طراحی AI Risk Manager برای بورس ایران: از تحلیل TSETMC و کدال تا مدیریت هوشمند ریسک پرتفوی

 مقدمه

بازار سرمایه ایران در سال‌های اخیر با حجم عظیمی از داده مواجه شده است: قیمت و حجم معاملات، جریان ورود و خروج نقدینگی حقیقی و حقوقی، گزارش‌های مالی شرکت‌ها، اطلاعیه‌های کدال، اخبار اقتصادی و سیاسی، و نوسانات بازارهای جهانی. همه این متغیرها هم‌زمان بر تصمیم سرمایه‌گذار اثر می‌گذارند.

مشکل اصلی این‌جاست: هیچ انسانی نمی‌تواند این حجم از اطلاعات را به‌طور هم‌زمان، سریع و بدون خطا پردازش کند.اینجاست که هوش مصنوعی می‌تواند وارد میدان شود؛ نه صرفاً برای پیش‌بینی قیمت فردای یک سهم، بلکه برای ساخت یک سیستم تصمیم‌یار هوشمند در مدیریت ریسک، تحلیل بازار و مدیریت پرتفوی.

در این مقاله، مفهومAI Risk Managerبرای بازار سرمایه ایران را بررسی می‌کنیم؛ سیستمی که داده‌های TSETMC، کدال، اطلاعات بنیادی، رفتار نقدینگی و اخبار را دریافت می‌کند و با استفاده از مدل‌های هوش مصنوعی، وضعیت ریسک بازار و پرتفوی را ارزیابی می‌کند.

 AI Risk Manager چیست؟

AI Risk Manager را می‌توان یک مدیر ریسک دیجیتال مبتنی بر هوش مصنوعی تعریف کرد. این سیستم قرار نیست صرفاً بگوید «این سهم را بخر»، بلکه به سؤال‌های مهم‌تری پاسخ می‌دهد:

- وضعیت فعلی بازار چقدر پرریسک است؟

- کدام صنایع در حال افزایش ریسک هستند؟

- کدام نمادها نقدشوندگی مناسبی ندارند؟

- جریان پول حقیقی و حقوقی چه تغییری کرده است؟

- احتمال افت شدید یک سهم چقدر است؟

- آیا وزن یک سهم در پرتفوی بیش از حد شده؟

- چه میزان سرمایه باید در معرض ریسک قرار گیرد؟

- آیا شرایط فعلی برای ورود مناسب است یا بهتر است صبر کرد؟

به بیان دیگر، AI Risk Manager بیش از آنکه یک سیگنال‌دهنده باشد، یک سیستم کنترل ریسک و تصمیم‌یار سرمایه‌گذاری است.

 چرا این سیستم برای بورس ایران اهمیت دارد؟

بورس ایران ویژگی‌های خاصی دارد که طراحی سیستم‌های هوشمند برای آن را متفاوت می‌کند:

- دامنه نوسان

- صف‌های خرید و فروش

- تفاوت شدید نقدشوندگی بین نمادها

- تأثیر جریان نقدینگی حقیقی و حقوقی

- واکنش شدید بازار به اخبار اقتصادی و سیاسی

- وابستگی گسترده به نرخ ارز

- وابستگی شرکت‌های صادراتی به قیمت کامودیتی‌ها

- تأثیر نرخ بهره و سیاست‌های پولی

- ارتباط بورس با بازارهای طلا، ارز و نفت

به همین دلیل، مدلی که صرفاً با داده‌های بازار آمریکا آموزش دیده باشد، لزوماً برای بورس ایران کارآمد نیست؛ مدل باید با ساختار و رفتار بازار ایران سازگار شود.

 معماری پیشنهادی AI Risk Manager

 لایه اول: جمع‌آوری داده

مهم‌ترین منابع داده عبارت‌اند از:

TSETMC: قیمت، حجم، ارزش معاملات، تعداد معاملات، قیمت پایانی، سفارش‌های خرید و فروش، اطلاعات حقیقی و حقوقی، تاریخچه معاملات و اطلاعات شاخص‌ها. اکوسیستم داده TSETMC مسیرهای متعددی برای دریافت اطلاعات نمادها، قیمت تاریخی، شاخص‌ها، حقیقی و حقوقی، دفتر سفارشات، سهامداران و پیام‌ها در اختیار می‌گذارد.

