امام صادق (ع):
دوست ندارم جوانى از شما را جز بر دو گونه ببينم: دانشمند يا دانشجو.

زیبایی یادگیری در این است که هیچ کس نمی‌ تواند آن را از شما بگیرد.
و مسیر یادگیری انتهایی ندارد....

یادگیری نه تنها درهای جدیدی به روی ما می‌گشاید، بلکه ما را به انسان‌های بهتر و آگاه‌تری تبدیل می‌کند. هر قدمی که در مسیر علم و دانش برمی‌داریم، به ما کمک می‌کند تا دنیای اطرافمان را بهتر درک کنیم و تأثیر مثبت‌تری بر جامعه‌مان بگذاریم.


روز دانشجو را به همه دانشجویان تبریک عرض می‌کنم و برایتان آرزوی موفقیت و پیشرفت دارم. 🌹

@RiskPy
@RiskPyLib

راهنمای عملی برای اعتبارسنجی مدل‌های ریسک بازار (بخش‌های I و II)
این مجموعه مقاله که در سال‌های ۲۰۱۷ و ۲۰۱۸ منتشر شده، شامل دو بخش مهم است:

🔹 بخش I (مقدمه): بررسی مسائل رایج مدل‌سازی در ریسک بازار، از جمله مدل‌های قیمت‌گذاری، هجینگ، ارزش در معرض ریسک (VaR) و ریسک اعتبار طرف مقابل (CCR). همچنین، این مقاله به بررسی تکنیک‌های عملی اعتبارسنجی مدل‌ها پرداخته و روش‌های مؤثر برای ارزیابی و به چالش کشیدن صحت عملکرد مدل‌ها را با استفاده از مثال‌های واقعی ارائه می‌دهد.

🔹 بخش II (برآورد VaR): تمرکز بر مدل‌های برآورد VaR، ارزیابی صحت مفهومی و عملکرد مدل‌ها و معرفی چارچوب اعتبارسنجی جامع. این بخش به بررسی دلایل تبدیل VaR به استاندارد صنعت و چالش‌های آن پس از بحران مالی ۲۰۰۸ می‌پردازد.

این مقاله برای کسانی که به مدیریت ریسک و اعتبارسنجی مدل‌ها در بازارهای مالی علاقه‌مند هستند، منبعی ارزشمند است.

#مدیریت_ریسک #VaR #CCR #مدل_سنجی #مقالات_مالی #مدیریت_مالی

@RiskPy
@RiskPyLib

فرهیخته گرامی،

این پرسش‌نامه به منظور پژوهشی در جهت طراحی چارچوبی برای حسابرسی ریسک بازار در صنعت بانکداری ایران تهیه شده است. هدف این پژوهش بررسی ریسک‌های ناشی از نوسانات عواملی مانند نرخ بهره، نرخ ارز، قیمت سهام و قیمت کالاها و تأثیر آن‌ها بر درآمدهای بانک‌ها است. مشارکت شما در تکمیل این پرسش‌نامه کمک شایانی به شناسایی مولفه‌های کلیدی ریسک بازار و بهبود فرآیند حسابرسی خواهد کرد.

پاسخ‌های شما به طور محرمانه و فقط برای مقاصد علمی استفاده خواهد شد. از شما خواهشمندیم که بخشی از وقت خود را جهت واسخگویی به سوالات اختصاص دهید تا این پژوهش به تدوین راهکارهای مؤثر در حوزه حسابرسی ریسک کمک کند. سپاسگزاریم از زمانی که صرف این پژوهش می‌کنید.

لینک پرسشنامه: https://survey.porsline.ir/s/jBs168Ij

مهدیه غفارپورخوئی، دانشجوی کارشناسی ارشد دانشگاه الزهرا(س)
ایمیل: mahdiyehghaffarpour@gmail.com



@RiskPy
@RiskPyLib

🔍 فراتر از نوسان: چولگی و کشیدگی در تحلیل ریسک

📈نوسان تنها بخشی از تصویر کلی ریسک را نشان می‌دهد. اتکا به آن به‌تنهایی می‌تواند ما را دچار این اشتباه کند که تمامی تغییرات قیمت مشابه‌اند و احتمال رخدادهای شدید نادیده گرفته شود.

