص المرتبط بالأدلة بدلاً من شراء محطة متكاملة بالكامل.

معيار المقارنة: ما الذي يجب على المشترين قياسه؟

الادعاءات العامة التي يقدمها البائعون ليست قابلة للمقارنة مباشرة. على سبيل المثال، قد يبلغ بائع عن معدلات خطأ في كلمات النصوص، وقد يبلغ آخر عن متوسط دقة البيانات، وقد يبلغ آخر عن الوقت الموفر. يمكن أن تستخدم هذه الأرقام مجموعات بيانات، وتعريفات، وعمليات مراجعة مختلفة.

يجب أن يستخدم التقييم الصحيح نفس الشركات، ومستندات المصدر، ولقطات البيانات، والمطالبات، ومعايير القبول لكل منصة.

1. دقة الاسترجاع

أنشئ مجموعة اختبار تغطي على الأقل:

• عشرة إيداعات سنوية.
• عشرة إيداعات ربع سنوية.
• التقارير الحالية وإصدارات الأرباح.
• عروض المستثمرين التقديمية.
• نصوص مكالمات الأرباح.
• إفصاحات القطاعات.
• الحواشي.
• تسويات غير GAAP.
• إعادة الصياغة.
• شركات من قطاعات مختلفة.

قيّم كل نقطة بيانات مستخرجة بناءً على:

1. الشركة الصحيحة.
2. الفترة الصحيحة.
3. العملة والوحدة الصحيحة.
4. الإشارة الصحيحة.
5. التعريف المحاسبي الصحيح.
6. القطاع أو الجغرافيا الصحيحة.
7. حالة الإيداع الصحيحة أو المعاد صياغتها.
8. استشهاد المصدر الصحيح.
9. الصفحة، الجدول، الفقرة، أو السطر الصحيح.
10. الحساب الصحيح.

يجب ألا يحصل النظام على نقاط كاملة لإيجاد المستند الصحيح إذا استخرج الربع الخاطئ أو خلط بين الأرباح المعدلة وأرباح مبادئ المحاسبة المقبولة عمومًا (GAAP).

أدلة مفصح عنها علناً

• تُبلغ Daloopa عن معدل دقة متوسط يزيد عن 99 بالمائة عبر ملايين نقاط البيانات، لكن هذا الرقم مبلغ عنه من البائع. (daloopa.com)
• تُبلغ Quartr عن أرقام معدل خطأ الكلمات في النصوص للنصوص المباشرة والتاريخية، مع قياسات منفصلة لكل مرحلة من مراحل معالجة النصوص. (quartr.com)
• تؤكد Kepler و Daloopa على الأرقام المرتبطة بالمصدر وسياقات عمل البيانات الحتمية أو المنظمة. (kepler.ai)
• تضيف FactSet مراجعة بشرية لملخصات نصوص أرباح معينة. (factset.com)

هذه الإفصاحات مفيدة، ولكن لا ينبغي التعامل معها كتصنيف مستقل.

2. التباين مقابل الإجماع

غالبًا ما يُساء التعامل مع قياس الإجماع لأن المحلل يقارن تعريفات مختلفة أو تواريخ قطع معلومات مختلفة.

لكل شركة وفترة إبلاغ، احتفظ بـ:

• لقطة الإجماع المتاحة قبل الإعلان مباشرة.
• عدد المحللين المساهمين.
• متوسط الإجماع، الوسيط، الأعلى، والأدنى.
• تعريف المقياس.
• العملة.
• الفترة المالية.
• ما إذا كانت التقديرات مبادئ المحاسبة المقبولة عمومًا (GAAP)، أو معدلة، أو مبلغ عنها، أو مُنمذجة.
• توجيهات الشركة المتاحة قبل الإعلان.

تشمل المقاييس المفيدة ما يلي:

text مفاجأة الإيرادات = (الإيرادات الفعلية - إيرادات الإجماع) / القيمة المطلقة (إيرادات الإجماع)

مفاجأة ربحية السهم = (ربحية السهم الفعلية - ربحية السهم المتفق عليها) / القيمة المطلقة (ربحية السهم المتفق عليها)

تباين الهامش = الهامش الفعلي - هامش الإجماع

بالنسبة لقيم ربحية السهم السلبية أو القيم القريبة من الصفر، يمكن أن تصبح المفاجآت المئوية مضللة. استخدم الفروق المطلقة وتباين نقاط الأساس بدلاً من ذلك.

