Fund Intelligent Advisor – سامانه هوشمند تحلیل، پیش‌بینی، سیگنال و مقایسه صندوق‌های سرمایه‌گذاری

Fund AI Advisor

هشدار: این سامانه یک ابزار تصمیم‌یار و تحلیل داده است. سیگنال، رتبه‌بندی و پیش‌بینی آن تضمین بازده، دستور معامله یا جایگزین ارزیابی حرفه‌ای و الزامات قانونی نیست.

فهرست مطالب

۱. خلاصه مدیریتی و چشم‌انداز محصول

۲. مسئله، اهداف و محدوده

۳. کاربران و نقش‌ها

۴. قابلیت‌های اصلی محصول

۵. مدل شاخص‌های عمومی و سفارشی

۶. داده، NAV، قیمت واقعی و حباب

۷. شاخص‌های تکنیکال و ریسک

۸. طراحی پیش‌بینی با ML.NET

۹. موتور سیگنال خرید، نگهداری و فروش

۱۰. مقایسه صندوق‌ها و موتور پیشنهاد

۱۱. دستیار AI

۱۲. معماری فنی و پروژه‌های Solution

۱۳. مدل دامنه و موجودیت‌ها

۱۴. Use Caseهای سیستم

۱۵. APIهای پیشنهادی

۱۶. امنیت، حاکمیت داده و حاکمیت مدل

۱۷. نقشه راه توسعه

۱۸. محتوای آماده معرفی در وب‌سایت

۱۹. FAQ

خلاصه مدیریتی و چشم‌انداز محصول

AIFundAdvisor یک پلتفرم تحلیل و تصمیم‌یار برای صندوق‌های سرمایه‌گذاری است که اطلاعات صندوق و بازار را دریافت می‌کند، NAV و قیمت بازار را کنار یکدیگر قرار می‌دهد، شاخص‌های عمومی و متناسب با نوع صندوق را محاسبه می‌کند، روند آینده را با مدل‌های ML.NET برآورد می‌کند و نتیجه را به شکل سیگنال قابل توضیح و مقایسه صندوق‌های هم‌نوع ارائه می‌دهد.

ارزش اصلی محصول در ترکیب چهار لایه مستقل است: داده معتبر و زمان‌دار، تحلیل مالی و تکنیکال، پیش‌بینی کنترل‌شده، و توضیح انسانی از طریق دستیار AI. این جداسازی باعث می‌شود هر نتیجه قابل رهگیری باشد و مشخص شود کدام داده، فرمول، قانون یا مدل در تولید آن نقش داشته است.

یک نمای واحد از وضعیت هر صندوق: NAV، قیمت، حباب، بازده، ریسک، نقدشوندگی و شاخص‌های اختصاصی.
پیش‌بینی مقدار و جهت روند با ثبت نسخه مدل، معیارهای ارزیابی و بازه عدم‌قطعیت.
سیگنال خرید، نگهداری و فروش همراه با امتیاز، اطمینان، افق زمانی، دلایل و شرایط ابطال تحلیل.
مقایسه صندوق‌های هم‌نوع و پیشنهاد متناسب با هدف، افق و تحمل ریسک کاربر.
دستیار AI برای پرسش‌وپاسخ، تفسیر تحلیل، تولید گزارش و دسترسی زبان طبیعی به داده‌ها.

مسئله ، اهداف و محدوده

مسائل اصلی

پراکنده بودن داده‌های صندوق، NAV، قیمت بازار، ترکیب دارایی و شاخص‌های مرتبط.
نبود یک استاندارد قابل تنظیم برای محاسبه قیمت واقعی یا Indicative Value در صندوق‌های مختلف.
اتکا به یک اندیکاتور یا پیش‌بینی بدون نمایش عدم‌قطعیت و کیفیت داده.
دشواری مقایسه منصفانه صندوق‌های هم‌نوع و توضیح علت پیشنهاد.
نبود مسیر رهگیری از سیگنال نهایی تا داده، فرمول و نسخه مدل.

اهداف محصول

ایجاد مخزن مرجع و تاریخچه‌دار برای صندوق‌ها و داده‌های بازار.
تعریف موتور شاخص قابل پیکربندی برای انواع صندوق مانند طلا، درآمد ثابت، سهامی و مختلط.
ساخت موتور پیش‌بینی ML.NET با آموزش، Backtest، Registry و پایش مدل.
تولید تصمیم قابل توضیح به‌جای خروجی سیاه و بدون دلیل.
ارائه تجربه مناسب به سرمایه‌گذار، تحلیلگر، مدیر داده و مدیر سامانه.

خارج از محدوده نسخه اول

اجرای خودکار معامله و اتصال مستقیم به حساب کارگزاری.
تضمین سود یا توصیه شخصی بدون دریافت پروفایل ریسک و کنترل الزامات حقوقی.
تولید NAV رسمی جایگزین مدیر صندوق؛ سامانه صرفاً داده رسمی/مجاز را مصرف یا ارزش تخمینی را با برچسب مشخص محاسبه می‌کند.
تصمیم‌گیری تنها با LLM؛ دستیار AI فقط از سرویس‌های تحلیلی و داده‌های معتبر داخلی استفاده می‌کند.