کدال: صورت‌های مالی، گزارش‌های ماهانه و فعالیت، اطلاعات سود و زیان، اطلاعیه‌های بااهمیت، افزایش سرمایه، مجامع و گزارش‌های حسابرسی.

لایه دوم: پردازش داده

داده خام مستقیماً وارد مدل نمی‌شود؛ ابتدا باید داده‌های ناقص و پرت شناسایی شوند، تاریخ‌ها یکسان‌سازی و تعدیلات قیمتی اعمال شوند، و داده‌های بنیادی استاندارد شوند. سپس متغیرهای تحلیلی جدیدی مثل Return، Volatility، Volume Change، Money Flow، Relative Strength، Liquidity، Drawdown، P/E و EPS Growth از داده خام استخراج می‌شوند.

 لایه سوم: موتور تحلیل تکنیکال و کمی

AI می‌تواند در کنار شاخص‌های سنتی بازار مانند RSI، MACD، Moving Average، ATR، Bollinger Bands، Momentum، حجم، نسبت حجم به میانگین، قدرت خریدار حقیقی و جریان نقدینگی استفاده شود. نکته مهم این است که AI نباید صرفاً به اندیکاتورها وابسته بماند؛ هدف پیدا کردن رابطه میان مجموعه‌ای از متغیرها به‌طور هم‌زمان است.

 لایه چهارم: تحلیل بنیادی با AI

یکی از مهم‌ترین بخش‌های سیستم، پردازش گزارش‌های مالی شرکت‌هاست: رشد فروش، رشد سود، حاشیه سود، بدهی، جریان نقدی، EPS، P/E، ROE و ROA. سیستم حتی می‌تواند تغییرات گزارش جدید نسبت به گزارش قبلی را شناسایی کند، مثلاً: «فروش شرکت ۱۸٪ افزایش یافته، اما حاشیه سود ۷٪ کاهش یافته است.» این سطح از تحلیل برای سرمایه‌گذار بسیار ارزشمندتر از یک سیگنال ساده خرید و فروش است.

 لایه پنجم: تحلیل احساسات و اخبار

یکی از جذاب‌ترین کاربردهای AI در بازار سرمایه، Sentiment Analysis است. سیستم می‌تواند اخبار و اطلاعیه‌ها را دریافت و دسته‌بندی کند:

اخبار مثبت: افزایش سود، قرارداد جدید، افزایش تولید، افزایش نرخ فروش، صادرات بیشتر

اخبار منفی: کاهش تولید، افزایش هزینه، تحریم، مشکلات عملیاتی، کاهش فروش

اخبار بااهمیت اما خنثی: مجمع، تغییر مدیرعامل، اطلاعیه‌های اداری، گزارش‌های معمول

در نسخه‌های پیشرفته‌تر، مدل می‌تواند شدت تأثیر هر خبر را نیز تخمین بزند.

لایه ششم: موتور پیش‌بینی ریسک

این بخش، هسته اصلی AI Risk Manager است. مدل برای هر سهم یک Risk Score تولید می‌کند:

سپس یک امتیاز نهایی محاسبه می‌شود، مثلاً Risk Score = 61%، که در سه سطح دسته‌بندی می‌شود:

🟢 ریسک پایین   🟡ریسک متوسط   🔴 ریسک بالا

این رویکرد به سرمایه‌گذار اجازه می‌دهد به‌جای تصمیم‌گیری احساسی، ریسک را به‌صورت کمی مشاهده کند.

 لایه هفتم: پیش‌بینی احتمال بازده منفی

به‌جای اینکه سیستم بگوید «سهم فردا ۵٪ ریزش می‌کند»، می‌تواند بگوید: «احتمال بازده منفی سهم طی پنج روز معاملاتی آینده ۶۸٪ برآورد می‌شود.» این نوع خروجی علمی‌تر است، چون بازار مالی ذاتاً احتمالاتی است و هیچ مدل معتبری نمی‌تواند آینده را با قطعیت پیش‌بینی کند. پژوهش‌های انجام‌شده روی بورس تهران نیز از الگوریتم‌های یادگیری ماشین برای بررسی و پیش‌بینی ریسک بازده منفی استفاده کرده‌اند.