المنصات الأفضل لهذا الاختبار من المرجح أن تكون Bloomberg و LSEG و FactSet و S&P Capital IQ Pro و AlphaSense، لأنها تقدم تقديرات منظمة أو بيانات مرتبطة بالإجماع. على سبيل المثال، يتضمن نظام تقديرات سماسرة المؤسسات (IBES) التابع لـ LSEG الإجماع، والبيانات الفعلية القابلة للمقارنة، والتحليلات الموجهة نحو المفاجآت. (lseg.com)

3. وقت الملاحظة

قياس الوقت من الطابع الزمني للنشر العام إلى ملاحظة مكتملة وقابلة للمراجعة.

لا تقيس فقط زمن انتقال الآلة. سجل:

• الوقت للإجابة الأولى.
• الوقت للتحديث الأول للنموذج.
• الوقت للمسودة الأولى للملاحظة.
• وقت تصحيح المحلل.
• وقت تصحيح المراجع.
• عدد الأرقام المتغيرة.
• عدد الادعاءات غير المدعومة.
• عدد الاستشهادات المفقودة.
• وقت الموافقة النهائية.

يحتوي المعيار المفيد على ثلاثة سير عمل:

وميض الأرباح

• الإيرادات وربحية السهم المبلغ عنها.
• تجاوز أو إخفاق مقابل الإجماع.
• تغييرات التوجيهات.
• تغييرات مؤشرات الأداء الرئيسية.
• نبرة الإدارة.
• رد فعل سعر السهم الأولي.

تحديث نموذج الأرباح

• تحديثات الفترة التاريخية.
• تغييرات التقديرات.
• تغييرات الهامش والمحركات التشغيلية.
• حالات الصعود (bull)، القاعدة (base)، والهبوط (bear).
• تعديل السعر المستهدف أو نطاق التقييم.

ملاحظة بحث ما بعد الأرباح

• أطروحة الاستثمار.
• ما الذي تغير.
• ما الذي لم يتغير.
• الإيجابيات الرئيسية.
• المخاطر الرئيسية.
• آثار النموذج.
• مصداقية الإدارة.
• استنتاج مرتبط بالأدلة.

تُعد Rogo و AlphaSense مرشحين قويين لقياس سرعة الملاحظة الشاملة. تُعد Daloopa و Kepler و Fiscal.ai ذات صلة خاصة بجزء تحديث النموذج. يجب التعامل بحذر مع ادعاءات توفير الوقت من قبل البائعين لأنها غالبًا ما تستبعد وقت المراجعة والتصحيح. على سبيل المثال، تنشر Daloopa ادعاءات حول تقليل وقت بدء النموذج وتحديث الأرباح، بينما تصف مواد عملاء Kepler وصول الإجابات الموثقة في أقل من دقيقة؛ لا يمثل أي منهما بديلاً لاختبار المشتري المتحكم فيه. (daloopa.com)

4. اكتشاف أخطاء الإيداع

يجب أن يحتوي معيار اكتشاف الأخطاء المفيد على مشاكل تحدث بشكل طبيعي ومشاكل تم زرعها عمدًا:

• رقم إيرادات مُعاد صياغته.
• عكس إشارة في التدفق النقدي.
• تغيير الوحدة من الملايين إلى الآلاف.
• عدم تطابق الفترة المالية.
• إجمالي قطاع لا يتوافق.
• عدم اتساق في عدد الأسهم المخففة.
• مقياس غير GAAP بدون تسوية كاملة.
• تغيير في تعريف مؤشر الأداء الرئيسي.
• جدول استحقاق دين يتعارض مع الميزانية العمومية.
• تعليقات الإدارة التي تتعارض مع البيانات المبلغ عنها.

قياس:

• الدقة (Precision): كم عدد التنبيهات الحقيقية؟
• الاستدعاء (Recall): كم عدد الأخطاء الحقيقية التي تم اكتشافها؟
• الاستدعاء المرجح بالخطورة (Severity-weighted recall): هل يتم اكتشاف المشكلات الجوهرية قبل المشكلات التجميلية؟
• عبء الإيجابيات الكاذبة (False-positive burden): كم من وقت المحلل يضيع؟
• وقت الفرز (Time to triage): ما مدى سرعة المحلل في التحقق من التنبيه؟
• جودة الأدلة (Evidence quality): هل يعرض النظام المصادر المتعارضة؟

Kepler هي الأكثر وضوحًا فيما يتعلق بتتبع إعادة الصياغة، وسلسلة المصدر، والحسابات الحتمية، والأدلة على مستوى الإيداع. Daloopa قوية للبيانات المنظمة المرتبطة بالمصدر. يمكن أن تكون Hebbia فعالة لعمليات البحث عن التناقضات عبر المستندات عندما يقوم المحلل بتكوين المصفوفة المناسبة. تضيف FactSet مراجعة بشرية لمنتجات النصوص المختارة. ومع ذلك، لا توجد حاليًا مقارنة دقة واستدعاء مستقلة عامة تحدد الفائز عبر هذه المنصات.

