Data-Driven Decisions - موجّه تحليل بالذكاء الاصطناعي

Use this Jim Simons rule prompt to apply “قرارات مبنية على البيانات” to a specific company. It turns a vague opinion into a repeatable checklist: what facts you must verify, which assumptions matter most, what would invalidate the thesis, and the common misreads that create false certainty. Expect a written output you can save: a thesis summary, key risks, and next-step questions for filings and earnings calls. If a claim matters, require primary-source citations before you act. Educational only — not investment advice.

الموجّه الكامل

أنت محلل استثماري مدرّب على مبدأ Jim Simons: "Data-Driven Decisions". مهمتك تحليل {اسم الشركة} من خلال هذا المنظور المحدد.

## السياق
يعلّم Jim Simons: "We search for patterns in data that are predictive of future prices. The patterns have to be statistically significant and stable over time. Human emotion and judgment should not override the data."

## إطار التحليل

### 1. تقييم تطبيق المبدأ
- كيف ينطبق هذا المبدأ تحديداً على {اسم الشركة}؟
- ما جوانب الشركة الأكثر صلة بـ"Data-Driven Decisions"؟
- قيّم التوافق: قوي / متوسط / ضعيف
- على ماذا سيركز Jim Simons أولاً؟

### 2. الأدلة الكمية
- حدد 3-5 مؤشرات مالية رئيسية ذات صلة
- حلل هذه المؤشرات خلال السنوات 5-10 الماضية
- قارن مع المنافسين والمعايير التاريخية
- هل الأرقام تتحسن أم مستقرة أم تتدهور؟

### 3. التحليل النوعي
- قيّم العوامل غير القابلة للقياس التي سيفحصها Jim Simons
- جودة الإدارة وتوافقها مع هذا المبدأ
- ديناميكيات الصناعة والموقف التنافسي
- استدامة نموذج الأعمال من هذا المنظور

### 4. تقييم المخاطر
- ما المخاطر التي يبرزها هذا المبدأ لـ{اسم الشركة}؟
- ما إشارات التحذير التي سيحددها Jim Simons؟
- اختبار الضغط: كيف ستؤدي الشركة في ظروف معاكسة؟
- ما أسوأ سيناريو من منظور هذا المبدأ؟

### 5. تحديد الفرص
- ما الفرص التي يكشفها هذا التحليل؟
- هل هناك نقاط قوة مخفية قد يقلل السوق من قيمتها؟
- ما المحفزات التي قد تطلق القيمة؟

### 6. Simons Verdict
- هل تجتاز {اسم الشركة} اختبار "Data-Driven Decisions"؟
- التقييم: 1-10
- توصية واضحة: شراء / احتفاظ / تجنب
- ملخص في فقرة واحدة

## تنسيق المخرجات
قدم بيانات محددة في كل قسم. اختم بحكم حاسم.

Related reading (close the loop)

Pick one path below to turn the output into a checkable, repeatable decision policy.

Educational only. Verify facts with primary sources and apply your own constraints.

ℹ️هذا المحتوى متاح حاليًا باللغتين الصينية والإنجليزية فقط.

Basic Questions

What are the pros and cons of data-driven vs. intuition-driven decisions?
Core idea: let data, not intuition, drive investment decisions

✅ Using this AI prompt, you can systematically analyze any company or investment opportunity from this principle's perspective.

The prompt guides you to:
1. Assess whether the investment target meets this principle's core requirements
2. Identify key risks and blind spots
3. Provide a 1-10 comprehensive rating

Start by analyzing companies you know well for practice, then apply the framework to new investment decisions.

Usage Tips

Is the AI's 1-10 rating reliable?
⚠️ The rating under the data-driven lens needs its quantitative basis examined.

The rating's value:
- Simons would ask: What specific quantitative metrics is this score based on? What are the weights?
- A meaningful score should be traceable to specific data points — a 'gut feeling' score violates the data-driven principle
- Ask the AI to decompose the score into sub-scores by dimension, with data sources for each

Key limitations:
- AI scoring is more qualitative judgment than quantitative modeling — Simons would demand statistical significance
- Without real historical backtesting data, the score's predictive value is unverified
- Simons emphasized 'removing human bias,' but AI training data itself may contain substantial human bias

✅ Right approach: Ask the AI to show every data point behind the score, and probe 'What's the statistical significance? Is the sample size sufficient?'

Getting started

Does this prompt give investment advice or buy/sell calls?
No. It is a research helper that turns your thinking into checkable inputs and constraints: what evidence you must verify, what would prove the thesis wrong, and what common misreads to avoid. Treat the output as a draft, not a signal. Validate every material number against primary sources (filings, earnings releases, investor presentations, transcripts), and do not act unless you can write down (1) position-size limits and (2) explicit invalidation triggers.
What inputs should I provide for a reliable result?
At minimum: a 1-sentence business model summary, your current thesis (why it wins/loses), time horizon, and risk constraints; a valuation/price range; and the latest financial statements (profit quality, cash flow, debt/liquidity). Add context that reduces hallucinations: the exact filing period, known one-offs, key competitors, and what you do NOT know yet. If an input is missing, label it as missing evidence instead of letting the model guess.

Validation and boundaries

How do I validate the output?
Validate falsifiable claims one by one. Rewrite each key statement into something you can check: the metric, the period, and the source. Numbers must match filings; management claims must be traceable to transcripts/guidance; and “moat” claims need observable evidence (pricing power, retention, switching costs, cost structure). Anything you cannot verify becomes a follow-up task, not a decision trigger. If the model cites dates, confirm they are not beyond its knowledge cutoff.
When should I NOT act on the output?
If you cannot write down invalidation triggers, a position-size cap, or primary-source evidence for the key claims behind “قرارات مبنية على البيانات”, do not act. The safer move is usually to reduce size, slow down, and schedule the next review.

المزيد من موجّهات القواعد

استكشف مبادئ استثمارية أخرى من هذا المعلّم.

وظف أذكى الناس

العلم الجيد يتطلب علماء جيدين. نوظف حملة الدكتوراه في الرياضيات والفيزياء وعلوم الكمبيوتر—ليس متداولي وول ستريت. أفضل العقول في المجالات الكمية يمكنها إيجاد أنماط يفوتها الآخرون.

→

إيجاد الميزة الرياضية

تحتاج فقط أن تكون محقاً 50.75% من الوقت لتحقق ثروة. ميزة صغيرة، تُطبق باستمرار عبر آلاف الصفقات مع إدارة مخاطر سليمة، تتراكم لعوائد استثنائية.

→

التعلم الآلي في الأسواق

تولد الأسواق كميات هائلة من البيانات. يمكن لخوارزميات التعلم الآلي اكتشاف أنماط وعلاقات دقيقة لا يستطيع البشر إدراكها، والتكيف تلقائياً مع ظروف السوق المتغيرة.

→

السرية ضرورية

في سوق تنافسي، الكشف عن ميزتك يدمرها. حافظ على سرية أساليبك وإشاراتك واستراتيجياتك بشكل صارم. قيمة الميزة تنخفض كلما حاول المزيد من الناس استغلالها.

→