مدیریت مالی در سال ۲۰۳۰؛ دانشگاه‌های برتر دنیا چه چیزی می‌آموزند؟

نشان تجارت - ملیحه مشتاقی، کارشناس ارشد بازارهای مالی: مدیریت مالی دیگر فقط درباره پول نیست، درباره داده، هوش مصنوعی و فناوری است. اگر از یک دانشجوی مدیریت مالی در گذشته درباره مهم‌ترین مهارت‌های موردنیازش سؤال می‌کردیم، احتمالاً پاسخ‌هایی مانند تحلیل صورت‌های مالی، ارزش‌گذاری شرکت‌ها، مدیریت سرمایه‌گذاری، مدیریت ریسک و تأمین مالی را می‌شنیدیم. این مهارت‌ها همچنان مهم‌اند، اما در بهترین دانشگاه‌های جهان، تعریف «Finance» به‌سرعت در حال تغییر است.

نگاهی به برنامه‌های آموزشی سال ۲۰۲۶ دانشگاه‌هایی مانندMIT ،Wharton ،Stanford ،Oxford : Chicago Booth و NYU Stern نشان می‌دهد که مدیریت مالی در حال پیوند خوردن با حوزه‌هایی است که تا همین چند سال پیش بیشتر متعلق به رشته‌های مهندسی و علوم کامپیوتر بودند: هوش مصنوعی، یادگیری ماشین، علم داده، برنامه‌نویسی و محاسبات.

برای مثال، در برنامه Master of Finance دانشگاه MIT، در کنار دروس کلاسیک مالی، آموزش Python، تحلیل داده‌های مالی، یادگیری ماشین و حتی درسی با عنوان «AI and Money» قرار گرفته است. این درس مشخصاً بررسی می‌کند که هوش مصنوعی و هوش مصنوعی مولد چگونه مدیریت دارایی، معاملات، اعتباردهی، عملکرد واحدهای مالی، تعامل با مشتری و کامپلاینس را تغییر می‌دهند.

در Wharton نیز Data Science for Finance با استفاده از Python به دانشجویان آموزش داده می‌شود و کاربرد علم داده از مدیریت سرمایه‌گذاری و FinTech تا Corporate Finance، حاکمیت شرکتی، سرمایه‌گذاری خطرپذیر و Private Equity دنبال می‌شود. حتی در دوره کارشناسی Finance این دانشگاه، یک مسیر مشخص برای Quantitative Finance وجود دارد.

در Oxford این تغییر شاید از همه آشکارتر باشد. برنامه Mathematical & Computational Finance این دانشگاه، آموزش Finance را بر چهار پایه استوار می‌کند: ریاضیات کاربردی، Machine Learning، علوم کامپیوتر و Finance. دانشجویان باPython ،C++ ،PyTorch ، Deep Learning، روش‌های عددی و مدل‌سازی مالی در کنار موضوعاتی مانند مشتقات، درآمد ثابت و DeFi کار می‌کنند.

حتی در NYU Stern نیز FinTech دیگر یک موضوع حاشیه‌ای نیست. در برنامه‌های این دانشگاه موضوعاتی مانند AI in Finance، ارزهای دیجیتال، Blockchain ،DeFi ،Robo-Advisory و Systematic Trading در کنار Finance قرار گرفته‌اند. کنفرانس FinTech این دانشگاه در سال ۲۰۲۶ نیز موضوعاتی مانند Stablecoin ،Tokenization ،Prediction Markets و سیاست‌گذاری AI را بررسی کرده است.

سه تغییر بزرگ در Finance

از کنار هم گذاشتن این نمونه‌ها می‌توان سه تغییر اساسی را مشاهده کرد.

اول: Finance داده‌محور و محاسباتی شده است.

مدیر مالی آینده فقط کسی نیست که بتواند یک مدل Excel بسازد. او باید بتواند داده‌های بزرگ را تحلیل کند، با ابزارهای برنامه‌نویسی کار کند و بداند یک مدل یادگیری ماشین چگونه ساخته و ارزیابی می‌شود. در واقع، مرز میان Finance و Data Science در حال کمرنگ شدن است.

دوم: هوش مصنوعی از یک ابزار به بخشی از دانش مالی تبدیل شده است.

