دوره مدل‌سازی ریسک سیستماتیک با استفاده از داده‌های شبکه‌های اجتماعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی ریسک سیستماتیک با استفاده از داده‌های شبکه‌های اجتماعی

موضوع کلی: سرمایه‌گذاری کمی و معاملات الگوریتمی

موضوع میانی: استفاده از داده‌های ماهواره‌ای، رفتاری، شبکه‌های اجتماعی و غیره

📋 سرفصل‌های دوره

• 1. مقدمه: ریسک سیستماتیک در بازارهای مالی
• 2. اهمیت مدل‌سازی ریسک سیستماتیک
• 3. تعریف و مفاهیم کلیدی ریسک سیستماتیک
• 4. رویکردهای سنتی مدل‌سازی ریسک سیستماتیک
• 5. معرفی داده‌های شبکه‌های اجتماعی
• 6. ویژگی‌های داده‌های شبکه‌های اجتماعی برای تحلیل ریسک
• 7. چالش‌های استفاده از داده‌های شبکه‌های اجتماعی
• 8. مبانی نظری مدل‌سازی ریسک سیستماتیک
• 9. تئوری پرتفوی مدرن و ریسک سیستماتیک
• 10. مدل قیمت‌گذاری دارایی سرمایه‌ای (CAPM)
• 11. مدل فاکتور چندگانه
• 12. مدل ریسک آربیتراژ (APT)
• 13. تحلیل عاملی اکتشافی
• 14. تحلیل عاملی تأییدی
• 15. انواع ریسک سیستماتیک
• 16. ریسک بازار
• 17. ریسک نرخ بهره
• 18. ریسک تورم
• 19. ریسک نرخ ارز
• 20. ریسک ژئوپلیتیکی
• 21. ریسک عملیاتی
• 22. ریسک اعتباری
• 23. ریسک نقدینگی
• 24. ریسک مدل
• 25. ریسک قانونی
• 26. ریسک شهرت
• 27. ریسک سایبری
• 28. ریسک سیستمیک
• 29. پتانسیل داده‌های شبکه‌های اجتماعی در شناسایی ریسک
• 30. احساسات بازار و تأثیر آن بر ریسک
• 31. تحلیل احساسات (Sentiment Analysis)
• 32. روش‌های تحلیل احساسات مبتنی بر متن
• 33. تحلیل احساسات در توییتر
• 34. تحلیل احساسات در فیس‌بوک
• 35. تحلیل احساسات در ردیت
• 36. مدل‌های پیشرفته تحلیل احساسات
• 37. پردازش زبان طبیعی (NLP)
• 38. تکنیک‌های استخراج ویژگی از متن
• 39. مدل‌های زبانی بزرگ (LLMs)
• 40. استفاده از LLMs در تحلیل احساسات
• 41. شناسایی موضوعات (Topic Modeling)
• 42. الگوریتم‌های موضوع‌شناسی مانند LDA
• 43. مدل‌سازی موضوع بر اساس داده‌های شبکه‌های اجتماعی
• 44. ارتباط موضوعات با ریسک سیستماتیک
• 45. شبکه‌های اجتماعی به عنوان شاخص
• 46. شاخص‌های مبتنی بر شبکه‌های اجتماعی
• 47. شاخص‌های احساسات بازار
• 48. شاخص‌های فعالیت و تعامل
• 49. شاخص‌های جریان اطلاعات
• 50. ساخت شاخص‌های پیشرو برای ریسک سیستماتیک
• 51. اعتبار سنجی شاخص‌های مبتنی بر شبکه‌های اجتماعی
• 52. مدل‌سازی داده‌های سری زمانی
• 53. مدل‌های ARIMA
• 54. مدل‌های GARCH
• 55. مدل‌های VAR
• 56. مدل‌سازی ریسک سیستماتیک با استفاده از سری زمانی
• 57. استفاده از داده‌های شبکه‌های اجتماعی در مدل‌های سری زمانی
• 58. پیش‌بینی ریسک سیستماتیک با مدل‌های ترکیبی
• 59. مدل‌های یادگیری ماشین
• 60. ماشین بردار پشتیبان (SVM)
• 61. جنگل تصادفی (Random Forest)
• 62. شبکه‌های عصبی کانولوشنال (CNN)
• 63. شبکه‌های عصبی بازگشتی (RNN)
• 64. حافظه طولانی کوتاه مدت (LSTM)
• 65. شبکه‌های عصبی ترنسفورمر (Transformer)
• 66. کاربرد شبکه‌های عصبی در مدل‌سازی ریسک
• 67. مدل‌سازی ریسک سیستماتیک با استفاده از یادگیری عمیق
• 68. شناسایی الگوهای پیچیده در داده‌ها
• 69. یادگیری نمایش‌های نهفته (Latent Representations)
• 70. مدل‌سازی ریسک با استفاده از گراف شبکه‌های اجتماعی
• 71. تحلیل شبکه‌ها (Network Analysis)
• 72. شاخص‌های مرکزیتی (Centrality Measures)
• 73. ارتباطات بین کاربران و نهادها
• 74. مدل‌سازی انتشار اطلاعات و تأثیر آن
• 75. مدل‌سازی ریسک سیستماتیک بر اساس ساختار شبکه‌
• 76. تجزیه و تحلیل عوامل تأثیرگذار بر ریسک
• 77. رگرسیون خطی
• 78. رگرسیون لجستیک
• 79. مدل‌های خطی تعمیم‌یافته (GLMs)
• 80. مدل‌سازی ریسک با استفاده از GLMs
• 81. تفسیر ضرایب مدل
• 82. ارزیابی عملکرد مدل
• 83. معیارهای دقت (Accuracy)
• 84. معیارهای صحت (Precision) و بازیابی (Recall)
• 85. امتیاز F1
• 86. منحنی ROC و AUC
• 87. اعتبارسنجی متقابل (Cross-validation)
• 88. کالیبراسیون مدل
• 89. مدل‌سازی ریسک سیستماتیک در بازارهای نوظهور
• 90. تفاوت‌های فرهنگی و زبانی در داده‌های شبکه‌های اجتماعی
• 91. چالش‌های جمع‌آوری و پاکسازی داده‌ها
• 92. تأثیر رسانه‌های خبری و تحلیلگران
• 93. ملاحظات اخلاقی و حریم خصوصی
• 94. امنیت داده‌ها
• 95. مدیریت ریسک ناشی از استفاده از داده‌های شبکه‌های اجتماعی
• 96. مدیریت پرتفوی با در نظر گرفتن ریسک سیستماتیک
• 97. استراتژی‌های پوشش ریسک
• 98. تأثیر بر تصمیم‌گیری سرمایه‌گذاری
• 99. مطالعات موردی: کاربرد مدل‌ها
• 100. مثال ۱: بحران مالی ۲۰۱۸