 لایه هشتم: مدیریت پرتفوی

AI Risk Manager نباید سهم‌ها را جداگانه بررسی کند؛ باید کل پرتفوی را نیز تحلیل کند. فرض کنید پرتفویی این‌گونه است: فولاد ۳۰٪، شپنا ۲۵٪، شستا ۲۰٪، بانکی ۱۵٪ و نقد ۱۰٪. سیستم می‌تواند تشخیص دهد که بخش بزرگی از پرتفوی به صنایع خاصی وابسته است و هشدار دهد: «تمرکز پرتفوی در صنایع وابسته به نرخ ارز و کامودیتی افزایش یافته است.» دقیقاً همین‌جاست که AI از یک Stock Picker به یک Risk Manager تبدیل می‌شود.

 پژوهش های انجام شده در ایران :

 این موضوع صرفاً یک ایده نظری نیست. یکی از پژوهش‌های قابل توجه درباره بازار ایران، استفاده از شبکه عصبی برای پیش‌بینی بازده و ریسک سهام و سپس به‌کارگیری الگوریتم ژنتیک برای طراحی پرتفوی بهینه در بازار سهام ایران بوده است؛ این مطالعه داده‌های شاخص‌های مختلف بازار ایران را بررسی کرده و پرتفوی‌هایی با سطوح مختلف ریسک طراحی کرده است. پژوهش‌های جدیدتر نیز به سمت ترکیب یادگیری ماشین با بهینه‌سازی پرتفوی حرکت کرده‌اند.این یعنی مسیر تحقیقاتی از «AI برای پیش‌بینی قیمت» به سمت «AI برای تصمیم‌گیری سرمایه‌گذاری و مدیریت ریسک» در حال حرکت است.

 نکته کلیدی: AI نباید فقط قیمت را پیش‌بینی کند

یکی از اشتباهات رایج در پروژه‌های AI مالی این است که کل پروژه حول یک سؤال ساخته شود: «قیمت فردا چقدر است؟» اما یک سیستم حرفه‌ای باید هم‌زمان پنج سؤال را پاسخ دهد:

1. Direction — روند احتمالی چیست؟

2. Probability — احتمال وقوع این سناریو چقدر است؟

3. Risk — اگر تحلیل اشتباه باشد، چقدر ضرر می‌کنیم؟

4. Position Size— چه مقدار سرمایه باید وارد شود؟

5.Exit — در چه شرایطی باید از معامله خارج شویم؟

این پنج مورد، اسکلت یک سیستم تصمیم‌گیری واقعی را می‌سازند.

 مدل‌های AI مناسب برای AI Risk Manager

بسته به نوع داده می‌توان از خانواده‌های مختلف مدل استفاده کرد:

- Machine Learning

-Deep Learning

- Reinforcement Learning (برای تصمیم‌گیری متوالی و مدیریت پرتفوی)

استفاده از پیچیده‌ترین مدل الزاماً به معنای بهترین نتیجه نیست؛ گاهی یک مدل ساده‌تر مانند  با داده‌های باکیفیت، عملکردی بهتر از یک شبکه عصبی پیچیده دارد.

 XAI: چرا مدل باید توضیح بدهد؟

یکی از مشکلات مهم هوش مصنوعی مالی، Black Boxبودن مدل است. اگر سیستم اعلام کند «ریسک سهم بالاست»، سرمایه‌گذار باید بداند چرا. اینجاست که Explainable AI (XAI) اهمیت پیدا می‌کند؛ سیستم می‌تواند توضیح دهد: «افزایش نوسان + خروج نقدینگی حقیقی + افت حجم معاملات + خبر منفی = افزایش Risk Score.» این قابلیت برای استفاده حرفه‌ای از AI در بازار سرمایه ضروری است.

 آیا AI می‌تواند جای تحلیلگر را بگیرد؟

احتمالاً نه به‌طور کامل. مدل هوش مصنوعی در پردازش داده بسیار سریع‌تر از انسان است، اما ممکن است داده اشتباه باشد، رژیم بازار تغییر کند، اتفاقی سیاسی غیرقابل پیش‌بینی رخ دهد، مدل بیش‌برازش کند یا روابط گذشته در آینده تکرار نشوند.

