یک روز بازار ناگهان میریزد. صندوق شما چند سهم بزرگ دارد که با هم افت کردهاند. مدیر ریسک گزارش روزانه را باز میکند و میبیند عددها دیروز محاسبه شدهاند. تا گزارش بعدی، چند ساعت تصمیمگیری بدون تصویر کامل مانده است.
ریسک سبد و صندوق همیشه یک کار تحلیلی سنگین بوده است: جمع کردن داده، پاکسازی، محاسبه، مقایسه با سقفهای مجاز و نوشتن گزارش. هوش مصنوعی میتواند بخش بزرگی از این زنجیره را سریعتر و دقیقتر کند. اما خودش هم یک ریسک تازه است و اگر این نکته را فراموش کنید، مدل برای شما مشکل میسازد، نه امنیت.
این مقاله نشان میدهد هوش مصنوعی در مدیریت ریسک سبدگردانی و صندوق کجا واقعاً کمک میکند، کجا باید محتاط بود و چگونه یک پروژه را بدون وعدههای بزرگ شروع کنید. هیچ بخشی از آن توصیه سرمایهگذاری نیست.
هوش مصنوعی در ریسک چه کاری را عوض میکند؟
ابزارهای کلاسیک ریسک، مثل ارزش در معرض ریسک (VaR)، سالهاست در نهادهای مالی استفاده میشوند. هوش مصنوعی جای آنها را نمیگیرد. چیزی که عوض میشود سرعت، گستره داده و توان پردازش متن و دادههای بدون ساختار است.
تجمیع و پاکسازی داده
بخش بزرگی از وقت تیم ریسک صرف تطبیق دادهها میشود: قیمتها از یک منبع، پرتفوی از سامانه دیگر و اطلاعات صورتهای مالی از فایلهای جدا. عاملهای هوشمند میتوانند این دادهها را بخوانند، ناهمخوانی را علامت بزنند و گزارش آماده تحویل بدهند. مدیر ریسک بهجای کپی کردن ستونها، وقتش را صرف تفسیر میکند.
هشدار زودهنگام
مدلهای یادگیری ماشین میتوانند الگوهایی را ببینند که در یک جدول ساده دیده نمیشود، مثل افزایش همحرکتی چند دارایی یا کاهش ناگهانی نقدشوندگی. این یعنی هشدار زودتر به دست شما میرسد. هشدار به معنای پیشبینی نیست. هشدار فقط میگوید «اینجا را نگاه کنید».
خواندن متن بهجای فقط عدد
مدل زبانی بزرگ (LLM) میتواند گزارشهای حسابرس، اطلاعیههای ناشران و اخبار را بخواند و موارد مرتبط با داراییهای سبد را برای مدیر ریسک خلاصه کند. اگر به مقاله دستیار تحلیل کدال در همین مجموعه سر بزنید، میبینید همین ایده برای صورتهای مالی چگونه کار میکند.
سناریو و آزمون بحران
تیم ریسک میتواند از دستیار بخواهد سناریوهای مختلف را اجرا و نتیجه را به زبان ساده توضیح دهد. مثلاً «اگر نرخ ارز و شاخص همزمان تغییر کنند، کدام ردیفهای سبد بیشتر ضربه میخورند؟» مدل محاسبه را با ابزارهای مشخص انجام میدهد و متن گزارش را مینویسد.
نمونه یک پایش روزانه با کمک عامل هوشمند
تصور کنید یک سبدگردان چند سبد مشتری دارد. هر صبح یک جریان خودکار این کارها را انجام میدهد:
- داده قیمت و پرتفوی را از منابع تعریفشده میگیرد
- سقفهای مجاز هر سبد را با وزنهای واقعی مقایسه میکند
- موارد نزدیک به سقف را با رنگ علامت میزند
- یک گزارش کوتاه به زبان ساده برای مدیر ریسک مینویسد
- هر استثنا را با زمان و دلیل ثبت میکند
نکته اینجاست که مدیر ریسک تصمیمگیرنده میماند. جریان خودکار فقط کار آمادهسازی را انجام میدهد. این همان نقش درست هوش مصنوعی در یک فرایند مسئولیتدار است. برای ساخت چنین جریانهایی ابزارهای اتوماسیون کسبوکار کمک زیادی میکنند.
خود مدل یک ریسک است
وقتی از مدل برای سنجش ریسک استفاده میکنید، یک ریسک جدید وارد کار میشود: ریسک مدل. هیئت ثبات مالی (FSB) در گزارش نوامبر ۲۰۲۴ خود از ریسک مدل، کیفیت داده، ضعف حاکمیت و وابستگی به ارائهدهندگان بیرونی بهعنوان آسیبپذیریهای مرتبط با هوش مصنوعی نام برده است. همین گزارش به همبستگی بازار هم اشاره میکند، یعنی رفتار همزمان چند سامانه مشابه.
