یادداشت های مالی

🚀 از رشد بازار جا نمانید! ↗️این روزها که بازار سرمایه روند مثبتی در پیش گرفته، بسیاری از فعالان بازار به دلیل وجود صف خرید در نمادهای ارزنده، از کسب سود باز مانده‌اند. 💰صندوق «اعتبار سهام ایرانیان» با مدیریت حرفه‌ای، سبدی از سهام پرپتانسیل را برای شما فراهم کرده است. همانطور که در تصویر می‌بینید، ما در یک سال گذشته بازدهی ۷۶٪ را به ثبت رسانده‌ایم، در حالی که شاخص کل تنها ۵۶٪ رشد داشته است. ✔️ چرا صندوق اعتبار سهام ایرانیان؟ - پورتفویی متشکل از بهترین نمادهای بازار - فرار از چالش صف‌های خرید - کسب بازدهی بالاتر از شاخص کل 🛒با خرید واحدهای صندوق، به سادگی و هوشمندانه در این بازار صعودی شریک شوید. جهت سرمایه‌گذاری در این صندوق، در پنل کارگزاری نماد «اعتبارسهام» را جستجو نمایید. 📏📏📏📏📏📏📏 📊سبدگردان اعتبار 🔵تلگرام 📷اینستاگرام 📱 لینکدین

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. آن‌ها: 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. * یادداشت حاضر با الهام از سخنرانی برایان کِلی، مدیر مالی محاسباتی و استاد دانشگاه ییل و با کمک هوش مصنوعی نگاشته شده است: https://www.youtube.com/watch?v=BUvNrU9YDO0 یادداشت های مالی @finnota

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. آن‌ها: 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. * یادداشت حاضر با الهام از سخنرانی برایان کِلی، مدیر مالی محاسباتی و استاد دانشگاه ییل و با کمک هوش مصنوعی نگاشته شده است: https://www.youtube.com/watch?v=BUvNrU9YDO0 یادداشت های مالی @finnota

در زمان کم‌اهمیت شدن تحلیل سهام چه باید کرد؟ یادداشت فوق به‌درستی اشاره می‌کند که با افزایش سطح ریسک بازار سهام و غلبه عوامل سیستماتیک، همبستگی میان نمادها بیشتر می‌شود و در چنین شرایطی تنوع‌بخشی درون بازار سهام دیگر کارآمد نیست. راهکار مناسب، تشکیل پرتفوی متنوع سهامی (مثلاً پرتفوی شاخصی و نقدشونده) همراه با افزودن دارایی‌های ناهمبسته مانند طلا، رمزارز و مسکن است. منطق سرمایه‌گذاری در دارایی‌های ناهمبسته و کاهش وزن سهام قابل درک است، اما تشکیل متنوع‌ترین پرتفوی سهامی راه‌حل مناسبی نیست. اگر تنوع‌بخشی را صرفاً پوششی در برابر ناشناخته‌ها و محدودیت دانشمان از آینده بدانیم، شاید بتوان به پرتفوی متنوع سهامی اکتفا کرد. اما واقعیت این است که ما از روندهای جاری و پیش‌ِرو اطلاعاتی در اختیار داریم که نمی‌توان آن‌ها را نادیده گرفت و باید در مدیریت سبد لحاظ شوند. در غیر این صورت، تنوع‌بخشی خام می‌تواند ما را در معرض ریسک‌هایی قرار دهد که تحقق آن‌ها بسیار محتمل است. برای نمونه، وقتی می‌دانیم بنگاه‌های ایرانی با ریسک‌هایی چون اختلال در تأمین و رشد قیمت انرژی، الزام فروش ارز صادراتی با نرخ دستوری و افزایش هزینه‌های مالی ناشی از رشد نرخ بهره مواجه‌اند، آیا منطقی است صرفا برای تنوع‌بخشی در چنین بخش‌هایی سرمایه‌گذاری کنیم؟ در این وضعیت، راه پیشنهادی حرکت به سمت نوعی «تنوع‌بخشی گزینشی و آگاهانه» است؛ رویکردی که در آن ترکیب دارایی‌ها بر اساس این پرسش چیده می‌شود: چه دارایی‌هایی می‌توانند ما را در برابر چه ریسک‌هایی محافظت کنند؟ در این صورت، چینش سبد نه از نگاه به ترکیب دارایی‌ها، که از شناخت درست ریسک‌ها شروع شده و با انتخاب دارایی‌های مقاوم ادامه می‌یابد. به بیان دیگر، باید در پی نوعی نگاشت میان دارایی‌ها و ریسک‌ها بود، همراه با تعیین نوع رابطه (آسیب‌پذیری یا مقاومت). در همین چارچوب، نقش واحدهای اقتصاد کلان در شرکت‌های سبدگردان اهمیت ویژه‌ای پیدا می‌کند. این واحدها می‌توانند با تحلیل روندهای کلان اقتصادی، شناسایی ریسک‌های مسلط و سنجش اثر آن‌ها بر طبقات مختلف دارایی، پلی میان «طبقات دارایی» و «طبقات ریسک» ایجاد کنند. نتیجه این اتصال، پرتفویی است که نه صرفاً بر پایه پراکندگی، بلکه بر اساس همسویی آگاهانه میان فرصت‌های سرمایه‌گذاری و ریسک‌های سیستماتیک شکل می‌گیرد؛ چیزی که می‌تواند مزیت رقابتی واقعی برای مدیریت دارایی در شرایط پرابهام باشد. یادداشت های مالی @finnota

