بورس تهران قواعد بازی خودش را دارد: دامنه نوسان، حجم مبنا، صف خرید و فروش، توقف نماد، افزایش سرمایه و گزارشهای کدال. مدلهای زبانی بدون در اختیار داشتن این قواعد، تحلیلی تولید می‌کنند که برای بازار آمریکا نوشته شده و در اینجا بی‌معنی است.
این یعنی پرامپت‌های عمومی ترجمه‌شده، در بورس تهران کار نمی‌کنند. پرامپت باید قواعد بومی را درون خودش بیاورد.
کدال: بهترین کاربرد فعلی
گزارشهای کدال — از فعالیت ماهانه تا صورت‌های مالی میان‌دوره‌ای — منبع اصلی داده بنیادی در بورس تهران هستند، اما فرمت آن‌ها برای خواندن سریع طراحی نشده. یک سرمایه‌گذار معمولاً باید ده‌ها صفحه را بخواند تا به چند عدد کلیدی برسد.
اینجا دقیقاً همان جایی است که هوش مصنوعی بیشترین صرفه‌جویی زمانی را ایجاد می‌کند. یک پرامپت خوب، گزارش را به این موارد تبدیل می‌کند: جدول اعداد کلیدی با مقایسه دوره قبل و دوره مشابه سال قبل، تحلیل کیفیت سود بر مبنای نسبت جریان نقد عملیاتی به سود خالص، تجزیه رشد درآمد به تغییر مقدار و تغییر نرخ، و فهرست پرچمهای قرمزی که معمولاً در پانویس‌ها پنهان می‌شوند.
آن پرچمهای قرمز، ارزشمندترین بخش‌اند: افزایش مطالبات با سرعتی بیشتر از رشد فروش، افزایش موجودی سریع‌تر از بهای تمام‌شده، سهم بالای سود غیرعملیاتی، تغییر در روش‌های حسابداری، و معاملات با اشخاص وابسته. این‌ها را انسان هم می‌تواند پیدا کند، اما در گزارش پنجاهم ماه، دیگر پیدا نمی‌کند.
نکته مهم: خروجی را حتماً با اصل گزارش تطبیق دهید. خطا در انتقال اعداد از جدول، رایج‌ترین مشکل در این کاربرد است.
تابلوخوانی: ثبات به‌جای شهود
تابلوخوانی یعنی خواندن نشانه‌های رفتاری از داده‌ای که همه می‌بینند اما کمتر کسی درست تفسیر می‌کند: سرانه خرید و فروش حقیقی، نسبت خریدار به فروشنده، قدرت صف، حجم نسبت به میانگین، و ورود و خروج پول حقوقی.
مشکل اصلی، سلیقه‌ای بودن این تفسیر است. دو نفر از یک تابلو دو نتیجه متضاد می‌گیرند و هیچ‌کدام نمی‌تواند ثابت کند درست می‌گوید.
ارزش افزوده هوش مصنوعی اینجا شهود بهتر نیست، ثبات است: یک چارچوب ثابت که هر بار همان شاخص‌ها را با همان ترتیب و همان معیارها ارزیابی می‌کند. خروجی همیشه یک شکل دارد، پس می‌توانید تابلوی امروز را با دیروز و با نماد دیگر مقایسه کنید. این مقایسه‌پذیری، چیزی است که تحلیل شهودی هرگز نمی‌دهد.
یک هشدار جدی: تابلوخوانی در نمادهای کم‌حجم و بازار پایه به‌شدت مستعد دستکاری است. خروجی هیچ پرامپتی را نباید به‌عنوان تأیید نهایی ورود به چنین نمادهایی استفاده کرد.
صندوق‌های سرمایه‌گذاری
انتخاب صندوق در ایران معمولاً بر اساس بازدهی گذشته انجام میشود که ضعیف‌ترین معیار ممکن است — به‌خصوص در صندوق‌های طلا که همگی تقریباً یک دارایی پایه را دنبال می‌کنند و تفاوت بازدهی کوتاه‌مدتشان بیشتر ناشی از تغییر حباب است تا مهارت مدیریت.
معیارهای واقعاً تمایزدهنده اینهاست: حباب فعلی نسبت به محدوده تاریخی خودِ صندوق (نه نسبت به صفر و نه نسبت به صندوق دیگر)، نقدشوندگی نسبت به مبلغ مورد نظر شما، اندازه صندوق، و هزینه‌های سالانه.
برای صندوق‌های اهرمی، یک محاسبه اضافه هم لازم است که اکثر سرمایه‌گذاران انجام نمی‌دهند: اگر بازار یک سال بدون تغییر بماند، بازدهی واحد ممتاز چقدر است؟ پاسخ منفی است، چون سود واحد عادی همچنان باید پرداخت شود. این سناریو در تبلیغات هیچ‌وقت مطرح نمی‌شود.
ریسک نقدشوندگی: محاسبه‌ای که فراموش میشود
در بازار پایه و نمادهای کوچک، تحلیل تکنیکال بدون ارزیابی نقدشوندگی بی‌معنی است. سؤالی که باید پیش از هر تحلیل نموداری پرسیده شود این است: با این مبلغ، چند روز طول می‌کشد تا بتوانم خارج شوم؟
محاسبه ساده است: با فرض اینکه در هر روز حداکثر درصد مشخصی از میانگین حجم روزانه را بفروشید، حداکثر حجم قابل خرید چقدر است؟ و در سناریوی صف فروش چندروزه، حداکثر افت ممکن پیش از امکان خروج چقدر است؟
این اعداد را معمولاً کسی حساب نمی‌کند تا وقتی در ضرر گیر بیفتد.
محدودیت‌های واقعی
مدل به داده لحظهای TSETMC دسترسی ندارد. اگر عددی درباره قیمت یا حجم یک نماد بگوید، احتمالاً ساختگی است. همه داده‌ها باید دستی وارد شوند.
مدل با اصطلاحات بومی آشنایی محدودی دارد. مفاهیمی مثل «کد به کد»، «حجم مبنا» یا «تعدیل EPS» را باید در پرامپت تعریف کنید، وگرنه تفسیر مبهمی از آن‌ها ارائه می‌دهد.
و مدل در محاسبات جدولی طولانی — مثل جمع کردن پرتفوی یک هلدینگ یا ساختن صورت سود و زیان برآوردی — خطا می‌کند. این خروجی‌ها را باید در یک صفحه‌گسترده بازسازی و بررسی کنید.
از کجا شروع کنیم
پیشنهاد عملی: با خلاصه‌سازی یک گزارش کدال که خودتان هم آن را خوانده‌اید شروع کنید. این کار به شما حس درستی از دقت و محدودیت مدل می‌دهد و متوجه می‌شوید کجا باید مراقب باشید.
سپس به تحلیل ژورنال معاملاتی بروید، و در نهایت به چارچوب‌سازی تحلیل — مثل یک پرامپت ثابت برای تابلوخوانی یا امتیازدهی ستاپ. خروجی‌ها را ثبت کنید و بعد از چند هفته بسنجید که آیا کیفیت تصمیم‌هایتان واقعاً بهتر شده یا فقط سریع‌تر به همان تصمیم‌های قبلی می‌رسید.