کاربران و نقش‌ها

نقش	مسئولیت و امکانات
سرمایه‌گذار	مشاهده صندوق، مقایسه، دریافت پیشنهاد متناسب، Watchlist، هشدار و گفتگو با دستیار.
تحلیلگر	تعریف شاخص، بررسی داده و مدل، تحلیل سیگنال، Backtest و ساخت گزارش.
مدیر داده	تعریف منبع داده، Mapping، زمان‌بندی دریافت، کنترل کیفیت و اصلاح داده.
مدیر مدل	آموزش، ارزیابی، انتشار، Rollback و پایش Drift مدل‌ها.
مدیر سامانه	مدیریت کاربران، نقش‌ها، تنظیمات، Audit، امنیت و سلامت سرویس‌ها.
مشتری سازمانی / API Consumer	مصرف داده، شاخص، پیش‌بینی و سیگنال از طریق API با سطح دسترسی مشخص.

قابلیت‌های اصلی محصول

قابلیت	شرح
مدیریت صندوق	ثبت صندوق، نوع، نماد، مدیر، امیدنامه، منابع داده و وضعیت فعالیت.
به‌روزرسانی اطلاعات	دریافت NAV صدور/ابطال/آماری، قیمت بازار، حجم، ارزش معاملات، ترکیب دارایی و متادیتا.
قیمت واقعی و حباب	محاسبه فاصله قیمت بازار از NAV و ارزش تخمینی با نمایش فرمول، زمان و کیفیت.
شاخص‌های سفارشی	تعریف شاخص و فرمول متناسب با نوع صندوق، وابستگی‌ها، دوره محاسبه و نسخه.
تحلیل تکنیکال	SMA، EMA، RSI، MACD، Bollinger Bands، ATR، ROC، مومنتوم، حجم و نقاط تغییر.
تحلیل ریسک	نوسان، Max Drawdown، Sharpe، Sortino، Beta، Tracking Error، VaR ساده و نقدشوندگی.
پیش‌بینی ML.NET	پیش‌بینی مقدار، بازده و جهت، بازه اطمینان، نسخه مدل، متریک و توضیح ویژگی‌ها.
موتور سیگنال	ترکیب امتیاز فنی، ارزش‌گذاری، پیش‌بینی، ریسک و کیفیت داده.
مقایسه و پیشنهاد	رتبه‌بندی صندوق‌های هم‌نوع با وزن‌های عمومی یا متناسب با پروفایل کاربر.
دستیار AI	پرسش‌وپاسخ، تفسیر سیگنال، مقایسه، خلاصه گزارش و تولید توضیح مستند.
هشدار	تغییر سیگنال، عبور حباب، شکست روند، افت کیفیت داده، انتشار مدل و تغییر رتبه.
گزارش و Audit	گزارش روزانه/هفتگی، ثبت کامل ورودی و خروجی، ردیابی نسخه فرمول و مدل.

مدل شاخص‌های عمومی و سفارشی

موتور شاخص باید Metadata-driven باشد؛ یعنی شاخص‌ها بدون تغییر کد اصلی و از طریق تعریف، فرمول و وابستگی قابل افزودن باشند. هر IndicatorDefinition نوع داده، واحد، تناوب، منبع، فرمول، نسخه، حد اعتبار و سیاست داده مفقود را مشخص می‌کند.

شاخص‌های عمومی

بازده روزانه، هفتگی، ماهانه و سالانه.
حباب نسبت به NAV ابطال، NAV آماری یا ارزش تخمینی.
نوسان تحقق‌یافته، افت سرمایه، نسبت‌های ریسک و شاخص نقدشوندگی.
شاخص‌های تکنیکال قیمت و حجم.
انحراف قیمت از میانگین، روند و نقاط تغییر رژیم.

نمونه شاخص‌های صندوق طلا

کد شاخص	شرح	گروه
Gold18KPrice	قیمت هر گرم طلای ۱۸ عیار	بازار پایه
GlobalOunceUSD	قیمت اونس جهانی طلا به دلار	بازار جهانی
FxRate	نرخ تبدیل ارز مبنا	بازار ارز
GoldCertificatePrice	قیمت گواهی/ابزار طلایی مرتبط	بازار کالایی
GoldExposureRatio	درصد مواجهه صندوق با دارایی طلایی	ترکیب دارایی
IndicativeGoldValue	ارزش تخمینی واحد براساس دارایی‌های پایه	فرمول سفارشی
PremiumDiscountPct	حباب قیمت بازار نسبت به مبنای انتخابی	تحلیل ارزش‌گذاری

ارزش تخمینی باید با برچسب «Indicative / Estimated» نمایش داده شود، زیرا ترکیب دارایی ممکن است با تأخیر منتشر شود و جایگزین NAV رسمی نیست.

