بازتنظیم سبد با هوش مصنوعی؛ چرا پول تازه همیشه کافی نیست؟

بازتنظیم سبد با هوش مصنوعی میتواند از یک سؤال روشن شروع شود: آیا با همین مقدار پول تازه و بدون فروش داراییها میتوان به وزنهای هدف رسید؟ پاسخ همیشه مثبت نیست. اگر یکی از داراییها بیش از مقدار هدف ارزش داشته باشد، یک جدول مرتب یا پیشنهاد «خرید منفی» مشکل را حل نمیکند.
در این آموزش، با دو ورودی ۲۰۰ و ۱۰۰ واحدی میبینیم چگونه از AI برای محاسبه استفاده کنیم، محدودیت را در پرامپت بنویسیم و نتیجه را مستقل بررسی کنیم. همه اعداد و داراییهای A و B فرضیاند؛ نسبتهای مثال پیشنهاد سرمایهگذاری، قیمت روز یا وعده بازده نیستند.
فهرست مطالب
- 1 بازتنظیم سبد چیست و پول تازه چه کمکی میکند؟
- 2 مثال اول: ۲۰۰ واحد پول تازه، فقط ۶۰ واحد خرید
- 3 مثال دوم: چرا با ۱۰۰ واحد، رسیدن دقیق به هدف ممکن نیست؟
- 4 حداقل آورده لازم را چگونه حساب کنیم؟
- 5 پنج مرحله عملی برای کار با هوش مصنوعی
- 6 پرامپت آماده برای محاسبه و تشخیص خطا
- 7 کنترل خطا: سه آزمونی که خروجی باید بگذراند
- 8 در کاربرد واقعی چه چیزهایی محاسبه را عوض میکنند؟
- 9 پرسشهای متداول
بازتنظیم سبد چیست و پول تازه چه کمکی میکند؟
بازتنظیم یعنی برگرداندن ترکیب سبد به نسبتهایی که از قبل تعیین کردهاید. با تغییر قیمتها، وزن یک دارایی ممکن است بیشتر شود، حتی اگر چیزی نخریده باشید. در این تمرین، انتخاب نسبتهای مناسب موضوع بحث نیست؛ وزنهای هدف از پیش بهعنوان ورودی مشخص شدهاند.
راهنمای رسمی Investor.gov درباره تخصیص دارایی و بازتنظیم، خرید اجزای کموزن و هدایت آوردههای جدید به آنها را از روشهای بازتنظیم معرفی میکند. این روش میتواند نیاز به فروش را کمتر کند، اما هر مبلغ آوردهای برای رسیدن دقیق به هر ترکیبی کافی نیست.
برای آشنایی با تغییر وزن داراییها، راهنمای سهم طلا در سبد سرمایهگذاری را ببینید. تمرکز این مطلب بر کنترل خروجی AI و تشخیص یک محاسبه غیرقابل اجرا با چند قید همزمان است.
قانون این مثال سختگیرانه است: هیچ دارایی فروخته نمیشود، از ۱۰۰ واحد نقد اولیه خرج نمیکنیم و خریدها فقط از پول جدید تأمین میشوند. قیمتها ثابت، هزینهها صفر و خرید کسری از دارایی ممکن فرض شده است. این فرضها برای جداکردن منطق محاسبهاند، نه توصیف شرایط واقعی بازار.
مثال اول: ۲۰۰ واحد پول تازه، فقط ۶۰ واحد خرید
ارزش اولیه سبد ۱۰۰۰ واحد است: ۶۰۰ واحد دارایی A، معادل ۶۰ درصد؛ ۳۰۰ واحد دارایی B، معادل ۳۰ درصد؛ و ۱۰۰ واحد نقد، معادل ۱۰ درصد. وزنهای هدف فرضی، بهترتیب ۵۰، ۳۰ و ۲۰ درصد هستند.