قابلية التدقيق، التأكيدات المرتبطة بالأدلة، وتتبع الإصدارات

الاستشهاد ليس هو نفسه مسار التدقيق.

يجب أن يحافظ التأكيد البحثي عالي الجودة على حزمة أدلة تحتوي على:

text الادعاء: "زادت إيرادات الاشتراك بنسبة 18 بالمائة على أساس سنوي."

المصدر: إيداع الشركة، رقم الوصول، الصفحة، الجدول، الفقرة، والسطر.

حالة المصدر: كما تم إيداعه أو أعيدت صياغته لاحقًا.

تم الاسترداد: الطابع الزمني وإصدار مزود البيانات.

التعريف: إيرادات الاشتراك المبلغ عنها، موحدة، ربع سنوية.

الحساب: الفترة الحالية / الفترة السابقة - 1.

حالة الوكيل: اسم النموذج، إصدار النموذج، المطالبة، إصدار سير العمل، واستدعاءات الأدوات.

المراجعة: المحلل، المراجع، طابع زمني للموافقة، والتصرف.

أهم متطلبات تتبع الإصدارات هو الحفاظ على كليهما:

1. تاريخ الإيداع الأصلي (As-filed history)، والذي يوضح ما أبلغت عنه الشركة أصلاً.
2. تاريخ إعادة الصياغة الحالي (Current restated history)، والذي يوضح أحدث البيانات المصححة.

بدون كليهما، قد يبدو النموذج دقيقًا اليوم بينما يستحيل إعادة بنائه كما كان موجودًا عند اتخاذ قرار الاستثمار.

الفجوة الحالية في السوق

تقدم العديد من المنصات استشهادات، وروابط مصادر، وسجل محادثات، أو إصدارات مستندات. عدد أقل بكثير يوثق علنًا دفتر أستاذ إصدارات على مستوى الادعاءات كاملاً يربط:

الإيداع ← الحقيقة المستخرجة ← خلية النموذج ← الافتراض ← مخرجات التقييم ← ملاحظة البحث ← موافقة المراجع.

هذا تمييز رئيسي بين "مرتبط بالمصدر" و "جاهز للتدقيق" حقًا.

ضوابط المعلومات المادية غير العامة (MNPI)

يجب أن تكون ضوابط المعلومات المادية غير العامة (MNPI) متطلبًا للشراء، وليس فكرة لاحقة.

يتطلب القسم 204A من قانون مستشاري الاستثمار من مستشاري الاستثمار وضع سياسات وإجراءات مكتوبة والمحافظة عليها وتطبيقها، مصممة بشكل معقول لمنع إساءة استخدام المعلومات المادية غير العامة. وتتطلب القاعدة 204A-1 أيضًا مدونة أخلاقيات وإجراءات إبلاغ للأشخاص ذوي الوصول. (sec.gov)

أكدت FINRA أيضًا أن القواعد العادية التي تحكم الإشراف، والاتصالات، وحفظ السجلات، والتعامل العادل لا تزال سارية عندما تستخدم الشركات الذكاء الاصطناعي التوليدي. يجب على الشركات التي تعتمد على الذكاء الاصطناعي في عمليات الإشراف أن تنظر في سلامة النظام، وموثوقيته، ودقته. (finra.org)

الضوابط المطلوبة لوكيل بحث أسهم

يجب أن يتضمن التنفيذ المتوافق ما يلي:

• تصنيف المصدر: إيداع عام، مكالمة عامة، بحث مرخص، مواد شبكة خبراء، بحث داخلي، أو بيانات مقيدة.
• استرجاع يراعي الاستحقاقات: يجب أن يسترد الوكيل فقط المحتوى الذي يُصرح للمستخدم بالوصول إليه.
• تصفية المخرجات العامة: يجب ألا تتدفق المعلومات الداخلية أو المقيدة تلقائيًا إلى الملاحظات الموجهة للعملاء أو العامة.
• تكامل القائمة المقيدة: يجب فحص مخرجات البحث مقابل الأوراق المالية المقيدة وقوائم المراقبة.
• تسجيل المطالبات والمخرجات: الحفاظ على من طلب ماذا، والمصادر التي تم الوصول إليها، وما تم إنشاؤه.
• الموافقة البشرية: طلب الموافقة قبل التوزيع، أو الاستخدام التجاري، أو التواصل الخارجي.
• ضوابط عدم التدريب: تأكيد ما إذا كانت المطالبات، والمستندات، والمخرجات تُستخدم لتدريب نماذج خارجية.
• الاحتفاظ والحذف: تحديد المدة التي يتم فيها الاحتفاظ بالمستندات، والمطالبات، والمخرجات المولدة.
• ضوابط مزود النموذج: تحديد كل نموذج خارجي ومعالج فرعي مشارك.
• مراجعة الوصول: التحقق بشكل دوري من أن المستخدمين يحتفظون فقط بالأذونات التي يحتاجونها.

