توضیحات

دوره جامع پایتون و کاربردهای آن در اقتصاد و مالی

دوره معاملات الگوریتمی در پایتون (آنلاین + دریافت ویدئو مادام العمر)

دوره پایتون و کاربرد آن در اقتصاد و مالی – مقدماتی

دوره یادگیری ماشینی در پایتون کاربرد آن در اقتصاد و مالی 

اگر شک دارید که در دوره پایتون و کاربردهای آن در اقتصاد و مالی شرکت کنید متن زیر را بخوانید:

امروزه بازارهای #مالی در حال پوست‌اندازی و ورود به دنیای جدید هستند. بیش از ۸۵ درصد از معاملات بازارهای مالی به صورت #معاملات_الگوریتمی انجام می‌شوند (معاملات الگوریتمی معاملاتی هستند که به وسیله کامپیوتر و بدون دخالت انسان و با دقت بالا انجام می‌شوند). عوامل و محرکه این قضیه، تولید حجم بسیار زیادی از داده‌های مالی در لحظه است که تحلیل این حجم از داده‌ها در زمانی کوتاه، نیاز به سرعت پردازش و توان محاسباتی بالایی دارد که از عهده یک فرد یا گروهی از افراد خارج است. از این رو استفاده از محاسبات کامپیوتری و #هوش_مصنوعی در بازارهای مالی روز به روز در حال گسترش است.

موسسات مالی این روزها، با به کارگیری هوش مصنوعی به دنبال بهبود عملکردشان در تجارت و سرمایه گذاری هستند. با توجه به توانمندی‌های #پایتون در حوزه #یادگیری_ماشینی (یادگیری ماشینی: روش‌هایی که به کامپیوتر کمک می‌کند تا بتواند تصمیم‌های مناسب را اتخاذ کند) و نیازمندی‌های امروز بازارهای مالی، پایتون بهترین زبان و اکوسیستم برای تحلیل داده‌های مالی است. پایتون یک زبان قدرتمند برنامه‌نویسی است که سادگی برنامه‌نویسی در آن دلیل اقبال گسترده عمومی به این زبان بوده است. همچنین پایتون یک زبان بسیار قدرتمند در #تحلیل_داده و هوش مصنوعی، یادگیری ماشین و یادگیری عمیق است و پکیج‌های قدرتمندی در این زمینه در پایتون نوشته شده است که کار در این زمینه‌ها با پایتون را بسیار راحت و لذت بخش می‌کند.

دوره حاضر جامع‌ترین دوره پایتون و کاربرد آن در #اقتصاد و بازارهای مالی است که تاکید آن بر یادگیری ماشینی و معاملات الگوریتمی است. این دوره در ۷۲ ساعت و در سه سطح مقدماتی، یادگیری ماشینی و معاملات الگوریتمی تهیه شده است.
برای شرکت در این دوره کاربردی و دریافت ویدیٔوهای آن می توانید به دایرکت پیج اینستاگرامی استاد دوره (علی رئوفی) مراجعه نمایید یا در تلگرام به ایدی زیر پیام دهید:
t.me/abedizohreh

 

این آموزش با این فرض تهیه شده است که مخاطب هیچ دانش و تجربه قبلی در زمینه برنامه‌نویسی نداشته و در طول آموزش با این زبان آشنا می‌شود. این آموزش با تشریح مبانی نظری در حوزه مالی، یادگیری ماشینی و معاملات الگوریتمی، مثال‌های عملی متنوعی نیز در رابطه با بازارهای مالی ارایٔه خواهد کرد.

برای ثبت نام، در #دایرکت پیام ارسال بفرمایید

مدرس دوره، علی ریٔوفی، دکتری اقتصاد مالی و #اقتصادسنجی از دانشگاه علامه طباطبایی است که مقالات متعددی را در زمینه پیش‌بینی بازارهای مالی در ژورنال‌های معتبر بین‌المللی به چاپ رسانده است. ایشان به زبان برنامه نویسی #متلب (MATLAB) و R و Mql5 نیز مسلط است و دوره‌های متعددی را در این زمینه با همکاری دانشگاه‌ها و نهادهای مالی برگزار نموده است.

عنوان دوره: دوره آنلاین معاملات الگوریتمی با پایتون (همراه با آموزش صفر تا صد پایتون) + دوره پایتون مقدماتی و یادگیری ماشینی

طول دوره: 72 ساعت

مدرس: علی رئوفی- دکتری اقتصاد مالی از دانشگاه علامه طباطبایی (صفحه در گوگل اسکولار)/ (صفحه در ریسرچ گیت)

 

جامع ترین دوره معاملات الگوریتمی در ایران

 

امکان برگزاری دوره برای نهادهای مالی

 

سرفصل های دوره پایتون صفر تا صد (مقدماتی/ یادگیری ماشینی/ معاملات الگوریتمی):

 

