فیزیک مالی - حمید خواجه‌زاده

#وبانک عرضه سهام شرکت سرمایه گذاری نیروگاهی ایران (سهامی عام) 🔔🔔🔔

👌👌👌 🔍🔍🔍

نگاه تکنیکالی به سهم #وبانک تایم فریم هفتگی نکته : به اصلاح‌های #روبه‌بالا بیشتر دقت کنید . . . 🔎🔎🔎

از وبانک غافل نشوید ارزش بازار وبانک فقط ۳۵ همت است. وبانک در نیمه نخست سال مالی ۳۴۰۰ میلیارد تومان سود محقق کرده است. هنوز سودی از شرکت‌های زیرمجموعه اصلی وبانک دریافت نشده است چون عمده شرکت‌های فرعی سال مالی منتهی به آذر دارند. سود دریافتی از درآمد ثابت و احتمالا فروش صندوق‌های طلا و سهام نیز باید به سود پایان سال وبانک اضافه کرد. نگارنده همچنان معتقد است که وبانک در مجمعی که کمتر از ۹ ماه دیگر برگزار می‌شود حدود ۱۱ همت تقسیم می‌کند. در خصوص نگرانی‌های موجود در قبال وبانک چند نکته را باید مدنظر قرار داد. شاید مهمترین نکته که هنوز وقت نشده درباره آن در کانال نوشته شود انحلال بانک آینده است. از نگاه نگارنده این موضوع وابسته نحوه اجرا به شدت بر کل بازار پول و سرمایه اثر خواهد داشت. اما یک سیگنال مشخص از شبیخون قانون‌گذار به بانک مخرب آینده این‌که بانک‌ها واقعا رویه اصلاح را آغاز کردند. حالا آینده و زیانش به بانک ملی منتقل می‌شود و بانک ملی بیش از گذشته به سود زیرمجموعه‌ها به خصوص وبانک نیاز خواهد داشت. قطعا با شدت بیشتری فروش دارایی‌ها در وبانک دنبال خواهد شد. برای نگارنده هم سخت است باور کند در چنین شرایطی که بانک آینده و سیستم بانکی در مسیر اصلاح قرار گرفته است به بانک دولتی اجازه افزایش سرمایه در شرکت زیرمجموعه را بدهند. از نگاه نگارنده بازار سهام به رویه اصلاح سیستم بانکی واکنش مثبت نشان خواهد داد و یکی از شرکت‌ها که در این میان اثر مستقیمی برای سهامدار خرد دارد وبانک خواهد بود. حتی بانک‌ها اگر دارایی بفروشند نمی‌توانند تقسیم کنند اما وبانک دارایی را باید بفروشد و باید تقسیم کند چون بانک ملی به آن نیاز دارد. تمام این موارد که امروز گفته می‌شود را یک سال قبل هم گفته شده بود و به نظر همچنان همان تحلیل یک سال قبل در این خصوص پابرجاست. پ.ن: با این تعاریف و خوشبینی بالا مشخص است نگارنده در سهام ذینفع است پس احتمال سوگیری وجود دارد.

پیشبینی روند آتی وبانک قیمت هر سهم وبانک حوالی ۶۸۰ تومان است. اگر مفروضات نگارنده درست باشد وبانک مانند مجمع سال مالی قبل حدود ۲۰۰ تومان سود به ازای هر سهم تقسیم می‌کند. احتمالا قبل از مجمع قیمت حوالی ۱۰۰۰ هزار تومان را داشته باشد و بازدهی حداقل ۵۰ درصدی را تا تاریخ مجمع محقق کند. دیروز مجمع عمومی بانک ملی ایران به عنوان سهامدار عمده برگزار شده و برنامه واگذار تمامی بلوک‌های مدیریتی از جمله زیرمجموعه‌های وبانک وجود دارد که به صورت قابل توجهی بر روند قیمتی این سهم می‌تواند اثر مثبت داشته باشد. سود سال مالی بعد احتمالا تا ۲۵۰ تومان به ازای هر سهم باشد. پ.ن: نگارنده در سهام ذینفع است.

