fa
Feedback
شبکه کارشناسان ارزشگذاری

شبکه کارشناسان ارزشگذاری

رفتن به کانال در Telegram

خانواده حرفه‌ای ارزشگذاری در بازار سرمایه کشور (۱۳۹۶/۱۲/۰۱).

نمایش بیشتر
9 967
مشترکین
اطلاعاتی وجود ندارد24 ساعت
-147 روز
-3330 روز
جذب مشترکین
سپتامبر '26
سپتامبر '26
+25
در 0 کانال‌ها
اوت '26
+44
در 1 کانال‌ها
Get PRO
ژوئیه '26
+23
در 2 کانال‌ها
Get PRO
ژوئن '26
+36
در 0 کانال‌ها
Get PRO
مه '26
+20
در 0 کانال‌ها
Get PRO
آوریل '26
+5
در 0 کانال‌ها
Get PRO
مارس '26
+20
در 0 کانال‌ها
Get PRO
فوریه '26
+23
در 0 کانال‌ها
Get PRO
ژانویه '26
+12
در 0 کانال‌ها
Get PRO
دسامبر '25
+40
در 3 کانال‌ها
Get PRO
نوامبر '25
+55
در 3 کانال‌ها
Get PRO
اکتبر '25
+184
در 8 کانال‌ها
Get PRO
سپتامبر '25
+164
در 6 کانال‌ها
Get PRO
اوت '25
+84
در 3 کانال‌ها
Get PRO
ژوئیه '25
+76
در 6 کانال‌ها
Get PRO
ژوئن '25
+23
در 2 کانال‌ها
Get PRO
مه '25
+23
در 1 کانال‌ها
Get PRO
آوریل '25
+21
در 1 کانال‌ها
Get PRO
مارس '25
+30
در 3 کانال‌ها
Get PRO
فوریه '25
+112
در 6 کانال‌ها
Get PRO
ژانویه '25
+78
در 7 کانال‌ها
Get PRO
دسامبر '24
+188
در 6 کانال‌ها
Get PRO
نوامبر '24
+339
در 8 کانال‌ها
Get PRO
اکتبر '24
+239
در 33 کانال‌ها
Get PRO
سپتامبر '24
+129
در 6 کانال‌ها
Get PRO
اوت '24
+206
در 9 کانال‌ها
Get PRO
ژوئیه '24
+356
در 12 کانال‌ها
Get PRO
ژوئن '24
+108
در 4 کانال‌ها
Get PRO
مه '24
+158
در 6 کانال‌ها
Get PRO
آوریل '24
+132
در 2 کانال‌ها
Get PRO
مارس '24
+224
در 6 کانال‌ها
Get PRO
فوریه '24
+295
در 5 کانال‌ها
Get PRO
ژانویه '24
+456
در 9 کانال‌ها
Get PRO
دسامبر '23
+486
در 9 کانال‌ها
Get PRO
نوامبر '23
+246
در 6 کانال‌ها
Get PRO
اکتبر '23
+204
در 6 کانال‌ها
Get PRO
سپتامبر '23
+141
در 0 کانال‌ها
Get PRO
اوت '23
+134
در 0 کانال‌ها
Get PRO
ژوئیه '23
+540
در 0 کانال‌ها
Get PRO
ژوئن '23
+776
در 0 کانال‌ها
Get PRO
مه '23
+1 330
در 0 کانال‌ها
Get PRO
آوریل '23
+283
در 0 کانال‌ها
Get PRO
مارس '23
+44
در 0 کانال‌ها
Get PRO
فوریه '23
+158
در 0 کانال‌ها
Get PRO
ژانویه '23
+32
در 0 کانال‌ها
Get PRO
دسامبر '22
+31
در 0 کانال‌ها
Get PRO
نوامبر '22
+33
در 0 کانال‌ها
Get PRO
اکتبر '22
+44
در 0 کانال‌ها
Get PRO
سپتامبر '22
+68
در 0 کانال‌ها
Get PRO
اوت '22
+126
در 0 کانال‌ها
Get PRO
ژوئیه '22
+35
در 0 کانال‌ها
Get PRO
ژوئن '22
+39
در 0 کانال‌ها
Get PRO
مه '22
+38
در 0 کانال‌ها
Get PRO
آوریل '22
+55
در 0 کانال‌ها
Get PRO
مارس '22
+302
در 0 کانال‌ها
Get PRO
فوریه '22
+215
در 0 کانال‌ها
Get PRO
ژانویه '22
+591
در 0 کانال‌ها
Get PRO
دسامبر '21
+99
در 0 کانال‌ها
Get PRO
نوامبر '21
+194
در 0 کانال‌ها
Get PRO
اکتبر '21
+67
در 0 کانال‌ها
Get PRO
سپتامبر '21
+97
در 0 کانال‌ها
Get PRO
اوت '21
+114
در 0 کانال‌ها
Get PRO
ژوئیه '21
