شبیه‌سازی‌های سناریوی AI: شناسایی نقاط شکست پرتفو پیش از بحران

تصور کنید پرتفوی سرمایه‌گذاری شما روی کاغذ کاملاً متنوع به نظر می‌رسد، اما در لحظه وقوع بحران، تمام دارایی‌ها به‌طور هم‌زمان سقوط می‌کنند. این همان نقطه‌ای است که مدل‌های سنتی مدیریت ریسک شکست می‌خورند و سرمایه‌گذاران را غافلگیر می‌کنند. یک شوک بازار به‌ندرت دقیقاً مشابه یک بازپخش تاریخی رفتار می‌کند.

به نقل از راهنمای فنی منتشر شده در ۹ سپتامبر ۲۰۲۶ در dev.to، شبیه‌سازی‌های مصنوعیِ ریزش بازار با استفاده از هوش مصنوعی می‌توانند نقاط شکست پرتفوی را شناسایی کنند؛ مواردی که معیارهای سنتی مانند «ارزش در معرض ریسک» (Value-at-Risk یا VaR) معمولاً نادیده می‌گیرند. این معیارهای قدیمی چون بر توزیع‌های پایدار و همبستگی‌های تاریخی تکیه دارند، ریسک واقعی را کمتر از حد برآورد می‌کنند. در همین راستا، تحلیل‌های ما نشان می‌دهد که تخمین نوسانات مبتنی بر یادگیری ماشین به دلیل عدم اتکا به میانگین‌های تاریخی، دقت بسیار بیشتری در پیش‌بینی رفتارهای بازار دارد.

محدودیت‌های تست‌های تاریخی

بسیاری از مدیران ریسک از شوک‌های ثابت استفاده می‌کنند؛ مثلاً فرض می‌کنند قیمت سهام ۲۰٪ افت می‌کند یا یک جهش ناگهانی در نوسانات رخ می‌دهد. این رویکردها به ریسک‌هایی متکی هستند که پیش از این اتفاق افتاده‌اند. اما مشکل اینجاست که در بحران‌های واقعی، دارایی‌هایی که هیچ ربطی به هم نداشتند، ناگهان در یک جهت حرکت می‌کنند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌سازی داده‌محور اشاره کردیم، این پدیده که «همگرایی همبستگی» (Correlation Convergence) نام دارد، هدف اصلی تست‌های مصنوعی است.

شبیه‌سازی مصنوعی ریزش بازار — شبیه به یک تمرین آتش‌نشانی پیشرفته که تمام سناریوهای غیرمحتمل اما ممکن را آزمایش می‌کند — مسیرهای بحران جدیدی می‌سازد. این سیستم تغییرات شدید اما از نظر داخلی سازگار در قیمت‌ها، نوسانات، همبستگی‌ها، نرخ بهره، اسپرد‌های اعتباری و نقدینگی را ترکیب می‌کند. هدف در اینجا پیش‌بینی زمان ریزش بعدی نیست، بلکه کشف ترکیباتی از شوک‌هاست که قادر به در هم شکستن یک پرتفوی خاص باشند.

مکانیسم‌های تهدیدات غیرخطی

طبق این گزارش، یک موتور سناریوی هوش مصنوعی با ترکیب مدل‌های تغییر رژیم (Regime-switching)، توزیع‌های دم-پهن (Fat-tailed)، مدل‌های وابستگی و یادگیری ماشین زاینده (Generative Machine Learning)، هزاران مسیر بحرانی چندروزه تولید می‌کند. برخلاف بازپخش‌های تاریخی، این شبیه‌سازی‌ها تهدیدات غیرخطی پیچیده‌ای را مدل می‌کنند، از جمله:

• سرایت بین‌دارایی: انتقال سریع زیان بین سهام، اعتبارات، کالاها، نرخ‌ها و ارزها.
• فشار نقدینگی (Liquidity Compression) — شبیه به ترافیکی که در آن هیچ راه خروجی وجود ندارد و سرمایه‌گذار در دارایی‌های خود حبس می‌شود — که منجر به افزایش فاصله قیمت خرید و فروش (Bid-Ask Spreads)، کاهش عمق بازار و تأخیر در اجرا می‌شود.
• بازخورد اهرمی: فراخوان‌های مارجین (Margin Calls) که باعث فروش اجباری در بازار رو به سقوط و شتاب‌دهی به ریزش می‌شود.
• وابستگی به مسیر: سناریوهایی که در آن «چگونه» به یک قیمت رسیدیم، مهم‌تر از خودِ قیمت نهایی است؛ این موضوع اغلب به دلیل رویدادهای مربوط به مارجین یا نقدینگی رخ می‌دهد.
• موقعیت‌های غیرخطی: ابزارهایی مانند آپشن‌ها و موقعیت‌های ساختاریافته که حساسیت آن‌ها با تغییر قیمت، به‌شدت تغییر می‌کند.

