دوره شبکه‌های توالی برای تحلیل سری‌های زمانی مالی: استراتژی‌های اثبات شده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های توالی برای تحلیل سری‌های زمانی مالی: استراتژی‌های اثبات شده

موضوع کلی: سرمایه‌گذاری کمی و معاملات الگوریتمی

موضوع میانی: کاربرد تحلیل شبکه‌های توالی (Sequence Network Analysis) در شناسایی الگوهای معاملاتی

📋 سرفصل‌های دوره

• 1. فصل اول: مقدمه‌ای بر سری‌های زمانی مالی
• 2. فصل دوم: مبانی شبکه‌های عصبی تکرارشونده (RNN)
• 3. فصل سوم: معماری‌های پیشرفته RNN
• 4. فصل چهارم: حافظه طولانی کوتاه‌مدت (LSTM)
• 5. فصل پنجم: واحدهای بازگشتی دروازه‌ای (GRU)
• 6. فصل ششم: مقایسه LSTM و GRU
• 7. فصل هفتم: شبکه‌های عصبی کانولوشنال (CNN) برای سری‌های زمانی
• 8. فصل هشتم: ترکیب CNN و RNN
• 9. فصل نهم: شبکه‌های عصبی ترنسفورمر (Transformer)
• 10. فصل دهم: مکانیسم توجه (Attention Mechanism)
• 11. فصل یافدهم: ترنسفورمرهای پیشرفته برای سری‌های زمانی
• 12. فصل دوازدهم: مدل‌های سری زمانی مبتنی بر گراف (GNN)
• 13. فصل سیزدهم: مفاهیم پایه شبکه‌های گراف
• 14. فصل چهاردهم: GNN برای سری‌های زمانی مالی
• 15. فصل پانزدهم: استخراج ویژگی از داده‌های سری زمانی مالی
• 16. فصل شانزدهم: شاخص‌های فنی در تحلیل سری زمانی
• 17. فصل هفدهم: الگوهای کلاسیک در سری‌های زمانی مالی
• 18. فصل هجدهم: تحلیل سری زمانی چند متغیره
• 19. فصل نوزدهم: روابط متقابل بین دارایی‌ها
• 20. فصل بیستم: مدل‌سازی نوسانات (Volatility Modeling)
• 21. فصل بیست و یکم: مدل‌های GARCH
• 22. فصل بیست و دوم: شبکه‌های عصبی برای مدل‌سازی نوسانات
• 23. فصل بیست و سوم: پیش‌بینی جهت حرکت قیمت
• 24. فصل بیست و چهارم: پیش‌بینی قیمت مطلق
• 25. فصل بیست و پنجم: ارزیابی عملکرد مدل‌های پیش‌بینی
• 26. فصل بیست و ششم: معیارهای ارزیابی پیش‌بینی سری زمانی
• 27. فصل بیست و هفتم: اعتبارسنجی متقابل (Cross-Validation) برای سری‌های زمانی
• 28. فصل بیست و هشتم: مدیریت ریسک با استفاده از مدل‌های توالی
• 29. فصل بیست و نهم: بهینه‌سازی پرتفوی با مدل‌های سری زمانی
• 30. فصل سی‌ام: استراتژی‌های معاملاتی الگوریتمی
• 31. فصل سی و یکم: پیاده‌سازی استراتژی‌های معاملاتی
• 32. فصل سی و دوم: مدیریت سفارشات
• 33. فصل سی و سوم: داده‌های سری زمانی مالی: منابع و کیفیت
• 34. فصل سی و چهارم: پیش‌پردازش داده‌ها: نرمال‌سازی و مقیاس‌بندی
• 35. فصل سی و پنجم: پیش‌پردازش داده‌ها: حذف نویز
• 36. فصل سی و ششم: پیش‌پردازش داده‌ها: مقادیر گمشده
• 37. فصل سی و هفتم: مهندسی ویژگی برای سری‌های زمانی مالی
• 38. فصل سی و هشتم: روش‌های کاهش ابعاد
• 39. فصل سی و نهم: تحلیل عاملی (Factor Analysis)
• 40. فصل چهلم: تجزیه و تحلیل مؤلفه‌های اصلی (PCA)
• 41. فصل چهل و یکم: مدل‌های یادگیری عمیق برای تحلیل ریسک
• 42. فصل چهل و دومم: تحلیل سری زمانی با استفاده از شبکه‌های عصبی گراف
• 43. فصل چهل و سوم: کاربرد شبکه‌های توالی در تشخیص ناهنجاری
• 44. فصل چهل و چهارم: تشخیص رفتار غیرعادی در بازارهای مالی
• 45. فصل چهل و پنجم: مدل‌سازی سری زمانی غیر ایستا (Non-Stationary Time Series)
• 46. فصل چهل و ششم: روش‌های آزمون ایستا بودن
• 47. فصل چهل و هفتم: مدل‌های تفاضلی (Differencing Models)
• 48. فصل چهل و هشتم: ترکیب مدل‌های کلاسیک و یادگیری عمیق
