شبکه کارشناسان ارزشگذاری

#موقت چونکه این چند وقت خیلی از عزیزان می‌پرسن مجدد خدمت همه دوستان اینجا اطلاع‌رسانی می‌کنم.

the financial analysis of a company, it would have mattered. Another drew a contrast between the amount of knowledge LLMs have about quantum physics, and their inability to order a burrito. The frailties have given rise to another group within the cohort attracting VC interest: those promising to strengthen the “trust layer” of agentic AI. One is Cyera, whose valuation has quadrupled to $12bn in 18 months. It says a lack of trust has “stalled” AI adoption recently, and provides services to prevent data leaks and unauthorised tool use. Another is Scaled Cognition, co-founded by Dan Klein, a Berkeley professor, that recently raised $100m in VC backing. It promises to reduce what Mr Klein calls the “invisible errors” produced by AI—those that are plausible enough to be missed and compound as agents perform longer tasks—by incorporating guaranteed reliability into the training of its models. Other startups specialise in creating evaluations to measure agents’ effectiveness, agent identities to determine where liability lies if they go rogue and control systems with a kill switch. A fistful of tokens AI has other problems on the frontier. Like the Wild West, it is cutthroat. There is competition from cheaper Chinese open-weight models. On August 10th Mark Zuckerberg’s Meta threw its hat into the ring, releasing an open-weight version of its most powerful model, called Muse Glimmer. The frontier is lawless, too. So strong are the concerns about rogue agents that even executives of the leading AI labs are calling for the Trump administration to take a sheriff’s role—though weirdly the government is keeping its most recent framework on AI safety under wraps. What is clear, though, is that more checks and balances are needed before organisations adopt agents with anything close to full confidence. One of this year’s AI buzzwords is “harness”—the system that surrounds an LLM to keep agents on the straight and narrow. It might just as well be barbed wire. ■ یادداشت جالبی هست که این هفته اکونومیست منتشر کرده و به نظرم واسه فضای تحلیل و ارزشگذاری و سرمایه گذاری کاربرد زیادی داره، این که بدونیم هوش مصنوعی مولد چطور رفتار می کنه و درست بتونیم تو کارمون ازش استفاده کنیم همونطور که موقعی که کار یه کارشناس تازه کار رو می گیریم تلاش می کنیم بفهمیم کارشناس تازه کار چطوری گزارش رو تهیه کرده (ترجمه نکردم چون صرف ترجمه به نظرم دیگه در فضای فناوری های امروز ارزش افزوده نداره و همه که استفاده اولیه از GenAI می کنن این کار رو بهتر از هر مترجمی می تونن برای خودشون شخصی سازی کنن)

یادداشت این هفته اکونومیست #موقت AI agents lie, cheat and steal. That is putting off users It is time to impose law and order on the frontie BARBED WIRE held a strange interest for the late Alan Greenspan, a lifelong urbanite. Sure, the former Federal Reserve chairman admired the railways, gold diggers and “lonesome cowboys” that helped open the frontier at the dawn of American capitalism. But he also had a soft spot in his economist’s heart for barbed wire, which, he argued, boosted productivity by allowing the settlers who came in their wake to safeguard their properties. Like the Wild West, artificial intelligence has its frontiersmen. In America they are a dwindling bunch. Anthropic and OpenAI remain steadfastly committed to pushing the boundaries of AI. Other tech giants, including Google (a former front-runner that is shedding frontier-AI scientists at a rapid pace), are wavering. The hyperscalers appear to find it more lucrative to sell AI infrastructure to their cloud customers than splurge valuable compute on advancing their own models. What AI doesn’t have is enough settlers. That is, the individuals and businesses who make full use of products such as AI agents, helping to justify the reams of investment pouring into frontier AI. They are put off partly because, like in the Wild West, life on the frontier is reckless. As recent “loss-of-control” episodes by the most advanced models of Anthropic and OpenAI attest, agents, which are supposed to work on people’s behalf in “alignment” with their values, lie, cheat and steal if necessary. They break free from captivity and form harmful posses to do harm to people. They’d drink whisky and brawl if they could. Such unpredictability is too much for many firms to handle. “All you have to do is get snake-bitten once and you’d never go back,” says Jared Sine of GoDaddy, an internet firm trying to help bring order to the chaos. The need for law and order is giving rise to a new cohort of AI-infrastructure firms. They are not selling chips or compute—the typical picks and shovels of the AI gold rush. They provide protection against cyber-threats, fixes for untrustworthy and inscrutable agents, and controls if they go rogue. In other words, their business is barbed wire. The most immediate area of danger—and opportunity—is cybersecurity. Recent tests of the hacking capabilities of models from Anthropic and OpenAI revealed agents going rogue, stealing credentials, creating fake identities, setting up secret chatrooms and covering their tracks—all to the shock and horror of their human evaluators. The state-of-the-art security models, Anthropic’s Claude Mythos 5 and OpenAI’s GPT 5.6-Cyber, will no doubt help defenders, too. But, according to Dawn Song, an expert on AI and cybersecurity at the University of California, Berkeley, for now the balance of power rests firmly with the attackers. There is a further snag. If organisations adopt autonomous agents, they increase the potential “attack surface” for hackers, she says. The rising risks help explain why the valuations of cyber-security firms with AI capabilities are on a tear. Share prices of Palo Alto Networks and CrowdStrike, the two biggest, have roughly doubled so far this year. M&A has soared. Led by Alphabet’s $32bn acquisition of Wiz, another cyber-security firm, more than $70bn of cybersecurity-related megadeals have closed in the past year. Pitchbook, a data gatherer, says AI-related cyber-security is one of the hottest areas of venture-capital (VC) investment as well. The opportunities go beyond cyber-security. At a recent conference on agentic AI organised by Ms Song, your guest columnist heard a litany of complaints not just about the hacking potential posed by large language models (LLMs) at the peak of their powers, but about the blunders that they can make at their most clueless. One expert showed an agent-generated chart measuring the income of Europe’s top tennis players. It mistakenly omitted Spain’s Carlos Alcaraz, the world number two. “This is tennis, who cares?” he quipped. But if it were

