اگر به دنبال دانلود استاتا ۱۹ هستید و می‌خواهید بدانید این نسخه چه قابلیت‌های جدیدی ارائه می‌دهد، در این مقاله به بررسی جامع ویژگی‌های جدید و بهبودهای نسخه ۱۹ نرم‌افزار Stata می‌پردازیم.​

🎯 چرا استاتا ۱۹؟ نسخه‌ای فراتر از انتظار

استاتا ۱۹ در آوریل ۲۰۲۵ منتشر شد و با ارائه قابلیت‌های پیشرفته در تحلیل آماری، یادگیری ماشین، گرافیک‌های حرفه‌ای و بهبودهای رابط کاربری، توجه بسیاری از کاربران را جلب کرده است.​

📊 قابلیت‌های آماری و یادگیری ماشین

✅ یادگیری ماشین با H2O

استاتا ۱۹ با ادغام H2O، امکان استفاده از الگوریتم‌های یادگیری ماشین مانند درخت‌های تصمیم‌گیری تجمعی (Ensemble Decision Trees) را فراهم کرده است. این ویژگی به تحلیل‌گران اجازه می‌دهد تا مدل‌های پیش‌بینی قدرتمندی بسازند.​

✅ اثرات متوسط درمانی مشروط (CATE)

با معرفی CATE، کاربران می‌توانند اثرات درمانی را در زیرگروه‌های مختلف جمعیت تحلیل کنند، که برای مطالعات پزشکی و اجتماعی بسیار مفید است.​YouTube

✅ اثرات ثابت با ابعاد بالا (HDFE)

استاتا ۱۹ امکان مدل‌سازی با اثرات ثابت در داده‌های با ابعاد بالا را فراهم کرده است، که برای تحلیل‌های پانل و داده‌های پیچیده بسیار کاربردی است.​

✅ انتخاب متغیر بیزی برای مدل‌های خطی

با استفاده از روش‌های بیزی، استاتا ۱۹ به کاربران امکان می‌دهد تا متغیرهای مهم را در مدل‌های خطی شناسایی و انتخاب کنند، که دقت مدل‌سازی را افزایش می‌دهد.​

📈 بهبودهای گرافیکی و بصری

✅ نقشه‌های حرارتی (Heatmaps)

استاتا ۱۹ با افزودن قابلیت رسم نقشه‌های حرارتی، امکان نمایش داده‌های سه‌بعدی را به صورت بصری و قابل فهم فراهم کرده است. این ابزار برای نمایش تراکم داده‌ها و الگوهای زمانی-مکانی بسیار مفید است.​

✅ نمودارهای میله‌ای با فواصل اطمینان

امکان افزودن فواصل اطمینان به نمودارهای میله‌ای، به تحلیل‌گران کمک می‌کند تا عدم قطعیت در داده‌ها را به صورت بصری نمایش دهند.​

✅ رنگ‌بندی بر اساس متغیرها

با قابلیت جدید colorvar()، کاربران می‌توانند رنگ خطوط و نشانگرها را بر اساس مقادیر متغیرهای خاص تغییر دهند، که درک الگوهای داده را تسهیل می‌کند.​

🧮 بهبودهای مدل‌سازی و تحلیل‌های پیشرفته

✅ مدل‌های کنترل-تابع برای رگرسیون خطی و پروبیت

استاتا ۱۹ با معرفی مدل‌های کنترل-تابع، امکان تصحیح برای متغیرهای درون‌زای احتمالی را فراهم کرده است، که دقت تحلیل‌های علی را افزایش می‌دهد.​

✅ تحلیل بیزی پیشرفته

افزودن توزیع‌های پیشین جدید مانند half-Cauchy و مدل‌های بیزی جدید، امکانات تحلیل بیزی را در استاتا ۱۹ گسترش داده است.​Stata

✅ مدل‌های پانل VAR و CRE

استاتا ۱۹ با افزودن مدل‌های برداری خودرگرسیونی (VAR) و اثرات تصادفی همبسته (CRE) برای داده‌های پانل، ابزارهای تحلیل سری‌های زمانی و داده‌های پانل را تقویت کرده است.​

🧑‍💻 بهبودهای رابط کاربری و تجربه کاربری

✅ ویرایشگر Do-file پیشرفته

استاتا ۱۹ با بهبود ویرایشگر Do-file، امکاناتی مانند تکمیل خودکار، قالب‌های سند، برجسته‌سازی کد و مدیریت نشانک‌ها را اضافه کرده است، که کدنویسی را ساده‌تر و کارآمدتر می‌کند.​

✅ پشتیبانی از زبان فرانسوی

با افزودن پشتیبانی از زبان فرانسوی، استاتا ۱۹ برای کاربران فرانسوی‌زبان دسترسی‌پذیرتر شده است.​

📥 چگونه استاتا ۱۹ را دانلود کنیم؟

برای دانلود استاتا ۱۹، می‌توانید در همین صفحه، اقدام به خرید محصول کنید. بعد از خرید محصول، لینک دانلود برای شما ظاهر شده و همچنین به ایمیل شما ارسال می شود.