چرا اهمیت تحلیل سهام در حال کم شدن است؟ 1. می‌دانیم که با افزایش همبستگی (کوواریانس) میان دارایی‌ها، مزیت متنوع‌سازی (diversification) کاهش می‌یابد. این یکی از مقدماتی‌ترین نتایج تئوری مدرن پورتفولیوی مارکوویتز است. 2. از طرفی می‌دانیم که کوواریانس دو سهم، با بتای آن دو دارایی و البته واریانس بازار، رابطه مستقیم دارد. به‌عبارتی: Bi*Bj* Var(m) 3. بتای یک دارایی خود تابعی از کوریلیشن بازده آن با شاخص بازار و نسبت انحراف معیار بازده آن و بازار است. 4. با تنظیمات فعلی بازار سهام ایران و با توجه به اینکه به‌صورت میانگین 30 درصد از واریانس کل سهام مربوط به بخش سیستماتیک آن است و عواملی مثل کمبود نقدینگی در بازار و دامنه نوسان، باعث نوسان دسته‌جمعی سهام می‌شوند، مقدار نسبت انحراف معیار، در تعادل احتمالاً کاهش نمی‌یابد. 5. از طرفی با شوک‌های سیاسی و اقتصادی، کوریلیشن میان سهام و بازار افزایش می‌یابد. 6. مهم‌ترین موضوع اما افزایش واریانس بازار است. افزایش واریانس بازار، باعث افزایش کوواریانس دارایی‌ها با یکدیگر شده و در نتیجه مزیت متنوع‌سازی را کاهش می‌دهد. این‌که می‌بینید تمام سهام با یکدیگر حرکت می‌کنند، دلیل علمیَش این است. 7. در شرایطی که ریسک بازار سهام افزایش می‌یابد، بهتر است به‌جای کاهش واریانس پورتفولیو از طریق خرید سهام گوناگون، به‌دنبال خرید متنوع‌ترین پورتفولیو (پورتفولیوی بازار - عدم اکسپوژر به idiosyncratic risk باشید) و متنوع‌سازی را در سطح دارایی‌ها انجام دهید. 8. واریانس یک ساله شاخص بازار الان در محدوده 24 درصد است که از نظر تاریخی هم بالاست (صدک 77اُم). یک مدل GARCH (1,3) ساده این مقدار را برای 3 ماه آینده حدوداً 26 درصد پیش‌بینی می‌کند. (بین 21 تا 31 درصد) این یعنی متنوع‌سازی در سطح سهام احتمالاً مزیت خود را بیشتر از دست خواهد داد. 9. پ.ن: یکی از وظایف دپارتمان اقتصاد کلان در شرکت‌های مدیریت دارایی، محاسباتی از جنس پیش‌بینی واریانس و صرف ریسک بازار است. در عمل اما شرح وظایف و هماهنگی بین تیم‌ها کمتر مشخص است، فی‌الواقع اکوئیتی ریسرچ در مرحله پیش‌بینی سود متوقف می‌شود، مدیر پورتفولیو سهام را ارزشگذاری می‌کند، اقتصاد کلان در حال مطالعه اخبار است و عده‌ای هم به‌صورت ex-post در حال محاسبه ریسک هستند. احساس می‌کنم این روش اصلاً نظام‌مند نیست و شاید یکی از دلایلی که صندوق‌های سهامی در بازار ایران ارزش افزوده‌ای ایجاد نمی‌کنند همین باشد. #مدیریت_پورتفولیو @oracleofomaha30

