دوره استراتژی‌های پیشرفته مدیریت پورتفوی با رویکرد یادگیری تقویتی چندعامله برای سهام شرکت‌های کوچک و متوسط همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استراتژی‌های پیشرفته مدیریت پورتفوی با رویکرد یادگیری تقویتی چندعامله برای سهام شرکت‌های کوچک و متوسط

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای استراتژی‌های مدیریت اطلاعات سرمایه‌گذاری در سهام شرکت‌های کوچک و متوسط

📋 سرفصل‌های دوره

• 1. مبانی تئوری سبد سهام و بازده
• 2. مفاهیم کلیدی در مدیریت پورتفوی
• 3. مدل‌های قیمت‌گذاری دارایی‌های سرمایه‌ای (CAPM)
• 4. مدل سه‌عاملی فاما-فرنچ
• 5. تئوری پرتفوی مدرن (MPT)
• 6. بهینه‌سازی پرتفوی با رویکرد کلاسیک
• 7. معیارهای ارزیابی عملکرد پورتفوی
• 8. ریسک و بازده در بازارهای سرمایه
• 9. شناخت ریسک‌های سیستماتیک و غیرسیستماتیک
• 10. تکنیک‌های مدیریت ریسک در پورتفوی
• 11. معرفی یادگیری تقویتی (RL)
• 12. عناصر اصلی یادگیری تقویتی: عامل، محیط، حالت، عمل، پاداش
• 13. یادگیری تقویتی بدون مدل و با مدل
• 14. الگوریتم‌های یادگیری تقویتی پایه: Q-Learning
• 15. الگوریتم‌های یادگیری تقویتی پایه: SARSA
• 16. یادگیری تقویتی عمیق (DRL)
• 17. شبکه‌های عصبی کانولوشنی (CNN) در RL
• 18. شبکه‌های عصبی بازگشتی (RNN) در RL
• 19. معرفی یادگیری تقویتی چندعامله (MARL)
• 20. چالش‌های یادگیری تقویتی چندعامله
• 21. انواع هماهنگی در MARL
• 22. انواع رقابت در MARL
• 23. مقدمه‌ای بر شرکت‌های کوچک و متوسط (SMEs)
• 24. ویژگی‌های شرکت‌های کوچک و متوسط در بورس
• 25. چالش‌های تأمین مالی در SMEs
• 26. فرصت‌های سرمایه‌گذاری در SMEs
• 27. معیارهای انتخاب سهام SMEs
• 28. تکنیک‌های تحلیل بنیادی برای SMEs
• 29. تکنیک‌های تحلیل تکنیکال برای SMEs
• 30. مدل‌های ارزش‌گذاری سهام SMEs
• 31. اهمیت داده‌های مالی در تصمیم‌گیری سرمایه‌گذاری
• 32. جمع‌آوری و پیش‌پردازش داده‌های سهام SMEs
• 33. ویژگی‌های داده‌های سهام SMEs
• 34. تکنیک‌های مهندسی ویژگی برای سهام SMEs
• 35. مدل‌سازی پویایی بازار سهام SMEs
• 36. کاربرد یادگیری تقویتی در پیش‌بینی قیمت سهام
• 37. کاربرد یادگیری تقویتی در انتخاب سهام
• 38. کاربرد یادگیری تقویتی در تخصیص دارایی
• 39. کاربرد یادگیری تقویتی در مدیریت ریسک پورتفوی
• 40. کاربرد یادگیری تقویتی چندعامله در معاملات الگوریتمی
• 41. کاربرد یادگیری تقویتی چندعامله در بهینه‌سازی پورتفوی
• 42. کاربرد یادگیری تقویتی چندعامله در استراتژی‌های معاملاتی
• 43. کاربرد یادگیری تقویتی چندعامله در شبیه‌سازی بازار
• 44. طراحی عامل‌های یادگیری تقویتی برای مدیریت پورتفوی
• 45. تعریف فضای حالت برای عامل‌های پورتفوی
• 46. تعریف فضای عمل برای عامل‌های پورتفوی
• 47. طراحی تابع پاداش برای عامل‌های پورتفوی
• 48. پیاده‌سازی الگوریتم‌های MARL برای مدیریت پورتفوی