بحث دیگر صرفاً استفاده از ChatGPT برای تهیه گزارش نیست. AI در حال ورود به ارزش‌گذاری، تحلیل اطلاعات شرکت‌ها، مدیریت پرتفوی، اعتبارسنجی، مدیریت ریسک، معاملات و حتی تصمیم‌گیری مالی است. پژوهش‌های جدید دانشگاهی نیز به سراغ استفاده از مدل‌های AI و Agentic AI در قیمت‌گذاری دارایی‌ها و تحلیل اطلاعات بازار رفته‌اند.

سوم: خود بازارهای مالی در حال تغییرند.

Tokenization ،Digital Assets ،Stablecoins ،DeFi ،Robo-Advisory و بازارهای خصوصی دیگر صرفاً موضوعاتی برای علاقه‌مندان به فناوری نیستند. آن‌ها به بخشی از بحث اصلی درباره آینده صنعت مالی تبدیل شده‌اند. به همین دلیل است که دانشگاه‌هایی مانند NYU ،MIT و Oxford این موضوعات را وارد برنامه‌های رسمی و پژوهشی خود کرده‌اند.

مدیر مالی سال ۲۰۳۰ چه کسی است؟

نتیجه این تحولات، حذف Finance سنتی نیست. اتفاقاً دانشجوی آینده همچنان باید ارزش‌گذاری، بازار سرمایه، مدیریت ریسک، Corporate Finance و سرمایه‌گذاری را به‌خوبی بداند، اما به این مجموعه، یک لایه جدید اضافه شده است:

Finance + Data + AI + Technology

مدیر مالی آینده باید بتواند هم زبان مدیرعامل و سرمایه‌گذار را بفهمد و هم زبان داده و فناوری را. مدیر سرمایه‌گذاری نیز علاوه بر تحلیل اقتصادی و مالی، باید بتواند کیفیت داده، مدل‌های الگوریتمی و ریسک تصمیم‌گیری مبتنی بر AI را ارزیابی کند.

این تغییر حتی در سطح پژوهش دانشگاهی نیز کاملاً قابل مشاهده است. برای نمونه، گروه Mathematical & Computational Finance دانشگاه Oxford در پژوهش‌های ۲۰۲۶ خود موضوعاتی مانند Machine Learning، مدل‌سازی داده‌محور، High-Frequency Modeling AI و Tokenized Securities را دنبال می‌کند.

ایران کجای این مسیر ایستاده است؟

در ایران همچنان بخش قابل‌توجهی از آموزش مدیریت مالی بر همان ستون‌های کلاسیک استوار است؛ مدیریت مالی، سرمایه‌گذاری، بازار پول و سرمایه، تحلیل صورت‌های مالی، مدیریت ریسک، اقتصادسنجی مالی و مباحث مشابه.

برای مثال، در برنامه‌های منتشرشده برای کارشناسی مدیریت مالی، دروسی مانند مدیریت سرمایه‌گذاری، مهندسی مالی، بازار پول و سرمایه، اقتصادسنجی مالی و سیستم‌های اطلاعاتی مالی دیده می‌شود؛ در مقطع کارشناسی ارشد نیز محورهایی مانند مدیریت مالی پیشرفته، تحلیل صورت‌های مالی، مدیریت سرمایه‌گذاری، بازار پول و سرمایه و پژوهش عملیاتی وجود دارد.

مسئله این نیست که این دروس دیگر کاربرد ندارند. مسئله این است که لایه جدید Finance هنوز به اندازه کافی در کنار آن‌ها قرار نگرفته است: برنامه‌نویسی، Data Science ،Machine Learning، کاربردهای AI در سرمایه‌گذاری، FinTech ،Digital Assets و مدیریت ریسک مدل‌های هوش مصنوعی.

نکته مهم این است که این فاصله، صرفاً یک فاصله آموزشی نیست؛ در آینده می‌تواند به فاصله میان نیروی انسانی صنعت مالی ایران و نیروی انسانی بازارهای مالی پیشرفته تبدیل شود.

مدیریت مالی ۲۰۳۰ در ایران

اگر قرار باشد امروز رشته مدیریت مالی را برای سال ۲۰۳۰ طراحی کنیم، نباید Finance سنتی را کنار بگذاریم؛ بلکه باید آن را به‌روز کنیم.

دانشجوی آینده باید در کنار مبانی مالی، آمار و اقتصادسنجی قوی، Python و تحلیل داده، هوش مصنوعی و Machine Learning، FinTech، بازارهای خصوصی و دارایی‌های دیجیتال را نیز بشناسد. چنین تغییری می‌تواند آموزش مالی را از حفظ کردن مدل‌ها و نظریه‌ها به سمت حل مسئله با داده و فناوری حرکت دهد.