👉نوع دوم اعتبار، همراه شما برای سودی پایدار 🔴بازدهی موثر سالانه پیشبینی شده در صندوق سرمایه گذاری در اوراق با درآمد ثابت نوع دوم اعتبار به ۳۷% رسید. 🔴این صندوق در یکسال اخیر نیز همواره رتبه زیر سه را به لحاظ بازدهی سالانه بین صندوق‌های درآمد ثابت از آن خود نموده است. 🔴از ۲۵ شهریور ۱۴۰۴، با سرمایه‌گذاری در این صندوق ETF با نماد اعتبار، از مزایای زیر بهره ببرید: 💵بازدهی بالاتر از سپرده بانکی: ۳۷ میلیون تومان سود سالانه به ازای هر ۱۰۰ میلیون تومان سرمایه‌گذاری (ماهانه ۲٫۶۵۸٫۰۰۰ تومان در صورت برداشت سود) ✔️امنیت و نقدشوندگی بالا: سرمایه‌گذاری کم‌ریسک با امکان فروش سریع در هر زمان 📈سود معاف از مالیات 📊سبدگردان اعتبار 🔵تلگرام 📷اینستاگرام 📱لینکدین

👉نوع دوم اعتبار، همراه شما برای سودی پایدار 🔴بازدهی موثر سالانه پیشبینی شده در صندوق سرمایه گذاری در اوراق با درآمد ثابت نوع دوم اعتبار به ۳۷% رسید. 🔴این صندوق در یکسال اخیر نیز همواره رتبه زیر سه را به لحاظ بازدهی سالانه بین صندوق‌های درآمد ثابت از آن خود نموده است. 🔴از ۲۵ شهریور ۱۴۰۴، با سرمایه‌گذاری در این صندوق ETF با نماد اعتبار، از مزایای زیر بهره ببرید: 💵بازدهی بالاتر از سپرده بانکی: ۳۷ میلیون تومان سود سالانه به ازای هر ۱۰۰ میلیون تومان سرمایه‌گذاری (ماهانه ۲٫۵۶۸٫۰۰۰ تومان در صورت برداشت سود) ✔️امنیت و نقدشوندگی بالا: سرمایه‌گذاری کم‌ریسک با امکان فروش سریع در هر زمان 📈سود معاف از مالیات 📊سبدگردان اعتبار 🔵تلگرام 📷اینستاگرام 📱لینکدین

فرصت همکاری (تاریخ انتشار: ۲۴ شهریور) استخدام کارشناس یا کارشناس ارشد اقتصاد کلان ( ایران و جهان) نام شرکت: شرکت سرمایه‌گذاری بورسی محل شرکت: میدان ونک شرایط احراز: 🔸تسلط بر متغیرها و روندهای اقتصاد کلان در ایران و جهان 🔸حداقل کارشناس اقتصاد 🔸توانایی تحلیل و ارائه گزارش‌های اقتصادی 🔸حداقل یک سال سابقه کار مرتبط لطفاً رزومه‌ی خود را با عنوان «کارشناس اقتصادی» به آدرس ایمیل زیر ارسال نمایید. m.shafaei96@gmail.com

🔸بانکدار اختصاصی شما در اوج 🔸صندوق «بانکدار» از روی بازگشایی در 23 تیر تاکنون 8 درصد بازدهی داشته است. در همین مدت، شاخص صنعت بانک حدود 2 درصد افت نموده است.

دیدگاه تحلیلی: صندوق بخشی صنعت بانکی با مدیریت سبدگردان اعتبار با نماد بانکدار، با رعایت تنوع بخشی در ترکیب دارایی ها و انتخاب بانک های با عملکرد مناسب به دنبال کسب بازدهی بهبود یافته نسبت به شاخص بانکی است. هم اکنون ده درصد بالاتر از شاخص صنعت طی دو ماه، با شما هستیم!

📏📏📏📏 📊سبدگردان اعتبار 🔵تلگرام 📷اینستاگرام 📱لینکدین

🔹ارز تک نرخی در ایران: پیمایش در سه راهی ناممکن برای مطالعه به مطلب بعدی مراجعه نمایید.👇