داده، NAV، قیمت واقعی و حباب

FundAI Proccess

زنجیره پردازش داده و تحلیل

منابع داده و Adapterها

وب‌سایت و گزارش رسمی صندوق برای NAV و ترکیب دارایی.
ارائه‌دهندگان مجاز داده معاملات برای قیمت، حجم، ارزش و عمق بازار.
ارائه‌دهندگان معتبر قیمت طلا، ارز، اونس و شاخص‌های کلان.
اسناد صندوق شامل امیدنامه، اساسنامه، گزارش‌های دوره‌ای و اطلاعیه‌ها.
داده‌های داخلی کاربر مانند Watchlist، افق و پروفایل ریسک.

هر منبع از طریق DataSourceAdapter مستقل پیاده‌سازی می‌شود تا تغییر Provider، فرمت یا روش احراز هویت به دامنه و موتور تحلیل نفوذ نکند. خروجی Adapter به قالب Canonical تبدیل و سپس کنترل کیفیت می‌شود.

فرمول‌های پایه

PremiumDiscountPct = ((MarketPrice – ReferenceNAV) / ReferenceNAV) * 100

IndicativeValuePerUnit = (Sum(AssetQuantity_i * AssetPrice_i) + Cash – Liabilities) / OutstandingUnits
Return_t = (Price_t / Price_(t-1)) – 1

ReferenceNAV براساس نوع صندوق و تنظیمات می‌تواند NAV ابطال، NAV آماری یا Indicative Value باشد. سامانه باید مبنای محاسبه را در خروجی نشان دهد.

کنترل کیفیت داده

معیار	کاربرد
Completeness	درصد داده‌های مورد انتظار که موجود است.
Freshness	فاصله زمانی آخرین Snapshot با زمان جاری.
Consistency	سازگاری بین منابع و قواعد مالی.
Outlier Score	احتمال پرت بودن مقدار نسبت به تاریخچه و بازار.
Source Reliability	سطح اعتبار منبع و سابقه خطا.
Overall Data Quality	امتیاز ترکیبی که روی اطمینان سیگنال اثر می‌گذارد.

شاخص‌های تکنیکال و ریسک

گروه	شاخص‌های پیشنهادی
Trend	SMA، EMA، شیب رگرسیون، ADX و ساختار سقف/کف.
Momentum	RSI، MACD، ROC و Stochastic.
Volatility	ATR، انحراف معیار و پهنای Bollinger.
Volume & Liquidity	حجم نسبی، گردش، اسپرد، روزهای بدون معامله و Amihud ساده.
Risk	Max Drawdown، Sharpe، Sortino، Beta و Tracking Error.
Valuation	Premium/Discount، فاصله از ارزش تخمینی و Z-Score حباب.

تمام شاخص‌ها باید پارامتر، نسخه فرمول و بازه محاسبه داشته باشند. تغییر تنظیمات یک شاخص، نسخه جدید ایجاد می‌کند و مقادیر گذشته بدون ثبت Migration بازنویسی نمی‌شوند.

طراحی پیش‌بینی با ML.NET

ML.NET

مسئله‌های پیش‌بینی

مسئله	خروجی
Forecast NAV / Price	پیش‌بینی مقدار یا بازده در افق ۱، ۵، ۱۰ و ۲۰ روز کاری.
Direction Classification	پیش‌بینی صعودی، خنثی یا نزولی براساس آستانه بازده آینده.
Volatility Forecast	پیش‌بینی نوسان یا دامنه احتمالی حرکت.
Ranking	رتبه‌بندی صندوق‌های هم‌نوع براساس بازده تعدیل‌شده به ریسک آینده.
Anomaly / Change Point	تشخیص جهش، تغییر رژیم یا شکست رفتار معمول داده.

مدل‌های پیشنهادی

SSA Forecasting به‌عنوان Baseline سری زمانی تک‌متغیره برای NAV یا قیمت.
FastTree Regression برای پیش‌بینی بازده یا قیمت با Featureهای فنی، ارزش‌گذاری و بازار.
FastTree/Linear Binary Classification در الگوی One-vs-All برای مدل جهت سه‌کلاسه، در صورت کافی بودن داده برچسب‌خورده.
Rule-based Baseline و Naive Forecast برای مقایسه و جلوگیری از انتشار مدل پیچیده‌ای که ارزش افزوده ندارد.
Permutation Feature Importance برای تحلیل اهمیت جهانی Featureها در مدل‌های پشتیبانی‌شده.

Featureهای نمونه

گروه Feature	نمونه
Lag Features	بازده و قیمت با تأخیرهای ۱، ۲، ۳، ۵، ۱۰، ۲۰ روز.
Rolling Features	میانگین، انحراف معیار، Min/Max و Z-Score در پنجره‌های مختلف.
Technical	RSI، MACD، ATR، Bollinger، Momentum و Volume Ratio.
Valuation	حباب، فاصله از NAV و تغییرات Indicative Value.
Market Context	طلا، ارز، اونس، شاخص بازار یا نرخ‌های مرتبط با نوع صندوق.
Calendar	روز هفته، ماه، تعطیلات و فاصله از رویدادهای مهم.
Quality	Freshness، Completeness و Outlier Score برای کاهش اطمینان خروجی.