رقابت فقط یه حواس پرتیه . . . پیتر تیل ، کارآفرین و سرمایه‌گذار آمریکایی : رقابت همیشه نشونه پیشرفت نیست !!! گاهی فقط حواست رو از مسیر اصلی پرت می‌کنه . به جای جنگیدن با بقیه ، چیزی که مال خودته رو بساز . اون وقته که بقیه دنبال تو میان . بزرگ‌شدن یعنی تمرکز روی هدفت ، نه حریف‌ها . همیشه خاص باش ، نه رقیب . . . 🥇🥇🥇 🎯🎯🎯 ⛳️⛳️⛳️

معاملات آپشن ، مثل آب ‌خوردن ، در کارگزاری فلان و یا گروه بهمان ، این همه تبلیغ برای پیوستن به معاملات آپشن از کجا آب می‌خورد ؟ پس بحث تضاد منافع در بازی جمع صفر چه می‌شود ؟ اصطلاح سلاح‌های کشتار جمعی را چه کسی برایشان استفاده کرد ؟ وقتی به مهمانی شیرها دعوت شدید ، مراقب باشید خودتان طعمه نباشید . . . When you dine with lions, make sure you're not the MEAL !!!

در مورد مهندسان مکانیکی که : در ادامه ، تحصیلاتشان را در رشته‌های مالی ادامه داده‌اند ، و یا در حوزه مالی مشغول به کار شده‌اند ، تحقیقی انجام بده لطفا ؟ پاسخ #ChatGPT 👇👇👇 https://b2n.ir/yk7215

البته توضیحات پست فوق ، ایده‌آل‌ترین حالت هست ، و ممکن است دست‌یافتنی نباشد ، ولی امکان حرکت در این جهت و گرفتن مقداری از این سود امکان پذیر است . اصولا : در سبدی از دارایی‌های مختلفِ موزون‎شده با ریسک هر فرد ، در طول زمان ، بدلیل بازدهی‌ مختلف انواع دارایی‌ها ، نیاز به موزون‌کردن مجدد دارایی‌ها ، بسته به سطح ریسک جدید هر دارایی می‌باشد . که در مورد این مبحث ، در #کارگاه جدیدی که بزودی اطلاع‌رسانی خواهد شد ، بطور مفصل و کاملا عملی و کاربردی ، توضیحاتی ارائه می‌شود . . . 🔔🔔🔔

نوعی نگاه . . . 🔎🔎🔎

فضیلت پیچیدگی چگونه هوش مصنوعی ، مالی را بازنویسی می‌کند ؟

برای دهه‌ها ، دنیای سرمایه‌گذاری شبیه به یک جنگل انبوه و رام‌نشدنی بوده است . محققان مالی در تلاش برای یافتن مسیر موفقیت ، صدها "عامل" (Factor) مختلف را کشف کرده‌اند ، از ویژگی‌های ساده‌ای مانند اندازه شرکت و نسبت قیمت به درآمد گرفته تا معیارهای پیچیده‌تر . این تکثیر بی‌رویه که به "جنگل عامل‌ها" (Factor Zoo) معروف شده ، سرمایه‌گذاران را با یک چالش بزرگ روبرو کرده است : در این هرج و مرج اطلاعاتی ، کدام سیگنال واقعی و کدام یک صرفاً نویز آماری است ؟

پاسخ سنتی به این آشفتگی ، "اصل صرفه‌جویی" بود :

به چند عامل آزمایش‌شده و ساده بچسب و از پیچیدگی دوری کن . این رویکرد منطقی به نظر می‌رسید ، چرا که از خطاهای ناشی از مدل‌های بیش از حد پیچیده جلوگیری می‌کرد . اما این سادگی هزینه‌ای نیز داشت : نادیده گرفتن انبوهی از اطلاعات و روابط پنهان در دل بازار . اکنون ، تحقیقات جدید ، به خصوص کارهای پروفسور برایان کلی از دانشگاه ییل ، این باور قدیمی را کاملاً دگرگون کرده است . او نشان می‌دهد که راه‌حل ، فرار از پیچیدگی نیست ، بلکه در آغوش کشیدن هوشمندانه آن است .

