فلش‌کارت‌های آموزشی ساخت مدل‌های بازده اوراق قرضه: رویکردی عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت مدل‌های بازده اوراق قرضه: رویکردی عملی

موضوع کلی: سرمایه‌گذاری کمی و معاملات الگوریتمی

موضوع میانی: مدل‌سازی بازده اوراق قرضه

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه‌ای بر اوراق قرضه و بازده
• 2. فصل ۲: انواع اوراق قرضه
• 3. فصل ۳: مفاهیم کلیدی بازده
• 4. فصل ۴: قیمت‌گذاری اوراق قرضه
• 5. فصل ۵: منحنی بازده: تحلیل و تفسیر
• 6. فصل ۶: عوامل مؤثر بر بازده اوراق قرضه
• 7. فصل ۷: مدل‌های کلاسیک بازده
• 8. فصل ۸: مدل هود-جونکنز
• 9. فصل ۹: مدل شاو-مک‌کال
• 10. فصل ۱۰: مدل هیت-مور
• 11. فصل ۱۱: مدل واصول-مور
• 12. فصل ۱۲: مدل هیت-مور-مور
• 13. فصل ۱۳: مدل واصول-مور-مور
• 14. فصل ۱۴: مدل نا-اشمیت
• 15. فصل ۱۵: مدل اشمیت-سوتاماین
• 16. فصل ۱۶: مدل لای-کیم-کائو
• 17. فصل ۱۷: مدل گاس-وکسلر
• 18. فصل ۱۸: مدل واصول-کیم
• 19. فصل ۱۹: مدل هیت-مور-بک
• 20. فصل ۲۰: مدل نا-کیم-کائو
• 21. فصل ۲۱: مدل اشمیت-کیم-کائو
• 22. فصل ۲۲: مدل واصول-مور-کیم
• 23. فصل ۲۳: مدل هیت-مور-کیم
• 24. فصل ۲۴: مدل گاس-کیم-کائو
• 25. فصل ۲۵: مدل واصول-گاس-کیم
• 26. فصل ۲۶: مدل هیت-مور-گاس-کیم
• 27. فصل ۲۷: مدل نا-گاس-کیم-کائو
• 28. فصل ۲۸: مدل اشمیت-گاس-کیم-کائو
• 29. فصل ۲۹: مدل واصول-مور-گاس-کیم
• 30. فصل ۳۰: مدل هیت-مور-گاس-کیم-کائو
• 31. فصل ۳۱: مدل‌های نیمه‌پارامتریک
• 32. فصل ۳۲: مدل‌های غیرپارامتریک
• 33. فصل ۳۳: مدل‌های مبتنی بر داده‌های پانل
• 34. فصل ۳۴: مدل‌های مبتنی بر سری زمانی
• 35. فصل ۳۵: مدل‌های مبتنی بر فاکتور
• 36. فصل ۳۶: مدل‌های مبتنی بر ماشین بردار پشتیبان
• 37. فصل ۳۷: مدل‌های مبتنی بر شبکه‌های عصبی
• 38. فصل ۳۸: مدل‌های مبتنی بر یادگیری عمیق
• 39. فصل ۳۹: داده‌های مورد نیاز برای ساخت مدل
• 40. فصل ۴۰: جمع‌آوری داده‌های بازده اوراق قرضه
• 41. فصل ۴۱: پاکسازی و پیش‌پردازش داده‌ها
• 42. فصل ۴۲: انتخاب ویژگی‌ها
• 43. فصل ۴۳: مهندسی ویژگی‌ها
• 44. فصل ۴۴: تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و آزمون
• 45. فصل ۴۵: ارزیابی اولیه مدل‌ها
• 46. فصل ۴۶: معیارهای ارزیابی مدل‌های بازده
• 47. فصل ۴۷: خطای میانگین مربعات
• 48. فصل ۴۸: ریشه خطای میانگین مربعات
