دسته: دنیای مالی

برای من باعث افتخاره که دوستانی از دبیرستان دارم که حالا به کانادا مهاجرت کردند و با وجود فاصله‌ی هزاران هزار کیلومتری با هم، معرفت به خرج می‌دن که با هم گاهی تماس تصویری داریم. توی تماس تصویری اخیری که با هم داشتیم، مسئله‌ای پیش اومد. از این لحاظ که روانشناسی و اقتصاد هر دو شبه‌علم هستند و حتی یک بین‌رشته‌ای به وجود اومده که بهش می‌گن «اقتصاد رفتاری» یا همون Behavioral Economics.

در واقع این رشته می‌آد عواملی، مثل احساسات، روندهای اجتماعی و شناختی جامعه رو بررسی می‌کنه تصمیم‌گیری‌های مالی رو تحلیل یا پیش‌بینی کنه. جا برای بحث توی این زمینه زیاده که توی این پست نمی‌گنجه.

اما چرا توی عنوان گفتم که من رو کنجکاوتر کرد؟

وقتی حرف این شد که اقتصاد یه شبه‌علمه، به خودم گفتم واقعا چرا این فکر رو می‌کنه؟ ولی بروز ندادم. برای من که اقتصاد اصلا شبه‌علم نیست. اگر بخواهیم حتی سطحی هم فکر کنیم، مگه می‌شه یه رشته نوبل داشته باشه و شبه‌علم باشه؟ حتی این رو توی ذهن خودم داشتم که چجوری مهندسی تحقیق درعملیات که ریاضی کاربردی هست رو می‌شه به اقتصاد ربط داد.

در ادامه به این می‌پردازیم که یه مهندس تحقیق در عملیات که حتما پایه ریاضیاتی قوی‌ای قراره داشته باشه، به توسعه مدل‌های اقتصادی قراره کمک کنه.

وقتی بخواهیم به عنوان «مهندس تحقیق در عملیات» کار کنیم، به اختصار باید کارهای زیر رو انجام بدیم:

• مدلسازی ریاضی مسائل واقعی
• حل مسائل بهینه‌سازی
• تحلیل سیستم‌های پیچیده و عدم قطعیت
• پشتیبانی تصمیم‌گیری مدیران
• ترکیب با علم داده که کمی مدرن‌تر است

کجا یه مهندس تحقیق در عملیات کار می‌کنه؟

• تولید و کارخانه
• لجستیک و حمل و نقل
• بانک و بیمه
• انرژی
• سلامت
• استارتاپ‌های تکنولوژیکی
• تیم‌های تحلیل داده

---

حالا من می‌آم چند حوزه کلیدی رو که مهندس تحقیق در عملیات در اقتصاد می‌تونه ایفای نقش کنه می‌گم:

۱- مدیریت و تحلیل ریسک:

اقتصاد مالی و اقتصاد سنجی، ابزارهای کمی قدرتمندی برای مدلسازی عدم قطعیت، قیمت‌گذاری ریسک و تصمیم‌گیری در شرایط احتمالی هستند. در پروژه‌های واقعی تحقیق در عملیات (مثل مدیریت زنجیره تامین، برنامه‌ریزی تولید یا سرمایه‌گذاری) درک عمیق مفاهیمی مثل «ارزش در معرض خطر»، «بازده مورد انتظار» و «تنوع بخشی» حیاتی هست.

۲- اقتصاد مدیریت و طراحی مکانیزم:

در این قسمت بحث می‌شود که چگونه انگیزه‌های افراد و بازیگران مختلف (مشتریان، رقبا یا تامین‌کنندگان) در مدل‌ها لحاظ بشن.

۳- بهینه‌سازی در سطح کلان و سیاست‌گذاری:

از ایده‌ها در حوزه‌های مختلفی که قبل‌تر هم اشاره شد، مثل حمل و نقل یا سلامت (مربوط به رفاه عمومی)، اقتصاد کلان و اقتصاد سنجی می‌شه کمک گرفت.  در واقع ارزیابی اقتصادی پروژه‌های بزرگ یه مهارت ارزشمند قراره باشه.

۴- تحلیل بازار و پیش‌بینی:

در مدلسازی تقاضا در زنجیره تامین، برنامه‌ریزی ظرفیت یا قیمت گذاری، درک رفتار مصرف‌کننده و ساختار بازار ضروری هستن. اینجا هم با استفاده از اقتصادسنجی که بخش جدایی ناپذیری از مدل‌سازی اقتصادی هست مکمل قدرتمندری برای مهندس تحقیق در عملیات می‌تونه باشه.

---

توی بررسی دو تا رشته‌ای که گفتم، خودم هم نمی‌دونم چجوری دقیق می‌شه ربطشون داد، ولی حداقل این رو می‌دونم که پایه ریاضیاتی و درک عمیقی از آمار و احتمال می‌خواد. این آمار و مدلسازی یه ابزار قدرتمنده که باهاش خیلی کارا رو می‌شه انجام داد. خیلی دوست دارم به زودی سایدپروجکت‌هایی رو انجام بدم و با شما هم به اشتراک بگذارم!