گردش‌کار پیاده‌سازی

برای پیاده‌سازی این رویکرد، یک گردش‌کار پنج‌مرحله‌ای پیشنهاد شده است:

۱. تعریف نقاط آسیب‌پذیر: نقشه‌برداری از اهرم‌ها، تمرکز دارایی‌ها، اختیارات (Optionality)، مواجهه با طرف مقابل (Counterparty Exposure) و نیازهای نقدینگی.
۲. کالیبراسیون رژیم‌های بازار: تفکیک دوره‌های عادی، پرنوسان و بحرانی به‌جای برازش یک توزیع میانگین واحد.
۳. تولید مسیرهای حدی: استفاده از هوش مصنوعی برای تغییر توالی شوک‌ها، مدت زمان بحران، میزان سرایت و رفتار بازیابی بازار.
۴. ارزش‌گذاری مجدد تمام موقعیت‌ها: محاسبه دقیق قیمت (Full Repricing) برای ابزارهایی با بازده غیرخطی به‌جای تکیه بر حساسیت‌های استاتیک.
۵. اعتبارسنجی منطقی: رد کردن سناریوهایی که محدودیت‌های اقتصادی را نقض می‌کنند و مقایسه رفتار دم‌های شبیه‌سازی شده با دینامیک‌های مشاهده شده در بحران‌های واقعی.

این متدولوژی بخشی از دیدگاه مدل‌سازی داده‌محور است که توسط DEEPBODY INC و کارهای کاربردی HONEYPOTZ INC پیش برده می‌شود. در حال حاضر پلتفرم‌هایی مانند AI-QUANT این فرآیند پژوهشی تکرارپذیر را پشتیبانی می‌کنند تا تیم‌ها بتوانند رژیم‌های بازار و استراتژی‌های سیستماتیک را با تحلیل‌های داده‌محور بررسی کنند. این امر به تیم‌ها اجازه می‌دهد پاسخ‌های دفاعی خود را به‌صورت پویا ارزیابی کنند، نه اینکه پس از ضرر، دلیل آن را جست‌وجو کنند. این رویکرد پویا با سیستم‌های امتیازدهی ریسک لحظه‌ای همسو است که به جای تکیه بر داده‌های ایستا، از رفتارهای جاری بازار برای ارزیابی ریسک استفاده می‌کنند.

برای یک سرمایه‌گذار حرفه‌ای، هدف از پیش‌بینی «زمان» ریزش بعدی، به کشف «ترکیبی از شوک‌ها» تغییر می‌کند که می‌تواند پرتفوی او را نابود کند. این یعنی مدیریت ریسک از یک داشبورد استاتیک به یک ابزار تصمیم‌گیری تبدیل می‌شود. تیم‌های ریسک می‌توانند سناریوها را بر اساس شدت زیان، تقاضای نقدینگی و زمان بازیابی رتبه‌بندی کنند. سپس می‌توانید تست کنید که آیا افزودن ابزارهای محدب (Convex)، متنوع‌سازی فاکتورهای ریسک یا افزایش ذخایر نقدی، پس از در نظر گرفتن هزینه‌های تراکنش و قیمت‌گذاری مجدد نوسانات، واقعاً اثرگذار است یا خیر.

در نهایت، داده‌های مصنوعی باید مکمل قضاوت انسانی باشند. مدل‌ها ممکن است مسیرهایی تولید کنند که از نظر آماری حدی اما از نظر اقتصادی بی‌معنی باشند؛ بنابراین اعتبارسنجی مستقل، تست‌های خارج از نمونه (Out-of-sample) و مستندسازی مفروضات برای هر صندوق پوشش ریسک (Hedge Fund) سازمانی ضروری است.

گام بعدی شما

• بررسی میزان همبستگی دارایی‌های پرتفوی خود در دوره‌های بحرانی گذشته برای شناسایی نقاط کور.
• مطالعه مدل‌های توزیع «دم-پهن» (Fat-tailed) برای درک بهتر احتمال وقوع رویدادهای نادر.
• ارزیابی ابزارهای شبیه‌سازی سناریو برای جایگزینی تست‌های استرس استاتیک.

اما ادغام این موتورهای سناریو در داشبوردهای ریسک لحظه‌ای، امکان پوشش ریسک (Hedging) خودکار را فراهم می‌کند — به تحلیل ما درباره‌ی سرمایه‌گذاری خودکار با امتیازدهی ریسک لحظه‌ای و سیستم‌های عامل‌محور در مدیریت مالی مراجعه کنید.