دوره تحلیل سری‌های زمانی با استفاده از بیگ دیتا در بازارهای مالی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل سری‌های زمانی با استفاده از بیگ دیتا در بازارهای مالی

موضوع کلی: سرمایه‌گذاری کمی و معاملات الگوریتمی

موضوع میانی: کاربرد داده‌های حجیم در شناسایی فرصت‌های معاملاتی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی و اهمیت آن‌ها در بازارهای مالی
• 2. مبانی تحلیل سری‌های زمانی: مفاهیم پایه و واژگان کلیدی
• 3. شناخت انواع سری‌های زمانی: ایستا و ناایستا
• 4. مدل‌سازی پایه سری‌های زمانی: میانگین متحرک (MA)
• 5. مدل‌سازی پایه سری‌های زمانی: خودرگرسیون (AR)
• 6. مدل‌های ترکیبی: ARMA
• 7. مدل‌های تفاضل‌گیری: ARIMA
• 8. تشخیص و مدل‌سازی سری‌های ناایستا با ARIMA
• 9. بررسی فروپاشی سری‌های زمانی و روش‌های اصلاح آن
• 10. تحلیل مؤلفه‌های سری زمانی: روند (Trend)
• 11. تحلیل مؤلفه‌های سری زمانی: فصلیت (Seasonality)
• 12. تحلیل مؤلفه‌های سری زمانی: نوسان (Cyclicality)
• 13. تحلیل مؤلفه‌های سری زمانی: باقی‌مانده (Residual)
• 14. روش‌های تفکیک مؤلفه‌های سری زمانی
• 15. مقدمه‌ای بر بیگ دیتا و کاربرد آن در تحلیل مالی
• 16. ویژگی‌های بیگ دیتا: حجم، سرعت، تنوع، صحت، ارزش
• 17. ابزارهای بیگ دیتا برای تحلیل سری‌های زمانی
• 18. مبانی ذخیره‌سازی و پردازش بیگ دیتا: Hadoop
• 19. مبانی ذخیره‌سازی و پردازش بیگ دیتا: Spark
• 20. مبانی شبکه‌های عصبی در یادگیری ماشین
• 21. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 22. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 23. شبکه‌های حافظه طولانی کوتاه مدت (GRU)
• 24. کاربرد LSTM و GRU در پیش‌بینی سری‌های زمانی
• 25. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 26. مدل‌های کانولوشونی (CNN) برای داده‌های سری زمانی
• 27. کاربرد CNN در استخراج ویژگی از سری‌های زمانی
• 28. مدل‌های ترکیبی CNN-LSTM
• 29. آماده‌سازی داده‌های سری زمانی برای مدل‌های یادگیری عمیق
• 30. نرمال‌سازی و استانداردسازی داده‌ها
• 31. مدیریت داده‌های گمشده در سری‌های زمانی
• 32. مهندسی ویژگی برای سری‌های زمانی
• 33. انتخاب ویژگی‌های مرتبط با بازارهای مالی
• 34. اعتبارسنجی مدل‌های سری زمانی
• 35. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون
• 36. روش‌های اعتبارسنجی متقابل (Cross-validation)
• 37. معیارهای ارزیابی مدل‌های سری زمانی: MSE, RMSE
• 38. معیارهای ارزیابی مدل‌های سری زمانی: MAE, MAPE
• 39. معیارهای ارزیابی مدل‌های سری زمانی: R-squared
• 40. مقدمه‌ای بر بازارهای مالی و انواع آن
• 41. بازار سهام: مفاهیم و شاخص‌ها
• 42. بازار ارز: مفاهیم و نرخ‌های ارز
• 43. بازار کالا: مفاهیم و انواع کالاها
• 44. بازار اوراق بهادار اسلامی (صکوک): مبانی و انواع
• 45. بورس کالا و ابزارهای معاملاتی آن
• 46. تحلیل تکنیکال در بازارهای مالی: مفاهیم پایه
• 47. الگوهای نموداری در تحلیل تکنیکال
• 48. اندیکاتورهای تکنیکال: میانگین متحرک
