کتاب صوتی پیش‌بینی هوشمندانه ورشکستگی اوراق قرضه: یک رویکرد چندوجهی و قابل توضیح

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب پیش‌بینی هوشمندانه ورشکستگی اوراق قرضه: یک رویکرد چندوجهی و قابل توضیح

موضوع کلی: هوش مصنوعی در امور مالی

موضوع میانی: پیش‌بینی ورشکستگی اوراق قرضه با یادگیری عمیق

📋 سرفصل‌های کتاب (100 موضوع)

• 1. در ادامه 100 سرفصل برای دوره آموزشی "پیش‌بینی هوشمندانه ورشکستگی اوراق قرضه: یک رویکرد چندوجهی و قابل توضیح" ارائه شده است:
• 2. مقدمه‌ای بر ورشکستگی اوراق قرضه و هوش مصنوعی در امور مالی
• 3. بازار سرمایه و اوراق قرضه: مروری جامع
• 4. آشنایی با اوراق قرضه: ساختار، انواع و بازیگران بازار
• 5. عوامل خطر اوراق قرضه: تمرکز بر ریسک اعتباری و نکول
• 6. اهمیت اقتصادی و پیامدهای پیش‌بینی نکول
• 7. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین در امور مالی
• 8. پیش‌نمایش دوره: پیش‌بینی هوشمند، چندوجهی و قابل توضیح نکول
• 9. رویکردهای سنتی پیش‌بینی نکول
• 10. مدل‌های آماری اولیه: امتیاز Z آلتمن و مشتقات آن
• 11. مدل مرتون برای ریسک اعتباری: مبانی و فروض
• 12. نقش و متدولوژی موسسات رتبه‌بندی اعتباری
• 13. مدل‌های اقتصادسنجی برای نکول شرکتی
• 14. محدودیت‌های مدل‌های سنتی پیش‌بینی نکول
• 15. گذار به روش‌های داده‌محور و یادگیری ماشین
• 16. مبانی یادگیری ماشین برای پیش‌بینی نکول
• 17. اصول یادگیری نظارت شده: وظیفه طبقه‌بندی
• 18. پیش‌پردازش داده‌ها: پاکسازی، پر کردن داده‌های گمشده و تبدیل برای داده‌های مالی
• 19. مهندسی ویژگی برای داده‌های مالی کمی
• 20. معیارهای ارزیابی مدل‌های طبقه‌بندی (دقت، صحت، فراخوانی، F1، AUC)
• 21. رگرسیون لجستیک برای پیش‌بینی نکول دودویی
• 22. درخت‌های تصمیم: شهود و کاربرد
• 23. روش‌های ترکیب مدل (Ensemble): جنگل‌های تصادفی برای استحکام
• 24. ماشین‌های گرادیان بوستینگ (XGBoost, LightGBM) در امور مالی
• 25. ماشین‌های بردار پشتیبان (SVM) برای طبقه‌بندی
• 26. اعتبارسنجی متقابل و استراتژی‌های تنظیم هایپرپارامتر
• 27. مقابله با مجموعه داده‌های نامتوازن در پیش‌بینی نکول
• 28. مقدمه‌ای بر قابلیت تفسیر مدل برای یادگیری ماشین سنتی
• 29. مبانی یادگیری عمیق برای سری‌های زمانی و متن مالی
• 30. مقدمه‌ای بر شبکه‌های عصبی مصنوعی (ANNs)
• 31. توابع فعال‌سازی، توابع زیان و بهینه‌سازها
• 32. الگوریتم پس‌انتشار: هسته اصلی یادگیری
• 33. شبکه‌های عصبی پیش‌خور (پرسپترون‌های چندلایه)
• 34. شبکه‌های عصبی کانولوشنی (CNNs) برای استخراج ویژگی
• 35. شبکه‌های عصبی بازگشتی (RNNs) برای داده‌های توالی
• 36. شبکه‌های حافظه طولانی کوتاه مدت (LSTM) برای سری‌های زمانی مالی
• 37. واحد‌های بازگشتی دروازه‌دار (GRU) و مزایای آن‌ها
• 38. مکانیسم‌های توجه: بهبود مدل‌های توالی
• 39. معماری ترانسفورمر: مقدمه‌ای کوتاه برای زمینه
• 40. یادگیری انتقالی و مدل‌های از پیش آموزش‌دیده در یادگیری عمیق
• 41. تکنیک‌های منظم‌سازی برای مدل‌های یادگیری عمیق
• 42. چارچوب‌های یادگیری عمیق: مرور کلی TensorFlow
• 43. چارچوب‌های یادگیری عمیق: مرور کلی PyTorch
• 44. راه‌اندازی محیط یادگیری عمیق برای مدل‌سازی مالی
• 45. مدالیته‌های داده برای پیش‌بینی نکول اوراق قرضه
• 46. صورت‌های مالی کمی: ترازنامه، صورت سود و زیان، صورت جریان وجوه نقد
• 47. داده‌های بازار: قیمت اوراق قرضه، اسپرد، حجم معاملات، داده‌های سهام