ن مقاله جالبیه لُب کلامش چیزی که خیلی از ماها احتمالاً امروز باهاش همزادپنداری می‌کنیم 👇👇👇 میزان و شیوه استفاده از هوش مصنوعی تابع اینه که با توجه به جنس کار، چقدر می‌تونیم به خروجیش اعتماد کنیم. و میزان اعتمادمون هم بسته به اینه که چقدر احساس کنیم کنترل اوضاع دستمونه و چقدر اون تصمیم ریسک و اثرگذاری داره. ———————— تجربه شخصی: به‌نظرم نتیجه‌گیری بالا خیلی برای ما تو فضای سرمایه‌گذاری صادقه. یعنی اگه قرار باشه هوش مصنوعی همه کارها رو انجام بده؛ تحلیل صنعت و شرکت رو انجام بده، مدل‌سازی مالی رو انجام بده، مفروضات رو هم خودش تعیین کنه، خروجی رو هم خودش بده، ارزش سهم رو خودش برآورد کنه، گزارش رو هم خودش بنویسه و نهایتاً تصمیم سرمایه‌گذاری رو هم خودش بگیره (جایی که تصمیم برای پول زیاد هست)، افراد عقب می‌کشن و از هوش مصنوعی برای اینکه کل فرایند سرمایه‌گذاری رو انجام بده کمتر استفاده می‌کنن؛ در واقع بهش اعتماد نمی‌کنن، چون احساس می‌کنن کنترلی روی ورودی، فرایند و خروجی ندارن و تصمیم هم مربوط به بخش بزرگی از پولشونه. پس چه حالتی احتمالاً برای تحلیل، ارزش‌گذاری و سرمایه‌گذاری بهینه‌تره؟ مدل هیبریدی و ترکیبیه (تو یادداشت «آینده تحلیلگری در عصر هوش مصنوعی مولد» هم توضیح دادم). اینکه نهایتاً خودمون تصمیم بگیریم چه کاری رو تحلیلگر انجام بده و چه کاری رو هوش مصنوعی. (داخل پرانتز: واگذاری بخشی از وظایف به هوش مصنوعی چیز جدیدی نیست. ما تو بازار سرمایه حدود ۲۰ ساله و تو دنیا حدود ۵۰ ساله که بخشی از کارهای تکراری مثل مرتب کردن صورت‌های مالی و اطلاعات مالی در اکسل، برآورد ضریب بتا و خیلی از تصمیم‌گیری‌های مالی دیگه رو از طریق قواعد (Rule-based) به ماشین واگذار کردیم. همین بورس‌ویو، انیگما و ره‌آورد نوین هم حاصل نسل قبلی هوش مصنوعی هستن. تفاوت این نسل جدید هوش مصنوعی در مولد بودن (Generative) اونه؛ یعنی هوشی که اگه به اندازه هوش انسان برسه، می‌تونه همه کارهایی رو که ما امروز با فکر کردن انجام می‌دیم — صورت‌بندی مسئله، سوال کردن، تحلیل کردن، تفسیر کردن، نتیجه‌گیری و تصمیم‌گیری — انجام بده.) ———————— خودم شخصاً مدتیه حتی برای ویرایش یادداشت‌هام هم از هوش مصنوعی استفاده نمی‌کنم. دیدیم که چقدر نوشته‌ها همه جا دارن شبیه هم می‌شن. اون جمله‌های کلیشه‌ای که مدام تو لینکدین و روزنامه‌ها می‌بینیم، مثل: «انتخاب فلان چیز دیگه یک انتخاب نیست؛ یک ضرورته» تا حدی حاصل همین استفاده از هوش مصنوعیه که به جای ما هم فکر کنه. اما به‌عنوان یه کارشناس جونیور، برای انجام وظایف یه کارشناس جونیور و تازه‌کار، خیلی ازش استفاده می‌کنم؛ البته با در نظر گرفتن محدودیت‌های فعلیش. هوش مصنوعی در تحلیل، ارزش‌گذاری و سرمایه‌گذاری باید تقویت‌کننده شیوه تفکر ما باشه، نه جایگزین اون. و هر جا که باعث افزایش سرعت ما، در کنار حفظ نوآوری و خلاقیت بشه، حتماً باید ازش استفاده کنیم؛ مشابه بهره‌مندی یه مدیر یا کارشناس ارشد از زحمات یه کارشناس تازه‌کار.

