مدل‌های سنتی در برابر سناریوهای مصنوعی؛ نبردی برای کشف وابستگی‌های مالی

تصور کنید سبد دارایی شما تا لحظه‌ای که تمام دارایی‌های پرریسک به‌طور هم‌زمان سقوط می‌کنند، کاملاً متنوع به نظر برسد. برای مقابله با این خطر، در ۱۵ سپتامبر ۲۰۲۶، یک راهنمای فنی در وب‌سایت dev.to جزئیات به‌کارگیری شبیه‌سازی‌های سقوط مصنوعی توسط صندوق‌های پوششی را منتشر کرد تا وابستگی‌های پنهان پیش از وقوع یک شکست در همبستگی (Correlation Break)، شوک نقدینگی یا جهش نوسانات که سرمایه را تهدید می‌کند، شناسایی شوند.

بسیاری از مدیران سرمایه اکنون متوجه شده‌اند که آزمون‌های بازگشتی (Backtesting) سنتی تنها رویدادهای رخ‌داده در گذشته را بازپخش می‌کنند و شرکت‌ها را در برابر رویدادهای «قوی سیاه» (Black Swan) — که شوک‌ها را به شکلی ناشناخته و غیرمتعارف ترکیب می‌کنند — کور می‌کنند. سناریویی را تصور کنید که در آن نوسانات بالا می‌رود در حالی که نقدینگی ناپدید می‌شود، همبستگی‌ها به سمت عدد یک میل می‌کنند و موقعیت‌های اهرمی به‌طور هم‌زمان با فشار مارجین مواجه می‌شوند؛ مدل‌های استاتیک تاریخی به‌ندرت می‌توانند این رفتار وابسته به مسیر (Path-dependent) را ثبت کنند.

زمینه: نقش سقوط‌های مصنوعی

شبیه‌سازی سقوط مصنوعی بازار، فرآیند تولید مسیرهای مصنوعی و از نظر داخلی سازگار برای بازار است. این مسیرها بازده‌های شدید، رژیم‌های نوسانی، محدودیت‌های نقدینگی و سرایت بین‌دارایی‌ها را بازتولید می‌کنند.

این روش یک پیش‌بینی نیست، بلکه متدی کنترل‌شده برای کشف این موضوع است که یک سبد دارایی چگونه می‌تواند شکست بخورد. این رویکرد در راستای به‌کارگیری موتورهای سناریوی هوش مصنوعی برای شناسایی نقاط شکست پرتفو است که پیش از وقوع بحران‌های واقعی، نقاط ضعف ساختاری را آشکار می‌کند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، اعتبارسنجی ورودی‌ها در سیستم‌های حساس حیاتی است؛ در اینجا نیز صندوق‌ها با بررسی شرایط محتمل — اما پیش‌تر دیده‌نشده — سبدهای خود را در برابر بحران‌هایی که تاریخ ثبت نکرده، مقاوم می‌کنند.

به نقل از این گزارش، این فرآیند شامل ساخت یک خط لوله تولید سناریو با استفاده از هوش مصنوعی زاینده (Generative AI) است که داده‌های پاک بازار، موقعیت‌ها، فاکتورها و داده‌های هزینه‌های تراکنش را به هم متصل می‌کند. هدف این است که روابط نرمال یاد گرفته شوند، بدون اینکه فرض شود این روابط در زمان وقوع یک بحران ثابت می‌مانند.

گردش‌کار ۵ مرحله‌ای تولید سناریو

طبق مستندات این راهنما، تیم‌های ریسک برای خلق سناریوهای معتبر «قوی سیاه» توالی فنی زیر را دنبال می‌کنند:

• نقشه‌برداری مواجه‌ها: تجزیه موقعیت‌ها بر اساس دارایی، جغرافیا، نقدینگی، اهرم، مدت‌زمان (Duration)، نوسانات و عوامل ریسک سیستماتیک.
• مدل‌سازی رژیم‌ها: جداسازی دوره‌های آرام، تحت فشار و متلاطم به‌جای برازش یک توزیع واحد بر تمام مشاهدات.
• خلق شوک‌های مشترک: تولید حرکات همبسته در قیمت‌ها، اسپردها، نوسانات، هزینه‌های تامین مالی و حجم معاملات.
• اعمال مکانیسم‌ها: بازسنجی مشتقات، فعال کردن قوانین مارجین، مدل‌سازی فروش اجباری و تعدیل هزینه‌های تراکنش هم‌زمان با وخیم‌تر شدن نقدینگی.
• رتبه‌بندی مسیرهای شکست: شناسایی سناریوهایی که محدودیت‌های افت ارزش (Drawdown)، نقدینگی، تمرکز دارایی یا محدودیت‌های سرمایه را می‌شکنند.