+67
در 0 کانال‌ها
Get PRO
ژوئن '21
+48
در 0 کانال‌ها
Get PRO
مه '21
+189
در 0 کانال‌ها
Get PRO
آوریل '21
+128
در 0 کانال‌ها
Get PRO
مارس '21
+28
در 0 کانال‌ها
Get PRO
فوریه '21
+36
در 0 کانال‌ها
Get PRO
ژانویه '21
+28
در 0 کانال‌ها
Get PRO
دسامبر '20
+4 641
در 0 کانال‌ها
تاریخ
رشد مشترکین
اشارات
کانال‌ها
17 سپتامبر+3
16 سپتامبر+3
15 سپتامبر+2
14 سپتامبر+1
13 سپتامبر0
12 سپتامبر0
11 سپتامبر+2
10 سپتامبر+2
09 سپتامبر+2
08 سپتامبر+1
07 سپتامبر+2
06 سپتامبر+1
05 سپتامبر0
04 سپتامبر+1
03 سپتامبر+3
02 سپتامبر+2
01 سپتامبر0
پست‌های کانال
جمع بندی و تمام حرفم در این چند پیام ۳ پیام بود: به نظرم (میتونه درست نباشه): ۱— فرایند تحلیل بنیادی / ارزشگذاری با فرایند سرمایه گذاری یکی نیست. مدل ذهنی ارزش گذاری / تحلیل بنیادی شاید ۳۰ درصد (درصد خیلی دقیق نیست؛ صرفا یه درصدی گفتم که مقیاس دست مون بیاد) مدل ذهنی سرمایه گذاریه به عنوان فردی که سال ها تو ارزشگذاری و تحلیل بنیادی کار کرده اعتراف تلخی هست؟ نه..!؟ ۲— نقش شانس (عدم قطعیت) به عنوان بخش جدایی ناپذیر جهان رو در تحقق نتایج تصمیمات مون دست کم نگیریم (بخت یه جا باهامون همراه هست یه جا نه) ۳– و فعالانه عمل کنیم و برای مدیریت این عدم قطعیت راهکار داشته باشیم.. نه اینکه عدم قطعیت رو بخوایم از بین ببریم، چون نمی‌تونیم از بین ببریمش (وجودش خارج از کنترل ماست)، صرفاً می تونیم عدم قطعیت رو تا جایی که از دست مون برمیاد مدیریتش کنیم

2
این ویدیو رو وقت داشتیم ببینیم: مایکل مابیسون هم بازاریه هم CFA داره که تو گوگل تاک نقش مهارت + شانس رو در سرمایه گذاری توضیح می‌ده: https://youtu.be/1JLfqBsX5Lc?is=hYAJJoB8lJVIl2x3 به تعبیری چرا صرفاً توجه به مدل ارزشگذاری (مدل مبتنی بر استدلال) و توسعه ندادن مدل های ذهنی دیگه (مثل مدل ذهنی مدیریت عدم قطعیت) تا چه اندازه می‌تونه موجب خطا در سرمایه گذاری میشه مثلا وقتیکه فقط دنیا رو با مدل ذهنی ارزشگذاری می بینم میگم ارزش ذاتی بازار ۱۰۰ هست و قیمت هم الان پر کرده (۱۰۰) هست پس می‌فروشم (برعکسش هم هست)؛ یعنی عملا صرفا یک سناریو با احتمال ۱۰۰ درصدی بازار بالا نمی‌ره تو ذهنم دارن؛ پس می‌فروشم اما معامله گرها و سرمایه گذارها مثلاً پله ای می‌فروشن چون اون ها میگن اومد و بالا رفت (یعنی عدم قطعیت و شانس رو لحاظ میکنن و چند سناریو دارن) هدف ارزشگذاری کشف قیمته و هدف سرمایه‌گذاری تخصیص سرمایه تحت شرایط عدم قطعیت (تصمیم‌گیری تحت شرایط عدم قطعیت) هست و این دو متفاوتن. هر مساله راه حل خودش رو داره
867
3
این چند پیام بالا در گروهی در جمع دوستان و دانشجویان سابق ما مطرح شد که لازم دونستم بر اساس اطلاعات تا به امروزم نظر شخصی خودم رو در خصوص تفکیک فرایند ارزشگذاری / تحلیل بنیادی رو از فرایند سرمایه گذاری برای شما هم بفرستم (که البته می‌تونه درست نباشه!). البته این تفکیک در پیام های بالا، بیشتر از لنز فلسفی به این دو هست.