با ورود ۲۰۰ واحد پول جدید، ارزش کل به ۱۲۰۰ میرسد. مبلغ هدف هر جزء از ضرب وزن آن در کل جدید به دست میآید، نه در ۱۰۰۰ واحد اولیه.
| جزء سبد | ارزش اولیه | وزن هدف | مبلغ هدف پس از ورود پول | تغییر در مثال |
|---|---|---|---|---|
| دارایی A | ۶۰۰ | ۵۰٪ | ۶۰۰ | بدون خرید یا فروش |
| دارایی B | ۳۰۰ | ۳۰٪ | ۳۶۰ | ۶۰ واحد خرید |
| نقد | ۱۰۰ | ۲۰٪ | ۲۴۰ | ۱۴۰ واحد افزایش خالص |
| جمع | ۱۰۰۰ | ۱۰۰٪ | ۱۲۰۰ | ۲۰۰ واحد آورده |
پس در این مدل، ۶۰ واحد از پول تازه به B تخصیص مییابد و ۱۴۰ واحد باقی میماند. موجودی نقد نهایی برابر ۱۰۰ + ۲۰۰ − ۶۰ = ۲۴۰ است. لازم نیست تمام آورده جدید صرف خرید شود؛ نقد هم یکی از اجزای هدف است.
کنترل مستقل ساده است: ۶۰۰ ÷ ۱۲۰۰ = ۵۰٪، ۳۶۰ ÷ ۱۲۰۰ = ۳۰٪ و ۲۴۰ ÷ ۱۲۰۰ = ۲۰٪. مجموع خرید ۶۰ واحد است و از ۲۰۰ واحد پول تازه بیشتر نیست. این محاسبات، مثال تألیفی این آموزشاند و نتیجه یک معامله واقعی نیستند.

مثال دوم: چرا با ۱۰۰ واحد، رسیدن دقیق به هدف ممکن نیست؟
اکنون فقط مقدار آورده را از ۲۰۰ به ۱۰۰ تغییر دهید. کل جدید ۱۱۰۰ میشود و مبالغ هدف A، B و نقد بهترتیب ۵۵۰، ۳۳۰ و ۲۲۰ واحد خواهند بود. اما از A همین حالا ۶۰۰ واحد داریم؛ یعنی ۵۰ واحد بیشتر از هدف.
پاسخ درست به شرط «بدون فروش»، ناممکنبودن بازتنظیم دقیق با این ورودیها است. اگر مدل برای A عدد منفی ۵۰ بنویسد، آن عدد در واقع فروش است و شرط تمرین را نقض میکند.
صفرکردن خودکار اعداد منفی هم راهحل کامل نیست. اگر A را دستنخورده بگذاریم و ۳۰ واحد B بخریم، سبد نهایی ۶۰۰ واحد A، ۳۳۰ واحد B و ۱۷۰ واحد نقد خواهد داشت. وزنها تقریباً ۵۴٫۵۵٪، ۳۰٪ و ۱۵٫۴۵٪ میشوند، نه ۵۰٪، ۳۰٪ و ۲۰٪.
این خروجی صرفاً نشان میدهد حذف فروش چه اثری دارد؛ توصیه خرید یا ادعای بهترین جایگزین نیست. AI نباید آن را «بازتنظیم کامل» بنامد. تغییر مبلغ آورده، تغییر وزنها یا اجازه فروش، هرکدام تصمیم جداگانهای هستند و مدل نباید برای کاملکردن جدول، خودسرانه یکی را تغییر دهد.
حداقل آورده لازم را چگونه حساب کنیم؟
در مدل بدون هزینه، برای هر دارایی باید مبلغ هدف پس از ورود پول، دستکم برابر ارزش فعلی آن باشد. برای A در این مثال، نصف کل جدید نباید کمتر از ۶۰۰ شود؛ بنابراین کل جدید باید حداقل ۱۲۰۰ و آورده حداقل ۲۰۰ باشد.
برای محاسبه عمومیتر، ارزش اولیه کل سبد را V، ارزش هر جزء را v و وزن هدف آن را w در نظر بگیرید. برای وزنهای مثبت، عبارت «v ÷ w − V» را برای هر جزء حساب کنید. بزرگترین مقدار بین این نتیجهها و صفر، حداقل آورده در این مدل ساده است. چون نقد اولیه را هم دستنخورده نگه میداریم، نقد را نیز در این بررسی وارد میکنیم.
- برای A: مقدار ۶۰۰ ÷ ۰٫۵۰ − ۱۰۰۰، برابر ۲۰۰ است.
- برای B: مقدار ۳۰۰ ÷ ۰٫۳۰ − ۱۰۰۰، برابر صفر است.
- برای نقد: مقدار ۱۰۰ ÷ ۰٫۲۰ − ۱۰۰۰، برابر منفی ۵۰۰ است.
بزرگترین مقدار با درنظرگرفتن صفر، همان ۲۰۰ است. این رابطه از فرضهای همین تمرین به دست آمده و فرمول نقلشده از Investor.gov نیست. اگر خرجکردن نقد اولیه مجاز باشد، قید حفظ آن حذف میشود، ولی ممنوعیت فروش داراییهای غیرنقد همچنان باید بررسی شود.