• 48. شاخص‌های اقتصاد کلان و تاثیر آن‌ها بر ریسک نکول
• 49. منابع داده متنی: اخبار، گزارش‌های تحلیلگران، گزارش‌های شرکتی (10-K, 10-Q)
• 50. استخراج ویژگی از داده‌های مالی جدولی
• 51. پردازش زبان طبیعی (NLP) برای داده‌های متنی مالی
• 52. جایگذاری کلمات (Word Embeddings): Word2Vec, GloVe برای واژگان مالی
• 53. جایگذاری‌های متنی (BERT, FinBERT) برای درک عمیق‌تر متن
• 54. مهندسی ویژگی سری‌های زمانی برای عوامل خطر پویا
• 55. چالش‌های جمع‌آوری و همگام‌سازی داده‌های چندوجهی
• 56. معماری‌های یادگیری چندوجهی برای نکول اوراق قرضه
• 57. مقدمه‌ای بر یادگیری چندوجهی: یکپارچه‌سازی انواع داده‌های متنوع
• 58. ادغام زودهنگام: الحاق ویژگی‌ها از مدالیته‌های مختلف
• 59. ادغام زودهنگام: ملاحظات عملی و مشکلات
• 60. ادغام دیرهنگام: روش‌های ترکیب مدل برای ادغام پیش‌بینی‌های خاص مدالیته
• 61. ادغام میانی: یادگیری مشترک بازنمایی‌ها
• 62. طراحی لایه‌های ورودی چندوجهی برای داده‌های ناهمگون
• 63. معماری‌های عمیق چندوجهی برای داده‌های کمی و متنی
• 64. مکانیسم‌های ادغام چندوجهی مبتنی بر توجه
• 65. تعاملات بین‌مدالیته و یادگیری ویژگی
• 66. مدیریت مدالیته‌های گمشده در سناریوهای واقعی
• 67. مطالعه موردی: ادغام نسبت‌های مالی و احساسات خبری
• 68. مطالعه موردی: ترکیب داده‌های بازار با بحث و تحلیل مدیریت (MD&A)
• 69. ملاحظات معماری برای مقیاس‌پذیری و عملکرد
• 70. استراتژی‌های آموزش مدل برای یادگیری عمیق چندوجهی
• 71. پیاده‌سازی عملی مدل پیش‌بینی نکول چندوجهی
• 72. هوش مصنوعی قابل توضیح (XAI) برای مدل‌های مالی چندوجهی
• 73. ضرورت قابلیت توضیح در مدیریت ریسک مالی
• 74. شفافیت در مقابل قابلیت توضیح پس از ساخت مدل
• 75. توضیحات محلی: LIME (Local Interpretable Model-agnostic Explanations)
• 76. توضیحات کلی: SHAP (SHapley Additive exPlanations) برای سهم ویژگی
• 77. تفسیر مقادیر SHAP برای مدل‌های چندوجهی
• 78. اهمیت ویژگی برای مدل‌های یادگیری عمیق
• 79. تجسم نقشه‌های توجه در معماری‌های چندوجهی
• 80. نمودارهای وابستگی جزئی (PDP) و انتظار شرطی فردی (ICE)
• 81. توضیحات متقابل: سناریوهای "چه می‌شد اگر؟" برای نکول
• 82. توضیح تصمیمات مدل به ذینفعان غیرفنی
• 83. پیامدهای اخلاقی XAI در تصمیم‌گیری مالی
• 84. مطالبات رگولاتوری برای قابلیت توضیح مدل (به عنوان مثال، SR 11-7, GDPR)
• 85. قابلیت توضیح برای عدالت و تشخیص سوگیری
• 86. ارزیابی کیفیت و وفاداری توضیحات
• 87. ساخت سیستم‌های هوش مصنوعی قابل اعتماد و قابل توضیح برای امور مالی
• 88. پیش‌بینی نکول چند کلاسه: درک "چرا اوراق قرضه متفاوت نکول می‌کنند"
• 89. فراتر از دودویی: نیاز به پیش‌بینی نکول چند کلاسه
• 90. تعریف و دسته‌بندی رویدادهای نکول متفاوت (با الهام از مقاله)
• 91. بررسی تفاوت‌های ظریف بین تاخیر در پرداخت در مقابل ورشکستگی
• 92. درک بازسازی و نقض پیمان‌ها به عنوان انواع نکول
• 93. استراتژی‌های برچسب‌گذاری داده برای رویدادهای نکول چند کلاسه
• 94. الگوریتم‌های طبقه‌بندی چند کلاسه: One-vs-Rest، Softmax
• 95. معیارهای ارزیابی برای مسائل نامتوازن چند کلاسه
• 96. یادگیری حساس به هزینه برای شدت‌های مختلف نکول
• 97. تحلیل عوامل محرک حالت‌های خاص نکول
• 98. شناسایی اهمیت ویژگی‌های متمایز در انواع نکول
• 99. استفاده از قابلیت توضیح برای تفکیک علل نکول (XAI برای چند کلاسه)
• 100. نقش اطلاعات متنی در پیش‌بینی چند کلاسه