1 014
4
به نظرم بهتره مدل کلان ذهنی سرمایه گذاری رو این طوری ببینیم ما در سرمایه گذاری فرایند برنامه ریزی برای آینده داریم و نه فرایند پیش بینی آینده. ما در بازارهای مالی سوپرکستر نقطه زن خیلی کم داریم؛ اونایی که نقطه زنی کردن، احتمالا شانس خیلی دخیل بوده ویا تعداد پیش بینی هاشون خیلی بوده. فرایند برنامه ریزی یعنی: ۱— پلن می کنیم ۲– تصمیم می گیریم ۱ و ۲ در زمان اولین تصمیم هست بعد زمان می گذره اطلاعات جدید میاد و ۳ و ۴ رو انجام می دیم: ۳– چک می کنیم ۴– تصمیم مجدد می گیریم همان چرخه PDCA مدل ذهنی ارزشگذاری / تحلیل بنیادی صرفا P چرخه بالا هست اما مدل ذهنی سرمایه گذاری کل مراحل این چرخه هست و هر مرحله از این چرخه اگه بخوایم عملیاتی اجراشون کنیم یسری شاخص براشون باید در نظر بگیریم ؛ به خاطر همین هست که اگر صرفا با مدل ذهنی ارزشگذاری / تحلیل بنیادی بخوایم سرمایه گذاری کنیم بنظرم خیلی خطا تو تصمیمات مون احتمالا اتفاق میفته (البته که مدل ذهنی ارزشگذاری هم بخشی از کل این فراینده)
989
5
جواب سوال تون در همون پیام قبلی هست اما اجازه بدین بیشتر توضیح بدم خدمت تون: با توجه به سناریوبندی های مختلف نتیجه متفاوته که مفروضات ارزشگذاری رو متفاوت میکنه: سناریو ۱: محاصره اقتصادی و بستن عبور و مرور کشتی های ایرانی سناریو ۲: جنگ و حمله به زیرساخت ها و شرکت ها سناریو ۳: توافق و عادی شدن شرایط و چشم انداز کشور . . . سناریو‌ n: در سناریو ۱ و ۳ احتمالا بازار به روند صعودی ادامه می ده (اما تحقق سناریو ۱ و ۳ تاثیر متفاوت روی زندگی مردم میذاره— بازار سناریو ۳ رو بیشتر از سناریو ۱ دوست داره و طبیعی هم هست چون ضمن بالا رفتن بازار قدرت خرید مردم هم در سناریو ۳ حفظ میشه) در سناریو ۲ بازار احتمال داره گران باشه مهم این هست که احتمال هر کدام از این سناریوها چه قدر است: بازار فعلا داره بین سناریو ۱ و ۳ حرکت میکنه و گوشه نگاهی هم به سناریو ۲ داره (گرچه فعلا — تاکید می کنم فعلا — احتمال زیادی بهش نمیده) ————————- نکته آخر، به فهم و درک امروزم، تحلیل و ارزشگذاری با سرمایه گذاری یکی نیست (چون استفاده سوال شما احتمالا بیشتر برای سرمایه گذاری است). تحلیل بنیادی و ارزشگذاری مرحله اول از فرایندی سرمایه گذاری است اما کل ماجرا نیست. تحلیل بنیادی / ارزشگذاری عملاً برآورد ارزش ذاتی هست اما سرمایه گذاری در واقع تصمیم گیری تحت شرایط عدم قطعیته (که در شرایط فعلی کشور عدم قطعیت خیلی بالاست) و اگر سرمایه گذاری رو صرفا ارزشگذاری ببینیم احتمالا خطای زیاد تو تصمیمات مون خواهیم داشت. هر کدام از این دو، مدل های ذهنی خودش رو می‌طلبه؛ مثلا به عنوان نمونه، در تفکر تحلیلگری / ارزشگذاری رایج در کشور تفکر بیزی (Bayesian Thinking) — همان تفکر احتمالی — کمتر در زمان برآورد ارزش ذاتی رایجه اما هر معامله گر و سرمایه گذاری حرفه ای که تو بازار هست دانسته یا ندانسته تفکر بیزی داره (حالا شاید اسمش رو‌ متوجه نباشه که تفکر بیزی هست) یعنی میاد همیشه برا اساس اطلاعات موجود سناریوهای مختلف برای آینده در نظر می گیره و بعد احتمال درست بودن و غلط بودن رو هم در نظر می گیره و بعد اینکه اگر درست دراومد چه تصمیم مجددی می گیره و اگر غلط از آب دراومد چه تصمیم مجددی می گیره (با اطلاعات جدید تصمیمش رو به روز می کنه) ؛ ما در تحلیل گری (تحلیل بنیادی) و ارزشگذاری کمتر همچین شیوه تفکری و مدل ذهنی رو در خودمون توسعه داده ایم، به خاطر همین در سرمایه گذاری به مشکل می خوریم.