• 49. شبیه‌سازی محیط بازار سهام SMEs
• 50. ارزیابی عملکرد عامل‌های MARL
• 51. مقایسه با استراتژی‌های سنتی مدیریت پورتفوی
• 52. تحلیل حساسیت نتایج به پارامترهای مدل
• 53. تفسیرپذیری مدل‌های یادگیری تقویتی در مدیریت پورتفوی
• 54. محدودیت‌های یادگیری تقویتی در بازارهای مالی
• 55. ملاحظات شرعی در سرمایه‌گذاری (بانکداری بدون ربا)
• 56. قوانین و مقررات بازار سرمایه ایران
• 57. نقش نهادهای نظارتی در بازار سهام
• 58. استراتژی‌های سرمایه‌گذاری بلندمدت در SMEs
• 59. استراتژی‌های سرمایه‌گذاری کوتاه‌مدت در SMEs
• 60. مدیریت پورتفوی با تمرکز بر سود تقسیمی
• 61. مدیریت پورتفوی با تمرکز بر رشد سرمایه
• 62. معرفی ابزارهای مالی اسلامی در مدیریت پورتفوی
• 63. صکوک و اوراق بهادار اسلامی
• 64. مفاهیم فقهی در معاملات سهام
• 65. تحلیل ریسک اعتباری در SMEs
• 66. تکنیک‌های مدیریت نقدینگی در پورتفوی SMEs
• 67. استفاده از داده‌های کلان اقتصادی در تصمیم‌گیری
• 68. تأثیر اخبار و رویدادها بر بازار سهام SMEs
• 69. مدل‌سازی رفتار سرمایه‌گذاران در بازار SMEs
• 70. رویکردهای پیشرفته در یادگیری تقویتی (Actor-Critic)
• 71. یادگیری تقویتی مبتنی بر مدل‌های پیش‌بین
• 72. یادگیری تقویتی برای مدیریت ریسک پورتفوی پویا
• 73. کاربرد MARL در مدیریت ریسک پورتفوی چندوجهی
• 74. استراتژی‌های خروج در مدیریت پورتفوی
• 75. مدیریت پورتفوی در شرایط عدم قطعیت بالا
• 76. بهینه‌سازی پورتفوی با در نظر گرفتن محدودیت‌های شرعی
• 77. تکنیک‌های اعتبارسنجی مدل‌های پیش‌بینی در بازارهای مالی
• 78. بهبود تابع پاداش برای دستیابی به اهداف بلندمدت
• 79. طراحی محیط‌های شبیه‌سازی واقع‌گرایانه برای MARL
• 80. استفاده از شبکه‌های عصبی گرافی (GNN) در تحلیل سهام
• 81. کاربرد یادگیری تقویتی در مدیریت ریسک نقدینگی
• 82. مدیریت پورتفوی در بازارهای نوظهور
• 83. تحلیل مقایسه‌ای الگوریتم‌های MARL برای پورتفوی SMEs
• 84. تکنیک‌های تنظیم‌گری (Regularization) در مدل‌های RL
• 85. مقایسه روش‌های یادگیری تقویتی و یادگیری عمیق
• 86. کاربرد تحلیل سری زمانی در کنار یادگیری تقویتی
• 87. مدل‌سازی وابستگی‌های متقابل بین سهام SMEs
• 88. استفاده از داده‌های جایگزین (Alternative Data) در RL
• 89. بهینه‌سازی پرتفوی با رویکرد پاداش تطبیقی
• 90. مدیریت پورتفوی در طول چرخه عمر شرکت‌های SMEs
• 91. تأثیر تغییرات نرخ بهره بر پورتفوی SMEs
• 92. مدیریت پورتفوی در مواجهه با تورم
• 93. چالش‌های پیاده‌سازی سیستم‌های معاملاتی الگوریتمی
• 94. ملاحظات اخلاقی در استفاده از هوش مصنوعی در مالی
• 95. آینده یادگیری تقویتی در مدیریت پورتفوی
• 96. مبانی حقوقی سرمایه‌گذاری در بورس ایران
• 97. نقش هیئت مدیره در مدیریت شرکت‌های SMEs
• 98. ارزیابی ریسک سیاسی و اقتصادی در سرمایه‌گذاری
• 99. استراتژی‌های افزایش بازده و کاهش ریسک
• 100. مدیریت پورتفوی در دوره‌های رکود اقتصادی