تصور کنید تمام دارایی‌های ریسکی شما، دقیقاً در لحظه‌ای که فکر می‌کنید سبدتان متنوع است، به‌طور هم‌زمان سقوط کنند. برای یک مدیر پرتفوی، این کابوس زمانی رخ می‌دهد که همبستگی‌های پنهان میان دارایی‌ها در لحظه بحران فعال شوند و تنوع‌بخشی به سبد، عملاً بی‌اثر شود.
به همین دلیل، شرکت AI-QUANT در ۲۳ سپتامبر ۲۰۲۶ چارچوبی را برای شبیه‌سازی سقوط‌های مصنوعی بازار معرفی کرد. هدف این سیستم، شناسایی وابستگی‌های پنهانی است که در شرایط عادی دیده نمی‌شوند اما در زمان شوک‌های ژئوپلیتیک، جهش نوسانات یا بحران‌های نقدینگی، باعث فروپاشی سریع سبد سهام می‌شوند. این رویکرد در واقع تکامل یافته‌ی شبیه‌سازی‌های سناریوی AI برای شناسایی نقاط شکست پرتفو است که پیش از این بر اهمیت پیش‌بینی بحران‌ها تأکید داشتند.
محدودیت‌های داده‌های تاریخی
بسیاری از صندوق‌های پوشش ریسک (Hedge Funds) هنوز به بازپخش وقایع گذشته تکیه می‌کنند. اما داده‌های تاریخی تنها یک مسیرِ تحقق‌یافته را نشان می‌دهند و نمی‌توانند تمام احتمالات آینده را پوشش دهند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدیریت ریسک در بازارهای پرنوسان اشاره کردیم، تکیه بر گذشته در دنیای پیچیده امروز کافی نیست. برای مثال، تصور کنید بازاری را در نظر بگیرید که در آن جهش نرخ بهره و اختلال ارزی به‌گونه‌ای هم‌زمان رخ دهند که هرگز در تاریخ ثبت نشده باشد؛ در چنین حالتی، تست‌های استاندارد به‌سادگی این ریسک را نادیده می‌گیرند.
سقوط‌های مصنوعی با ترکیب همبستگی‌های ناشناخته، شکاف‌های قیمتی و محدودیت‌های تامین مالی مرتبط با رویدادهای «قوی سیاه» (Black Swan)، سناریوهای محتمل اما بی‌سابقه را خلق می‌کنند. این متدولوژی در واقع نبردی میان مدل‌های سنتی و سناریوهای مصنوعی برای کشف وابستگی‌های مالی پیچیده است. تیم‌های مدیریت ریسک اکنون می‌توانند با استفاده از مدل‌های مولد (Generative Models)، دقیقاً مشاهده کنند که استراتژی آن‌ها در کجا می‌شکند و آیا کنترل‌های موجود همچنان مؤثر هستند یا خیر.
طبق گزارش dev.to، یک شبیه‌سازی معتبر نباید صرفاً بازدهی منفی بزرگی را به صورت تصادفی اعمال کند، بلکه باید مکانیسم واقعی یک سقوط را مدل‌سازی کند. این یعنی شبیه‌ساز باید بازتولید کند که چگونه همبستگی‌ها هم‌گرا می‌شوند، نقدینگی ناپدید می‌شود، نوسانات شتاب می‌گیرد و موقعیت‌های اهرمی منجر به فروش‌های اجباری و زنجیره‌ای می‌گردند.
گردش کار شبیه‌سازی
گردش کار فنی در پلتفرم AI-QUANT بر چندین لایه بحرانی متمرکز است تا جامع‌ترین تصویر از ریسک ارائه دهد:
- تخمین رژیم (Regime Estimation): برازش توزیع‌های مجزا برای دوره‌های مختلف از جمله دوره‌های ثبات، ریزش‌های شدید، شوک‌های نقدینگی و مراحل بازگشت بازار.
- رفتار دم‌کلفت مشترک (Joint Tail Behavior): استفاده از توزیع‌های دم‌کلفت، کوپولاها (Copulas) یا مولدهای عصبی برای مدل‌سازی حالتی که دارایی‌ها بسیار بیشتر از آنچه توزیع نرمال پیش‌بینی می‌کند، به‌طور هم‌زمان سقوط می‌کنند.
- تولید مسیر (Path Generation): شبیه‌سازی مسیرهای چندروزه که شامل شکاف‌های قیمتی (Gaps)، بازگشت‌های موقت و خوشه‌های نوسانی است، به‌جای اعمال یک شوک لحظه‌ای و ساده.