ارزیابی و Backtest

تقسیم Train/Validation/Test باید زمانی باشد و Shuffle تصادفی برای داده سری زمانی استفاده نشود.
Rolling یا Walk-forward Backtest برای شبیه‌سازی انتشار واقعی مدل انجام شود.
معیار مقدار: MAE، RMSE، MAPE/SMAPE و پوشش بازه پیش‌بینی.
معیار جهت: Accuracy، Precision، Recall، F1، Balanced Accuracy و ماتریس اغتشاش.
معیار تصمیم: بازده استراتژی، Max Drawdown، Turnover و هزینه معامله فرضی.
مدل فقط زمانی منتشر شود که از Baseline و مدل فعال بهتر باشد و معیار ریسک را نقض نکند.

موتور سیگنال خرید، نگهداری و فروش

Fund AI Engine

Signal Engine خروجی چند موتور را به امتیاز استاندارد -۱۰۰ تا +۱۰۰ تبدیل می‌کند. وزن‌ها براساس نوع صندوق، افق و پروفایل کاربر قابل تنظیم‌اند. مقادیر زیر فقط نمونه طراحی هستند و باید با Backtest و سیاست محصول کالیبره شوند.

TotalScore = (0.30 * TechnicalScore) + (0.25 * ValuationScore) + (0.25 * ForecastScore) + (0.20 * RiskLiquidityScore)

Confidence = ModelConfidence * DataQuality * EngineAgreement

خروجی	آستانه نمونه	قیدها
خرید / اولویت بررسی	TotalScore >= +35	کیفیت داده و اطمینان بالاتر از حداقل، ریسک مجاز و نبود حباب بحرانی.
نگهداری / پایش	-35 < TotalScore < +35	قیمت متعادل، عدم اجماع موتور‌ها یا اطمینان ناکافی.
فروش / عدم اولویت	TotalScore <= -35	روند منفی، حباب بالا، ریسک زیاد یا پیش‌بینی ضعیف.
No Signal	هر امتیاز	داده کهنه/ناقص، مدل نامعتبر یا بازار خارج از شرایط مجاز.

قرارداد خروجی سیگنال

Action: BuyCandidate، Hold، SellCandidate یا NoSignal.
Score و Confidence.
Horizon: کوتاه‌مدت، میان‌مدت یا افق روز کاری مشخص.
Reasons: حداقل سه دلیل مثبت/منفی با وزن اثر.
RiskLevel و InvalidationConditions.
DataAsOf، FormulaVersion، ModelVersion و SignalPolicyVersion.

مقایسه صندوق‌ها و موتور پیشنهاد

FundAI Comparison

مقایسه باید فقط میان صندوق‌های قابل مقایسه انجام شود؛ نوع صندوق، ارز مبنا، روش تقسیم سود، عمر داده و قابلیت معامله باید همسان یا نرمال‌سازی‌شده باشد.

بعد رتبه‌بندی	معیارها
Performance	بازده در بازه‌های استاندارد و بازده نسبت به Benchmark.
Risk	نوسان، افت سرمایه، Downside Risk و ثبات بازده.
Valuation	حباب جاری، میانگین حباب و پایداری فاصله قیمت/NAV.
Liquidity	ارزش و حجم معامله، اسپرد، گردش و دفعات توقف.
Fund Quality	عمر، AUM، ثبات مدیریت و شفافیت داده.
Forecast	بازده مورد انتظار، احتمال جهت مثبت و اطمینان مدل.
Suitability	تناسب با افق، ریسک‌پذیری، نقدشوندگی و محدودیت‌های کاربر.

خروجی Recommendation شامل Top Candidates، امتیاز نهایی، دلایل برتری، نقاط ضعف، حساسیت به تغییر وزن‌ها و هشدارهای تناسب است. بدون پروفایل کاربر، سیستم فقط رتبه‌بندی عمومی ارائه می‌کند و آن را پیشنهاد شخصی نمایش نمی‌دهد.

دستیار AI

Fund AI

معماری دستیار

Conversation Orchestrator برای مدیریت گفتگو، Context و سیاست پاسخ.
Tool Gateway برای فراخوانی سرویس صندوق، شاخص، مقایسه، پیش‌بینی و گزارش.
RAG روی اسناد صندوق، تعاریف شاخص، راهنما و گزارش‌های تأییدشده.
Response Grounding برای افزودن DataAsOf، FundId، ModelVersion و منابع داخلی.
Guardrails برای جلوگیری از حدس داده، تضمین سود، نمایش اطلاعات منقضی یا عبور از سطح دسترسی.
Audit کامل پرسش، Tool Calls، داده ورودی و پاسخ نهایی.

نمونه درخواست‌ها

چرا سیگنال این صندوق از خرید به نگهداری تغییر کرد؟
سه صندوق طلای هم‌نوع را برای افق شش‌ماهه و ریسک متوسط مقایسه کن.
حباب فعلی صندوق نسبت به میانگین ۳۰ روزه چه وضعیتی دارد؟
مهم‌ترین Featureهای مدل فعلی چه هستند؟
یک گزارش مدیریتی هفتگی از تغییر NAV، سیگنال و رتبه صندوق‌ها تولید کن.