937
6
استاد ممنون از پاسخ ولی سوال من مشخصا اینه که امروز با توجه به تمام مفروضاتی که فرمودین از منظر ارزشگذاری بازاری ، بازار سهام گران است یا چی ؟ اگر گران است چرا ؟ و اگر ارزان و یا منصفانه است چرا ؟ به هر حال برای سرمایه گذاری باید کلیت بازار را هم مد نظر داشت که آیا اکثر بازار کجا ایستاده . ممنون از وقتی که میزارین🌹
781
7
سلام ؛ به نظرم میرسه سوال تون دو جواب مستقیم (ظاهری) و غیرمستقیم (عمیق تر) داره: ——————- بخش اول: به نظرم هر دو موردی که شما پرسیدین حداقل بستگی به ۳ مورد داره: تورم انتظاری (تاثیرش روی نرخ بهره و نرخ دلار)، تنش منطقه‌ای (تاثیرش روی تورم و نرخ دلار و احتمال درگیری و آسیب‌ به زیرساخت ها و شرکت ها)، نرخ ارز، اراده دولت برای تامین مالی از بازار سرمایه (فروش سهام و انتشار اوراق) داره. عملا اَبَرعامل به نظرم دو تا موضوع هست: اول تنش منطقه ای و دوم، کسری بودجه دولت که هر دو روی سایر عواملی که گفتیم هم تاثیر میذاره. و بسته به این دو باید برای آینده سناریو بندی احتمالی کرد. البته برای سناریوبندی احتمالی هم حداقل دو نکته وجود داره و اون اینکه ما زمانیکه داریم تصمیم سرمایه‌گذاری رو‌ می‌گیریم در اغلب موارد اطلاعات مون از موضوعات ناقص هست و ضمن اینکه یه عالمه بایاس ذهنی داریم، بنابراین، در تحلیل مون برای اینکه ریسک جهل و غفلت مون (کادوپیچی شده ش میشه ریسک نادیده‌ها و ناشناخته‌ها) رو مدیریت کنیم دست آخر یه حاشیه امنیت (margin of safety) در نظر بگیریم. ———————— بخش دوم: به نظرم پیش بینی کردن تو زندگی کاری (و البته زندگی شخصی) اینکه بازار سه ماه بعد، شش ماه بعد یا یک سال بعد چی میشه ذاتاً ایراد داره چون عوامل تصادفی هم این وسط تاثیر دارن و بعضاً تاثیرشون هم زیاده (یه تصمیم خوب می‌تونه نتیجه بد داشته باشه یا یه تصمیم بد می‌تونه نتیجه خوب داشته باشه، چون شانس — همون عوامل تصادفی — هم این وسط تاثیر گذاره؛ بنابراین روی بهبود کیفیت فرایند تصمیم تون تمرکز کنید تا پیش بینی نتایج احتمالا بهتره) افرادی رو هم که می‌بینین بعضاً پیش‌بینی شون درست از آب در میاد احتمالاً به خاطر این هست که زیاد پیش بینی می‌کنن و طبعا یکی دو مورد از اون ها هم درست از آب در میاد، مشابه زدن ۱۰۰ دارت به صفحه که احتمال داره یکی دو تاش هم به نزدیک هدف بخوره؛ همون یکی دو تا بزرگ نمایی میشه ولی روی بقیه که درست از آب در نیومده سرپوش گذاشته میشه. بعد ما ممکنه تصور کنیم که قدرت خاره العاده در پیش بینی داریم؛ اصطلاحاً سوپرفورکستر هستیم. بنابراین، به جای پیش بینی آینده (نتایج)، بهتره با اطلاعات موجود سناریوسازی کنید.
937
8
سلام استاد گمار لطفاً در خصوص ارزشگذاری بازار سهام و نرخ بهره تحلیلتون را برامون ارسال کنید . ارادتمند شما رناسی 🌹
972
9
#موقت چونکه این چند وقت خیلی از عزیزان می‌پرسن مجدد خدمت همه دوستان اینجا اطلاع‌رسانی می‌کنم.
#موقت چونکه این چند وقت خیلی از عزیزان می‌پرسن مجدد خدمت همه دوستان اینجا اطلاع‌رسانی می‌کنم.
2 631
10
پیام صوتی
2 438
11
پیام صوتی
1
12
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)
1 052
13
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
857
14
1-s2.0-S0160791X26000886-main.pdf
2 608
15
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.
2 646
16
#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.
1 057
17
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
1 069
18
Artificial_Intelligence_in_Capital_Market_Use_Cases_and_Potential.pdf
3 322
19
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
3 325
20
🌀علیرضا صادقی مدیرعاملی لیزینگ هزار میلیاردی "عصراعتماد" شد 🔸"سید علیرضا صادقی"،یکسال بعد ازپیوستن به شرکت لیزینگ رازی و به
🌀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
1