M9فهرست انتظار
هوش مصنوعی در تحلیل و آزمودن راهبرد
هوش مصنوعی با اعتماد به نفس جواب می‌دهد؛ شما باید بدانید کجا اشتباه کرده است.
در پایان دوره
در پایان (۱) برای هر پرسش پژوهشی بازار، کار را بین خودتان، منبع داده و AI درست تقسیم می‌کنید و هر عدد را تا منبع و تاریخش دنبال می‌کنید؛ (۲) یک فایل داده را با کمک AI پاک می‌کنید و هر تغییر را مستند و آزموده تحویل می‌دهید؛ (۳) اسکریپت کوتاه اندیکاتور یا راهبردی را که AI نوشته می‌خوانید و خطاهای رایج (نگاه به آینده، repaint، تابع ساختگی، پارامتر پیش‌فرض اشتباه) را پیدا می‌کنید؛ (۴) یک آزمون راهبرد ساخته‌شده با AI را برای بیش‌برازش، نگاه به آینده و هزینه‌های جاافتاده بازبینی می‌کنید؛ (۵) ادعای «سیگنال AI»، ربات و مدل پیش‌بینی را با چک‌لیست می‌سنجید؛ (۶) سند قواعد شخصی دارید که تصمیم نهایی را با خود شما نگه می‌دارد.
مخاطب دوره
- مناسب: تحلیلگر تکنیکالی که هسته‌ی تحلیل تکنیکال را گذرانده و می‌خواهد AI را بی‌خطر وارد کارش کند؛ معامله‌گری که از AI برای خلاصه‌ی خبر، نوشتن اسکریپت TradingView یا «آزمودن ایده» کمک می‌گیرد و نمی‌داند چقدر به خروجی اعتماد کند؛ کسی که تبلیغ «ربات AI با سود تضمینی» دیده و می‌خواهد ادعا را بسنجد.
- نامناسب: کسی که دنبال سیگنال، راهبرد آماده، «پرامپت سودساز» یا ربات خودکار است (این دوره هیچ‌کدام را نمی‌دهد و ماژول ۵ دقیقاً درباره‌ی خطر همین‌هاست)؛ کسی که می‌خواهد برنامه‌نویسی ربات و اتصال API صرافی یاد بگیرد (خانه‌ی M8 — معامله‌ی الگوریتمی، در دست طراحی)؛ کسی که می‌خواهد Pine Script بنویسد (خانه‌ی K8 — Pine Script، در دست طراحی؛ این‌جا فقط خواندن و راستی‌آزمایی است)؛ کسی که هنوز دفتر سفارش، انواع سفارش و کارمزد را نمی‌شناسد (اول M1).
آنچه می‌سازید
| ماژول | محصول |
|---|---|
| ۱ | «نقشه‌ی تقسیم کار پژوهش» + فهرست خطاهای مجموعه‌ی کاشته‌شده‌ی PE-1 (گزارش بازار ساخته‌شده با AI) |
| ۲ | فایل داده‌ی پاک‌شده + «گزارش پاک‌سازی» با آزمون هر تغییر (مجموعه‌ی PE-2) |
| ۳ | «برگه‌ی بازبینی اسکریپت» برای سه اسکریپت Pine/Python با خطای کاشته‌شده (PE-3) + محاسبه‌ی دستی یک اندیکاتور |
| ۴ | «برگه‌ی بازبینی آزمون راهبرد» برای یک آزمون ساخته‌شده با AI (PE-4) و اجرای دوباره با هزینه و بدون نگاه به آینده |
| ۵ | «جدول سنجش ادعا» برای ۱۲ تبلیغ و کانال «سیگنال AI» ساخته‌شده (PE-5) |
| ۶ | «کارت سنجش مدل پیش‌بینی» برای سه ادعای ساخته‌شده (PE-6) |
| ۷ | «دفتر تصمیم» یک‌هفته‌ای و پیش‌نویس سند قواعد شخصی |
| ۸ | پروژه‌ی نهایی: پرونده‌ی بازبینی انتقادی + سند قواعد شخصی + دفاع ویدیویی |
پیش‌نیازها
پیش‌نیاز رسمی: M1 — مقدمه‌ی بازار (در دست طراحی): دفتر سفارش، اسپرد، کارمزد و انواع سفارش. پیش‌نیاز عمومی: خواندن نمودار شمعی و آشنایی با میانگین متحرک و RSI در حد کاربر (T1 و T2، در دست طراحی، توصیه می‌شوند؛ T4 — اندیکاتورها و اسیلاتورها برای ماژول ۳ مفید است). باید در صفحه‌گسترده فرمول بنویسید، ستون بسازید و نمودار خطی بکشید. برنامه‌نویسی لازم نیست: هر جا اسکریپت می‌آید (Pine Script یا Python)، کار شما خواندن، پیدا کردن خطا و مقایسه‌ی خروجی با محاسبه‌ی دستی است، نه نوشتن. آزمون تعیین سطح (§۲.۱) همین‌ها را می‌سنجد.