آنچه باید زیر نظر بگیرید
- داده ورودی: اگر کیفیت داده افت کند، خروجی مدل هم افت میکند
- رانش مدل: رابطههایی که مدل در گذشته یاد گرفته ممکن است عوض شوند
- توضیحپذیری: اگر مدیر ریسک نمیتواند بگوید چرا مدل هشدار داد، به آن اعتماد درست نمیکند
- وابستگی: اگر کل پایش ریسک روی یک سرویس بیرونی بنا شده باشد، قطع آن سرویس یعنی کور شدن
راهحلهای عملی
هر مدل ریسک باید مالک مشخص، مستندات، آزمون دورهای و روش بازنشستگی داشته باشد. نتیجه مدل را همیشه با یک روش ساده و قابلفهم مقایسه کنید. اگر دو نتیجه بهطور غیرعادی از هم دور شد، دلیلش را قبل از اعتماد به مدل پیدا کنید.
مقاله وایب کدینگ چیست؟ نشان میدهد چرا کد و مدلی که بدون آزمون و مستند ساخته میشود، برای کسبوکار ریسک میسازد. همین منطق دقیقاً درباره ابزارهای ریسک هم صادق است.
داده حساس سبد کجا میماند؟
داده پرتفوی، موقعیت صندوق و اطلاعات مشتریان از حساسترین داراییهای یک نهاد مالی است. پیش از آنکه آن را به هر مدلی بدهید، تصمیم بگیرید کدام بخشها باید در زیرساخت خودتان بمانند. معمولاً دادههای هویتی و موقعیتهای دقیق در محیط داخلی میمانند و مدل ابری فقط دادههای پنهانشده یا عمومی را میبیند. مقالههای معماری ترکیبی و مکنا در همین مجموعه این مسیر را مفصلتر شرح میدهند.
انتظار درست از هوش مصنوعی
چند باور رایج وجود دارد که باید کنار بگذارید:
- هوش مصنوعی ریسک را حذف نمیکند؛ فقط آن را زودتر و روشنتر نشان میدهد
- مدل بحران بعدی را پیشبینی نمیکند؛ بحرانها معمولاً با داده گذشته شبیه نیستند
- گزارش زیبا یعنی گزارش درست نیست؛ هر گزارش مدل زبانی باید به داده منبع برگردد
- سود بیشتر نتیجه خودکار ریسکسنجی بهتر نیست؛ هیچ پروژهای نباید با چنین وعدهای فروخته شود
چگونه شروع کنیم؟
شروع کوچک بهترین راه است. این مسیر را پیشنهاد میکنیم:
- یکی از گزارشهای ریسک دستی فعلی را انتخاب کنید که زمان زیادی میگیرد
- خروجی فعلی را بهعنوان مبنا ذخیره کنید
- جریان خودکار را کنار گزارش دستی اجرا کنید و نتایج را مقایسه کنید
- اختلافها را بررسی کنید و منبع هر اختلاف را بنویسید
- فقط پس از اعتماد کافی، گزارش دستی را کنار بگذارید
در هر مرحله، متن رسمی ضوابط ناظر را درباره استفاده از هوش مصنوعی و حفظ داده بخوانید. مقاله دوم این مجموعه به همین ضوابط میپردازد.
سؤالات متداول
آیا هوش مصنوعی جای مدیر ریسک را میگیرد؟
نه. مدل داده را آماده و تحلیل میکند، اما مسئولیت تصمیم با مدیر و کمیته ریسک است.
آیا نیاز به داده زیاد داریم؟
بسته به کار فرق میکند. برای گزارشگیری و تطبیق داده، همین دادههای موجود کافی است. برای مدل پیشبینیکننده، کیفیت و حجم داده اهمیت بیشتری پیدا میکند.
نتیجه مدل را چگونه معتبرسنجی کنیم؟
با آزمون پسینی، مقایسه با روش ساده و بازبینی مستقل. نتیجه باید قابل توضیح و قابل تکرار باشد.
آیا مدل زبانی برای محاسبه ریسک مناسب است؟
برای محاسبه عددی بهتر است از ابزار محاسباتی مشخص استفاده شود و مدل زبانی فقط توضیح و خلاصهسازی کند.
هزینه چقدر است؟
هزینه به دامنه کار بستگی دارد. برآورد دقیق نیاز به بررسی داده و فرایندهای شما دارد و در مقاله هزینه پیادهسازی همین مجموعه به آن پرداختهایم.
قدم بعدی
سپهر نوآوران رایکا (SNRTech) هوش مصنوعی و عاملهای هوشمند را بخشی اصلی محصولات خود میداند و در تحلیل داده و اتوماسیون فرایندها کار میکند. اگر میخواهید یک گزارش ریسک واقعی نهاد خود را با تیمی ثابت و برآوردی شفاف به جریان خودکار تبدیل کنید، با ما صحبت کنید.




دیدگاه خود را بنویسید