معماری فنی و پروژه‌های Solution

Fund AI Architecture

رویکرد استقرار

برای نسخه نخست، Modular Monolith پیشنهاد می‌شود: یک Deployment اصلی با Moduleهای مستقل، قرارداد روشن و Database Schemaهای تفکیک‌شده. Worker جدا برای Ingestion، محاسبات سنگین و آموزش مدل اجرا می‌شود. در صورت رشد بار، MarketData، MachineLearning و AI به سرویس مستقل قابل استخراج‌اند.

پروژه	مسئولیت
AIFundAdvisor.Domain	Aggregateها، Entityها، Value Objectها، Domain Eventها و Ruleهای خالص.
AIFundAdvisor.Application	CQRS، Use Caseها، Validation، Authorization و قرارداد Repository.
AIFundAdvisor.Contracts	DTOها، API Contracts و Integration Eventها.
AIFundAdvisor.DataAccess	DbContext، Mapping، Migration، Repository و UnitOfWork.
AIFundAdvisor.MarketData	Adapterها، Normalization، کنترل کیفیت و Ingestion.
AIFundAdvisor.Analytics	Technical Indicator، Risk، Valuation و Formula Engine.
AIFundAdvisor.MachineLearning	Feature Engineering، Training، Evaluation، Registry و Serving.
AIFundAdvisor.AI	Conversation، RAG، Tool Gateway، Prompt Policy و Grounding.
AIFundAdvisor.Infrastructure	Cache، Queue، Scheduler، Storage، Notification و Observability.
AIFundAdvisor.Api	REST API، Authentication، Rate Limit، OpenAPI و Health Check.
AIFundAdvisor.Worker	Jobهای دریافت داده، محاسبه، Retraining، Alert و گزارش.
AIFundAdvisor.Tests	Unit، Integration، Contract، Backtest و Data Quality Tests.

فناوری‌های پیشنهادی

بخش	پیشنهاد
Backend	.NET 9 یا نسخه LTS سازمان، ASP.NET Core، EF Core، MediatR/CQRS.
Database	SQL Server یا PostgreSQL؛ جداول Snapshot با Index و Partition مناسب.
Cache	Redis برای آخرین Snapshot، Compare Result و Session محدود.
Jobs	Quartz.NET یا Hangfire برای زمان‌بندی؛ Queue برای محاسبات و Training.
Storage	Object Storage برای مدل، Dataset Snapshot، اسناد و گزارش.
Realtime	SignalR برای تغییر سیگنال، Progress Job و هشدار.
Observability	OpenTelemetry، Structured Logging، Metrics و Trace.
Frontend	React/Next.js یا Blazor؛ نمودار مالی با کتابخانه دارای مجوز مناسب.

مدل دامنه و موجودیت‌ها

موجودیت	کارکرد
Fund	مشخصات صندوق، نوع، نماد، وضعیت، مدیر و تنظیمات.
FundType	نوع صندوق و مجموعه شاخص‌ها/قواعد پیش‌فرض.
NavSnapshot	NAV صدور، ابطال، آماری، واحدها، AUM و زمان.
MarketSnapshot	قیمت، OHLC، حجم، ارزش، Spread و زمان.
IndicatorDefinition	کد، واحد، فرمول، پارامتر، نسخه، وابستگی و تناوب.
IndicatorValue	مقدار شاخص برای صندوق/بازار در زمان مشخص.
ValuationSnapshot	ReferenceNAV، IndicativeValue، Bubble و کیفیت.
ForecastModel	نوع مدل، نسخه، Dataset، Feature Schema و وضعیت.
ModelMetric	MAE، RMSE، F1، Backtest و معیار پذیرش.
Prediction	افق، مقدار، بازه، جهت، اطمینان و نسخه مدل.
SignalPolicy	وزن‌ها، آستانه‌ها، قیدهای ریسک و نسخه.
Signal	Action، Score، Confidence، Reasons و Invalidation.
FundComparison	مجموعه صندوق‌ها، معیارها، وزن‌ها و رتبه‌ها.
Recommendation	پروفایل، Candidateها، دلایل، هشدارها و زمان.
RiskProfile	هدف، افق، تحمل ریسک، نقدشوندگی و محدودیت.
AlertRule	شرط هشدار، کانال، Cooldown و وضعیت.
AIConversation	کاربر، Context، پیام‌ها، Tool Calls و منابع.
DataSource	Provider، Credential Reference، Mapping، SLA و وضعیت.
AuditLog	عملیات، Actor، زمان، قبل/بعد و CorrelationId.

Aggregateهای پیشنهادی

Fund Aggregate: Fund، تنظیمات، منابع و شاخص‌های فعال.
Indicator Catalog Aggregate: تعریف، نسخه و وابستگی فرمول‌ها.
Model Aggregate: نسخه مدل، متریک، وضعیت تأیید و Artifact.
Signal Aggregate: Policy، Signal و دلایل تولید.
Recommendation Aggregate: Profile Snapshot، Ranking و خروجی قابل توضیح.