در ادامه، دو معیار مهم را که در کنار نوسان به تحلیل دقیق‌تر بازار کمک می‌کنند، معرفی می‌کنیم:

📌 چولگی (Skewness): شاخصی برای سنجش عدم تقارن در توزیع بازده‌ها، که نشان می‌دهد آیا حرکات مثبت یا منفی بیشتری در بازار رخ داده است.

📌 کشیدگی (Kurtosis): معیاری برای ارزیابی میزان رخدادهای غیرعادی و شدید در قیمت‌ها، که به ما نشان می‌دهد آیا بازار مستعد نوسانات ناگهانی و شدید است یا خیر.

با شناخت و تحلیل این دو معیار، می‌توانیم دیدگاه بهتری نسبت به حرکات غیرمنتظره بازار داشته باشیم و استراتژی‌های مدیریت ریسک کارآمدتری اتخاذ کنیم.

✔️ برای مطالعه بیشتر به فایل پرزنت در این خصوص مراجعه شود

@RiskPy
@RiskPyLib

📊 چولگی در بازارهای مالی: مثبت یا منفی؟

چولگی (Skewness) نشان می‌دهد که احتمال سود یا ضررهای شدید چقدر است و درک آن برای مدیریت ریسک ضروری است.

🔹 چولگی مثبت (+Skewness) ✅
🔸 احتمال سودهای غیرمنتظره بیشتر از ضررهای شدید است.
🔸 مناسب برای سرمایه‌گذاران ریسک‌گریز و بلندمدت.
🔸 نمونه: سهام‌ رشدی و استارتاپ‌ها.

🔹 چولگی منفی (-Skewness) ❌
🔸 احتمال ضررهای ناگهانی بیشتر از سودهای بزرگ است.
🔸 مناسب برای معامله‌گران حرفه‌ای با استراتژی‌های کوتاه‌مدت.
🔸 نمونه: کالاهایی مثل نفت و برخی اوراق مشتقه.

✅ نتیجه: چولگی مثبت برای سرمایه‌گذاران معمولاً جذاب‌تر است، اما معامله‌گران حرفه‌ای ممکن است از چولگی منفی نیز استفاده کنند.

@RiskPy
@RiskPyLib

💰 بانک‌های مرکزی چگونه با ریسک‌های مالی مقابله می‌کنند؟ 💰

بانک‌های مرکزی همواره در معرض ریسک‌های متعددی قرار دارند، از جمله ریسک بازار، ریسک اعتباری، ریسک نرخ بهره و ریسک نقدینگی. هرچند بانک مرکزی می‌تواند با انتشار پول، ریسک نقدینگی را مدیریت کند، اما این کار بدون پیامدهای ناخواسته نخواهد بود.

🔹 ریسک اصلی کجاست؟
بخش عمده ریسک مالی بانک‌های مرکزی ناشی از مدیریت ذخایر ارزی و مواجهه با نرخ‌های بهره داخلی و خارجی است. کریستین نویه، رئیس پیشین بانک مرکزی فرانسه، معتقد است که تصمیمات سیاستی در مورد دارایی‌های ارزی می‌توانند این ریسک را تشدید کنند. نکته مهم اینجاست که برخلاف بانک‌های تجاری، بانک مرکزی معمولاً نمی‌تواند این ریسک‌ها را هج کند!

🔹 چالش‌های جدید، ریسک‌های تازه!
امروزه پیچیدگی فزاینده بازارهای مالی، وابستگی شدید به فناوری و گسترش مؤسسات مالی، ریسک‌های جدیدی را برای بانک‌های مرکزی ایجاد کرده است. در عین حال، بسیاری از بانک‌های مرکزی هنوز واحد مستقلی برای مدیریت ریسک ندارند و آگاهی نسبت به این تهدیدها در سطح پایینی قرار دارد!

📊 نتیجه؟
مدیریت ریسک در بانک‌های مرکزی نه‌تنها برای ثبات اقتصادی کشورها حیاتی است، بلکه بر سیاست‌های پولی و نرخ ارز نیز تأثیرگذار خواهد بود.
🔴 این موضوع مهم را در این کتاب میتوانید مطالعه نمایید.