با تایلر کاون از طریق پادکست بی‌‌پلاس آشنا شدم و وبلاگش، پست‌های ارزشمندی داره. این پست بهانه‌ای هست برای اینکه وبلاگش رو بیشتر بخونم، چون ترجمۀ فارسی آخرین پست‌ش هست!

«بر اساس قیمت‌های فعلی بازار کالاهای دست‌دوم، یک گزارش جدید می‌گوید «دارایی پنهان» ژاپن از منظر ذخایر ملیِ اشیاء — که به «اقلام خانگیِ بالقوه قابل فروش مجدد» و بلااستفاده برای بیش از یک سال تعریف می‌شوند — ارزشی در حدود ۵۸۰ میلیارد دلار دارد.

طبق این برآورد، محتویات گردوخاک‌گرفته‌ی کمدها، زیرشیروانی‌ها و گاراژهای ژاپن، ارزشی تقریباً برابر با مجموع ارزش بازار شناخته‌شده‌ترین نام‌های شرکتی جهانی این کشور دارد: تویوتا، سونی و سافت‌بانک.

این انباشت قابل‌توجه، معادل حدود ۴۶۰۰ دلار برای هر فرد در ژاپن است.

در چند سال گذشته، ژاپن به‌طور منحصربه‌فردی به یک جاذبه‌ی جهانی برای خریداران کالاهای دست‌دوم تبدیل شده است — از کیف‌های هِرمِس، ساعت‌های رولکس و کفش‌های محدود نایکی ایر گرفته تا کارت‌های معاملاتی پوکمون، بازی‌های ویدیویی قدیمی، چوب‌های گلف، تجهیزات ماهیگیری و عروسک‌های کمیاب «لیکّا».

بخش فزاینده و قدرتمندی از جذابیت ژاپن برای ده‌ها میلیون بازدیدکننده‌ای که سالانه به این کشور می‌آیند، دیگر فقط خریدهای سنتی نیست، بلکه بازار پررونق و آزادِ خریدوفروش حضوری کالاهای دست‌دوم است.

پیری جمعیت ژاپن، وسواس و نظم‌مندی بسیاری از ژاپنی‌ها، و همچنین ارزان بودن ین از جمله عواملی هستند که پشت این تحولات قرار دارند.

{آخر پستش یه پست از تحلیل دقیق فایننشیال تایمز گذاشته بود که اشتراک می‌خواست…}

همانطور که مستحضر هستید، بنده به قسمت‌های ریاضیاتی و احتمالی خرج کردن یا در آوردن پول خیلی علاقه دارم. شاید بشه گفت به طور کلی تامین مالی. یا حتی به طور کلی‌تر پول. اما همه چی که پول نیست بابا! شاید این رو هم بدونید که به بین‌رشته‌ای کردن رشته‌ها هم علاقه‌مندم و اخیرا به یه مطلب رسیدم که از فیزیک کوانتوم توی دنیای مالی استفاده می‌کرد.

مثلا یه روز اگه کامپیوترهایی داشته باشیم که نه تنها سریع‌تر از کامپیوترهای معمولی کار می‌کنن، بلکه می‌تونن احتمالات پیچیده‌ی بازار سهام رو مثل آب خوردن حل کنن. این دقیقاً همون چیزیه که بهش می‌گن Quantum Finance. سعی دارم اینجا ساده و بدون اصطلاحات پیچیده و توی یه قالب متفاوت نسبت به پست‌های دیگه و بر اساس یه پژوهش جالب از دانشگاه نیویورک ابوظبی و گزارش‌های شرکت‌های بزرگ مثل McKinsey، قدم به قدم این بینا‌بین رشته‌ها رو توضیح بدم.

با چی سر و کار قراره داشته باشیم؟
فایننس کوانتومی یعنی ترکیب علم فیزیک کوانتومی (دنیای عجیب ذرات ریز که همه چیز احتمالاتیه) با دنیای مالی. به زبان ساده، کامپیوترهای کوانتومی که از کیوبیت‌های جادویی استفاده می‌کنن میان تا مشکلات مالی رو سریع‌تر حل کنن. مثلاً پیش‌بینی قیمت سهام یا انتخاب بهترین سرمایه‌گذاری‌ها. این حوزه تازه داره شکل می‌گیره و مثل پلی بین فیزیک و اقتصاد عمل می‌کنه. دیگه خبری از محاسبات و برنامه‌ریزی طولانی نیست؛ کوانتوم همه احتمالات رو به صورت همزمان با سناریوهای مختلف بررسی می‌کنه!