اگر وزن هدف یک داراییِ موجود صفر باشد، تقسیم بر صفر مجاز نیست: با آورده محدود و بدون فروش نمیتوان ارزش مثبت آن را دقیقاً به وزن صفر رساند. همچنین اگر نقد اولیه باید حفظ شود، هدف نقد صفر با موجودی نقد مثبت سازگار نیست. مدل باید این وضعیتها را پیش از محاسبه اعلام کند.
پنج مرحله عملی برای کار با هوش مصنوعی
- ورودیها را یکدست کنید. ستونهای نام جزء، ارزش فعلی، واحد پول، زمان ارزشگذاری و وزن هدف را بسازید. ارزش دارایی را با تعداد واحد آن اشتباه نگیرید و تومان و ریال را در یک ستون مخلوط نکنید.
- قیدها را بنویسید. مشخص کنید فروش، استفاده از نقد اولیه، اهرم یا تغییر خودکار وزنها مجاز هست یا نه. در این تمرین هیچکدام مجاز نیست.
- ابتدا امکانپذیری را بخواهید. مدل باید جمع وزنها، کل جدید و اضافهوزن هر جزء را بررسی کند؛ سپس سراغ مبلغ خرید برود.
- خروجی قابل بازسازی بگیرید. فرمول، مبالغ هدف، خرید هر جزء، نقد باقیمانده و وزن نهایی را بخواهید. برای تشخیص خطا، فقط یک پاسخ نهایی کافی نیست.
- با ابزار مستقل کنترل کنید. سه جمع و تقسیم مثال را با ماشینحساب یا فرمول صفحهگسترده دوباره انجام دهید. دو پاسخ مشابه از همان مدل، راستیآزمایی مستقل محسوب نمیشود.
برای نمونه، قابلیت تحلیل داده ChatGPT میتواند در بررسی دادههای ساختاریافته و انجام محاسبات کمک کند. راهنمای رسمی OpenAI درباره تحلیل داده نیز بازبینی کد، فرضها و خروجیها را توصیه میکند. دسترسی به ابزارها ممکن است میان حسابها متفاوت باشد؛ هیچ محاسبهای را صرفاً به دلیل ظاهر منظم پاسخ نپذیرید.

نشان OpenAI از منبع رسمی هویت بصری و متعلق به آن شرکت است؛ استفاده آموزشی از آن به معنی تأیید این مطلب یا همکاری تجاری نیست.
برای اجرای این تمرین، همان اعداد فرضی کافی است و به اتصال حساب مالی یا واردکردن مشخصات شخصی نیاز ندارید. اگر جدول واقعی را بررسی میکنید، از نسخه بدون اطلاعات شناسایی استفاده کنید.
پرامپت آماده برای محاسبه و تشخیص خطا
یک تمرین آموزشی بازتنظیم سبد انجام بده. ارزش اولیه A برابر ۶۰۰، B برابر ۳۰۰ و نقد برابر ۱۰۰ واحد فرضی است. وزنهای هدف بهترتیب ۵۰٪، ۳۰٪ و ۲۰٪ هستند. قیمتها ثابتاند، هزینه نداریم و خرید کسری ممکن است. فروش، اهرم، خرجکردن نقد اولیه و تغییر وزنهای هدف ممنوع است؛ خرید فقط از آورده جدید تأمین میشود.
دو سناریوی آورده ۲۰۰ و ۱۰۰ واحد را جدا بررسی کن. ابتدا ورودیها و جمع وزنها را کنترل کن. کل جدید، مبلغ هدف هر جزء و امکانپذیری بدون فروش را نشان بده. اگر رسیدن دقیق ممکن نیست، دلیل را بنویس و عدد منفی را خرید معرفی نکن. در حالت ممکن، مبلغ خرید، نقد نهایی و وزنهای نهایی را با فرمول قابل بررسی ارائه کن. حداقل آورده لازم را نیز با همین فرضها محاسبه کن. هیچ سفارش، پیشبینی سود یا پیشنهاد تغییر هدف صادر نکن.
نشانههای پاسخ درست روشناند: سناریوی ۲۰۰ واحدی باید به خرید ۶۰ واحد B و نقد نهایی ۲۴۰ برسد؛ سناریوی ۱۰۰ واحدی باید برای رسیدن دقیق به هدف، ناممکن گزارش شود. این پاسخهای مرجع کمک میکنند خطای فرمول یا نادیدهگرفتن قیدها را تشخیص دهید.

