فلش‌کارت‌های آموزشی تحلیل داده‌های مالی با پایتون: ریسک و پیش‌بینی

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب تحلیل داده‌های مالی با پایتون: ریسک و پیش‌بینی

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه و آشنایی با تحلیل داده‌های مالی
• 2. مفاهیم اساسی مالی
• 3. اهمیت تحلیل داده‌های مالی
• 4. کاربرد پایتون در تحلیل داده‌های مالی
• 5. نصب و پیکربندی محیط پایتون
• 6. مقدمه‌ای بر Jupyter Notebook و Google Colab
• 7. نصب کتابخانه‌های کلیدی: NumPy, Pandas, Matplotlib, Seaborn, SciPy, Scikit-learn
• 8. مقدمه‌ای بر ساختار داده‌های مالی
• 9. سری‌های زمانی (Time Series)
• 10. داده‌های مقطعی (Cross-sectional Data)
• 11. مقدمه‌ای بر انواع ریسک در بازارهای مالی
• 12. ریسک بازار (Market Risk)
• 13. ریسک اعتباری (Credit Risk)
• 14. ریسک نقدینگی (Liquidity Risk)
• 15. ریسک عملیاتی (Operational Risk)
• 16. ریسک استراتژیک (Strategic Risk)
• 17. ریسک قانونی و مقرراتی (Legal and Regulatory Risk)
• 18. ریسک سیاسی (Political Risk)
• 19. ریسک سیستمیک (Systemic Risk)
• 20. مفاهیم پایه در تحلیل ریسک
• 21. بازده (Return)
• 22. نوسانات (Volatility)
• 23. انحراف معیار (Standard Deviation)
• 24. واریانس (Variance)
• 25. کوواریانس (Covariance)
• 26. همبستگی (Correlation)
• 27. مفاهیم پیش‌بینی در بازارهای مالی
• 28. انواع مدل‌های پیش‌بینی
• 29. پیش‌بینی سری‌های زمانی (Time Series Forecasting)
• 30. پیش‌بینی رگرسیونی (Regression Forecasting)
• 31. پیش‌بینی مبتنی بر یادگیری ماشین (Machine Learning Forecasting)
• 32. مقدمه‌ای بر کار با داده‌های مالی در پایتون
• 33. دریافت داده‌های مالی از منابع مختلف
• 34. APIها (مانند Yahoo Finance, Alpha Vantage)
• 35. فایل‌های CSV، Excel
• 36. پایگاه‌های داده
• 37. پاکسازی و پیش‌پردازش داده‌های مالی
• 38. مدیریت مقادیر گمشده (Missing Values)
• 39. شناسایی و حذف داده‌های پرت (Outliers)
• 40. تبدیل انواع داده (Data Type Conversion)
• 41. همگام‌سازی سری‌های زمانی (Time Series Alignment)
• 42. نرمال‌سازی و استانداردسازی داده‌ها (Normalization and Standardization)
• 43. محاسبه بازده و نوسانات با پایتون
• 44. محاسبه بازده ساده و لگاریتمی
• 45. محاسبه بازده روزانه، هفتگی، ماهانه، سالانه
• 46. محاسبه انحراف معیار بازده
• 47. محاسبه واریانس بازده
• 48. محاسبه کوواریانس بین دارایی‌ها
• 49. محاسبه ماتریس همبستگی
• 50. مصورسازی داده‌های مالی با پایتون
• 51. نمودارهای خطی (Line Plots) برای سری‌های زمانی
• 52. نمودارهای میله‌ای (Bar Charts) برای مقایسه
• 53. نمودارهای پراکندگی (Scatter Plots) برای رابطه بین متغیرها
• 54. نمودارهای شمعی (Candlestick Charts) برای داده‌های مالی
• 55. نمودارهای هیستوگرام (Histograms) برای توزیع بازده
• 56. نمودارهای جعبه‌ای (Box Plots) برای شناسایی پرت‌ها
• 57. نمودارهای heatmap برای ماتریس همبستگی
• 58. استفاده از Matplotlib و Seaborn برای مصورسازی
• 59. تحلیل ریسک بازار با پایتون
• 60. محاسبه و تحلیل بتا (Beta)
• 61. تحلیل واریانس-کوواریانس (Variance-Covariance Analysis)
• 62. تحلیل ارزش در معرض ریسک (Value at Risk - VaR)
• 63. روش‌های محاسبه VaR: تاریخی، پارامتریک، مونت کارلو
• 64. تحلیل کسری ارزش در معرض ریسک (Conditional Value at Risk - CVaR)
• 65. تحلیل استرس تست (Stress Testing)
• 66. تحلیل سناریو (Scenario Analysis)
• 67. مقدمه‌ای بر تحلیل ریسک اعتباری
• 68. مدل‌های ساده برای ارزیابی ریسک اعتباری
• 69. امتیازدهی اعتباری (Credit Scoring)
• 70. تحلیل نسبت‌های مالی
• 71. مقدمه‌ای بر تحلیل ریسک نقدینگی
• 72. شاخص‌های نقدینگی
• 73. مدیریت ریسک نقدینگی
• 74. مقدمه‌ای بر مدل‌های پیش‌بینی سری‌های زمانی
• 75. مفهوم ایستا بودن (Stationarity)
• 76. آزمون‌های ایستا بودن (مانند Dickey-Fuller)
• 77. تبدیلات برای ایستا کردن سری‌های زمانی
• 78. مدل میانگین متحرک (Moving Average - MA)
• 79. مدل خودرگرسیون (Autoregression - AR)
• 80. مدل خودرگرسیون میانگین متحرک (Autoregressive Moving Average - ARMA)
• 81. مدل خودرگرسیون میانگین متحرک یکپارچه (Autoregressive Integrated Moving Average - ARIMA)
• 82. مدل فصلی ARIMA (SARIMA)
• 83. پیش‌بینی با استفاده از مدل‌های ARIMA در پایتون
• 84. ارزیابی مدل‌های سری زمانی
• 85. معیارهای ارزیابی: MSE, RMSE, MAE, MAPE
• 86. اعتبارسنجی متقابل (Cross-validation) برای سری‌های زمانی
• 87. پیش‌بینی با استفاده از مدل‌های یادگیری ماشین
• 88. رگرسیون خطی (Linear Regression)
• 89. رگرسیون لجستیک (Logistic Regression)
• 90. درخت تصمیم (Decision Trees)
• 91. جنگل تصادفی (Random Forests)
• 92. ماشین بردار پشتیبان (Support Vector Machines - SVM)
• 93. شبکه‌های عصبی (Neural Networks)
• 94. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
• 95. حافظه طولانی کوتاه مدت (Long Short-Term Memory - LSTM)
• 96. کاربرد مدل‌های یادگیری ماشین در پیش‌بینی قیمت سهام
• 97. کاربرد مدل‌های یادگیری ماشین در پیش‌بینی بازده
• 98. کاربرد مدل‌های یادگیری ماشین در پیش‌بینی نوسانات
• 99. کاربرد مدل‌های یادگیری ماشین در پیش‌بینی ریسک اعتباری
• 100. مقدمه‌ای بر مدل‌های یادگیری عمیق (Deep Learning)