تصف FactSet علنًا ضوابط السرية وعدم التدريب غير الخاضع للإشراف لمنتجاتها المدعومة بالذكاء الاصطناعي، بينما تؤكد Hebbia و Kepler أيضًا على معالجة البيانات الخاصة وسلسلة الاستعلامات. هذه مؤشرات إيجابية، ولكنها لا تثبت بحد ذاتها امتثال الشركة لالتزاماتها القانونية والإشرافية. (factset.com)

استراتيجية الشراء الموصى بها

يجب ألا يختار فريق البحث منصة من عرض توضيحي وحده. قم بتشغيل تجربة تحكمية مع:

• عشرين شركة.
• خمسة قطاعات على الأقل.
• إيداعين سنويين وأربعة إيداعات ربع سنوية لكل شركة.
• أحدث مكالمة أرباح وعرض تقديمي للمستثمرين.
• إعادة صياغة تاريخية واحدة أو تغيير محاسبي.
• لقطة إجماع ثابتة.
• ثلاثة سير عمل تحليلية قياسية.

بوابات القبول المقترحة

حدد عتبات داخلية مثل:

• يجب أن يكون لكل رقم ثابت في ملاحظة نهائية مصدر.
• يجب أن يحدد كل مدخل للنموذج مصدره وتحديده.
• لا توجد أخطاء حرجة في الفترة، الوحدة، أو تحديد الشركة.
• يجب أن تكون جميع تغييرات النموذج مرئية في تقرير الفروقات.
• يجب وضع علامة على جميع التأكيدات غير المدعومة.
• يجب أن يكون المحلل قادرًا على إعادة بناء الملاحظة كما كانت موجودة وقت الموافقة.
• يجب أن تكون المصادر المقيدة أو الداخلية معلمة بوضوح.
• يجب أن تقوم المنصة بتصدير المطالبات، والمصادر، والحسابات، والموافقات لمراجعة الامتثال.

اختيار المنصة العملي

• اختر AlphaSense للبحث الواسع، ومكالمات الخبراء، ومحتوى جانب البيع، والذكاء النوعي.
• اختر Rogo للنماذج الشاملة، والملاحظات، والعروض التقديمية، وسياقات العمل المخصصة.
• اختر Bloomberg أو LSEG لبيانات السوق، والتقديرات، والتغطية العالمية، وتحليل الإجماع.
• اختر FactSet لسياقات عمل الأرباح، والبحث الداخلي، وذكاء النصوص المراجع بشريًا.
• اختر Kepler للتحليل المالي الحتمي والقائم على الأدلة أولاً.
• اختر Daloopa لنماذج Excel المرتبطة بالمصدر والتحديثات المتكررة.
• اختر Hebbia لمجموعات المستندات الكبيرة ومصفوفات البحث المخصصة.
• اختر S&P Capital IQ Pro للبيانات الموحدة، والتقديرات، والمعاملات، وعمل مقارنة الشركات.
• اختر Fiscal.ai عند بناء واجهة برمجة تطبيقات مخصصة أو وكيل قائم على Model Context Protocol.

فجوات السوق والحل الأفضل للبناء

لا يحتاج السوق إلى روبوت محادثة مالي عام آخر. الفرصة الأكثر قيمة هي نظام تشغيل لبحوث الأسهم قائم على الأدلة أولاً.

سينتج منتج أقوى يجمع أفضل الميزات للمنصات المذكورة أعلاه في طبقة محايدة واحدة:

1. مخطط الأدلة المالية

ربط كل شركة، إيداع، نص، عرض تقديمي، مقياس، قطاع، تقدير، وافتراض بمعرفات مستقرة.

2. دفتر أستاذ مالي مزدوج

تخزين القيم كما تم إيداعها وكما أعيدت صياغتها، مع فرق واضح بينهما.