#اقتصاد #بانک_مرکزی #ریسک_مالی #مدیریت_ریسک

@RiskPy
@RiskPyLib

📢 گزارش مهم KPMG درباره مدیریت ریسک ESG در بانک‌ها

در ژانویه ۲۰۲۵، شرکت KPMG گزارشی کلیدی منتشر کرده است که چهارمین نسخه از نظرسنجی این شرکت درباره وضعیت بانک‌ها در مدیریت ریسک‌های ESG محسوب می‌شود. این گزارش بینش‌های ارزشمندی برای بازارهای جهانی ارائه می‌دهد و به بانک‌ها این امکان را می‌دهد که عملکرد خود را با سایر مؤسسات مقایسه کنند، شکاف‌های موجود را شناسایی کرده و اولویت‌های بهبود فوری را تعیین کنند. این اقدامات به بانک‌ها کمک می‌کند تا هم انتظارات نظارتی را برآورده کنند و هم به تقاضای فزاینده جامعه برای شفافیت، مسئولیت‌پذیری و پایداری پاسخ دهند.

🌱 چرا ریسک‌های ESG برای بانک‌ها حیاتی است؟
🔹 در این گزارش KPMG تأکید دارد که نقش ESG در مؤسسات مالی را نمی‌توان نادیده گرفت.
🔹 بانک‌ها تحت نظارت فزاینده رگولاتورها، سرمایه‌گذاران و افکار عمومی هستند تا استانداردهای اخلاقی و پایدار را رعایت کنند.
🔹 بازارهای مالی جهانی به سمت پایداری و مسئولیت اجتماعی حرکت می‌کنند و بانک‌هایی که خود را با این تغییرات همسو نکنند، از نظر رقابتی و نظارتی به چالش کشیده خواهند شد.

🔎 در این گزارش، نگاهی دقیق‌تر به این تحولات و چگونگی تطبیق بانک‌ها با این الزامات جدید ارائه شده است.

#بانکداری #ریسک_ESG #پایداری_مالی #KPMG #مسئولیت_اجتماعی

@RiskPy
@RiskPyLib

یَا مُقَلِّبَ الْقُلُوبِ وَ الْأَبْصَارِ یَا مُدَبِّرَ اللَّیْلِ وَ النَّهَارِ یَا مُحَوِّلَ الْحَوْلِ وَ الْأَحْوَالِ حَوِّلْ حَالَنَا إِلَی أَحْسَنِ الْحَالِ



🍃🌸 فرارسیدن سال نو و عید نوروز را که امسال مقارن است با ایام ماه مبارک رمضان و شب‌های قدر گرامی می‌داریم.
سالی سرشار از سلامتی و عافیت همراه با موفقیت و برکات روز افزون برای شما آرزو می‌کنم.
ان شاءالله به برکت آقا امیرالمؤمنین علی علیه السلام این سال، سال ظهور حضرت بقیة الله الأعظم روحي و أرواح العالمين لتراب مقدمه الفداء باشد. 🌸🍃


@RiskPy
@RiskPyLib

🔍 انتخاب آزمون آماری مناسب در یک نگاه!

این تصویر یک نمای کلی از آزمون‌های آماری پرکاربرد را ارائه می‌دهد و توضیح می‌دهد که هر آزمون در چه شرایطی استفاده می‌شود، چه فرضیاتی دارد و در چه نوع پژوهش‌هایی به کار می‌رود.

📊 از t-Test و ANOVA برای مقایسه میانگین‌ها،
📈 از رگرسیون و همبستگی پیرسون برای تحلیل روابط،
📊 از کای دو و آزمون مک‌نمار برای داده‌های دسته‌ای،
⚖️ و از آزمون‌های ناپارامتری مانند من‌ویتنی و کروسکال-والیس برای شرایطی که داده‌ها نرمال نیستند استفاده می‌شود.

🔹 این جدول راهنمایی سریع برای انتخاب آزمون‌های آماری مناسب در تحلیل داده‌های پژوهشی است.