Use Caseهای سیستم

شناسه	بازیگر	Use Case	نتیجه
UC-01	مدیر داده	ثبت صندوق جدید	Fund و تنظیمات پایه ایجاد می‌شود.
UC-02	مدیر داده	اتصال منبع NAV	Adapter و Mapping فعال می‌شود.
UC-03	Worker	دریافت NAV روزانه	NavSnapshot معتبر ذخیره می‌شود.
UC-04	Worker	دریافت قیمت و معاملات	MarketSnapshot ذخیره می‌شود.
UC-05	مدیر داده	اصلاح داده مشکوک	نسخه اصلاحی با Audit ثبت می‌شود.
UC-06	تحلیلگر	تعریف شاخص سفارشی	IndicatorDefinition نسخه‌دار ایجاد می‌شود.
UC-07	Worker	محاسبه شاخص‌های تاریخی	IndicatorValueها تولید می‌شوند.
UC-08	تحلیلگر	مشاهده ارزش واقعی و حباب	ValuationSnapshot و مبنای فرمول نمایش داده می‌شود.
UC-09	سرمایه‌گذار	مشاهده داشبورد صندوق	آخرین وضعیت، روند و کیفیت داده نمایش داده می‌شود.
UC-10	تحلیلگر	اجرای تحلیل تکنیکال	Featureها و Indicatorها محاسبه و نمایش داده می‌شوند.
UC-11	مدیر مدل	ساخت Dataset	نسخه Dataset و Feature Schema ثبت می‌شود.
UC-12	مدیر مدل	آموزش مدل SSA	Baseline تولید و ارزیابی می‌شود.
UC-13	مدیر مدل	آموزش FastTree	مدل Feature-based تولید می‌شود.
UC-14	مدیر مدل	اجرای Walk-forward Backtest	معیارهای عملکرد و ریسک ثبت می‌شود.
UC-15	مدیر مدل	انتشار مدل	مدل Approved به Active تبدیل می‌شود.
UC-16	Worker	پیش‌بینی دوره‌ای	Prediction زمان‌دار تولید می‌شود.
UC-17	Worker	تولید سیگنال	Signal با دلیل و اطمینان ذخیره می‌شود.
UC-18	تحلیلگر	بررسی علت سیگنال	سهم موتور‌ها و Featureها مشاهده می‌شود.
UC-19	سرمایه‌گذار	ساخت Watchlist	صندوق‌ها برای پایش ثبت می‌شوند.
UC-20	سرمایه‌گذار	تعریف هشدار	AlertRule فعال می‌شود.
UC-21	سرمایه‌گذار	مقایسه صندوق‌های هم‌نوع	جدول Ranking و دلایل نمایش داده می‌شود.
UC-22	سرمایه‌گذار	ثبت پروفایل ریسک	RiskProfile نسخه‌دار ایجاد می‌شود.
UC-23	سرمایه‌گذار	دریافت پیشنهاد متناسب	Recommendation با هشدار تناسب تولید می‌شود.
UC-24	کاربر	پرسش از دستیار AI	پاسخ Grounded با منابع داخلی ارائه می‌شود.
UC-25	تحلیلگر	تولید گزارش	گزارش PDF/Excel/HTML تولید می‌شود.
UC-26	مدیر سامانه	مدیریت نقش و مجوز	Role/Policy به‌روزرسانی می‌شود.
UC-27	مدیر سامانه	مشاهده Audit	تاریخچه عملیات و مدل‌ها قابل جستجو است.
UC-28	Worker	پایش Drift مدل	هشدار افت کیفیت یا تغییر توزیع ثبت می‌شود.
UC-29	مدیر مدل	Rollback مدل	نسخه فعال قبلی بازیابی می‌شود.
UC-30	مشتری API	دریافت سیگنال از API	خروجی مجاز و Rate-limited تحویل می‌شود.

سناریو تفصیلی: تولید سیگنال

Worker صندوق‌های فعال و Snapshotهای جدید را انتخاب می‌کند.
کیفیت و Freshness داده بررسی می‌شود؛ در صورت عدم کفایت، NoSignal تولید می‌شود.
Technical، Valuation، Forecast و RiskLiquidity Score محاسبه می‌شوند.
SignalPolicy فعال براساس نوع صندوق و افق بارگذاری می‌شود.
امتیاز و Confidence محاسبه، قیدهای سخت اعمال و Reasonها مرتب می‌شوند.
Signal با نسخه Policy، مدل، فرمول و DataAsOf ذخیره می‌شود.
در صورت تغییر مهم، Alert و Integration Event منتشر می‌شود.

سناریو تفصیلی: مقایسه و پیشنهاد

کاربر نوع صندوق، افق، ریسک و محدودیت را انتخاب می‌کند.
سیستم صندوق‌های واجد شرایط و داده کافی را فیلتر می‌کند.
معیارها نرمال‌سازی و امتیاز عمومی محاسبه می‌شود.
در صورت وجود پروفایل، وزن‌ها و قیدهای تناسب اعمال می‌شوند.
Top Candidates همراه دلایل، نقاط ضعف و حساسیت نمایش داده می‌شوند.
کاربر می‌تواند وزن‌ها را تغییر دهد و تفاوت رتبه را مشاهده کند.

