دوره پیاده‌سازی مدل‌های مالی و تحلیل کمی با پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب پیاده‌سازی مدل‌های مالی و تحلیل کمی با پایتون

موضوع کلی: تحلیل کمی مالی با پایتون

موضوع میانی: مدل‌سازی و تحلیل مالی با پایتون

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر پایتون برای امور مالی
• 2. نصب و پیکربندی محیط پایتون
• 3. آشنایی با Jupyter Notebook
• 4. انواع داده‌های مالی و ساختارهای پایتون
• 5. لیست‌ها، تاپل‌ها، مجموعه‌ها و دیکشنشنری‌ها در پایتون
• 6. آشنایی با NumPy برای محاسبات عددی
• 7. عملیات برداری با NumPy
• 8. آرایه‌های چندبعدی NumPy
• 9. عملیات ماتریسی با NumPy
• 10. آشنایی با Pandas برای تحلیل داده
• 11. ساخت Series و DataFrame در Pandas
• 12. عملیات پایه با DataFrame
• 13. انتخاب و فیلتر کردن داده‌ها در DataFrame
• 14. مدیریت داده‌های گم‌شده (Missing Data)
• 15. گروه‌بندی و تجمیع داده‌ها (Grouping and Aggregation)
• 16. ادغام و پیوستن DataFrameها (Merging and Joining)
• 17. کار با داده‌های سری زمانی (Time Series Data)
• 18. بارگذاری و ذخیره داده‌های مالی
• 19. کار با فایل‌های CSV و Excel
• 20. استفاده از کتابخانه yfinance برای دانلود داده‌های سهام
• 21. مقدمه‌ای بر تحلیل آماری داده‌های مالی
• 22. محاسبه معیارهای آماری توصیفی
• 23. هیستوگرام و نمودارهای توزیع
• 24. مقدمه‌ای بر مفاهیم مدل‌سازی مالی
• 25. مدل‌سازی بازده ساده و لگاریتمی
• 26. محاسبه بازده روزانه، ماهانه و سالانه
• 27. مدل‌سازی ریسک پرتفوی
• 28. مقدمه‌ای بر میانگین و واریانس پرتفوی
• 29. محاسبه کوواریانس و همبستگی
• 30. مدل Markowitz و بهینه‌سازی پرتفوی
• 31. محاسبه مرز کارا (Efficient Frontier)
• 32. پیدا کردن پرتفوی با حداقل واریانس
• 33. پیدا کردن پرتفوی با حداکثر نسبت شارپ
• 34. کار با الگوریتم‌های بهینه‌سازی در پایتون
• 35. استفاده از SciPy برای بهینه‌سازی
• 36. مقدمه‌ای بر مدل‌های قیمت‌گذاری دارایی
• 37. مدل CAPM (Capital Asset Pricing Model)
• 38. تخمین بتای سهام
• 39. تحلیل رگرسیون خطی ساده
• 40. تفسیر نتایج رگرسیون CAPM
• 41. مدل APT (Arbitrage Pricing Theory)
• 42. مقدمه‌ای بر مدل‌های سری زمانی
• 43. مدل‌های AR (Autoregressive)
• 44. مدل‌های MA (Moving Average)
• 45. مدل‌های ARMA (Autoregressive Moving Average)
• 46. مدل‌های ARIMA (Autoregressive Integrated Moving Average)
• 47. تشخیص ایستایی (Stationarity) سری‌های زمانی
• 48. آزمون‌های ایستایی (مانند ADF)
• 49. تعیین مرتبه مدل‌های ARIMA (ACF و PACF)
• 50. برازش مدل‌های ARIMA
• 51. پیش‌بینی با مدل‌های ARIMA
• 52. ارزیابی مدل‌های سری زمانی
• 53. مقدمه‌ای بر مدل‌های شرطی واریانس
• 54. مدل ARCH (Autoregressive Conditional Heteroskedasticity)
• 55. مدل GARCH (Generalized Autoregressive Conditional Heteroskedasticity)
• 56. برازش مدل‌های GARCH
• 57. پیش‌بینی واریانس شرطی
• 58. کار با داده‌های اختیاری (Options Data)
• 59. مفهوم اختیار خرید و فروش
• 60. مدل Black-Scholes-Merton
• 61. محاسبه قیمت اختیار با Black-Scholes
• 62. تحلیل حساسیت اختیار (Greeks)
• 63. مقدمه‌ای بر شبیه‌سازی مونت کارلو
• 64. اصول شبیه‌سازی مونت کارلو
• 65. تولید اعداد تصادفی
• 66. شبیه‌سازی مسیر قیمت سهام
• 67. شبیه‌سازی پرتفوی با مونت کارلو
• 68. محاسبه ارزش در معرض ریسک (VaR) با مونت کارلو
• 69. مقدمه‌ای بر تحلیل ریسک اعتباری
• 70. مدل‌های ساده ریسک اعتباری
• 71. محاسبه احتمال نکول (Probability of Default)
• 72. مقدمه‌ای بر تحلیل کمی سرمایه‌گذاری
• 73. محاسبه معیارهای عملکرد سرمایه‌گذاری (IRR, NPV)
• 74. تحلیل حساسیت در مدل‌های مالی
• 75. تجسم داده‌های مالی با Matplotlib
• 76. رسم نمودارهای خطی، میله‌ای و پراکندگی
• 77. سفارشی‌سازی نمودارها
• 78. تجسم داده‌های سری زمانی
• 79. استفاده از Seaborn برای نمودارهای آماری
• 80. مقدمه‌ای بر یادگیری ماشین برای امور مالی
• 81. کاربرد یادگیری ماشین در پیش‌بینی قیمت
• 82. کاربرد یادگیری ماشین در تشخیص تقلب
• 83. معرفی مدل‌های ساده یادگیری ماشین (رگرسیون خطی)
• 84. آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین
• 85. تقسیم داده‌ها به مجموعه آموزش و تست
• 86. ارزیابی مدل‌های یادگیری ماشین
• 87. مقدمه‌ای بر بهینه‌سازی پرتفوی پیشرفته
• 88. روش‌های بهینه‌سازی غیرخطی
• 89. بهینه‌سازی با محدودیت‌ها
• 90. پیاده‌سازی روش‌های مدرن بهینه‌سازی
• 91. مقدمه‌ای بر تحلیل داده‌های جایگزین (Alternative Data)
• 92. جمع‌آوری و پردازش داده‌های جایگزین
• 93. کاربرد داده‌های جایگزین در امور مالی
• 94. مقدمه‌ای بر بلاک‌چین و ارزهای دیجیتال
• 95. مفاهیم پایه بلاک‌چین
• 96. تحلیل داده‌های بلاک‌چین با پایتون
• 97. مقدمه‌ای بر بازارهای الگوریتمی (Algorithmic Trading)
• 98. اصول طراحی ربات‌های معاملاتی
• 99. پیاده‌سازی استراتژی‌های ساده معاملاتی
• 100. بک‌تستینگ (Backtesting) استراتژی‌ها