@RiskPy
@RiskPyLib

آزمون‌های آماری پرکاربرد در تحلیل داده‌های پژوهشی 📊

انتخاب آزمون آماری مناسب در پژوهش بسیار مهم است، زیرا تحلیل صحیح داده‌ها به استخراج نتایج معتبر کمک می‌کند. در اینجا برخی از رایج‌ترین آزمون‌های آماری معرفی شده‌اند:

1️⃣ آزمون t – مقایسه میانگین دو گروه در داده‌های دارای توزیع نرمال، مانند بررسی تأثیر دو روش آموزشی مختلف بر نمرات دانش‌آموزان.

2️⃣ آزمون ANOVA (تحلیل واریانس) – مقایسه میانگین بیش از دو گروه، مانند مقایسه نمرات دانشجویان در سه روش تدریس متفاوت.

3️⃣ آزمون کای دو (Chi-Square) – بررسی ارتباط بین متغیرهای دسته‌بندی‌شده، مانند تحلیل رابطه بین جنسیت و ترجیح نوشیدن چای یا قهوه.

4️⃣ همبستگی پیرسون – اندازه‌گیری رابطه خطی بین دو متغیر پیوسته، مثلاً ارتباط بین سن و درآمد.

5️⃣ رگرسیون – پیش‌بینی یک متغیر وابسته بر اساس متغیرهای مستقل، مانند تخمین قیمت خانه بر اساس متراژ و تعداد اتاق‌ها.

6️⃣ آزمون من‌ویتنی (Mann-Whitney U) – آزمونی ناپارامتری برای مقایسه دو گروه مستقل، مثل مقایسه نمرات دانش‌آموزان در مدارس مختلف.

7️⃣ آزمون کروسکال والیس (Kruskal-Wallis) – تعمیم آزمون من‌ویتنی برای مقایسه بیش از دو گروه مستقل با توزیع مشابه.

8️⃣ آزمون ویلکاکسون (Wilcoxon Signed-Rank) – مقایسه دو گروه وابسته، مانند ارزیابی نمرات قبل و بعد از یک دوره آموزشی.

9️⃣ آزمون مک‌نمار (McNemar’s Test) – بررسی داده‌های طبقه‌بندی‌شده زوجی در جدول ۲×۲، مثلاً ارزیابی تأثیر دو درمان بر یک نتیجه‌ی دودویی.

🔟 آزمون دقیق فیشر (Fisher’s Exact Test) – مناسب برای نمونه‌های کوچک (کمتر از ۲۰) در جدول‌های ۲×۲، مانند بررسی رابطه بین جنسیت و وضعیت سیگار کشیدن در یک نمونه محدود.

🔹 انتخاب آزمون مناسب به نوع داده‌ها، حجم نمونه و سؤال پژوهشی بستگی دارد. رعایت مفروضاتی مانند نرمال بودن داده‌ها، استقلال مشاهدات و همگنی واریانس ضروری است تا نتایج قابل استناد باشند.

@RiskPy
@RiskPyLib

📢 معرفی کتابخانه Visual Python 🐍

🔹کتابخانه Visual Python یک افزونه مبتنی بر GUI برای Jupyter Lab، Jupyter Notebook و Google Colab است که امکان تولید کدهای پایتون را به‌صورت گرافیکی فراهم می‌کند. همچنین می‌توان از آن در نسخه Visual Python Desktop استفاده کرد.

🔹 این پروژه متن‌باز با هدف کمک به دانشجویانی که در یادگیری کدنویسی برای علم داده با چالش مواجه هستند، توسعه داده شده است.

💡 اگر می‌خواهید:
✅ با حداقل دانش برنامه‌نویسی داده‌های حجیم را مدیریت کنید،
✅ به دانشجویان، تحلیلگران کسب‌وکار و پژوهشگران در یادگیری پایتون کمک کنید،
✅ کدهای پرکاربرد خود را ذخیره و بارها استفاده کنید،

✨ این کتابخانه انتخاب مناسبی برای شماست!