زمان و ریتم
۸ ماژول؛ ساعت درس: ۱۲٫۵ ساعت (+ ۶ ساعت تمرین و پروژه)؛ ۷ هفته، هفته‌ای ۳ تا ۴ ساعت؛ پروژه‌ی میانی پایان هفته‌ی ۴ (پس از ماژول ۴)؛ پروژه‌ی نهایی هفته‌ی ۷. سهم قالب محتوا: ویدیو ۲۵٪، متن ۳۵٪، دیاگرام ۱۵٪، تمرین عملی ۲۵٪. ویدیو برای دموهای زنده (گفت‌وگو با AI، بازبینی اسکریپت و آزمون) و چند مفهوم کلیدی است؛ بیشتر درس متن مرجع، چک‌لیست و نمودار است؛ تمرین عملی روی مجموعه‌های خطای کاشته‌شده‌ی ثابت انجام می‌شود.
ابزارها و نسخه‌ها
- یک دستیار گفت‌وگوی AI که به آن دسترسی دارید (نمونه، نه توصیه: ChatGPT، Claude، Gemini، یا یک مدل محلی با برنامه‌هایی مثل Ollama یا LM Studio). هیچ تمرین نمره‌داری به یک سرویس خاص وابسته نیست؛ برای کسی که به هیچ AI دسترسی ندارد، «پاسخ‌های ضبط‌شده‌ی AI» در بسته‌ی تمرین هست.
- صفحه‌گسترده (LibreOffice Calc، Excel یا مشابه؛ نسخه‌ی آفلاین کافی است). همه‌ی محاسبه‌های نمره‌دار در صفحه‌گسترده هم شدنی‌اند.
- TradingView (اختیاری، نمونه، نه توصیه) برای اجرای اسکریپت‌های Pine؛ جایگزین آفلاین: تصویرهای خروجی آماده و برگه‌ی محاسبه‌ی دستی در بسته‌ی تمرین.
- Python (اختیاری)، فقط برای کسی که می‌خواهد اسکریپت‌های نمونه را خودش اجرا کند (نمونه: یک محیط Jupyter محلی با pandas). اجرا لازم نیست؛ خروجی آماده‌ی هر اسکریپت در بسته هست.
- بسته‌ی تمرین دوره (§۷.۳): داده‌ی ساختگی، مجموعه‌های خطای کاشته‌شده‌ی PE-1 تا PE-6، کتاب‌کار آزمون راهبرد، قالب‌ها.
نسخه‌ها، قابلیت‌ها و سیاست داده‌ی سرویس‌ها در §۷.۲.
ارزیابی و سیاست AI
- تمرین: استفاده از AI آزاد است؛ تست خودکار نتیجه را می‌سنجد.
- آزمون: بدون AI.
- پروژه: AI مجاز است، اما در ویدیوی دفاع باید هر خط را توضیح بدهید.
| بخش | وزن |
|---|---|
| آزمون‌های کوتاه ماژول‌ها (۱ تا ۷) | ۱۵٪ |
| تمرین‌های اجباری (PE-1 تا PE-6 و تمرین ماژول ۷) | ۲۰٪ |
| پروژه‌ی میانی | ۲۰٪ |
| پروژه‌ی نهایی (گزارش، بازتولید، سند قواعد، دفاع ویدیویی) | ۳۵٪ |
| آزمون پایانی | ۱۰٪ |
گواهی
- گواهی پایان دوره: نمره‌ی کل دست‌کم ۷۰٪، پروژه‌ی نهایی دست‌کم ۶۰ از ۱۰۰ و آزمون پایانی دست‌کم ۱۲ از ۲۰.
- گواهی با امتیاز ممتاز: نمره‌ی کل دست‌کم ۹۰٪ و پوشش همه‌ی خانواده‌های خطا در پروژه‌ی نهایی.
- متن گواهی: «توانایی بازبینی انتقادی خروجی هوش مصنوعی در پژوهش بازار، داده، اسکریپت تحلیل تکنیکال و آزمون راهبرد، و سنجش ادعاهای سیگنال و پیش‌بینی AI». گواهی مجوز مشاوره‌ی سرمایه‌گذاری یا مدیریت دارایی نیست و هیچ توانایی سودآوری را تأیید نمی‌کند.
نمونه‌ی درس
درس نمونه‌ی رایگان این دوره به‌زودی منتشر می‌شود. برای خبر شدن، وارد فهرست انتظار شوید.
این محتوا آموزشی است؛ نه توصیه‌ی سرمایه‌گذاری است و نه مشاوره‌ی حقوقی.