• 49. فصل چهل و نهم: شبکه‌های عصبی خودکار (Autoencoders) برای سری‌های زمانی
• 50. فصل پنجاهم: کاهش ابعاد با Autoencoders
• 51. فصل پنجاه و یکم: تولید سری زمانی مصنوعی
• 52. فصل پنجاه و دوم: شبکه‌های مولد تخاصمی (GANs) برای سری‌های زمانی
• 53. فصل پنجاه و سوم: کاربرد GANs در سری‌های زمانی مالی
• 54. فصل پنجاه و چهارم: یادگیری تقویتی (Reinforcement Learning) برای معاملات
• 55. فصل پنجاه و پنجم: معرفی یادگیری تقویتی
• 56. فصل پنجاه و ششم: عامل‌های یادگیری تقویتی برای معاملات
• 57. فصل پنجاه و هفتم: آموزش عامل‌های معاملاتی
• 58. فصل پنجاه و هشتم: مسائل مربوط به یادگیری تقویتی در معاملات
• 59. فصل پنجاه و نهم: تفسیرپذیری مدل‌های یادگیری عمیق
• 60. فصل شصتم: روش‌های XAI (Explainable AI)
• 61. فصل شصت و یکم: تفسیر ویژگی‌های مدل‌های سری زمانی
• 62. فصل شصت و دوم: توضیح پیش‌بینی‌ها
• 63. فصل شصت و سوم: ارزیابی ریسک پورتفولیو با استفاده از شبکه‌های توالی
• 64. فصل شصت و چهارم: مدل‌سازی همبستگی دینامیک
• 65. فصل شصت و پنجم: پیش‌بینی شکست بازار (Market Crashes)
• 66. فصل شصت و ششم: علائم هشداردهنده در سری‌های زمانی
• 67. فصل شصت و هفتم: پیش‌بینی ریسک اعتباری
• 68. فصل شصت و هشتم: مدل‌سازی پیش‌فرض (Default Modeling)
• 69. فصل شصت و نهم: تحلیل احساسات (Sentiment Analysis)
• 70. فصل هفتادم: داده‌های متنی و سری‌های زمانی مالی
• 71. فصل هفتاد و یکم: ترکیب تحلیل احساسات با مدل‌های توالی
• 72. فصل هفتاد و دوم: بهینه‌سازی هایپرپارامتر (Hyperparameter Tuning)
• 73. فصل هفتاد و سوم: روش‌های Grid Search و Random Search
• 74. فصل هفتاد و چهارم: بهینه‌سازی بیزین (Bayesian Optimization)
• 75. فصل هفتاد و پنجم: جلوگیری از بیش‌برازش (Overfitting)
• 76. فصل هفتاد و ششم: تکنیک‌های تنظیم (Regularization)
• 77. فصل هفتاد و هفتم: توقف زودهنگام (Early Stopping)
• 78. فصل هفتاد و هشتم: مسائل مربوط به داده‌های سری زمانی بزرگ
• 79. فصل هفتاد و نهم: پردازش توزیع شده
• 80. فصل هشتادم: استفاده از GPU و TPU
• 81. فصل هشتاد و یکم: مدل‌های سری زمانی ترتیبی (Sequential Models) در مقابل مدل‌های دسته‌ای (Batch Models)
• 82. فصل هشتاد و دوم: کاربردهای خاص در بازارهای مختلف
• 83. فصل هشتاد و سوم: تحلیل سری‌های زمانی ارز دیجیتال
• 84. فصل هشتاد و چهارم: تحلیل سری‌های زمانی کالاها
• 85. فصل هشتاد و پنجم: تحلیل سری‌های زمانی اوراق قرضه
• 86. فصل هشتاد و ششم: مدل‌سازی سری زمانی سریالی در بلاکچین
• 87. فصل هشتاد و هفتم: امنیت در مدل‌های یادگیری عمیق سری زمانی
• 88. فصل هشتاد و هشتم: حملات به مدل‌های سری زمانی
• 89. فصل هشتاد و نهم: دفاع در برابر حملات
• 90. فصل نودم: آینده شبکه‌های توالی برای تحلیل سری‌های زمانی مالی
• 91. فصل نود و یکم: روندهای تحقیقاتی جدید
• 92. فصل نود و دوم: هوش مصنوعی مولد در امور مالی
• 93. فصل نود و سوم: تعامل انسان و ماشین در تصمیم‌گیری مالی
• 94. فصل نود و چهارم: پیاده‌سازی در محیط‌های واقعی
• 95. فصل نود و پنجم: چالش‌ها و ملاحظات عملی
• 96. فصل نود و ششم: ملاحظات اخلاقی در مدل‌سازی مالی
• 97. فصل نود و هفتم: مقررات و رعایت قوانین
• 98. فصل نود و هشتم: ارزیابی اثربخشی بلندمدت مدل‌ها
• 99. فصل نود و نهم: درس‌های آموخته شده
• 100. فصل صدم: مسیرهای تحقیقاتی آینده