📌 لینک پروژه: 🔗 https://github.com/visualpython/visualpython

@RiskPy
@RiskPyLib

🚀 محاسبه‌ی دیرش اوراق قرضه با پایتون: رویکردی کمی 📈💡

در بازارهای مالی، درک ریسک نرخ بهره برای سرمایه‌گذاران و مدیران ریسک حیاتی است. یکی از معیارهای کلیدی برای سنجش این حساسیت، دیرش است.

🔹 دیرش مکالی (Macaulay Duration) به برآورد زمان میانگین وزنی برای بازیابی جریان‌های نقدی یک اوراق قرضه کمک می‌کند.

🔹 دیرش تعدیل‌شده (Modified Duration) این معیار را با در نظر گرفتن نرخ تنزیل تنظیم می‌کند و تحلیلی دقیق‌تر از حساسیت ارائه می‌دهد.

⭕️ برای تقویت مهارت‌های خود در مدل‌سازی مالی، محاسبات مربوط به دیرش در پایتون در این فایل و در این ویدئو می توانید ملاحظه نمایید.

✅ برای آشنایی بیشتر با این معیار به این پست و این پست مراجعه شود.

@RiskPy
@RiskPyLib

📢 معرفی Data Copilot 🚀🔍

بهترین ابزار متن‌باز برای داده‌کاوی!

🔹 کتابخانه Data Copilot یک عامل هوش مصنوعی است که می‌تواند با یک دستور متنی ساده، کل جریان کاری یک نوت‌بوک Jupyter را بسازد!

⚡️ برخلاف بسیاری از ابزارهای AI که در محیط Jupyter ناکارآمد هستند، Data Copilot ساختار نوت‌بوک را به‌خوبی درک می‌کند، محتوای سلول‌ها را مدیریت می‌کند و جریان داده‌ها را تشخیص می‌دهد.

💡 ویژگی‌های کلیدی:
✅ ایجاد و ویرایش نوت‌بوک‌های کامل با کمک هوش مصنوعی
✅ چت هوشمند برای ویرایش سلول‌های خاص
✅ اشکال‌زدایی خودکار خطاهای کدنویسی
✅ ویرایش بصری برای DataFrame و نمودارها

🔥 چند نمونه از کاربردهای Data Copilot:
📌 ساخت یک نوت‌بوک کامل یادگیری ماشین از صفر
📌 تبدیل تمام کدهای Matplotlib به Plotly با یک دستور
📌 یافتن و رفع خودکار خطاهای کدنویسی

📖 مستندات: 🔗 https://docs.trymito.io/mito-ai/data-copilot

#DataScience #MachineLearning #Jupyter #AI #OpenSource #DataCopilot

@RiskPy
@RiskPyLib

🧠📚 دیگه گم نشو بین هزار تا مقاله!

📝اگر در مسیر پژوهش یا یادگیری قدم برمی‌دارید، این ابزار می‌تواند راه را برایتان هموارتر سازد.

🌐 سایت Connected Papers یک ابزار خارق‌العاده‌ست که با وارد کردن یک مقاله (فقط عنوان یا DOI کافیه)، برات یه نقشه‌ی گرافیکی از مقالات مرتبط می‌سازه! 🤯

✅ پیدا کردن مقالات مرتبط
✅ شناخت سریع مسیرهای پژوهشی
✅ الهام برای انتخاب موضوع پایان‌نامه یا مقاله

📌 کافیه بری تو سایت، یه مقاله وارد کنی و بزنی رو "Build a Graph"
✨ برای آشنایی بیشتر میتونید این ویدئو رو ببینید

#پژوهش #مقاله #ConnectedPapers #تحقیق #دانشجو #پایان_نامه

@RiskPy
@RiskPyLib

📣 خبر مهم علمی

با کمال افتخار و خرسندی اعلام می‌نماییم که دو فصلنامه علمی «مطالعات اقتصاد دانش»، وابسته به دانشگاه حضرت معصومه (س)، در پایگاه استنادی علوم جهان اسلام (ISC) نمایه شد.

این موفقیت، گامی مؤثر در مسیر ارتقاء جایگاه علمی این فصلنامه و تأییدی بر کیفیت بالای محتوای علمی، فرآیند دقیق داوری دقیق ، و رعایت استانداردهای بین‌المللی نشر پژوهشی است.

