کتاب صوتی اعتبارسنجی و تست مدل‌های پیش‌بینی ترکیبی در بازارهای واقعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اعتبارسنجی و تست مدل‌های پیش‌بینی ترکیبی در بازارهای واقعی

موضوع کلی: سرمایه‌گذاری کمی و معاملات الگوریتمی

موضوع میانی: توسعه مدل‌های پیش‌بینی ترکیبی

📋 سرفصل‌های دوره

• 1. مقدمه: اهمیت اعتبارسنجی در مدل‌های ترکیبی
• 2. فصل ۱: مبانی نظری مدل‌های پیش‌بینی ترکیبی
• 3. فصل ۲: انواع استراتژی‌های ترکیب در بازارهای مالی
• 4. فصل ۳: معیارهای ارزیابی عملکرد مدل‌های پیش‌بینی
• 5. فصل ۴: چالش‌های اعتبارسنجی در داده‌های سری زمانی
• 6. فصل ۵: داده‌های واقعی و ملاحظات مربوط به آن‌ها
• 7. فصل ۶: پیش‌پردازش داده‌ها برای اعتبارسنجی
• 8. فصل ۷: تقسیم داده‌ها: آموزش، اعتبارسنجی و تست
• 9. فصل ۸: اعتبارسنجی متقاطع (Cross-validation) در بازارهای مالی
• 10. فصل ۹: اعتبارسنجی متقاطع زمانی (Time-series cross-validation)
• 11. فصل ۱۰: تکنیک‌های حفظ داده‌های آتی (Look-ahead bias)
• 12. فصل ۱۱: اعتبارسنجی استراتژیک در مقابل اعتبارسنجی مدل
• 13. فصل ۱۲: ریسک استقرا (Overfitting) و راه‌های مقابله با آن
• 14. فصل ۱۳: اعتبارسنجی خارج از نمونه (Out-of-sample validation)
• 15. فصل ۱۴: پایداری مدل (Model Stability) و اعتبارسنجی مداوم
• 16. فصل ۱۵: درک و سنجش عدم قطعیت پیش‌بینی
• 17. فصل ۱۶: معیارهای ریسک برای ارزیابی مدل‌های ترکیبی
• 18. فصل ۱۷: توزیع بازده و فرض‌های مرتبط با آن
• 19. فصل ۱۸: تاثیر رژیم‌های مختلف بازار بر عملکرد مدل
• 20. فصل ۱۹: اعتبارسنجی مدل‌های پویای ترکیبی
• 21. فصل ۲۰: مدل‌های ترکیبی پویا در مقابل مدل‌های ایستا
• 22. فصل ۲۱: اعتبارسنجی مدل‌های مبتنی بر یادگیری ماشین
• 23. فصل ۲۲: شبکه‌های عصبی و اعتبارسنجی آن‌ها
• 24. فصل ۲۳: ماشین‌های بردار پشتیبان (SVM) و تست آن‌ها
• 25. فصل ۲۴: درخت‌های تصمیم و جنگل‌های تصادفی
• 26. فصل ۲۵: مدل‌های ترکیبی مبتنی بر یادگیری عمیق
• 27. فصل ۲۶: شبکه‌های عصبی بازگشتی (RNN) برای داده‌های مالی
• 28. فصل ۲۷: شبکه‌های عصبی کانولوشنی (CNN) و کاربردهای آن
• 29. فصل ۲۸: مدل‌های ترکیبی بر اساس مدل‌های اقتصادسنجی
• 30. فصل ۲۹: مدل‌های ARIMA و تلفیق آن‌ها
• 31. فصل ۳۰: مدل‌های GARCH و ترکیب آن‌ها
• 32. فصل ۳۱: مدل‌های ترکیبی مبتنی بر روش‌های بیزی
• 33. فصل ۳۲: رویکرد بیزی به مدل‌سازی و اعتبارسنجی
• 34. فصل ۳۳: مدل‌های مارکوف سوئیچینگ و اعتبارسنجی
• 35. فصل ۳۴: مدل‌های ترکیبی مبتنی بر شبیه‌سازی
• 36. فصل ۳۵: شبیه‌سازی مونت کارلو برای اعتبارسنجی
• 37. فصل ۳۶: اعتبارسنجی مدل‌های پیش‌بینی نوسانات
• 38. فصل ۳۷: مدل‌های ترکیبی برای پیش‌بینی واریانس
• 39. فصل ۳۸: اعتبارسنجی مدل‌های پیش‌بینی بازده لحظه‌ای
• 40. فصل ۳۹: پیش‌بینی جهت حرکت قیمت (Directional prediction)
• 41. فصل ۴۰: اعتبارسنجی مدل‌های پیش‌بینی عدم تعادل بازار
• 42. فصل ۴۱: معیارهای سنجش قدرت پیش‌بینی
• 43. فصل ۴۲: AUC، دقت، و فراخوانی (Recall)
• 44. فصل ۴۳: معیارهای مبتنی بر خطای میانگین مجذور (MSE)
• 45. فصل ۴۴: معیارهای مبتنی بر خطای مطلق میانگین (MAE)
• 46. فصل ۴۵: توابع زیان (Loss functions) و تاثیر آن‌ها
• 47. فصل ۴۶: انتخاب تابع زیان مناسب برای اعتبارسنجی
• 48. فصل ۴۷: اعتبارسنجی در بازارهای سهام