APIهای پیشنهادی

Method	Endpoint	کاربرد
GET	/api/funds	فهرست صندوق‌ها و فیلتر نوع/وضعیت.
GET	/api/funds/{id}/overview	نمای کلی آخرین داده و کیفیت.
GET	/api/funds/{id}/nav	تاریخچه NAV.
GET	/api/funds/{id}/market	قیمت و معاملات.
GET	/api/funds/{id}/indicators	شاخص‌ها با کد و بازه.
GET	/api/funds/{id}/valuation	قیمت واقعی/تخمینی و حباب.
GET	/api/funds/{id}/predictions	پیش‌بینی‌ها و نسخه مدل.
GET	/api/funds/{id}/signals/latest	آخرین سیگنال و دلایل.
POST	/api/comparisons	مقایسه چند صندوق هم‌نوع.
POST	/api/recommendations	تولید پیشنهاد متناسب با پروفایل.
POST	/api/assistant/chat	گفتگو با دستیار و Tool Call داخلی.
POST	/api/alerts	تعریف هشدار کاربر.
POST	/api/admin/indicator-definitions	تعریف/نسخه جدید شاخص.
POST	/api/admin/models/train	شروع Job آموزش.
POST	/api/admin/models/{id}/activate	تأیید و فعال‌سازی مدل.
GET	/api/admin/data-quality	وضعیت منابع و کیفیت داده.

نمونه قرارداد سیگنال

{
  "fundId": "GOLD-FUND-A",
  "action": "Hold",
  "score": 18.4,
  "confidence": 0.68,
  "horizonBusinessDays": 5,
  "reasons": [{ 
    "code": "LOW_PREMIUM", 
    "impact": 0.22 
    },{ 
    "code": "POSITIVE_MEDIUM_TREND", 
    "impact": 0.18 
    },{ 
    "code": "WEAK_SHORT_MOMENTUM", 
    "impact": -0.16 
    }
  ],
  "riskLevel": "Medium",
  "dataAsOf": "2026-08-05T10:30:00+03:30",
  "modelVersion": "gold-return-v3.2",
  "policyVersion": "gold-medium-v1.4"
}

{
  "fundId": "GOLD-FUND-A",
  "action": "Hold",
  "score": 18.4,
  "confidence": 0.68,
  "horizonBusinessDays": 5,
  "reasons": [{ 
    "code": "LOW_PREMIUM", 
    "impact": 0.22 
    },{ 
    "code": "POSITIVE_MEDIUM_TREND", 
    "impact": 0.18 
    },{ 
    "code": "WEAK_SHORT_MOMENTUM", 
    "impact": -0.16 
    }
  ],
  "riskLevel": "Medium",
  "dataAsOf": "2026-08-05T10:30:00+03:30",
  "modelVersion": "gold-return-v3.2",
  "policyVersion": "gold-medium-v1.4"
}

امنیت، حاکمیت داده و حاکمیت مدل

کنترل	طراحی پیشنهادی
Authentication	OIDC/OAuth2، MFA برای مدیران و Session امن.
Authorization	RBAC + Policy براساس نقش، سازمان، صندوق و عملیات.
Secrets	استفاده از Secret Manager/Vault؛ عدم ذخیره Credential در appsettings.
Encryption	TLS، رمزنگاری داده حساس در حالت سکون و Masking.
Audit	ثبت عملیات حساس، تغییر فرمول، مدل، داده و دسترسی.
Data Lineage	ارتباط خروجی با Source، Snapshot، FormulaVersion و ModelVersion.
Model Approval	تفکیک نقش Trainer و Approver؛ انتشار با Gate.
AI Safety	Tool allow-list، Grounding، محدودیت داده و جلوگیری از Prompt Injection در اسناد.
Privacy	حداقل‌سازی داده پروفایل و امکان حذف/Export.
Availability	Retry، Circuit Breaker، Health Check و Backup/Restore آزموده‌شده.

حاکمیت مدل

هر مدل دارای Model Card شامل هدف، Dataset، Featureها، محدودیت، معیارها و مالک است.
مدل Draft، Validated، Approved، Active، Deprecated و Rejected دارد.
Feature Schema و Data Window بخشی از نسخه مدل‌اند.
پایش Drift، خطای واقعی، Coverage و تغییر رفتار سیگنال انجام می‌شود.
Rollback سریع و مقایسه Champion/Challenger در نظر گرفته می‌شود.

نقشه راه توسعه

فاز	خروجی
فاز ۰ – Foundation	Solution، CI/CD، امنیت پایه، مدل دامنه، Data Contract و Observability.
فاز ۱ – Data & Fund Core	مدیریت صندوق، Adapterها، NAV/Market Snapshot، کیفیت داده و داشبورد پایه.
فاز ۲ – Analytics	شاخص سفارشی، Technical/Risk، ارزش‌گذاری، حباب و گزارش.
فاز ۳ – ML.NET	Feature Pipeline، SSA، FastTree، Backtest، Registry و Serving.
فاز ۴ – Signal & Compare	Signal Policy، Explainability، Compare و Recommendation.
فاز ۵ – AI Assistant	Tool Gateway، RAG، گزارش زبان طبیعی و Guardrail.
فاز ۶ – Scale & Enterprise	API مشتری، Multi-tenant، Billing، SLA و استخراج سرویس‌های پرترافیک.