🔷 فصلنامه «مطالعات اقتصاد دانش» یک نشریه میان‌رشته‌ای با دسترسی آزاد است که به تبیین و تحلیل پیوندهای میان دانش، فناوری، نوآوری و اقتصاد دیجیتال می‌پردازد.
هدف اصلی فصلنامه، انتشار پژوهش‌های نوآورانه، و ایجاد بستری برای تعامل میان پژوهشگران، صنعت‌گران و سیاست‌گذاران در حوزه اقتصاد دانش‌بنیان است.

📩 از تمامی پژوهشگران گرامی دعوت می‌شود تا مقالات علمی–پژوهشی خود را از طریق سامانه فصلنامه ارسال نمایند:
🔗 https://kes.hmu.ac.ir/

#مطالعات_اقتصاد_دانش
#نمایه_ISC
#اقتصاد_دانش_بنیان
#اقتصاد_دیجیتال
#هوش_مصنوعی
#فناوری_مالی
#نوآوری
#دانشگاه_حضرت_معصومه
#نشریه_علمی


@HMU_JKES

🎯 چطور با چولگی (Skewness) در داده‌های واقعی برخورد کنیم؟
📊 یکی از مهارت‌های حیاتی برای هر متخصص داده در مرحله‌ی پیش‌پردازش

در اکثر داده‌های دنیای واقعی — به‌ویژه در حوزه‌هایی مانند مالی، سلامت و تجارت الکترونیکی — توزیع نرمال (متقارن) بسیار نادر است. در عوض، با داده‌های چوله مواجه هستیم که می‌توانند به‌طور جدی روی عملکرد مدل‌های یادگیری ماشین تأثیر بگذارند.

🔍 شناخت انواع چولگی در توزیع داده‌ها

📈 چولگی مثبت (چوله به راست)
🔸 دنباله‌ی بلندتر در سمت راست
🔸 میانگین > میانه > نما
✅ مثال: درآمد کارکنان — تعداد کمی درآمد بسیار بالایی دارند

📉 چولگی منفی (چوله به چپ)
🔹 دنباله‌ی بلندتر در سمت چپ
🔹 میانگین < میانه < نما
✅ مثال: سن بازنشستگی — اغلب افراد در سن بالا بازنشسته می‌شوند، بازنشستگی زودهنگام نادر است

🤖 چرا چولگی در مدل‌سازی مهم است؟

بسیاری از مدل‌های کلاسیک مثل رگرسیون خطی، رگرسیون لجستیک و خوشه‌بندی K-Means فرض می‌کنند که داده‌ها به‌طور نرمال توزیع شده‌اند. اما در صورت وجود چولگی:

⚠️ مدل بیشتر به سمت داده‌های پرتکرار متمایل می‌شود
⚠️ ممکن است خطاهای طبقه‌بندی افزایش یابد
⚠️ روند آموزش کندتر یا ناپایدار شود
⚠️ نتایج نهایی گمراه‌کننده باشند

🛠 روش‌هایی برای مقابله با چولگی که در پیش‌پردازش به کار می‌رود:

🔢 تبدیل لگاریتمی (Log Transformation)
مناسب برای کاهش چولگی مثبت در داده‌های فقط مثبت مثل قیمت یا درآمد

√ تبدیل ریشه دوم یا سوم
ریشه دوم: فقط برای داده‌های مثبت
ریشه سوم: قابل استفاده برای داده‌های منفی و مثبت

📦 تبدیل Box-Cox
تبدیل توانی که مقدار بهینه λ را برای نرمال‌سازی انتخاب می‌کند (فقط داده‌های مثبت)

🔄 تبدیل Yeo-Johnson
مشابه Box-Cox، ولی برای داده‌های منفی و صفر نیز قابل استفاده است

📏 مقیاس‌گذاری مقاوم (Robust Scaling)
براساس میانه و دامنه بین چارکی (IQR) — مناسب برای داده‌های دارای پرت

🧹 حذف داده‌های پرت (Outliers)
در مواردی که چولگی ناشی از چند مقدار بسیار دورافتاده است

💡 جمع‌بندی:

🔔 چولگی همیشه ایراد نیست — گاهی حاوی اطلاعات باارزش تجاری است.
مثال: در تحلیل تقلب، تراکنش‌های بسیار بزرگ می‌توانند نشانگر رفتار مشکوک باشند؛ نباید همیشه آن‌ها را اصلاح کرد.