دوره پایتون و کاربرد آن در اقتصاد و مالی- مقدماتی

• درس صفر: کلیات (آشنایی با زبان‌ها برنامه‌نویسی و محبوبیت آنها، آشنایی اجمالی بر الگوریتم و فلوچارت، اهمیت پایتون در بازارهای مالی)
• درس یکم: آشنایی با پایتون (تاریخچه پایتون، ویژگی‌های پایتون، کاربردهای پایتون، نسخه‌های پایتون، نصب پایتون، آشنایی با محیط پایتون و محیط‌های توسعه و…)
• درس دوم: انواع داده‌‌‌ها (اعداد، رشته، لیست، Tuple، دیکشنری، Set و تبدیل داده‌ها) ارائه کاربردهای آن در اقتصاد و مالی
• درس سوم: انواع عملگرها در پایتون (محاسباتی، منطقی، مقایسه‌ای و…، تقدم عملگرها) و بررسی کاربرد آن در اقتصاد و مالی
• درس چهارم: ساختارهای تصمیم: دستورات شرطی (ساختار if، else…if و ساختار شرطی تو در تو) و ارائه مثال در حوزه مالی
• درس پنجم: ساختارهای تصمیم: حلقه‌ها (ساختار for و while، ساختار حلقه تو در تو، دستورات کنترلی در حلقه) و ارائه مثال در حوزه مالی
• درس ششم: ایجاد تابع (مزیت استفاده از تابع، انواع توابع، توابع بازگشتی صدا زدن تابع، تست توابع) و ارائه مثال‌هایی از کاربرد آن در حوزه مالی
• درس هفتم: فایل (باز کردن فایل، خواندن فایل، نوشتن در فایل، بستن فایل، حذف فایل)
• درس هشتم: کاربرد مقدماتی پایتون (توابع ریاضی، اعداد تصادفی، ورود داده‌های مالی به پایتون، محاسبه بازده دارایی‌ها، محاسبه ریسک، تحلیل همبتسگی)
• درس نهم: آشنایی با کتابخانه numpy برای انجام محاسبات عددی در حوزه مالی
• درس دهم: آشنایی با کتابخانه Pandas برای مدیریت و ترسیم داده‌های مالی
• درس یازدهم: آشنایی با کتابخانه matplotlib و seaborn برای ترسیم داده‌های مالی
• درس دوازدهم: کاربردهای متنوع در حوزه مالی
  • ورود داده‌های مالی از منابع معتبر google finance، yahoo finance، world Bank و…
  • انتقال فایل داده از اکسل، R و سایر نرم‌افزارهای مرتبط با مالی
  • انواع ترسیم‌های کاربردی در داده‌های مالی (نمودارهای سری زمانی، نمودارهای همبستگی، هیستوگرام و ….)
  • انواع محاسبات مقدماتی در مالی (محاسبه بازده و بازده تجمعی، سنجه‌های ریسک، رگرسیون و…)
  • حل تمرین و رفع اشکال