• 49. اندیکاتورهای تکنیکال: RSI, MACD
• 50. اندیکاتورهای تکنیکال: باندهای بولینگر
• 51. تحلیل فاندامنتال در بازارهای مالی
• 52. نسبت‌های مالی کلیدی در تحلیل سهام
• 53. مقدمه‌ای بر اقتصاد سنجی مالی
• 54. مدل‌های رگرسیون خطی در اقتصاد سنجی مالی
• 55. مدل‌های اقتصاد سنجی برای سری‌های زمانی مالی
• 56. مدل GARCH برای نوسانات (Volatility)
• 57. مدل‌های شرطی ناهمسانی (ARCH/GARCH)
• 58. مدل‌های اقتصاد سنجی برای پیش‌بینی نرخ ارز
• 59. مدل‌های اقتصاد سنجی برای تحلیل قیمت کالا
• 60. تحلیل ریسک در بازارهای مالی
• 61. مفهوم ارزش در معرض خطر (VaR)
• 62. مدیریت پورتفولیو در بازارهای مالی
• 63. تخصیص دارایی بهینه
• 64. مقدمه‌ای بر معاملات الگوریتمی (Algorithmic Trading)
• 65. طراحی استراتژی‌های معاملاتی مبتنی بر سری‌های زمانی
• 66. پیاده‌سازی استراتژی‌های معاملاتی با استفاده از بیگ دیتا
• 67. تست بک‌تست (Backtesting) استراتژی‌های معاملاتی
• 68. بهینه‌سازی پارامترهای استراتژی‌های معاملاتی
• 69. مدیریت ریسک در معاملات الگوریتمی
• 70. نظارت و اجرای معاملات الگوریتمی
• 71. ملاحظات اخلاقی و قانونی در معاملات الگوریتمی
• 72. قوانین و مقررات بانک مرکزی جمهوری اسلامی ایران در خصوص معاملات الگوریتمی
• 73. مقدمه‌ای بر داده‌های جایگزین (Alternative Data) در بازارهای مالی
• 74. کاربرد داده‌های جایگزین در تحلیل سری‌های زمانی
• 75. تحلیل احساسات (Sentiment Analysis) از اخبار و شبکه‌های اجتماعی
• 76. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning) در بازارهای مالی
• 77. کاربرد یادگیری تقویتی در معاملات الگوریتمی
• 78. مدل‌سازی رفتار معامله‌گران با یادگیری تقویتی
• 79. تحلیل شبکه‌های پیچیده در بازارهای مالی
• 80. مدل‌سازی ارتباط بین دارایی‌های مالی
• 81. کاربرد گراف در تحلیل بازارهای مالی
• 82. مقدمه‌ای بر بلاکچین و ارزهای دیجیتال (با رعایت چارچوب مقررات)
• 83. تحلیل سری‌های زمانی قیمت ارزهای دیجیتال (با رعایت چارچوب مقررات)
• 84. مقدمه‌ای بر هوش مصنوعی در بازارهای مالی
• 85. کاربرد هوش مصنوعی در پیش‌بینی روندهای بازار
• 86. تشخیص الگوهای پنهان در داده‌های مالی با هوش مصنوعی
• 87. تحلیل ریسک اعتباری با استفاده از بیگ دیتا
• 88. مدل‌سازی پیش‌بینی ورشکستگی شرکت‌ها
• 89. کاربرد بیگ دیتا در تحلیل کلان اقتصادی و تأثیر آن بر بازارها
• 90. پیش‌بینی شاخص‌های اقتصادی با استفاده از سری‌های زمانی و بیگ دیتا
• 91. تحلیل تأثیر رویدادهای خبری بر بازارهای مالی
• 92. مدیریت ریسک سیستماتیک در بازارهای مالی
• 93. استراتژی‌های پوشش ریسک (Hedging)
• 94. مقدمه‌ای بر تحلیل سری‌های زمانی چند متغیره
• 95. مدل‌های VAR (Vector Autoregression)
• 96. مدل‌های VECM (Vector Error Correction Model)
• 97. کاربرد مدل‌های چند متغیره در بازارهای مالی
• 98. تحلیل همبستگی پویا بین دارایی‌ها
• 99. مقدمه‌ای بر تحلیل سری‌های زمانی فصلی پیچیده
• 100. مدل‌های X-13-ARIMA-SEATS