✅ تمایز یک متخصص داده خوب و عالی در این است که بداند:
کِی باید چولگی را اصلاح کرد، و کِی باید آن را حفظ کرد!

@RiskPy
@RiskPyLib

Significant Risk Transfer (#SRT)

در سال‌های اخیر، یکی از روش‌های نوآورانه در مدیریت ریسک اعتباری در بانک‌ها، استفاده از ابزارهایی برای انتقال بخش قابل توجهی از ریسک (Significant Risk Transfer - SRT) به سرمایه‌گذاران ثالث است.

🔍 در این روش، بانک بدون فروش دارایی یا افزایش سرمایه (equity)، بخشی از ریسک اعتباری (credit risk) سبد وام‌های خود را از طریق انتشار ابزارهای بدهی یا ساختارهای مصنوعی (synthetic structures) به بازار منتقل می‌کند.

✅ هدف اصلی از اجرای SRT کاهش نیاز بانک به سرمایه نظارتی (regulatory capital) و بهینه‌سازی دارایی‌های موزون‌شده به ریسک (Risk-Weighted Assets - RWA) است؛ مفهومی که در چارچوب مقررات #BaselIII اهمیت بالایی دارد.

💡 از منظر سرمایه‌گذاران، این ابزارها امکان دسترسی به یک سبد متنوع از وام‌ها با ریسک کنترل‌شده را فراهم می‌کنند—حتی در شرایط بی‌ثبات بازار.

📊 طبق گزارش Chorus Capital، حجم جهانی انتشار ابزارهای SRT تا پایان سال ۲۰۲۴ به حدود ۳۰ میلیارد دلار رسیده است.
🔹 در اروپا، بانک‌ها استفاده گسترده‌تری از این ابزارها دارند، در حالی که در آمریکا، تنها حدود ۲۵٪ از حجم بازار جهانی مربوط به بانک‌های آمریکایی است.

📘 این پست حاصل جمع‌بندی بیش از ۱۵ مقاله، گزارش و تحقیق تخصصی درباره SRT و Credit Risk Transfer (CRT) است که به بررسی ساختارها، مکانیزم‌های انتشار و الزامات نظارتی می‌پردازند.

@RiskPy
@RiskPyLib

🎯 چطور با فاصله‌های آماری ناهنجاری‌ها را شناسایی کنیم؟

در این ارائه ، چارلز مسون درباره‌ی استفاده از فاصله‌های آماری مانند آزمون Kolmogorov-Smirnov و فاصله Earthmover برای شناسایی ناهنجاری‌ها در داده‌های سری‌ زمانی صحبت می‌کنه.

🔍 نکات مهم:

فاصله‌های آماری به ما کمک می‌کنن انحراف از الگوهای عادی داده رو کمی‌سازی کنیم.

استفاده از چند شاخص آماری به جای یک شاخص، دقت شناسایی ناهنجاری‌ها رو به‌طور چشم‌گیری افزایش می‌ده.

فاصله Earthmover نه‌تنها مقدار تفاوت، بلکه میزان جابه‌جایی توزیع‌ها رو هم در نظر می‌گیره، و برای داده‌های پیچیده عالیه.

📈 اگه با تحلیل داده، سری‌های زمانی یا یادگیری ماشین سروکار دارین، این ویدئو رو از دست ندین.

@RiskPy
@RiskPyLib

🚀 تشخیص ناهنجاری در داده‌های سری زمانی: راهنمای جامع از PyData Prague!

📊 آیا تا به حال با داده‌هایی مواجه شدید که "یه چیزی‌شون عجیب بود"؟ این همون چیزیه که در دنیای علم داده بهش می‌گن ناهنجاری (Anomaly)!

🎙 لوسی ، مدیر تیم داده در Similarweb، در ارائه‌اش در PyData 5، به سراغ یکی از چالش‌برانگیزترین حوزه‌های علم داده رفت: تشخیص ناهنجاری بدون نظارت در داده‌های سری‌ زمانی چندبعدی.

