🎓 دانشکدهٔ ۱۲ · مسیرهای تخصصی
مسیر متخصص ریسک و سبد دارایی
Track: risk & portfolio specialist
پیش‌نیازها: همبستگی و تنوع‌بخشیسناریوهای بحران
📚 آموزش در سه سطح
از سطح ساده شروع کنید؛ اگر روشن بود، سطح بعد را بخوانید. سطح مناسب شما ذخیره می‌شود.
🌱 توضیح ساده
متخصص ریسک و سبد دارایی تصمیم می‌گیرد سرمایه چگونه میان دارایی‌ها تقسیم شود و ریسک کل چگونه اندازه‌گیری و محدود شود. او به جای پرسش «کدام دارایی بیشتر رشد می‌کند؟» می‌پرسد «ترکیب دارایی‌ها در شرایط خوب و بد چگونه رفتار می‌کند و آیا این رفتار با اهداف، افق و تحمل زیان صاحب سرمایه سازگار است؟».
پایهٔ نظری این مسیر را Harry Markowitz در ۱۹۵۲ با مقالهٔ «Portfolio Selection» در Journal of Finance گذاشت: ریسک یک دارایی را نباید جداگانه سنجید، بلکه باید دید چگونه به ریسک و بازده کل سبد کمک می‌کند. نوسان سبد فقط به نوسان اجزا بستگی ندارد، بلکه به اینکه چقدر با هم بالا و پایین می‌روند، یعنی همبستگی، هم وابسته است. Markowitz در ۱۹۹۰ همراه William Sharpe و Merton Miller نوبل اقتصاد گرفت.
مهارت‌های پایه عبارت‌اند از آمار و جبر ماتریسی، معیارهای ریسک (نوسان، بیشترین افت، ارزش در معرض ریسک و ریسک دنباله)، همبستگی و تغییر آن در بحران، اندازه‌گذاری موقعیت، بازتوازن و هزینه‌های معامله، و ارتباط روشن با صاحب سرمایه دربارهٔ اهداف و محدودیت‌ها.
📘 توضیح متوسط
بهینه‌سازی میانگین-واریانس به ورودی‌هایش، به‌ویژه بازده مورد انتظار، به‌شدت حساس است؛ و بازده مورد انتظار را بسیار نادقیق می‌توان برآورد کرد. نتیجه اغلب سبدی با وزن‌های افراطی است که روی دادهٔ گذشته عالی و در آینده ضعیف عمل می‌کند. به همین دلیل گاهی می‌گویند بهینه‌ساز «بیشینه‌ساز خطا» است: بیشترین وزن را به دارایی‌هایی می‌دهد که خطای برآوردشان به نفع آن‌ها بوده است.
راه‌های رایج کاهش این مشکل عبارت‌اند از محدودیت وزن برای هر دارایی، برآوردهای «کوچک‌شده» به سمت میانگین، تکیه بر ماتریس کوواریانس و سبد کمینه‌واریانس به جای بازده‌های مورد انتظار، روش‌های مبتنی بر سهم برابر ریسک، و مقایسهٔ همیشگی با یک معیار ساده مانند وزن برابر. اگر روش پیچیدهٔ شما خارج از نمونه از معیار ساده بهتر نیست، پیچیدگی‌اش توجیهی ندارد.
در کریپتو همبستگی میان دارایی‌ها معمولاً بالاست و در بحران بالاتر هم می‌رود؛ پس «تنوع» میان ده آلت‌کوین ممکن است در عمل یک موقعیت بزرگ روی ریسک کل بازار کریپتو باشد. تنوع واقعی یعنی ترکیب منابع ریسک متفاوت: دارایی‌هایی با رفتار متفاوت، نقدینگی، استیبل‌کوین‌هایی با پشتوانهٔ متفاوت و پرهیز از تمرکز روی یک طرف مقابل.
🔬 توضیح تخصصی
معیارهای ریسک مبتنی بر توزیع نرمال، دنبالهٔ چاق بازده کریپتو را دست‌کم می‌گیرند. متخصص حرفه‌ای در کنار نوسان، «ریسک دنباله» (مانند میانگین زیان در بدترین ۵٪ روزها)، بیشترین افت و سناریوهای تاریخی و فرضی را گزارش می‌کند. آزمون تنش با سناریوهایی مانند سقوط یک‌روزهٔ ۳۰ درصدی، توقف برداشت یک صرافی یا جدا شدن یک استیبل‌کوین از برابری، تصویر واقعی‌تری از ریسک می‌دهد.