محتوای آماده معرفی در وب‌سایت

Fund AI Result

AIFundAdvisor؛ تحلیل هوشمند صندوق‌ها، از NAV تا تصمیم قابل توضیح

اطلاعات صندوق و بازار را یکجا ببینید، ارزش واقعی و حباب را بسنجید، روند آینده را با ML.NET پیش‌بینی کنید و صندوق‌های هم‌نوع را براساس بازده، ریسک و تناسب با هدف خود مقایسه کنید.

بخش امکانات

عنوان	متن
داده همیشه قابل رهگیری	هر مقدار با منبع، زمان و کیفیت داده نمایش داده می‌شود.
ارزش واقعی و حباب	فاصله قیمت بازار از NAV یا ارزش تخمینی را سریع تشخیص دهید.
شاخص‌های اختصاصی هر صندوق	برای صندوق طلا، ارز، اونس، طلای ۱۸ عیار و ترکیب دارایی را وارد تحلیل کنید.
پیش‌بینی با ML.NET	روند و بازه قیمت آینده را همراه معیارهای مدل و عدم‌قطعیت ببینید.
سیگنال قابل توضیح	خرید، نگهداری یا فروش؛ همراه امتیاز، اطمینان و دلیل.
مقایسه هوشمند	صندوق‌های هم‌نوع را با معیارهای یکسان و پروفایل ریسک مقایسه کنید.
دستیار AI	به زبان ساده سؤال بپرسید و پاسخ مستند از داده و تحلیل دریافت کنید.
گزارش و هشدار	تغییر سیگنال، حباب و رتبه را از دست ندهید.

پیام‌های اعتماد

نمایش زمان آخرین داده و وضعیت Freshness.
نمایش نسخه مدل و سطح اطمینان پیش‌بینی.
تفکیک روشن NAV رسمی از ارزش تخمینی سامانه.
عدم نمایش سیگنال در صورت کیفیت نامناسب داده.
ثبت کامل تاریخچه تغییر شاخص، مدل و Signal Policy.

SEO پیشنهادی

فیلد	محتوا
Meta Title	AIFundAdvisor \| تحلیل و مقایسه هوشمند صندوق‌های سرمایه‌گذاری
Meta Description	سامانه تحلیل صندوق با NAV، حباب، شاخص‌های تکنیکال، پیش‌بینی ML.NET، سیگنال قابل توضیح، مقایسه صندوق‌های هم‌نوع و دستیار AI.
Keywords	تحلیل صندوق سرمایه گذاری، مقایسه صندوق طلا، NAV صندوق، حباب صندوق، سیگنال صندوق، پیش بینی قیمت صندوق، ML.NET مالی، دستیار هوشمند سرمایه گذاری

پرسش‌های پرتکرار و منابع

پرسش	پاسخ
آیا سیگنال‌ها تضمینی هستند؟	خیر. سیگنال یک خروجی تحلیلی با سطح اطمینان و ریسک است و تضمین بازده نیست.
قیمت واقعی صندوق چگونه محاسبه می‌شود؟	براساس NAV رسمی یا ارزش تخمینی از دارایی‌های پایه؛ مبنا و زمان داده همیشه نمایش داده می‌شود.
آیا شاخص‌های صندوق طلا قابل تغییرند؟	بله. موتور شاخص Metadata-driven است و مدیر تحلیل می‌تواند شاخص، فرمول، پارامتر و نسخه تعریف کند.
ML.NET چه نقشی دارد؟	پیش‌بینی مقدار/بازده، جهت روند و ارزیابی مدل؛ سیگنال نهایی علاوه بر ML از ارزش‌گذاری، تکنیکال و ریسک استفاده می‌کند.
دستیار AI به اینترنت آزاد پاسخ می‌دهد؟	در طراحی پیشنهادی، پاسخ اصلی از Toolها، داده‌های داخلی و اسناد تأییدشده Ground می‌شود.
آیا امکان مقایسه صندوق‌های متفاوت وجود دارد؟	مقایسه اصلی بین صندوق‌های هم‌نوع است. مقایسه انواع متفاوت فقط با نرمال‌سازی و هشدار محدودیت انجام می‌شود.
در صورت داده ناقص چه می‌شود؟	Confidence کاهش می‌یابد یا NoSignal تولید می‌شود؛ سامانه نباید داده مفقود را بدون برچسب حدس بزند.

این مستند طراحی مفهومی است. انتخاب منبع داده، فرمول نهایی، آستانه سیگنال، الزامات حقوقی و معیارهای پذیرش مدل باید در تحلیل تفصیلی با مالک محصول، تحلیلگر مالی و مسئول تطبیق نهایی شود