این ایده که "فضیلت پیچیدگی" نام دارد ، بیان می‌کند که مدل‌های هوش مصنوعی با پارامترهای بسیار زیاد ، نه تنها دچار سردرگمی نمی‌شوند ، بلکه به شکل شگفت‌انگیزی در ساماندهی این جنگل آشفته موفق عمل می‌کنند . این مدل‌های هوش مصنوعی چگونه این کار را انجام می‌دهند ؟ آن‌ها مانند یک اکولوژیست خبره عمل می‌کنند . به جای بررسی هر "عامل" به صورت جداگانه ، این الگوریتم‌ها کل اکوسیستم مالی را تحلیل می‌کنند . الگوهای واقعی را کشف می‌کنند : هوش مصنوعی با تحلیل تعاملات میان صدها عامل ، تشخیص می‌دهد کدام‌ها واقعاً قدرت پیش‌بینی دارند و کدام‌ها صرفاً همبستگی‌های تصادفی هستند . روابط غیرخطی را درک می‌کنند : این مدل‌ها می‌فهمند که یک عامل ممکن است به تنهایی کار نکند ، اما در ترکیب با عوامل دیگر و در شرایط خاص بازار ، بسیار قدرتمند باشد . برای مثال ، شاید عامل "ارزش" فقط برای شرکت‌های کوچک با سودآوری بالا معنادار باشد . خودشان را تنظیم می‌کنند : این مدل‌ها به لطف مکانیزمی به نام "تنظیم ضمنی" (Implicit Regularization) ، از پیچیدگی خود برای کاهش خطا استفاده می‌کنند و مانع از بیش‌برازش (Overfitting) می‌شوند . برای درک قدرت این رویکرد ، کافی است به این نتیجه تجربی نگاه کنیم : یک مدل هوش مصنوعی که دقیقاً با همان داده‌های ورودی مدل معتبر "فاما-فرنچ" تغذیه شده بود ، توانست با مدل‌سازی روابط پیچیده میان آن‌ها ، عملکردی به مراتب بهتر و بازدهی تعدیل‌شده با ریسک بالاتری ثبت کند .

در نهایت ، هوش مصنوعی یک حیوان دیگر به این باغ وحش بی‌نظم اضافه نمی‌کند ، بلکه نقش باغبان یا مدیر اکوسیستمی را بازی می‌کند که این جنگل را هرس کرده ، علف‌های هرز را جدا می‌کند و به الگوهای واقعی اجازه رشد می‌دهد . ما در حال گذار از دورانی هستیم که در آن سادگی پادشاه بود ، به عصری که در آن مدیریت هوشمندانه پیچیدگی ، کلید اصلی درک و موفقیت در بازارهای مالی است .

با تشکر از جناب #محمدحسین‌کبیریان 👇👇👇 کانال یادداشت‌های مالی @Finnota

خداحافظ و ممنون آقای تقوایی عزیز . . . ناصر تقوایی امروز در ۸۴ سالگی درگذشت . ۲۲ تیر ۱۳۲۰ - ۲۲ مهر ۱۴۰۴

ناصرخان تقوایی زندگی پرماجرا و پررنج و مصائبش را در چند جمله خلاصه می‌کرد : «در کودکی یک سیاح حرفه‌ای بودم . به همراه پدر به دوردست‌ترین بندرهای دریای جنوب سفر کردم و هر کلاس ابتدایی را در شهری و ده‌کوره‌ای خواندم و هفت سال بعد که به زادگاه خودم برگشتم ، در عالم خیال یک سندباد نوجوان بودم . در دبیرستان به ادبیات علاقه داشتم اما ریاضی خواندم . در جوانی داستان کوتاه می‌نوشتم و فریفته‌ی شیوه‌های نو بودم اما باز نمی‌دانم چه شد که از سینما سردرآوردم . در این مسیر به آدم‌های دانا برخوردم و صحنه‌های جالب ولی زندگی خودم هیچ صحنه‌ی جالبی ندارد . تنها شانس من در زندگی شاید این بوده که با یک تولد ناخواسته ، نیم‌قرن تمام مثل یک آدم زیادی در کنار یک ملت کهنسال زندگی کرده‌ام»

😌😌😌

مدیریت هوشمند سبد دارایی‌ها (Smart Portfolio Management) به معنای تخصیص ، پایش و بازتنظیم دارایی‌ها به شکلی است که بازده کل با ریسک قابل‌قبول بیشینه شود . اهمیت آن از اینجا ناشی می‌شود که هیچ دارایی واحدی در تمام شرایط بازار عملکرد ایده‌آل ندارد ، بنابراین ، ترکیب متنوعی از دارایی‌ها مانند سهام ، طلا ، ارز ، اوراق و رمزارزها می‌تواند تعادل پایداری میان سود و ریسک ایجاد کند .

در یک سبد هوشمند ، تصمیم‌ها نه‌تنها بر اساس احساسات یا اخبار لحظه‌ای ، بلکه با تحلیل داده‌ها و شاخص‌های عملکرد گرفته می‌شوند . این نوع مدیریت معمولاً از الگوریتم‌ها ، مدل‌های کمی و ابزارهای تحلیل رفتاری سرمایه‌گذاران استفاده می‌کند تا خطاهای ذهنی انسان را کاهش دهد و تصمیم‌گیری‌ها را بهینه‌تر سازد .

