فلش‌کارت‌های آموزشی آنالیز داده‌های مالی برای یافتن ناهنجاری: از تئوری تا عمل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آنالیز داده‌های مالی برای یافتن ناهنجاری: از تئوری تا عمل

موضوع کلی: سرمایه‌گذاری کمی و معاملات الگوریتمی

موضوع میانی: شناسایی الگوهای غیرعادی در بازارهای مالی

📋 سرفصل‌های دوره

• 1. مقدمه ای بر تحلیل داده های مالی
• 2. مبانی آمار برای تحلیل مالی
• 3. مفاهیم احتمال در بازارهای مالی
• 4. شناخت الگوهای توزیع در داده های مالی
• 5. شناسایی متغیرهای کلیدی در داده های مالی
• 6. جمع آوری و پاکسازی داده های مالی
• 7. مقدمه ای بر ناهنجاری در داده های مالی
• 8. انواع ناهنجاری های مالی
• 9. نظریه های اصلی ناهنجاری های مالی
• 10. فرضیه بازار کارا و پیامدهای آن
• 11. شواهد تجربی ناهنجاری های مالی
• 12. معیارهای شناسایی ناهنجاری
• 13. روش های آماری برای شناسایی ناهنجاری
• 14. آزمون های آماری پارامتریک
• 15. آزمون های آماری ناپارامتریک
• 16. مدل های رگرسیونی خطی
• 17. مدل های رگرسیونی غیرخطی
• 18. مدل های سری زمانی
• 19. مدل ARIMA
• 20. مدل GARCH
• 21. مقدمه ای بر یادگیری ماشین
• 22. یادگیری نظارت شده
• 23. یادگیری بدون نظارت
• 24. رده بندی در تحلیل داده های مالی
• 25. تکنیک های رده بندی: منطق فازی
• 26. تکنیک های رده بندی: درخت تصمیم
• 27. تکنیک های رده بندی: ماشین بردار پشتیبان
• 28. تکنیک های رده بندی: شبکه های عصبی
• 29. رگرسیون در تحلیل داده های مالی
• 30. تکنیک های رگرسیون: رگرسیون چندگانه
• 31. تکنیک های رگرسیون: رگرسیون پولی
• 32. تکنیک های رگرسیون: رگرسیون لجستیک
• 33. خوشه بندی در تحلیل داده های مالی
• 34. الگوریتم های خوشه بندی: K-Means
• 35. الگوریتم های خوشه بندی: خوشه بندی سلسله مراتبی
• 36. الگوریتم های خوشه بندی: DBSCAN
• 37. شناسایی نقاط پرت (Outliers)
• 38. روش های آماری برای شناسایی نقاط پرت
• 39. روش های مبتنی بر فاصله
• 40. روش های مبتنی بر تراکم
• 41. تشخیص ناهنجاری در داده های سری زمانی
• 42. شناسایی تغییرات ناگهانی (Structural Breaks)
• 43. شناسایی الگوهای غیرعادی در معاملات
• 44. شناسایی ناهنجاری در صورت های مالی
• 45. تحلیل نسبتهای مالی و کشف ناهنجاری
• 46. تحلیل جریان نقدی و ناهنجاری ها
• 47. تحلیل گزارش سود و زیان و کشف ناهنجاری
• 48. تحلیل ترازنامه و ناهنجاری های پنهان
• 49. کاربرد هوش مصنوعی در کشف ناهنجاری
• 50. استفاده از شبکه های عصبی عمیق
• 51. شبکه های عصبی بازگشتی (RNN)
• 52. شبکه های عصبی پیچشی (CNN)
• 53. پردازش زبان طبیعی (NLP) در تحلیل مالی
• 54. تحلیل احساسات بازار با NLP
• 55. استخراج اطلاعات از گزارش های مالی با NLP
• 56. تشخیص تقلب و دستکاری در گزارش های مالی
• 57. مدل سازی ریسک اعتباری
• 58. تشخیص وام های غیرقابل وصول
• 59. پیش بینی نکول (Default Prediction)
• 60. مدل سازی ریسک بازار
• 61. شناسایی حباب های قیمتی
• 62. تشخیص دستکاری قیمت سهام
• 63. تحلیل داده های کلان اقتصادی
• 64. تأثیر شاخص های اقتصادی بر ناهنجاری های مالی
• 65. مدل های پیش بینی تورم
• 66. مدل های پیش بینی رشد اقتصادی
• 67. کاربرد داده کاوی در کشف ناهنجاری
• 68. قوانین وابستگی (Association Rules)
• 69. تکنیک های اکتشافی داده (EDA)
• 70. تجسم داده ها برای نمایش ناهنجاری
• 71. ابزارهای تجسم داده ها
• 72. ایجاد داشبوردهای تحلیلی
• 73. نمودارهای سری زمانی
• 74. نمودارهای پراکندگی
• 75. نقشه های حرارتی
• 76. پیاده سازی عملی در نرم افزارهای آماری
• 77. استفاده از Python برای تحلیل مالی
• 78. کتابخانه Pandas
• 79. کتابخانه NumPy
• 80. کتابخانه SciPy
• 81. کتابخانه Scikit-learn
• 82. کتابخانه Matplotlib
• 83. کتابخانه Seaborn
• 84. استفاده از R برای تحلیل مالی
• 85. مقدمه ای بر مفاهیم یادگیری عمیق
• 86. شبکه های عصبی ترانسفورمر
• 87. کاربرد ترانسفورمر در تحلیل سری های زمانی مالی
• 88. تکنیک های یادگیری تقویتی در بازارهای مالی
• 89. یادگیری تقویتی برای مدیریت پورتفولیو
• 90. یادگیری تقویتی برای معاملات الگوریتمی
• 91. اخلاق در تحلیل داده های مالی
• 92. سوگیری در الگوریتم ها
• 93. حفظ حریم خصوصی داده ها
• 94. مسئولیت پذیری در تصمیم گیری های مبتنی بر داده
• 95. مطالعات موردی: کشف ناهنجاری در بحران های مالی
• 96. مطالعات موردی: شناسایی تقلب های مالی بزرگ
• 97. مطالعات موردی: تحلیل ناهنجاری در بازارهای نوظهور
• 98. چالش های پیش روی تحلیلگران داده های مالی
• 99. کیفیت داده ها
• 100. تغییر مداوم بازار