- ماژول ۱هوش مصنوعی در پژوهش بازار: کجا کمک می‌کند و کجا گمراه می‌کند (۱٫۵ ساعت)
- ماژول ۲داده و پاک‌سازی با کمک AI؛ منبع، تاریخ و دقت (۱٫۵ ساعت)
- ماژول ۳AI و تحلیل تکنیکال: توضیح الگو و اندیکاتور، نوشتن و بازخوانی Pine Script/اسکریپت ساده و راستی‌آزمایی کد (۲٫۵ ساعت)
- ماژول ۴آزمودن راهبرد با کمک AI: بیش‌برازش، نگاه به آینده، هزینهها؛ بازبینی یک آزمون ساخته‌شده با AI (۲ ساعت)
- ماژول ۵«سیگنال AI»، ربات و وعدهی سود: الگوهای کلاهبرداری و ادعای بیپشتوانه (۱٫۵ ساعت)
- ماژول ۶مدلهای پیش‌بینی قیمت چه میتوانند و نمیتوانند؛ سنجیدن ادعاها (۱٫۵ ساعت)
- ماژول ۷انضباط و روان‌شناسی در عصر AI: اتکای بیشازحد، تأییدطلبی، تصمیم نهایی با خود شما (۱ ساعت)
- ماژول ۸پروژه‌ی نهایی (۱ ساعت + ۳ ساعت کار آزاد)
مدرس هر دوره متخصص همان حوزه است. معرفی مدرس این دوره همراه با باز شدن ثبت‌نام در صفحه‌ی مدرسان می‌آید.
- این دوره به من راهبرد یا سیگنال سودده می‌دهد؟ خیر. هیچ راهبرد، ربات، مدل یا «پرامپت» سودده‌ای معرفی نمی‌شود. یاد می‌گیرید هر ادعایی، از جمله ادعای خودتان و AI، را روی داده بیازمایید.
- باید برنامه‌نویس باشم؟ خیر. اسکریپت‌ها را فقط می‌خوانید و خروجی‌شان را با محاسبه‌ی دستی در صفحه‌گسترده مقایسه می‌کنید. برای یاد گرفتن نوشتن: K8 و M8 (در دست طراحی).
- کدام AI بهتر است؟ دوره هیچ رتبه‌بندی‌ای ندارد. مدل‌ها و قابلیت‌هایشان مدام عوض می‌شوند؛ روشی که یاد می‌گیرید (زمینه، محدودیت، درخواست منبع و عدم قطعیت، آزمودن) با هر دستیاری کار می‌کند.
- به AI دسترسی ندارم یا دسترسی‌ام ناپایدار است. می‌توانم دوره را بگذرانم؟ بله. تمرین‌های نمره‌دار روی پاسخ‌های ضبط‌شده و مواد ثابت انجام می‌شوند؛ یک جایگزین کاغذی هم برای هر تمرین هست (§۲.۲).
- ربات معاملاتی یا «سیگنال AI» واقعاً کار نمی‌کند؟ دوره نه می‌گوید کار می‌کند نه می‌گوید هرگز کار نمی‌کند؛ نشان می‌دهد ادعا را چطور بسنجید و چه نشانه‌هایی کلاهبرداری را لو می‌دهد (ماژول ۵ و ۶).
- می‌توانم داده‌ی حساب صرافی یا کلید API خودم را به AI بدهم تا تحلیل کند؟ کلید API، رمز، کد 2FA، شماره‌ی حساب و موجودی واقعی هرگز. خروجی معاملات خودتان را فقط پس از حذف شناسه‌ها و با آگاهی از سیاست داده‌ی آن سرویس (ماژول ۲).
- فرق این دوره با K7 چیست؟ K7 (در دست طراحی) آزمودن راهبرد را از پایه درس می‌دهد. M9 روی خطاهایی تمرکز دارد که وقتی AI داده، کد یا آزمون را می‌سازد پیش می‌آیند و روی سنجیدن ادعاهای «AI».
دوره‌ی بعدی
در مسیر «تحلیلگر تکنیکال»، این دوره‌ی اختیاری پایانی است و بهترین کنار یا پس از K7 — ساختن و آزمودن سیستم معاملاتی (در دست طراحی) می‌آید: K7 خانه‌ی آزمودن راهبرد، آمار نتیجه و بیش‌برازش است و M9 بررسی‌های ویژه‌ی خروجی AI را روی آن می‌گذارد. برای نوشتن اسکریپت: K8 — Pine Script (در دست طراحی). در مسیر «معامله‌گر»: M6 — مدیریت ریسک و روان‌شناسی معامله (در دست طراحی) پایه‌ی ماژول ۷ است و M8 — معامله‌ی الگوریتمی (در دست طراحی) برای کسی است که می‌خواهد خودش کد بنویسد. اگر امنیت حساب و کیف‌پول را نگذرانده‌اید: G4 — کاربر امن کریپتو.