از سوی دیگر ، «بازتنظیم دوره‌ای سبد» (Rebalancing) بخش مهمی از مدیریت هوشمند است . با تغییر شرایط بازار ، وزن دارایی‌ها در سبد به‌تدریج از حالت هدف اولیه فاصله می‌گیرد . بازتنظیم منظم باعث حفظ توازن بین ریسک و بازده می‌شود . به‌عبارت دیگر ، مدیریت هوشمند سبد نه فقط انتخاب دارایی‌ها ، بلکه کنترل پویا و مداوم آن‌ها است .

در نهایت ، اهمیت اصلی این رویکرد در حفاظت از سرمایه ، کاهش نوسان‌های غیرضروری و دستیابی به رشد پایدار نهفته است . برای سرمایه‌گذاران حرفه‌ای یا حتی افراد عادی ، داشتن یک سبد متنوع و هوشمند می‌تواند تفاوت میان موفقیت بلندمدت و زیان سنگین باشد .

محاسبات کوانتومی برای بهینه‌سازی پرتفوی و قیمت‌گذاری مصطفی شبانی | پژوهشگر و تحلیل‌گر بازارهای مالی جهش کوانتومی : حل مسائل غیرممکن با کیوبیت‌ها

بسیاری از مسائل مهم در امور مالی، در هسته خود، مسائل بهینه‌سازی ترکیبیاتی بسیار دشواری هستند. بهینه‌سازی پرتفوی را در نظر بگیرید: انتخاب بهترین ترکیب از میان هزاران یا میلیون‌ها دارایی ممکن برای به حداکثر رساندن بازده با یک سطح ریسک مشخص. با افزایش تعداد دارایی‌ها، فضای ممکن برای جستجو به صورت نمایی رشد می‌کند و حل دقیق این مسئله برای کامپیوترهای کلاسیک حتی ابرکامپیوترها، غیرممکن می‌شود. «محاسبات کوانتومی» (Quantum Computing) یک پارادایم محاسباتی کاملاً جدید است که با بهره‌گیری از پدیده‌های مکانیک کوانتومی مانند «برهم‌نهی» (superposition) و «درهم‌تنیدگی» (entanglement)، پتانسیل حل چنین مسائل غیرقابل حلی را دارد.

یکی از امیدوارکننده‌ترین کاربردهای کوتاه‌مدت محاسبات کوانتومی در مالی، استفاده از «آنیلینگ کوانتومی» (Quantum Annealing) برای مسائل بهینه‌سازی است. در این رویکرد، مسئله بهینه‌سازی پرتفوی به یک «مسئله بهینه‌سازی باینری درجه دوم بدون قید» (QUBO) تبدیل می‌شود. در این فرمول‌بندی، هر تصمیم (مانند اینکه آیا یک دارایی خاص در پرتفوی گنجانده شود یا نه) با یک متغیر باینری (کیوبیت) نمایش داده می‌شود و تابع هدف (ترکیبی از بازده و ریسک) به صورت یک تابع درجه دوم از این متغیرها نوشته می‌شود. سپس، یک آنیلر کوانتومی مانند کامپیوترهای D-Wave، با یافتن حالت کمینه انرژی سیستم کوانتومی، به طور طبیعی جواب بهینه این مسئله QUBO را پیدا می‌کند. مطالعات اولیه نشان داده‌اند که این روش می‌تواند پرتفوی‌های جذابی را از میان ده‌ها سهام شناسایی کند.

در حوزه قیمت‌گذاری مشتقات، الگوریتم‌های کوانتومی مانند «تخمین دامنه کوانتومی» (Quantum Amplitude Estimation - QAE) پتانسیل ایجاد یک «شتاب نمایی» (exponential speedup) در شبیه‌سازی‌های مونت کارلو را دارند. شبیه‌سازی‌های مونت کارلو کلاسیک برای رسیدن به دقت مورد نظر به تعداد زیادی نمونه نیاز دارند. QAE می‌تواند با تعداد نمونه‌های بسیار کمتری به همان دقت دست یابد، که این امر می‌تواند قیمت‌گذاری مشتقات پیچیده و محاسبات ریسک را به شدت تسریع کند. با این حال، این حوزه هنوز در مراحل اولیه خود قرار دارد. کامپیوترهای کوانتومی امروزی هنوز کوچک و پر از نویز هستند و چالش‌های قابل توجهی در پیاده‌سازی عملی این الگوریتم‌ها وجود دارد. با این وجود، موسسات مالی بزرگ و شرکت‌های فناوری در حال سرمایه‌گذاری سنگینی در این زمینه هستند، زیرا پتانسیل محاسبات کوانتومی برای ایجاد یک انقلاب در بهینه‌سازی مالی و مدیریت ریسک غیرقابل انکار است.

😊😊😊