تفکر طراحی محصول در بازار سرمایه- قسمت هشتم در یادداشت های پیشین، در خصوص روندهای مهم در حوزه طراحی محصولات ویژه بازار سرمایه صحبت شد: الف) اینکه برخی محصولات بر مقیاس پذیری و مشتریان خرد و برخی دیگر بر خدمات اختصاصی و شرکتی تمرکز نموده اند. ب) برخی مسیر توسعه محصول را پی گرفته و برخی دیگر به دنبال تبدیل شدن به سکوی اتصال (پلتفرم) خدمات دهندگان هستند. ج) همچنین در خصوص تمایز خرده خدمت (میکروسرویس) از محصولات راهکار جامع بحث شد. د) در آخرین قسمت نیز در مورد موج خودکار سازی و اثرات هوش مصنوعی بر کاهش فاصله ی بین ایده تا اجرا صحبت شد. در یادداشت حاضر، به بهانه ی شرایط انقباضی حاکم بر کشور، به مدل کسب و کاری پرداخته خواهد شد که رویکرد اصلی آن «تسهیم منابع» با تعداد محدودی از مشتریان است. اما تمایز این رویکرد با آنچه در قسمت الف با عنوان خدمات اختصاصی و شرکتی دیدیم چیست؟ ظاهرا در هر دو رویکرد، خدمات معینی به گروهی از مشتریان محدود ولی با قیمتگذاری بالا ارایه خواهد شد. اما در عمل دو تفاوت مهم بین این دو موقعیت وجود دارد: 1- ارایه دهنده، خود اولین مشتری است: در رویکرد خدمات اختصاصی و شرکتی، ارایه کننده خدمت لزوما خودش از این محصول استفاده نمی کند. اما در رویکرد تسهیم منابع، ارایه کننده خدمت خود نیز مشتری آن است و احتمالا در مسیری برای تسهیم هزینه های محصول، تصمیم گرفته تا آن را در اختیار دیگران نیز بگذارد. 2- تاثیر مقیاس پذیری بر ارزش محصول: در رویکرد خدمات اختصاصی و شرکتی، افزایش تعداد مشتریان لزوما به کاهش ارزش محصول برای مشتری منجر نمی شود. اما در رویکرد تسهیم منابع، حداقل در مورد محصولاتی که پردازش اطلاعات مالی انجام می دهند و مدعی ایجاد مزیت اطلاعاتی هستند، زمینه برای کاهش تدریجی ارزش اطلاعاتی محصول وجود دارد و در نتیجه مقیاس پذیری، پایین تر از حالت اول است. از این رو، مالک محصول نیز لزوما به دنبال فروش تعداد هرچه بیشتری از محصول نیست و این مسئله در نحوه قیمتگذاری آن بازتاب خواهد یافت. کیان لایو، کاری از دوستان شرکت مشاور سرمایه گذاری کیان را بایستی مصداق بارزی از چنین محصولی دانست. این محصول، خود را «اولین سرویس یکپارچه تصمیمات سرمایه گذاری ویژه مدیران دارایی» معرفی می کند. در واقع، کیان لایو را بایستی مجموعه ای از تحلیلگران بازار سرمایه دانست که به طور منظم در خوشه های صنایع و اقتصاد کلان در حال تحقیق و ارزیابی وضعیت سهام و صنایع هستند. محل تمایز این محصول با شبیه ترین رقیبش یعنی انیگما را بایستی در این مسئله دانست که کیان لایو قرار نیست سامانه مدلسازی بنیادی تحت وب باشد. بلکه مجموعه ای گزیده از سهام و صنایع را با رصد دائمی و گزارشات تحلیلی به همراه پشتیبانی اختصاصی و جلسات حضوری به مشتریانی کم تعداد عرضه می کند. اساسا فروش این محصول در تعداد بالا، به نوعی نقض غرض برای افرادی خواهد بود که قصد دارند با دستیابی به چنین خدمتی از متوسط بازار جلو بیافتند. مضافا حس دریافت خدمات اختصاصی و ورود به باشگاه مشتریان خاص نیز احتمالا برای این طیف از مشتریان جذابیت دارد. اما ارزش پیشنهادی کیان لایو، تنها برای مشتریان آن نیست. شرکت مشاور سرمایه گذاری کیان نیز به نوعی از طریق این محصول، هزینه های گروه تحلیلگران و دستاوردهای آنان را با دیگران به اشتراک می گذارد و در کنار آن با ایجاد رابطه عمیق با گروهی از مشتریان وفادار، توان ارایه خدمات دیگر به آن ها را پیدا خواهد نمود. از این رو است که این رویکرد در ابتدای کار «تسهیم منابع» نامیده شد. در صورتی که علاقه مند به تحولات محصولات بازار سرمایه هستید، توصیه می کنم نگاهی به وبسایت آن بیاندازید: http://live.kiangroup.com در نهایت خوب است چالش های احتمالی که کیان لایو با آن روبرو خواهد بود را نیز مرور کنیم: مدیریت تضاد منافع بالقوه بین مالک و مشتریان محصول، وابستگی بالا به نیروی انسانی، شناسایی نقطه بهینه مقیاس پذیری، قابلیت تعمیم الگوی محصول به دیگر حوزه ها و اثر فناوری های هوش مصنوعی بر تغییر اساسی رویکرد تحلیل و معاملات در بازار سرمایه پ.ن: در اوایل پاییز، فهرست محصولات بازار سرمایه را به روز خواهم نمود. اگر محصول جدیدی در این فاصله ارایه یا استفاده کرده اید، به بنده معرفی کنید. یادداشت های مالی @finnota