چرا کوانتوم حالا؟
با توجه به اینکه بازارهای مالی پر از عدم قطعیت ناشی از رفتار خریدار و فروشنده هست، قیمت سهام ممکنه یهو یه سیر صعودی یا نزولی داشته باشه. فیزیک کوانتومی هم دقیقاً روی همین احتمالات ساخته شده. مثل اینکه ذرات می‌تونن همزمان در چند جا باشن! پس، شباهت دارن: بازار = یه بازی شانس بزرگ، کوانتوم = ابزاری که عاشق شانسه. این ترکیب می‌تونه به بانک‌ها و سرمایه‌گذارها کمک کنه تا ریسک‌ها رو بهتر پیش‌بینی کنن و تصمیم‌های هوشمندانه‌تری بگیرن.

کاربردهای عملی: از بهینه‌سازی سهام تا امنیت داده‌ها

یکی از جذاب‌ترین کاربردها، بهینه‌سازی سبد سرمایه‌گذاری (Portfolio Optimization) هست. تصور کنین می‌خواین بهترین ترکیب سهام رو انتخاب کنین یعنی طوری که سود زیاد بشه و ضرر کم. روش سنتی QAOA (یه الگوریتم کوانتومی) میلیون‌ها گزینه رو همزمان چک می‌کنه و بهترین رو پیدا می‌کنه. خیلی خیلی سریع‌تر از روش‌های قدیمی!

یه کاربرد دیگه، قیمت‌گذاری اختیار معامله (Option Pricing) هست. این یعنی محاسبه قیمت خرید یا فروش سهام در آینده. مدل‌های کلاسیک مثل Black-Scholes کندن و میلیون‌ها سناریو رو یکی یکی بررسی می‌کنن، اما الگوریتم‌های کوانتومی مونت‌کارلو همه رو همزمان حل می‌کنن.

مدل‌سازی ریسک (Risk Modeling). بانک‌ها همیشه نگرانن که ضرر نکنن. با کوانتوم، می‌تونن معیارهایی مثل VaR (مقدار ریسک احتمالی) رو دقیق‌تر حساب کنن. یعنی بفهمن در سناریوهای بد، چقدر ممکنه ضرر کنن و چطور جلوش رو بگیرن.

امنیت هم که خیلی مهمه! (Cryptography & Security) یکی از نقاط قوت کوانتومه. کامپیوترهای کوانتومی می‌تونن رمزهای فعلی رو بشکنن (تهدید بزرگ!)، اما خودشون هم رمزهای فوق‌امنی مثل Quantum-Resilient Keys می‌سازن. شرکت‌هایی مثل QuSecure دارن روی این کار می‌کنن تا داده‌های بانکی (مثل رمز کارت‌ها) در امان بمونن. (یاد اونجای بهروزنامه افتادم که می‌گفت میخ محکم اپل بر تابوت پسورد!)

فریم‌ورک PO-QA: یه مدل عملی از دانشگاه نیویورک ابوظبی
یه پژوهش باحال به اسم PO-QA (چارچوبی برای بهینه‌سازی پرتفوی با الگوریتم‌های کوانتومی) نشون می‌ده چطور این کار عملی می‌شه. اول، داده‌های گذشته سهام رو جمع می‌کنین. هدفش هم اینه که ثابت کنه اینکه کوانتوم دقیق‌تر و سریع‌تره. این مدل مثل یه خط تولیده: داده می‌آد، با نظریه‌های کوانتوم بررسی می‌شه و تصمیم‌گیری اتفاق می‌افته.

چه شرکت‌های بزرگی دارن سرمایه‌گذاری می‌کنن؟
این دیگه تئوری نیست؛ شرکت‌های بزرگ وارد شدن! بانک‌هایی مثل J.P. Morgan روی رمزنگاری امن کار می‌کنه (با تصادف مطلق کوانتومی که هک رو تقریباً غیرممکن می‌کنه). Itaú Bank رفتار مشتری‌ها رو پیش‌بینی می‌کنه HSBC هم وثیقه‌ها رو بهینه می‌کنه تا ریسک کم بشه.

چالش‌ها و آینده: چی در انتظاره؟
البته چالش‌هایی هم هست، مثل ناپایداری کیوبیت‌ها (decoherence) یا هزینه بالای سخت‌افزار (شرکت‌هایی مثل IBM و Google دارن روش کار می‌کنن). فعلاً پروژه‌ها روی شبیه‌سازهای کلاسیک اجرا می‌شن، اما آماده انتقال به کامپیوترهای واقعی هستن. آینده؟ تحول در ریسک‌سنجی، کشف تقلب، امنیت سایبری و مدیریت ثروت. بانکداری بیشترین سود رو می‌بره!

بازی تازه داره هارد می‌شه!
فایننس کوانتومی نشون می‌ده بازارهای مالی ذاتاً تصادفی‌ان، و کوانتوم کلید حلشونه. از پژوهش‌های دانشگاهی مثل PO-QA تا پروژه‌های J.P. Morgan، همه چیز داره از تئوری به عمل می‌رسه. اگر در حوزه مالی یا فناوری کار می‌کنین، این حوزه رو از دست نباید بدیم. می‌تونه بازی رو عوض کنه!

(منابع: پژوهش PO-QA از NYU Abu Dhabi، گزارش McKinsey Quantum Monitor، و سایت Quantum Insider.)