- اصطکاک‌های بازار (Market Frictions): مدل‌سازی افزایش فاصله خرید و فروش (Bid-Ask Spread)، کاهش حجم معاملات، تأخیر در اجرای سفارشات و اثرات غیرخطی قیمت‌ها.
- ارزیابی مجدد پرتفوی: گنجاندن مشتقات، هزینه‌های تامین مالی، الزامات وثیقه و ریسک‌های ارزی در محاسبات.
- سنجش نقطه شکست: ردیابی دقیق حداکثر افت ارزش (Drawdown)، میزان استفاده از مارجین، تمرکز دارایی‌ها و زمان مورد نیاز برای نقد کردن موقعیت‌ها در بازار بحرانی.
کمی‌سازی شدت بحران
در این فرآیند، معیار «کسری مورد انتظار» (Expected Shortfall) جایگزین معیارهای قدیمی مانند Value at Risk شده است. برخلاف VaR، شاخص Expected Shortfall میانگین ضرر را در حالتی که آستانه ریسک از پیش تعیین‌شده رد شده باشد، اندازه‌گیری می‌کند. این ابزار به مدیران کمک می‌کند تا شدت واقعی پیامدها را پس از عبور از نقطه بحرانی کمی‌سازی کنند.
حاکمیت و اعتبارسنجی
برای جلوگیری از تولید سناریوهای غیرواقعی توسط هوش مصنوعی، این چارچوب از نظارت‌های سخت‌گیرانه‌ای پیروی می‌کند تا قیمت‌های غیرممکن، منحنی‌های بازده متناقض یا متغیرهای کلان متضاد ایجاد نشوند. این سیستم شامل موارد زیر است:
- جداسازی دقیق دوره‌های آموزش، کالیبراسیون و تست‌های خارج از نمونه (Out-of-sample).
- مقایسه وابستگی‌های دم‌کلفت تولید شده با بنچ‌مارک‌های تاریخی و تئوریک.
- انجام «تست‌های استرس معکوس» (Reverse Stress Tests) برای یافتن کوچک‌ترین شوکی که می‌تواند محدودیت‌های ریسک را بشکند.
- مستندسازی تمامی مفروضات، نسخه‌های مدل و تغییرات دستی اعمال شده.
این تغییر رویکرد، معیار مدیریت ریسک را از «چه اتفاقی افتاد» به «چه چیزی محتمل است» تغییر می‌دهد. برای یک معامله‌گر حرفه‌ای، این یعنی ابزارهای پوششی مثل قراردادهای اختیار فروش (Put Options) باید بر اساس عملکردشان در هزاران مسیر مصنوعی ارزیابی شوند، نه فقط در یک سناریوی تاریخی مطلوب. مدیران باید زمان‌بندی، ریسک پایه (Basis Risk) و ریسک طرف مقابل را در نظر گرفته و پوشش‌ها را بر اساس هزینه نگهداری (Carry Cost) و میزان کاهش افت ارزش مقایسه کنند.
در نهایت، هدف پیش‌بینی تاریخ دقیق سقوط بعدی نیست، بلکه اطمینان از این است که کنترل‌ها — مانند مدیریت مارجین و ذخایر وثیقه — در شرایط سخت مصنوعی کارآمد بمانند. هر نتیجه باید مستقیماً به یک قانون تصمیم‌گیری، مانند تغییر اندازه یک موقعیت متمرکز یا افزایش وثیقه، متصل شود.
مدیران اکنون می‌توانند این استراتژی‌ها را در پلتفرم AI-QUANT ارزیابی کنند؛ سیستمی که با پژوهش‌های HONEYPOTZ INC و تحلیل‌های داده‌ای DEEPBODY INC ادغام شده است تا سبدهای سرمایه‌گذاری را در برابر گسست‌های بازار مقاوم کند.
گام بعدی شما
- بازبینی استراتژی‌های پوشش ریسک خود بر اساس سناریوهای غیرتاریخی.
- بررسی معیار Expected Shortfall به‌جای Value at Risk برای درک عمق ضررهای احتمالی.
- تحلیل همبستگی دارایی‌ها در شرایط نقدینگی پایین.
اما تأثیر این مدل‌ها بر تغییر رفتار الگوریتم‌های معاملاتی فرکانس بالا حتی پیچیده‌تر است — به تحلیل ما درباره‌ی تأثیر هوش مصنوعی بر نقدینگی بازار مراجعه کنید.
گفتگو