فلش‌کارت‌های آموزشی کاربرد تحلیل سری‌های زمانی در پیش‌بینی عدم قطعیت عرضه و تقاضا

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد تحلیل سری‌های زمانی در پیش‌بینی عدم قطعیت عرضه و تقاضا

موضوع کلی: تصمیم‌گیری بهینه در شرایط عدم قطعیت

موضوع میانی: مدل‌سازی عدم قطعیت در عرضه و تقاضا

📋 سرفصل‌های دوره

• 1. مبانی تحلیل سری‌های زمانی
• 2. مفاهیم پایه در تحلیل سری‌های زمانی
• 3. انواع سری‌های زمانی
• 4. نمایش گرافیکی سری‌های زمانی
• 5. پیش‌پردازش داده‌های سری زمانی
• 6. شناسایی روند در سری‌های زمانی
• 7. شناسایی فصلی بودن در سری‌های زمانی
• 8. شناسایی نوسانات در سری‌های زمانی
• 9. تجزیه سری‌های زمانی به مولفه‌های اصلی
• 10. مدل‌های میانگین متحرک (MA)
• 11. مدل‌های خودرگرسیو (AR)
• 12. مدل‌های ترکیبی ARMA
• 13. مدل‌های ARIMA
• 14. تشخیص ایستایی در سری‌های زمانی
• 15. آزمون‌های ایستایی (مانند دیکی-فولر)
• 16. تبدیل سری‌های زمانی غیرایستا به ایستا
• 17. برآورد پارامترهای مدل‌های ARIMA
• 18. انتخاب مرتبه مدل‌های ARIMA
• 19. معیارهای انتخاب مدل (مانند AIC, BIC)
• 20. تحلیل باقی‌مانده‌های مدل ARIMA
• 21. پیش‌بینی با مدل‌های ARIMA
• 22. ارزیابی عملکرد مدل‌های پیش‌بینی
• 23. مدل‌های سری زمانی فصلی (SARIMA)
• 24. مدل‌های حذف روند و فصلی بودن
• 25. مدل‌های رگرسیونی با سری‌های زمانی
• 26. استفاده از متغیرهای بیرونی در مدل‌های سری زمانی
• 27. مدل‌های فضا-حالت (State-Space Models)
• 28. فیلتر کالمن برای مدل‌های فضا-حالت
• 29. مدل‌های GARCH برای پیش‌بینی نوسانات
• 30. مدل‌های ARCH
• 31. مدل‌های GARCH
• 32. مدل‌های GJR-GARCH
• 33. مدل‌های E-GARCH
• 34. مدل‌های شرطی هتروسکدستی
• 35. کاربرد مدل‌های GARCH در بازارهای مالی
• 36. مدل‌های غیرخطی در سری‌های زمانی
• 37. مدل‌های آستانه‌ای خودرگرسیو (TAR)
• 38. مدل‌های آستانه‌ای خودرگرسیو متغیر (V TAR)
• 39. شبکه‌های عصبی در تحلیل سری‌های زمانی
• 40. شبکه‌های عصبی بازگشتی (RNN)
• 41. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 42. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 43. مدل‌های یادگیری عمیق برای پیش‌بینی
• 44. تحلیل سری‌های زمانی چندمتغیره
• 45. مدل‌های VAR (Vector Autoregression)
• 46. مدل‌های VECM (Vector Error Correction Model)
• 47. هم‌انباشتگی (Cointegration) در سری‌های زمانی چندمتغیره
• 48. مدل‌های سری زمانی برای پیش‌بینی عرضه
• 49. عوامل موثر بر عرضه در بازارهای انرژی
• 50. مدل‌سازی عدم قطعیت عرضه
• 51. پیش‌بینی کوتاه مدت عرضه
• 52. پیش‌بینی میان مدت عرضه
• 53. پیش‌بینی بلند مدت عرضه
• 54. تحلیل حساسیت پیش‌بینی عرضه
• 55. مدل‌های سری زمانی برای پیش‌بینی تقاضا
• 56. عوامل موثر بر تقاضا در بازارهای انرژی
• 57. مدل‌سازی عدم قطعیت تقاضا
• 58. پیش‌بینی کوتاه مدت تقاضا
• 59. پیش‌بینی میان مدت تقاضا
• 60. پیش‌بینی بلند مدت تقاضا
• 61. تحلیل حساسیت پیش‌بینی تقاضا
• 62. ارتباط بین عرضه و تقاضا
• 63. مدل‌های تعادل عمومی پویا (DSGE)
• 64. مدل‌سازی اثرات shocks بر عرضه و تقاضا
• 65. تحلیل سناریوهای مختلف عرضه و تقاضا
• 66. کاربرد تحلیل سری زمانی در بهینه‌سازی زنجیره تامین
• 67. مدیریت ریسک در عدم قطعیت عرضه و تقاضا
• 68. استفاده از داده‌های جایگزین در پیش‌بینی
• 69. تحلیل سری‌های زمانی با استفاده از ابزارهای نرم‌افزاری
• 70. نرم‌افزارهای آماری (R, Python)
• 71. بسته‌های مرتبط با سری‌های زمانی در R
• 72. بسته‌های مرتبط با سری‌های زمانی در Python
• 73. پیاده‌سازی مدل‌های سری زمانی در عمل
• 74. مطالعه موردی: پیش‌بینی قیمت نفت
• 75. مطالعه موردی: پیش‌بینی مصرف برق
• 76. مطالعه موردی: پیش‌بینی تقاضای گاز طبیعی
• 77. مطالعه موردی: پیش‌بینی عرضه محصولات کشاورزی
• 78. اصول اخلاقی در تحلیل داده و پیش‌بینی
• 79. ملاحظات قانونی در استفاده از داده‌های سری زمانی
• 80. مقررات بانک مرکزی در خصوص رمزارزها (در صورت ارتباط)
• 81. مبانی اقتصاد اسلامی در تحلیل بازارها
• 82. چارچوب‌های عقود اسلامی در معاملات انرژی
• 83. اصول مدیریت مالی اسلامی
• 84. مبانی فقهی در تحلیل ریسک اقتصادی
• 85. تحلیل ریسک اعتباری در چارچوب اسلامی
• 86. مدیریت دارایی در بازارهای اسلامی
• 87. مباحث اختلافی در فقه اقتصادی (با ذکر صریح اختلاف)
• 88. کاربرد اصول اقتصادی مقاومتی در تحلیل
• 89. تحلیل اقتصادی مبتنی بر منافع ملی
• 90. مبانی سیاست‌گذاری انرژی در ایران
• 91. ارتباط بین سیاست‌گذاری و پیش‌بینی سری زمانی
• 92. روش‌های اعتبارسنجی مدل‌های پیش‌بینی
• 93. نکات پیشرفته در تحلیل سری‌های زمانی
• 94. محدودیت‌های مدل‌های سری زمانی
• 95. آینده‌پژوهی در تحلیل سری‌های زمانی
• 96. چالش‌های پیش‌بینی در شرایط بحران
• 97. خوشه‌بندی سری‌های زمانی
• 98. تحلیل گرافی سری‌های زمانی
• 99. یادگیری تقویتی در پیش‌بینی سری زمانی