بنابراین بهترین رویکرد برای بازار سرمایه احتمالاً Human + AI است. تحلیلگر انسانی باید تصمیم نهایی، چارچوب استراتژی و محدودیت‌های ریسک را تعیین کند، و AI وظیفه پردازش داده و ارائه تحلیل احتمالاتی را بر عهده بگیرد.

 چالش‌های ساخت AI Risk Manager در بورس ایران

1. کیفیت داده: هر مدل AI به اندازه کیفیت داده‌هایش قابل اعتماد است.

2. تغییر رژیم بازار :مدلی که در دوره صعودی موفق است ممکن است در بازار نزولی شکست بخورد.

3. بیش‌برازش: عملکرد فوق‌العاده در Back test الزاماً به معنای عملکرد خوب در بازار واقعی نیست.

4. محدودیت‌های بازار ایران: صف خرید و فروش و دامنه نوسان می‌تواند رفتار قیمت را از مدل‌های استاندارد جهانی متفاوت کند.

5.داده‌های خبری و سیاسی: بخشی از رفتار بازار ایران به متغیرهایی وابسته است که در داده‌های تاریخی قیمت به‌سادگی قابل مشاهده نیستند.

آینده AI در بازار سرمایه ایران

در سال‌های آینده احتمالاً شاهد حرکت از ابزارهای ساده غربالگری به سمت سیستم‌های هوشمند تصمیم‌یار خواهیم بود؛ سیستم‌هایی که می‌توانند بازار را به‌صورت پیوسته پایش کنند، اخبار و گزارش‌های کدال را تحلیل کنند، وضعیت نقدینگی را بررسی کنند، ریسک پرتفوی را محاسبه کنند، سناریوهای مختلف بازار را شبیه‌سازی کنند، هشدارهای ریسک صادر کنند و در نهایت پیشنهادهایی متناسب با سطح ریسک هر فرد ارائه دهند.

حتی هم‌اکنون نیز پروژه‌ها و ابزارهای نرم‌افزاری جدیدی برای دسترسی ساختاریافته به داده‌های TSETMC و استفاده از آن در سیستم‌های AI و Agentها در حال توسعه‌اند؛ نشانه‌ای از اینکه زیرساخت فنی لازم برای اتصال داده‌های بازار ایران به سیستم‌های هوش مصنوعی نیز در حال شکل‌گیری است.

نتیجه‌گیری

هوش مصنوعی در بورس ایران دیگر یک مفهوم صرفاً دانشگاهی نیست. پژوهش‌های انجام‌شده در بازار سهام ایران نشان داده‌اند که می‌توان از شبکه‌های عصبی، یادگیری ماشین، الگوریتم‌های تکاملی و روش‌های جدید هوش مصنوعی برای پیش‌بینی، مدیریت ریسک و بهینه‌سازی پرتفوی استفاده کرد.

اما ارزش واقعی AI در بازار سرمایه احتمالاً در پیش‌بینی یک عدد مشخص برای قیمت آینده نیست؛ ارزش واقعی این است که هوش مصنوعی بتواند داده بیشتری را سریع‌تر پردازش کند، ریسک را کمی‌سازی کند، الگوهای پنهان را پیدا کند، سناریوهای مختلف را ارزیابی کند و به سرمایه‌گذار در تصمیم‌گیری کمک کند.

از این منظر، مفهوم AI Risk Manager می‌تواند یکی از جذاب‌ترین مسیرهای توسعه فناوری مالی در بازار سرمایه ایران باشد. هدف نهایی چنین سیستمی این نیست که به سرمایه‌گذار بگوید «چه سهمی بخر»، بلکه باید بتواند بگوید: «در چه شرایطی، با چه احتمالی، با چه میزان سرمایه و با چه سطحی از ریسک وارد بازار شوی.» دقیقاً همین‌جاست که هوش مصنوعی از یک ابزار تحلیل بازار به یک سیستم مدیریت سرمایه تبدیل می‌شود.