کنترل خطا: سه آزمونی که خروجی باید بگذراند
- آزمون بقای پول: در مثال بدون هزینه، مجموع ارزش نهایی باید برابر ارزش اولیه بهعلاوه آورده باشد. پول جدید را یکبار به کل و بار دیگر بهعنوان دارایی اضافه نکنید.
- آزمون محدودیتها: هیچ خریدی منفی نباشد، جمع خریدها از آورده بیشتر نشود و نقد نهایی از نقد اولیه کمتر نباشد. موفقیت این آزمون بهتنهایی رسیدن به وزن هدف را ثابت نمیکند.
- آزمون وزنها: ارزش نهایی هر جزء را بر کل نهایی تقسیم کنید و با هدف مقایسه کنید. جمع وزنها باید ۱۰۰ درصد باشد، اما جمع صحیح هم بهتنهایی کافی نیست؛ هر وزن باید جدا بررسی شود.
هشدار مشترک FINRA، SEC و NASAA درباره هوش مصنوعی و سرمایهگذاری توضیح میدهد که خروجی AI میتواند نادرست یا ساختگی باشد، حتی وقتی ورودی درست است. به همین دلیل، در این تمرین صحت پاسخ را با رابطه حسابداری و محدودیتها میسنجیم، نه لحن مطمئن مدل.
در کاربرد واقعی چه چیزهایی محاسبه را عوض میکنند؟
کارمزد خرید، حداقل مبلغ سفارش، گام تعداد، قیمت اجرای واقعی و مالیات احتمالی میتوانند نتیجه را تغییر دهند. راهنمای Investor.gov نیز بر بررسی هزینههای معامله و آثار مالیاتی بازتنظیم تأکید میکند. قواعد هر بازار باید جداگانه بررسی شوند.
مثلاً اگر در سناریوی اول، خرید ۶۰ واحد B یک واحد هزینه داشته باشد که از نقد سبد پرداخت شود، نقد نهایی ۲۳۹ و کل سبد ۱۱۹۹ میشود. دیگر نمیتوان همان جدول ۱۲۰۰ واحدی را نتیجه نهایی نامید. این فقط یک آزمون حساسیت فرضی است؛ برای محاسبه دقیق، هزینه باید از ابتدا در مدل وارد شود.
پس از گردکردن مقدار خرید نیز وزنها را دوباره حساب کنید و فاصله باقیمانده از هدف را گزارش دهید. AI نباید با پنهانکردن این فاصله، «تقریب» را «تطابق دقیق» بنامد. برای تفاوت بودجه معامله و ریسک، راهنمای محاسبه حجم معامله با هوش مصنوعی و برای بررسی زیان در سناریوهای مختلف، آموزش آزمون فشار سبد را بخوانید.
پرسشهای متداول
آیا نسبت ۵۰، ۳۰ و ۲۰ درصد برای سبد من مناسب است؟
این نسبتها فقط برای ساختن یک مثال قابل بررسی انتخاب شدهاند. تعیین ترکیب مناسب به هدف، افق زمانی، نیاز نقدی و توان تحمل زیان بستگی دارد و از این محاسبه به دست نمیآید.
آیا بازتنظیم بدون فروش همیشه بهتر است؟
خیر. این روش ممکن است برخی فروشها را کم کند، اما میتواند به آورده بیشتری نیاز داشته باشد یا سبد را برای مدتی دور از هدف نگه دارد. ارزیابی آن به شرایط، هزینهها و سیاست از پیش تعیینشده بستگی دارد.
اگر هوش مصنوعی گفت «ناممکن» چه کار کنیم؟
ابتدا دادهها و قیدها را بررسی کنید. اگر درستاند، ناممکنبودن یک نتیجه معتبر است؛ به معنی خرابی ابزار نیست. در این مثال، تغییر خودکار وزن یا صدور دستور فروش برای رسیدن به پاسخ، نقض مسئله است.
جمعبندی: ارزش کاربردی AI در این تمرین، فقط پرکردن جدول خرید نیست. باید بتواند بگوید با ورودیها و محدودیتهای مشخص چه چیزی ممکن است، چه چیزی نیست و هر نتیجه چگونه دوباره محاسبه میشود. بازتنظیم درست، تضمین سود یا جلوگیری از زیان نیست.