مدل‌های مولد این مجموعه‌سناریوها را گسترش می‌دهند، اما راهنما تاکید می‌کند که کنترل‌های آماری اجباری هستند. تیم‌های ریسک باید هر مسیری را که مکانیسم‌های پایه بازار را نقض می‌کند یا بیش از حد از تخمین‌های مقدار حدی (Extreme-value estimates) منحرف می‌شود، رد کنند.

پلتفرم AI-QUANT فناوری‌های لازم برای اتصال این تحلیل سناریو به پژوهش‌های سیستماتیک را فراهم می‌کند. با استفاده از داده‌های نسخه‌بندی‌شده، پارامترهای مدل و بذرهای تصادفی (Random Seeds)، صندوق‌ها تضمین می‌کنند که هر شبیه‌سازی برای اهداف حاکمیتی و نظارتی قابل بازتولید است.

این چرخش راهبردی، معیار مدیریت ریسک را از «چه اتفاقی در سال ۲۰۰۸ افتاد» به «چه چیزی از نظر ریاضی ممکن است» تغییر می‌دهد. این رویکرد منجر به «آزمون استرس معکوس» (Reverse-stress testing) می‌شود؛ جایی که مدیران می‌پرسند حداقل ترکیبی از شوک‌ها که منجر به شکست یک حد ریسک خاص می‌شود چیست.

تبدیل نتایج به پوشش ریسک

برای یک متخصص، این بدان معناست که پوشش ریسک (Hedging) دیگر درباره نمودارهای دراماتیک نیست، بلکه تصمیماتی قابل اندازه‌گیری است. تیم‌های ریسک باید حداکثر افت ارزش، زمان بهبودی، کمبود مورد انتظار (Expected Shortfall)، میزان استفاده از مارجین، زمان نقد کردن دارایی‌ها و ضررهای ناشی از اثر بازار (Market Impact) را محاسبه کنند.

این نتایج استراتژی‌های پوششی خاصی را هدایت می‌کنند:

• محدودیت‌های موقعیت و اهرم متصل به نقدینگی تحت فشار.
• گزینه‌های حفاظتی (Protective Options) ارزیابی‌شده پس از بازسنجی نوسانات.
• تنوع‌بخشی به عوامل بر اساس همبستگی‌های زمان بحران.
• ذخایر نقدی هم‌راستا با الزامات مارجین.
• قوانین بازتعادل طراحی‌شده برای اجتناب از فروش اجباری.

پوشش‌های موثر باید از نظر هزینه، تحدب (Convexity)، مواجهه با طرف مقابل (Counterparty Exposure) و ریسک زمان‌بندی آزمایش شوند. پوششی که فقط در زمان سررسید کار می‌کند، در یک رویداد مارجین درون‌روزی بی‌فایده است و همین موضوع، تست‌های مصنوعی بلادرنگ را به یک ضرورت رقابتی تبدیل می‌کند.

این رویکرد حاکمیت‌محور مشابه چارچوب‌های هوش مصنوعی مسئولانه در شرکت‌های HONEYPOTZ INC. و DeepBody است که در آن ورودی‌های تایید شده، خروجی‌های قابل توضیح و نظارت انسانی در کاربردهای حساس حیاتی است.

برای پیاده‌سازی این سیستم، شرکت‌ها باید سناریوهای اصلی را به‌صورت روزانه یا هر زمان که مواجهه‌ها به‌طور مادی تغییر می‌کنند اجرا کنند، در حالی که اعتبارسنجی کامل مدل، بررسی سناریوها و کالیبراسیون محدودیت‌ها را به‌صورت ماهانه یا فصلی انجام دهند.

گام بعدی شما

• بررسی مدل‌های «استرس معکوس» برای شناسایی نقاط شکست در سبدهای دارایی.
• جایگزینی آزمون‌های بازگشتی ساده با شبیه‌سازی‌های مبتنی بر مدل‌های مولد برای شناسایی ریسک‌های غیرخطی.
• تحلیل همبستگی دارایی‌ها در رژیم‌های نوسانی شدید به‌جای تکیه بر میانگین‌های تاریخی.

اما زیرساخت‌های محاسباتی مورد نیاز برای اجرای این شبیه‌سازی‌ها در مقیاس بزرگ، چالش بعدی است — به تحلیل ما درباره تراشه‌های Blackwell و توان پردازشی آن‌ها مراجعه کنید.