3. مترجم نموذج حتمي

تحويل الحقائق المرتبطة بالمصدر إلى نماذج Excel أو نماذج قائمة على السحابة باستخدام صيغ صريحة بدلاً من السماح لنموذج اللغة باختراع مخرجات رقمية.

4. دفتر أستاذ الادعاءات

تخزين كل تأكيد مع أدلته، تعريفه، طابعه الزمني، حسابه، ثقته، وحالة المراجع.

5. آلة الزمن للإجماع

الحفاظ على لقطات الإجماع كما كانت موجودة قبل كل إعلان، بما في ذلك عدد المساهمين، والتشتت، وتعديلات التقدير.

6. محرك تناقضات الإيداع

مقارنة الإيداعات تلقائيًا عبر الفترات وتحديد التغييرات في:

• التعريفات.
• الوحدات.
• هيكل القطاع.
• مؤشرات الأداء الرئيسية.
• تسويات غير GAAP.
• إفصاحات الديون.
• عدد الأسهم.
• تعليقات الإدارة.

7. سلسلة افتراضات النسب

يجب أن يوضح كل افتراض توقع ما إذا كان جاء من:

• توجيهات الشركة.
• الاتجاه التاريخي.
• الإجماع.
• حكم المحلل.
• شركة مماثلة.
• معلمة سيناريو.

8. محرك سياسة الامتثال

فصل المعلومات العامة، المرخصة، الداخلية، شبكة الخبراء، والمعلومات المقيدة. منع البيانات غير المصرح بها من الدخول في الملاحظات الخارجية.

9. توليد الملاحظات ذات الإصدارات

عندما يغير المحلل افتراض إيرادات، يجب أن يوضح النظام أي خلايا نموذج، ومخرجات تقييم، وبيانات أطروحة، ومخططات، وملاحظات تغيرت نتيجة لذلك.

10. مجموعة معايير مستقلة

نشر نتائج الاسترجاع، والإجماع، ووقت الملاحظة، وأخطاء الإيداع باستخدام منهجية عامة ثابتة. تحتاج الصناعة إلى معيار محايد يقيس جودة سير العمل، وليس فقط دقة الإجابة القصيرة على الأسئلة.

الدافع الريادي الأقوى سيكون منصة لتحديث النماذج بعد الأرباح وملاحظات مرتبطة بالأدلة. يمكن أن تبدأ بكون محدود من الشركات العامة، وتتكامل مع مزودي البيانات الحاليين، وتتخصص في جعل كل تغيير في التقدير وتأكيد بحث قابلاً للدفاع عنه. بمرور الوقت، يمكن أن تصبح طبقة التدقيق والحوكمة التي تربط Bloomberg، LSEG، FactSet، AlphaSense، Daloopa، البيانات الداخلية، ووكلاء الذكاء الاصطناعي المخصصين.

الخلاصة

وكلاء بحث الأسهم الرائدون يتقاربون نحو نفس البنية: بيانات مالية مرخصة، استرجاع منظم، استدلال بنموذج اللغة، حسابات حتمية، أتمتة سير العمل، ومخرجات مرتبطة بالأدلة.

لا توجد منصة واحدة تهيمن حاليًا على كل المتطلبات.

• تتصدر AlphaSense في اتساع نطاق البحث النوعي.
• تتصدر Rogo في توليد منتجات العمل الشاملة.
• تتصدر Bloomberg و LSEG في بيانات السوق المتصلة وسير عمل الإجماع.
• Kepler و Daloopa هما الأقوى في التحليل الرقمي المرتبط بالمصدر وسلامة النموذج.
• تستفيد FactSet و S&P Capital IQ Pro من أنظمة بيانات ناضجة وسير عمل مؤسسي.
• تتفوق Hebbia في تحليل المستندات المتعددة المرن.
• Fiscal.ai جذابة للفرق التي تبني وكلاء ماليين مخصصين.

يعتمد الاختيار الصحيح على ما إذا كانت العقبة الرئيسية هي العثور على المعلومات، تحديث النماذج، كتابة الملاحظات، مقارنة الإجماع، اكتشاف الأخطاء، أو إثبات كيفية التوصل إلى الاستنتاج. بالنسبة لعمل الاستثمار المنظم وذي المخاطر العالية، فإن الميزة الحاسمة ليست مدى إثارة الإجابة الأولى. بل هي ما إذا كان المحلل، أو مدير المحافظ، أو مسؤول الامتثال، أو المنظم يمكنه إعادة بناء بالضبط من أين جاءت الإجابة، وما هي الافتراضات التي تغيرت، ومن وافق على النتيجة.