• 49. فصل ۴۸: اعتبارسنجی در بازارهای فارکس
• 50. فصل ۴۹: اعتبارسنجی در بازارهای کالا
• 51. فصل ۵۰: اعتبارسنجی در بازارهای اوراق قرضه
• 52. فصل ۵۱: اعتبارسنجی در بازارهای مشتقات
• 53. فصل ۵۲: تاثیر فرکانس داده‌ها بر اعتبارسنجی
• 54. فصل ۵۳: داده‌های روزانه، ساعتی، و دقیقه‌ای
• 55. فصل ۵۴: اعتبارسنجی مدل‌ها در مقابل بازارهای شلوغ
• 56. فصل ۵۵: اعتبارسنجی مدل‌ها در مقابل بازارهای آرام
• 57. فصل ۵۶: اعتبارسنجی مدل‌های ترکیبی برای مدیریت پرتفوی
• 58. فصل ۵۷: تخصیص دارایی و نقش مدل‌های ترکیبی
• 59. فصل ۵۸: مدیریت ریسک و اعتبارسنجی مدل‌ها
• 60. فصل ۵۹: حد ضرر (Stop-loss) و حد سود (Take-profit)
• 61. فصل ۶۰: اعتبارسنجی مدل‌های پیش‌بینی ریسک VaR
• 62. فصل ۶۱: اعتبارسنجی مدل‌های پیش‌بینی ریسک CVaR
• 63. فصل ۶۲: تاثیر هزینه‌های معاملاتی بر اعتبارسنجی
• 64. فصل ۶۳: لغزش قیمت (Slippage) و اعتبارسنجی
• 65. فصل ۶۴: هزینه کارمزد (Commission) و تاثیر آن
• 66. فصل ۶۵: اعتبارسنجی مدل‌های بدون هزینه معاملاتی
• 67. فصل ۶۶: اعتبارسنجی مدل‌های با در نظر گرفتن هزینه معاملاتی
• 68. فصل ۶۷: اعتبارسنجی مدل‌های پیش‌بینی در بازارهای با فرکانس بالا
• 69. فصل ۶۸: چالش‌های خاص بازارهای با فرکانس بالا
• 70. فصل ۶۹: اعتبارسنجی مدل‌های تطبیقی (Adaptive models)
• 71. فصل ۷۰: یادگیری آنلاین (Online learning) و اعتبارسنجی
• 72. فصل ۷۱: استراتژی‌های تشخیص تغییر رژیم (Regime change detection)
• 73. فصل ۷۲: اعتبارسنجی مدل‌ها در طول بحران‌های مالی
• 74. فصل ۷۳: تاثیر نقدینگی بازار بر اعتبارسنجی
• 75. فصل ۷۴: اعتبارسنجی مدل‌های مبتنی بر پردازش زبان طبیعی (NLP)
• 76. فصل ۷۵: تحلیل احساسات (Sentiment analysis) و پیش‌بینی
• 77. فصل ۷۶: اعتبارسنجی مدل‌های ترکیب اخبار
• 78. فصل ۷۷: اعتبارسنجی مدل‌های پیش‌بینی مبتنی بر عوامل کلان اقتصادی
• 79. فصل ۷۸: تاثیر نرخ بهره بر اعتبارسنجی
• 80. فصل ۷۹: تاثیر تورم بر اعتبارسنجی
• 81. فصل ۸۰: اعتبارسنجی مدل‌های پیش‌بینی مبتنی بر عوامل تکنیکال
• 82. فصل ۸۱: اندیکاتورهای تکنیکال و ترکیب آن‌ها
• 83. فصل ۸۲: اعتبارسنجی مدل‌های پیش‌بینی مبتنی بر عوامل فاندامنتال
• 84. فصل ۸۳: نسبت‌های مالی و پیش‌بینی
• 85. فصل ۸۴: اعتبارسنجی مدل‌های پیش‌بینی مبتنی بر داده‌های جایگزین (Alternative data)
• 86. فصل ۸۵: داده‌های جغرافیایی و پیش‌بینی
• 87. فصل ۸۶: داده‌های شبکه‌های اجتماعی و پیش‌بینی
• 88. فصل ۸۷: اعتبارسنجی مدل‌های پیش‌بینی در مقیاس جهانی
• 89. فصل ۸۸: ارتباط بین بازارهای مختلف و اعتبارسنجی
• 90. فصل ۸۹: اعتبارسنجی مدل‌های پیش‌بینی برای سرمایه‌گذاری الگوریتمی
• 91. فصل ۹۰: طراحی استراتژی‌های معاملاتی خودکار
• 92. فصل ۹۱: اعتبارسنجی مدل‌های پیچیده در مقابل مدل‌های ساده
• 93. فصل ۹۲: اصل سادگی (Parsimony) در مدل‌سازی
• 94. فصل ۹۳: ارزیابی خطا در مدل‌های ترکیبی
• 95. فصل ۹۴: مدل‌های خطای ناشی از ترکیب (Combination errors)
• 96. فصل ۹۵: اعتبارسنجی مدل‌ها در شرایط داده‌های کم
• 97. فصل ۹۶: اعتبارسنجی مدل‌ها در شرایط داده‌های پرتعداد
• 98. فصل ۹۷: آینده اعتبارسنجی مدل‌های پیش‌بینی ترکیبی
• 99. فصل ۹۸: ابزارها و نرم‌افزارهای مورد استفاده برای اعتبارسنجی
• 100. فصل ۹۹: بهترین شیوه‌ها در اعتبارسنجی مدل‌های ترکیبی