#موقت قابل توجه دانشجویان دوره‌های ارزشگذاری توضیح: هیچ گونه منافع مادی از ارسال پوزیشن‌های شغلی در کانال برای من وجود نداره و صرفاً در راستای مسئولیت‌های اجتماعی می‌باشد.

کارشناس ارزش‌گذاری نام شرکت: نهاد مالی شهرستان: تهران شرایط احراز مدرک تحصیلی: کارشناسی ارشد در رشته مدیریت مالی، مهندسی مالی و یا اقتصاد توانمندی‌ها و مهارت‌های تخصصی • تسلط بر تحلیل بنیادی و توانایی تجزیه‌ و تحلیل صورت‌های مالی • تسلط بر مدل‌سازی مالی و انواع روش‌های ارزش‌گذاری • توانایی تهیه، تنظیم و ارائه گزارش‌های تحلیلی • آشنایی با بازارهای جهانی و متغیرهای اقتصاد کلان کشور • آشنایی نسبی با صنایع تولیدی و خدماتی • آشنایی با بازارهای جهانی و متغیرهای اقتصاد کلان کشور • آشنایی با روش‌های تأمین مالی • تسلط بر نرم‌افزارهای Office • برخورداری از روحیه خلاق، تحلیل‌محور و توانایی ارائه راهکارهای نوآورانه گواهینامه‌های حرفه‌ای • دارا بودن گواهینامه‌های حرفه‌ای بازار سرمایه مزیت محسوب می‌شود. سابقه فعالیت: حداقل دو سال سابقه کار تخصصی مرتبط با ارزش‌گذاری و تحلیل بنیادی در بازار سرمایه دارا بودن معافیت دائم و کارت پایان خدمت الزامی است. لطفا در صورت تمایل، رزومه خود را با ذکر عنوان «کارشناس ارزش‌گذاری» به آدرس زیر ارسال نمایید: hvalamehr@gmail.com