«حاکمیت ریسک» به اندازهٔ مدل مهم است: سقف‌های ریسک مکتوب، فرایند تصمیم‌گیری روشن، جدایی نقش تصمیم‌گیرندهٔ سرمایه‌گذاری از ناظر ریسک، و گزارش منظم به صاحب سرمایه. بسیاری از شکست‌های بزرگ نه از نبود مدل، بلکه از نادیده گرفتن سقف‌ها در لحظهٔ وسوسه یا ترس آمده‌اند.
سبد کاری این مسیر شامل سیاست‌نامهٔ سرمایه‌گذاری برای یک سبد فرضی با اهداف، محدودیت‌ها و قواعد بازتوازن؛ گزارش ریسک دوره‌ای با معیارهای چندگانه و آزمون تنش؛ مقایسهٔ صادقانهٔ روش‌های تخصیص با معیار ساده در دادهٔ خارج از نمونه؛ و تحلیل پس از رخداد یک بحران تاریخی است، با این پرسش که سبد شما در آن بحران چگونه رفتار می‌کرد.
🌍 مثال واقعی: از Markowitz (۱۹۵۲) تا قاعدهٔ «یک تقسیم بر N» — DeMiguel، Garlappi و Uppal (۲۰۰۹)
نظریهٔ Markowitz نشان داد با ترکیب درست دارایی‌ها می‌توان برای هر سطح ریسک بیشترین بازده مورد انتظار را داشت؛ اما استفادهٔ عملی از آن به برآورد بازده‌ها، نوسان‌ها و همبستگی‌ها نیاز دارد. Victor DeMiguel، Lorenzo Garlappi و Raman Uppal در ۲۰۰۹ در Review of Financial Studies عملکرد خارج از نمونهٔ ۱۴ مدل بهینه‌سازی سبد، شامل مدل میانگین-واریانس و نسخه‌هایی که برای کاهش خطای برآورد طراحی شده بودند، را با ساده‌ترین قاعدهٔ ممکن مقایسه کردند: تقسیم مساوی سرمایه میان N دارایی.
نتیجه: در هفت مجموعه‌دادهٔ تجربی، هیچ‌یک از ۱۴ مدل به‌طور پیوسته از قاعدهٔ «یک تقسیم بر N» در نسبت شارپ، بازده معادل اطمینان یا گردش معاملات بهتر نبود؛ یعنی سود بهینه‌سازی با خطای برآورد از بین می‌رفت. آن‌ها برآورد کردند برای اینکه مدل میانگین-واریانس با ۲۵ دارایی از قاعدهٔ ساده بهتر شود، به حدود ۳ هزار ماه داده نیاز است و برای ۵۰ دارایی حدود ۶ هزار ماه. درس: در طراحی سبد، استحکام در برابر خطای برآورد از دقت ظاهری مهم‌تر است.
🔤 واژگان تخصصی
میزان هم‌حرکتی بازده دو دارایی، بین منفی یک و مثبت یک.
مثال: همبستگی بالای BTC و ETH در بیشتر دوره‌ها.
سبدی که برای سطح معینی از نوسان، بیشترین بازده مورد انتظار را دارد.
مثال: سبدهای روی مرز کارای Markowitz.
فاصلهٔ پارامترهای برآوردشده از مقدار واقعی به دلیل دادهٔ محدود و پرنوسان.
مثال: برآورد بازده سالانه‌ای که با چند سال داده بسیار نادقیق است.
احتمال و اندازهٔ زیان‌های بسیار بزرگ و کم‌تکرار.
مثال: میانگین زیان در بدترین ۵٪ روزها.
بازگرداندن وزن دارایی‌ها به اهداف تعیین‌شده پس از حرکت قیمت‌ها.
مثال: فروش بخشی از دارایی رشدکرده برای بازگشت به وزن ۵۰٪.
🔑 نکات کلیدی
- ریسک هر دارایی را با سهمش در ریسک کل سبد بسنجید (Markowitz، ۱۹۵۲).
- بهینه‌سازی میانگین-واریانس به خطای برآورد بازده بسیار حساس است.