دوره پایتون و کاربرد آن در اقتصاد و مالی- یادگیری ماشینی

• درس یکم: مقدمه‌ای بر یادگیری ماشین
  • تعریف یادگیری ماشین و کاربردهای آن
  • انواع الگوریتم های یادگیری (با نظارت و بدون نظارت(
  • مقدمه ای بر یادگیری با نظارت
  • مقدمه ای بر یادگیری بدون نظارت
• درس دوم: داده
  • انواع داده (اسمی، ترتیبی، عددی)
  • شاخص‌های آماری داده (میانگین، میانه، مد، واریانس، انحراف معیار، چارک و…)
  • نمایش گرافیکی توصیف‌های آماری (نمودار میله‌ای، هیستوگرام، پراکندگی، باکس پلات و…)
  • وابستگی  (Correlation)
  • ویژگی های اسمی – باینری
  • عدم شباهت برای داده های عددی
  • معیار کسینوس برای شباهت
• درس سوم: پیش پردازش داده
  • معیارهای کیفیت داده
  • اعمال پیش پردازش (پاک سازی داده، ترکیب و تجمیع، کاهش داده و….)
  • نحوه رسیدگی به داده‌های گم شده
  • داده نویز
  • هموار سازی داده‌ها
  • استراتژی‌های کاهش داده‌ها
• درس چهارم: رگرسیون
  • رگرسیون خطی (تک متغیره، چند متغیره)
  • نکاتی در رابطه با رگرسیون خطی چند متغیره
  • رگرسیون خطی (تعداد داده‌های آموزشی و تعمیم‌پذیری(
  • انواع خطا
  • بیش پردازش (Overfitting) و روش‌های اجتناب از آن
• درس پنجم: رگرسیون لجستیک  (Logistic Regression)
  • مرز تصمیم خطی و غیرخطی
  • تابع هزینه
  • الگوریتم گرادیان کاهشی در رگرسیون لجستیک
  • کلاس‌بندی با چند کلاس (یکی در برابر بقیه(
  • تنظیم رگرسیون خطی و رگرسیون لجستیک
  • بایاس و واریانس  (Bias & Variance)
• درس ششم: شبکه عصبی مصنوعی
  • معرفی شبکه‌های عصبی مصنوعی
  • نورون‌های مصنوعی
  • شبکه عصبی پرسپترون چند لایه (MLP)
  • مثال
    • پیش‌بینی داده‌های مالی با شبکه عصبی مصنوعی
    • کلاس‌بندی داده‌های مالی با شبکه عصبی مصنوعی
• درس هفتم: ماشین بردار پشتیبان (Support Vector Machine)
  • مقدمه ای بر بردار
  • ماشین بردار پشتیبان
  • محاسبه اندازه حاشیه
  • بردارهای پشتیبان
  • مساله بهینه‌سازی حداکثر کردن اندازه حاشیه
  • مزایا و معایب  SVM
• درس هشتم: درخت تصمیم (Decision Tree)
  • چند مثال برای درخت تصمیم
  • الگوریتم های ساختن درخت تصمیم
  • بررسی چند مثال
  • بیش برازش ناشی از نویز
  • هرس کردن   (Pruning)
  • مزایا و معایب درخت تصمیم
• درس نهم: دسته‌بندی K نزدیک ترین همسایه (k Nearest Neighbor)
  • معرفی KNN با چند مثال
  • الگوریتم  KNN
  • تکنیک‌های  Instance-Based
  • مرز تصمیم – دیاگرام  Voronoi
  • تاثیر اندازه K در مرز تصمیم
  • معیارهای شباهت
  • استفاده از معیار شباهت کسینوس
  • تاثیر معیار شباهت در مرز تصمیم
  • استراتژی انتخاب  K
  • استفاده از KNN برای پیشگویی عددی
  • استفاده از  K-D Tree
• درس دهم: انتخاب ویژگی (Feature Selection)
  • مقدمه ای بر انتخاب ویژگی
  • روش فیلتر
  • معیار  Mutual information
  • روش دسته‌بندی  Wrapper
  • استراتژی های جستجو
  • آزمون آماری  t
  • انتخاب ویژگی با الگوریتم‌های فراابتکاری
• درس یازدهم: تقلیل ابعاد (Dimension Reduction)
  • مقدمه‌ای بر تقلیل ابعاد
  • تقلیل ابعاد و کاربردهای آن
  • تجسم داده‌ها
  • مقایسه استخراج ویژگی (Feature Extraction) و انتخاب ویژگی (Feature Selection)
  • بررسی چندین مثال برای استخراج ویژگی با روش PCA
  • انتخاب K مناسب
  • کرنل  PCA
• درس دوازدهم: خوشه‌بندی (Clustering)
  • مقایسه آموزش با نظارت با آموزش بدون نظارت
  • کاربردهای خوشه‌بندی
  • خوشه‌بندی افرازی
  • توضیح روش K-means به همراه چند مثال ساده
  • مشکل بهینه محلی
  • انتخاب کلاسترها (روش آرنجی(
  • نقاط قوت و ضعف روش K-means
  • خوشه بندی سلسله مراتبی (تجمعی و تقسیمی(
  • نمودار دندروگرام  (Dendrogram)
  • انتخاب تعداد کلاسترها
• درس سیزدهم: کشف داده‌های پرت
  • داده پرت – نویز
  • انواع داده‌های پرت
    • سراسری
    • جمعی
    • زمینه‌ای
  • روش‌های تشخیص داده های پرت (با نظارت و بدون نظارت)
  • کشف داده‌های پرت (با روش خوشه‌بندی، دسته بندی و هیستوگرام و Box Plot)
• درس چهاردهم: حل تمرین و مثال‌های متعدد در زمینه مالی

دوره پایتون و کاربرد آن در اقتصاد و مالی- معاملات الگوریتمی

• درس یکم: کلیات
  • آشنایی با معاملات الگوریتمی
  • آشنایی با کتابخانه‌های با اهمیت در معاملات الگوریتمی (NumPy, SciPy, pandas, matplotlib, statsmodels,)
  • آشنایی با پلتفرم‌های محبوب معاملات الگوریتمی

• درس دوم: مدیریت و پیش‌پردازش داده‌ها
  • فراخوانی داده از پایگاه‌های داده معتبر
  • پالایش داده‌ها و آماده‌سازی آنها (محاسبات بازده، حذف نویز، تحلیل همبستگی و …)
• درس سوم: آشنایی با انواع استراتژی‌های معاملات الگوریتمی
  • استراتژی‌های معاملاتی مبتنی بر تحلیل تکنیکال
  • استراتژی‌های معاملاتی مبتنی بر همبستگی خطی
  • استراتژی‌های معاملاتی مبتنی بر یادگیری ماشینی
  • استراتژی‌‌های معاملاتی مبتنی بر معاملات پربسامد (High-Frequency Trading)
• درس چهارم: بررسی کارایی استراتژی‌ها (Strategy Testing)
  • گرفتن بک تست (Back testing) برای بررسی میزان موفقیت الگوریتم
  • بررسی کارایی الگوریتم به صورت زنده (Live Testing)

---

جامع ترین دوره پایتون و کاربرد آن در اقتصاد و مالی

برای ثبت نام در این دوره پایتون به صورت آنلاین به ایدی تلگرامی www.t.me/abedizohreh پیام دهید.

آگاهی از دوره‌های بیشتر در پیج اینستاگرامی https://www.instagram.com/raoofi_sahm