یادداشت شماره 306 موضوع: پتانسیل‌ها و ریسک‌های هوش مصنوعی مولد برای تحلیلگران، نهادهای مالی و سازمان‌های بورس در بازار سرمایه فرآیند تحلیلگری در بازار سرمایه شامل تحلیل بنیادی، ارزش‌گذاری، سرمایه‌گذاری و مدیریت ریسک را می‌توان در یک تقسیم‌بندی به سه مرحله تقسیم کرد: (1) طراحی صحیح فرآیند تحلیل و مراحل آن، تهیه داده و اطلاعات از شرکت و بازار و اقتصاد (3) . پردازش مرحله‌به‌مرحله اطلاعات و در نهایت تصمیم‌سازی برای تصمیم‌گیران. در این میان، بخش‌های اول و سوم نیازمند تفکر تحلیلی و قضاوت حرفه‌ای ماست، در حالیکه بخش دوم به نقل از برخی دوستان همان «کارِ گِلِ» تحلیلگری است و کمتر به تفکر تحلیلی نیاز دارد (که در جای خود اهمیت بالایی دارد و انجام آن برای تحلیلگر ضروری است). پدیده ای که به تازگی بر اساس مشاهدات شخصی در بازار سرمایه مشاهده می‌شود، استفاده نادرست از مدل‌های زبانی بزرگ در بخش‌های اول و سوم فرآیند تحلیلگری است، طوریکه در حال جایگزینی این مدل ها با تفکر خود می باشند. به اعتقاد من، شیوه درست استفاده از ابزارهایی نظیر چت‌جی‌پی‌تی، کلاد، جمینای و گراک، بهره‌گیری از آن‌ها به عنوان «دستیار و منتقدی بی‌رحم» است؛ منتقدی که می تواند مراحل مختلف فرآیند تحلیلگری و خروجی کار را پیش از به چالش کشیده شدن توسط کارشناسان ارشد، مدیران واحد، کمیته‌های داخلی و مشتریان، ارزیابی و نقد کند و عملاً تقویت‌کننده تفکر و کیفیت کار ما تحلیلگران باشند، نه جایگزین تفکر، خلاقیت و نوآوری ما..! استفاده مؤثر از این ابزارهای نوظهور مستلزم شناخت هم‌زمان فرآیند آموزش مدل‌های زبانی بزرگ (LLMs)، داده‌های مورد استفاده آنان در زمان آموزش این مدل ها، نحوه تولید پاسخ این مدل ها و همچنین قابلیت‌ها و محدودیت‌های آنهاست. چند روز پیش یکی از تحلیلگران باتجربه بازار درباره یک پروژه ارزش‌گذاری سهام با من تماس گرفت و در فرایند فکری ارزشمند خود را به کل کنار گذاشته بود و نتیجه‌گیری خود را به چت‌جی‌پی‌تی ارجاع می‌داد؛ غافل از اینکه محدودیت‌های ارزش‌گذاری در بازار سرمایه ما اصلاً در متون استاندارد جهانی که مبنای آموزش این مدل‌هاست وجود ندارد. شیوه صحیح در چنین مواردی این است که تحلیلگر همانند گذشته، بخش‌های اول و سوم فرآیند را خود انجام دهد و از مدل زبانی صرفاً برای کشف زوایای پنهان و نقاط دیده نشده (به عنوان همان منتقد بی‌رحم) در تک‌تک مراحل فرآیند تحلیلگری استفاده کند، به امید اینکه کیفیت تحلیل ارتقا یابد. امروزه استفاده صحیح از مدل‌های زبانی بزرگ به یکی از دغدغه‌های اصلی بورس‌ها و موسسات مالی بزرگ جهان تبدیل شده است. در همین راستا، سال گذشته موسسه بین‌المللی تحلیلگران خبره مالی (CFA Institute) در پاسخ به کمیسیون بین‌المللی بورس‌های دنیا (IOSCO)، چهار عامل زیر را به عنوان اصلی‌ترین محدودیت‌های این مدل‌ها و ریسک‌های کاربران یاد کرده است (فایل پیوست این یادداشت که مورد استفاده تحلیلگران، نهادهای مالی و سازمان بورس و نهادهای وابسته قرار گیرد): -- توضیح‌پذیری و بعضاً جعبه‌سیاه بودن LLMها -- سوگیری داده‌های استفاده‌شده برای آموزش LLMها -- اتکای بیش از حد کاربران بهLLMها -- امکان افزایش ریسک سیستمی در بازارها؛ استفاده نادرست از این مدل‌ها باعث می شود همه بازیگران مشابه هم فکر کنند به همین دلیل، سازمان‌های بورس و نهادهای مالی در بازارهای توسعه‌یافته با سرعت مشغول تدوین مقررات برای بهره‌مندی از پتانسیل‌ها و همچنین مدیریت ریسک‌های هوش مصنوعی مولد هستند. عباس گمار ۱۹ مرداد ۱۴۰۵ #هوش_مصنوعی #بازار_سرمایه

🌀علیرضا صادقی مدیرعاملی لیزینگ هزار میلیاردی "عصراعتماد" شد 🔸"سید علیرضا صادقی"،یکسال بعد ازپیوستن به شرکت لیزینگ رازی و به نمایش گذاردن یک کارنامه جذاب، سرانجام از این شرکت خداحافظی کرد و راهی شرکت واسپاری هزارمیلیارد تومانی عصراعتماد شد. 🔸"سید علیرضا صادقی" ۱۲ مرداد ماه سال ۱۴۰۴ کلید مدیریت شرکت لیزینگ رازی را تحویل گرفته بود، تا پیش از رفتن علیرضا صادقی به واسپاری عصراعتماد ،سید مجتبی بنی طبا مدیریت عاملی این شرکت را بر عهده داشت. 🔸مروری برعملکرد او در این شرکت نشان می دهد که"صادقی "در یکسال حضور خود در نقش سکانداری لیزینگ رازی، سود خالص این شرکت را از رقم ۱۰ میلیارد به رقم ۴۱ میلیارد تومان رساند که از یک رشد ۲۹۴ درصدی برخوردار بوده است./چابک آنلاین 📣 برای مطالعه مشروح این خبر کلیک کنید @chabokonline