- طبق DeMiguel و همکاران (۲۰۰۹)، هیچ‌یک از ۱۴ مدل به‌طور پیوسته از قاعدهٔ وزن برابر بهتر نبود.
- همبستگی کریپتو بالاست و در بحران بالاتر می‌رود؛ تنوع واقعی یعنی منابع ریسک متفاوت.
- در کنار نوسان، ریسک دنباله، بیشترین افت و آزمون تنش را گزارش کنید.
⚠️ اشتباهات رایج
- اعتماد به وزن‌های افراطی بهینه‌ساز؛ اشتباه است چون معمولاً حاصل خطای برآوردند.
- تنوع میان دارایی‌های بسیار همبسته؛ اشتباه است چون در بحران همه با هم سقوط می‌کنند.
- گزارش فقط نوسان؛ اشتباه است چون ریسک دنباله و بیشترین افت پنهان می‌ماند.
- شکستن سقف‌های ریسک در لحظهٔ وسوسه یا ترس؛ اشتباه است چون حاکمیت ریسک دقیقاً برای همین لحظه‌هاست.
🛠 تمرین عملی: مقایسهٔ روش‌های تخصیص با معیار ساده
- پنج تا هشت دارایی کریپتو، و در صورت امکان یک استیبل‌کوین، انتخاب کنید و دادهٔ بازده روزانه یا هفتگی آن‌ها را آماده کنید.
- سه سبد بسازید: وزن برابر، کمینه‌واریانس و میانگین-واریانس؛ وزن‌ها را با دادهٔ یک دوره برآورد و در دورهٔ بعد خارج از نمونه بیازمایید.
- برای هر سبد نسبت شارپ، بیشترین افت، ریسک دنباله و گردش معاملات را گزارش کنید و یک سناریوی تنش سقوط ۳۰ درصدی را روی هر سه اجرا کنید.
✅ معیار درستی: سه روش با دادهٔ خارج از نمونه مقایسه شده، معیارهای چندگانه و هزینهٔ گردش گزارش شده و نتیجه بدون اغراق تفسیر شده است.
🔒 در هیچ تمرینی از سرمایهٔ واقعی، عبارت بازیابی (Seed Phrase)، کلید خصوصی یا اتصال کیف پول اصلی استفاده نکنید.
📝 آزمون تطبیقی
هر بار ۵ سؤال از بانک ۹ سؤالی این درس انتخاب می‌شود؛ سؤال‌هایی که قبلاً اشتباه زده‌اید زودتر برمی‌گردند. حدنصاب قبولی ۸۰٪ (۴ از ۵) است و درس بعد با قبولی باز می‌شود.
✍️ پرسش تشریحی
برای سبد کریپتویی یک صندوق کوچک، سیاست‌نامهٔ ریسک و تخصیص بنویسید. توضیح دهید چرا این روش تخصیص را انتخاب کرده‌اید، چگونه با خطای برآورد و همبستگی بحرانی کنار می‌آیید و چه سقف‌ها و آزمون‌های تنشی تعریف می‌کنید.
بعد از نوشتن، پاسخ خود را با این معیارها بسنجید
خودارزیابی: هر نکته‌ای را که پاسخ شما به‌روشنی پوشش داده علامت بزنید.
🤖 دستیار آموزشی
دستیار آفلاین آکادمی: پاسخ‌ها فقط از متن درس‌ها و واژگان همین آکادمی پیدا می‌شوند و منبع هر پاسخ نشان داده می‌شود. هوش مصنوعی مولد نیست، حدس نمی‌زند و هیچ سیگنال خرید و فروشی نمی‌دهد.
📎 منابع مطالعاتی
- DeMiguel، Garlappi و Uppal — Optimal Versus Naive Diversification (Review of Financial Studies، ۲۰۰۹)
- Econlib — Harry Markowitz (Portfolio Selection، ۱۹۵۲؛ نوبل ۱۹۹۰)
🏁 معیار تسلط بر این درس: می‌توانید سبدی با تنوع واقعی طراحی کنید، ریسک آن را با معیارهای چندگانه و آزمون تنش بسنجید، روش‌های تخصیص را با معیار ساده در دادهٔ خارج از نمونه مقایسه کنید و سیاست‌نامهٔ ریسک بنویسید.