• 49. فصل ۴۹: خطای میانگین قدر مطلق
• 50. فصل ۵۰: ضریب تعیین (R-squared)
• 51. فصل ۵۱: دقت پیش‌بینی
• 52. فصل ۵۲: آموزش مدل‌های پارامتریک
• 53. فصل ۵۳: برآورد پارامترها
• 54. فصل ۵۴: آزمون فرض پارامترها
• 55. فصل ۵۵: تفسیر نتایج مدل‌های پارامتریک
• 56. فصل ۵۶: آموزش مدل‌های نیمه‌پارامتریک
• 57. فصل ۵۷: تنظیم پارامترهای مدل‌های نیمه‌پارامتریک
• 58. فصل ۵۸: تفسیر نتایج مدل‌های نیمه‌پارامتریک
• 59. فصل ۵۹: آموزش مدل‌های غیرپارامتریک
• 60. فصل ۶۰: انتخاب مدل غیرپارامتریک مناسب
• 61. فصل ۶۱: تفسیر نتایج مدل‌های غیرپارامتریک
• 62. فصل ۶۲: آموزش مدل‌های مبتنی بر داده‌های پانل
• 63. فصل ۶۳: رویکردهای مدل‌سازی داده‌های پانل
• 64. فصل ۶۴: تفسیر نتایج مدل‌های پانل
• 65. فصل ۶۵: آموزش مدل‌های مبتنی بر سری زمانی
• 66. فصل ۶۶: مدل‌های ARIMA
• 67. فصل ۶۷: مدل‌های GARCH
• 68. فصل ۶۸: تفسیر نتایج مدل‌های سری زمانی
• 69. فصل ۶۹: آموزش مدل‌های مبتنی بر فاکتور
• 70. فصل ۷۰: شناسایی فاکتورهای مؤثر
• 71. فصل ۷۱: تفسیر نتایج مدل‌های فاکتور
• 72. فصل ۷۲: آموزش مدل‌های مبتنی بر ماشین بردار پشتیبان
• 73. فصل ۷۳: تنظیم پارامترهای SVM
• 74. فصل ۷۴: تفسیر نتایج SVM
• 75. فصل ۷۵: آموزش مدل‌های مبتنی بر شبکه‌های عصبی
• 76. فصل ۷۶: معماری شبکه‌های عصبی
• 77. فصل ۷۷: تابع فعال‌سازی
• 78. فصل ۷۸: بهینه‌سازها
• 79. فصل ۷۹: تفسیر نتایج شبکه‌های عصبی
• 80. فصل ۸۰: آموزش مدل‌های مبتنی بر یادگیری عمیق
• 81. فصل ۸۱: شبکه‌های عصبی کانولوشنال (CNN)
• 82. فصل ۸۲: شبکه‌های عصبی بازگشتی (RNN)
• 83. فصل ۸۳: شبکه‌های حافظه طولانی کوتاه (LSTM)
• 84. فصل ۸۴: تفسیر نتایج یادگیری عمیق
• 85. فصل ۸۵: مقایسه مدل‌ها
• 86. فصل ۸۶: انتخاب بهترین مدل
• 87. فصل ۸۷: بهینه‌سازی مدل
• 88. فصل ۸۸: کاربردهای عملی مدل‌های بازده اوراق قرضه
• 89. فصل ۸۹: مدیریت سبد اوراق قرضه
• 90. فصل ۹۰: ارزیابی ریسک
• 91. فصل ۹۱: قیمت‌گذاری ابزارهای مشتقه
• 92. فصل ۹۲: استراتژی‌های سرمایه‌گذاری
• 93. فصل ۹۳: مدیریت ریسک اعتباری
• 94. فصل ۹۴: پیش‌بینی نرخ بهره
• 95. فصل ۹۵: خطاهای رایج در ساخت مدل
• 96. فصل ۹۶: ارزیابی بیش از حد (Overfitting)
• 97. فصل ۹۷: ارزیابی کم (Underfitting)
• 98. فصل ۹۸: تفسیر نادرست نتایج
• 99. فصل ۹۹: جمع‌بندی و چشم‌انداز آینده
• 100. فصل ۱۰۰: منابع و مراجع