تکمیلی یادداشت امروز #موقت

یادداشت شماره ۳۰۵ موضوع: آینده تحلیلگری در عصر هوش مصنوعی مولد در یادداشت امروز در روزنامه دنیای اقتصاد تلاش کردم به یکی از سؤالات تحلیلگران بازار سرمایه و دانشجویان مالی دانشگاه‌های کشور درباره نحوه تعامل با هوش مصنوعی مولد بپردازم. محورهای اصلی یادداشت: ۱— تحلیلگران و هوش مصنوعی وارد نوعی همزیستی با یکدیگر شده‌اند. ۲— هوش مصنوعی به‌تدریج وزن گردش کار تحلیلگری را از تولید تحلیل» به «ارزیابی تحلیل» تغییر خواهد داد. ۳— این تغییر گردش کار، توسعه دانش مالی و علوم پایه، مهارت‌های شناختی، قضاوت حرفه‌ای و تجربه حوزه تخصصی را برای تحلیلگران بازار سرمایه ضروری‌تر می‌کند. ۴— هوش مصنوعی کمیابی را از «تولید تحلیل» به «تشخیص تحلیل قابل‌اتکا و پذیرش مسئولیت تصمیم» در بازار سرمایه منتقل می‌کند. ۵— جمع‌آوری، دسته‌بندی، خلاصه‌سازی اطلاعات و تولید برآوردهای اولیه ارزان‌تر خواهد شد؛ اما قضاوت حرفه‌ای، تجربه تخصصی و تشخیص اینکه کدام تحلیل قابل‌اتکاست، ارزشمندتر خواهد شد. متن کامل یادداشت «آینده تحلیلگری در عصر هوش مصنوعی» را می‌توانید از لینک زیر در روزنامه دنیای اقتصاد مطالعه کنید 👇👇: https://donya-e-eqtesad.com/fa/tiny/news-4286169 عباس گمار ۱۲ مرداد ۱۴۰۵ https://t.me/Irvaluation #هوش_مصنوعی_مولد #تحلیلگری #بازار_سرمایه

نوشتن نیاز به داشتن اشتیاق برای توسعه و پیشرفت خود و دیگران داره به میلاد دل‌انگیز عزیز بابت تدوین و انتشار این کتاب تبریک میگم و با تبادل نظرات و دیدگاه‌ها حتما به توسعه حرفه ارزشگذاری در کشور کمک می‌کنه عباس گمار ۲۸ تیر ۱۴۰۵ #موقت

#موقت ممنون از لطف و محبت همه عزیزان که این روزها جویای احوالم بودین💙 این روزها تمرکزم روی پروژه‌ای هست و به همین دلیل کمتر فعالیت دارم. امیدوارم پس از به سرانجام رسیدن آن، حتماً با کمال میل در خدمت‌تان خواهم بود💐✌️

تاریخ ۱۵ ساله تحلیلگری در ایران در چند پاراگراف یادم هست حوالی سال‌های ۹۱–۹۲، تحلیل سهام یعنی ریز شدن در درآمد و هزینه شرکت؛ این‌که EPS تعدیل می‌شه یا نه. تمرکز اصلی روی اقتصاد خرد شرکت‌ها بود! با جهش‌های ارزی متعدد، تشدید تحریم‌ها و شدت ریسک‌های سیاسی، اولویت تحلیلگران عوض شد: اول اقتصاد کلان (نرخ تورم و نرخ ارز و …)، بعد اقتصاد سیاسی و ژئوپلتیک! امروز اما این داستان فقط مختص ایران نیست: ژئوپلتیک و اقتصاد سیاسی حتی برای اقتصادهای توسعه‌یافته هم به متغیرهای تعیین‌کننده بازار تبدیل شده‌اند. به‌نظر من، برای تحلیلگران تا اطلاع ثانوی، امروز توسعه مهارت‌های اقتصاد سیاسی و ژئوپلتیک دیگر یک آپشن لوکس نیست، یک باید [Must—have] است! ۱۳ بهمن ۱۴۰۴ عباس گمار