🔍 در این ویدئو چه یاد می‌گیریم؟
✔️ تفاوت ناهنجاری‌ها با مفاهیمی مثل Data Drift
✔️ دسته‌بندی ناهنجاری‌ها
✔️ چالش‌های مهم: عدم تعادل کلاس‌ها، نویز، تعامل چند متغیر
✔️ ۴ رویکرد کاربردی برای شناسایی ناهنجاری‌ها:

استخراج ویژگی + طبقه‌بندی (مثل Isolation Forest)

استخراج ویژگی + خوشه‌بندی (مثل DBScan)

بازسازی با Autoencoder یا PCA

پیش‌بینی و مقایسه با واقعیت (ARIMA، VAR)


🎥 لینک تماشای ویدئو

#علم_داده #تشخیص_ناهنجاری #سری_زمانی #PyData #ماشین_لرنینگ #Similarweb #AnomalyDetection #TimeSeries

@RiskPy
@RiskPyLib

🚨 تشخیص ناهنجاری: ابزار پنهان مدیران ریسک هوشمند!

در مدیریت ریسک، همیشه به دنبال این هستیم که قبل از وقوع بحران، نشانه‌هاش رو شناسایی کنیم.
اینجاست که تشخیص ناهنجاری (Anomaly Detection) به کمک ما میاد.

🔍 ناهنجاری یعنی چی؟
یعنی هر چیزی که از "الگوی طبیعی" خارج بشه.
در دنیای ریسک، این انحراف‌ها می‌تونن نشانه‌ای از تهدید یا حتی فرصت باشن!

📌 کاربردهای تشخیص ناهنجاری در مدیریت ریسک:

💳 ریسک عملیاتی:

تراکنش‌های مشکوک یا تقلبی در سیستم‌های مالی

عملکرد غیرعادی کارمندان یا کاربران در سامانه‌ها

📉 ریسک مالی:

نوسان غیرمنتظره در سود و زیان

رفتار غیرطبیعی دارایی‌ها یا سبدهای سرمایه‌گذاری

📊 ریسک اعتباری:

تغییر ناگهانی در الگوی بازپرداخت مشتریان

افت غیرمنتظره در نمرات اعتباری

🌪 ریسک سیستمی یا محیطی:

شناسایی زودهنگام حوادث نادر، اما پرریسک

هشدار درباره تغییرات شدید در بازار یا شرایط اقتصادی

✅ و حتی شناسایی فرصت‌ها:

کشف رفتارهای موفق در تیم‌های فروش

شناسایی بخش‌هایی با مصرف بهینه منابع

💡 تشخیص ناهنجاری یعنی «دیدن چیزهایی که دیگران نمی‌بینند» — و این دقیقاً همون چیزیه که مدیریت ریسک نیاز داره!

#مدیریت_ریسک #تشخیص_ناهنجاری #داده_محور #ریسک_مالی #ریسک_عملیاتی #DataDrivenRisk #AnomalyDetection #RiskManagement

@RiskPy
@RiskPyLib

🔥«برگه تقلب مدیریت ریسک مطلقاً ضروری، بی‌نقص و کاملاً غیرقابل انکار»🔥

این راهنما برای همه کسانی است که تا به حال:

در کارگاه ریسک شرکت کرده‌اند و فکر کرده‌اند تئاتر اجرا می‌کنند

برنامه کاهش ریسکی نوشته‌اند که به نظر فعالانه می‌رسد ولی عملاً هیچ تغییری ایجاد نمی‌کند

نمودار risk heatmap دیده‌اند که بیشتر شبیه نقاشی انتزاعی است

«درس‌های آموخته» ارائه داده‌اند که دیگر هرگز به آن‌ها اشاره نمی‌شود

برای همه حرفه‌ای‌های ریسک، مدیران پروژه و بازماندگان دنیای کسب‌وکار که می‌دانند ریسک واقعی، عدم قطعیت نیست، بلکه وانمود کردن به کنترل کامل است.
ترجمه پست بعدی

@RiskPy
@RiskPyLib