🔚 جمع‌بندی

استاتا ۱۹ با ارائه قابلیت‌های پیشرفته در تحلیل آماری، یادگیری ماشین، گرافیک‌های حرفه‌ای و بهبودهای رابط کاربری، یک ابزار قدرتمند برای تحلیل‌گران داده و پژوهشگران است. اگر به دنبال ارتقاء توان تحلیل داده‌های خود هستید، دانلود استاتا ۱۹ می‌تواند گامی مؤثر در این مسیر باشد.​

برای اطلاعات بیشتر، به وب‌سایت رسمی استاتا مراجعه کنید: https://www.stata.com/stata19/​

The post دانلود استاتا 19 (STATA 19 MP) appeared first on اقتصادی‌ها -فروشگاه اینترنتی تخصصی رشته اقتصاد.

نرم‌افزار LISREL 12 یکی از پیشرفته‌ترین ابزارهای تحلیل آماری برای بررسی مدل‌های ساختاری است. این نرم‌افزار که به‌طور ویژه برای تحلیل مدل‌های معادلات ساختاری (SEM) طراحی شده است، به محققان کمک می‌کند تا روابط پیچیده بین متغیرها را بررسی کنند. در این مقاله، به معرفی قابلیت‌های کلیدی LISREL 12 و کاربردهای آن در تحقیقات علمی می‌پردازیم. این مطلب با رعایت نکات سئو (SEO) تهیه شده تا محتوای شما در موتورهای جستجو بهتر دیده شود.

LISREL 12 چیست؟

نرم‌افزار LISREL یکی از اولین ابزارهای تحلیل معادلات ساختاری است که توسط کارل یورسکوگ و داگلاس سوربوم توسعه یافته است. این نرم‌افزار برای ترکیب روش‌های تحلیل عاملی و تحلیل مسیر طراحی شده و به کاربران اجازه می‌دهد مدل‌های پیچیده روابط علت و معلولی را تحلیل کنند. نسخه 12 این نرم‌افزار با بهبودهای قابل توجه و ویژگی‌های جدیدی ارائه شده است.

ویژگی‌های کلیدی LISREL 12

1. تحلیل معادلات ساختاری پیشرفته (SEM)

LISREL 12 ابزارهایی قدرتمند برای تحلیل مدل‌های معادلات ساختاری فراهم می‌کند. این نرم‌افزار امکان تحلیل روابط پیچیده بین متغیرهای مشاهده‌شده و پنهان را به دقت بالا ارائه می‌دهد.

2. تحلیل عاملی تأییدی (CFA)

ابزاری برای بررسی مدل‌های اندازه‌گیری که به محققان کمک می‌کند ساختار داده‌ها را ارزیابی و تأیید کنند.

3. پشتیبانی از داده‌های ناقص

مدیریت داده‌های ناقص یکی از چالش‌های رایج در تحقیقات است. LISREL 12 با الگوریتم‌های پیشرفته، این مشکل را به‌خوبی برطرف کرده است.

4. نمایش گرافیکی مدل‌ها

این نسخه با ابزارهای گرافیکی پیشرفته امکان ترسیم و مشاهده مدل‌های ساختاری به‌صورت بصری را فراهم می‌کند.

5. واسط کاربری گرافیکی (GUI)

رابط کاربری این نسخه بسیار ساده‌تر و کاربرپسندتر از نسخه‌های پیشین شده است. قابلیت Drag and Drop به کاربران اجازه می‌دهد به‌راحتی مدل‌ها را ایجاد کنند.

6. پشتیبانی از تحلیل داده‌های حجیم

LISREL 12 با بهینه‌سازی‌های انجام‌شده، امکان تحلیل سریع و دقیق مجموعه داده‌های بزرگ را ارائه می‌دهد.

7. سازگاری با فرمت‌های مختلف داده

پشتیبانی از فرمت‌هایی مانند SPSS، Excel و فایل‌های متنی، کار با این نرم‌افزار را آسان‌تر کرده است.

کاربردهای LISREL 12

1. علوم اجتماعی و روان‌شناسی

LISREL به‌طور گسترده در تحقیقات علوم اجتماعی و روان‌شناسی برای تحلیل روابط علت و معلولی استفاده می‌شود.

2. مدیریت و بازاریابی

این نرم‌افزار برای تحلیل رفتار مصرف‌کننده و ارزیابی عملکرد سازمان‌ها بسیار مفید است.

3. علوم پزشکی و بهداشت

LISREL در مدل‌سازی روابط بین عوامل خطر و نتایج درمانی در تحقیقات پزشکی کاربرد زیادی دارد.

مزایای LISREL 12

• دقت بالا: این نرم‌افزار نتایج بسیار دقیقی ارائه می‌دهد.
• انعطاف‌پذیری: امکان تحلیل مدل‌های متنوع از ویژگی‌های برجسته آن است.
• منابع آموزشی گسترده: منابع آموزشی و راهنماهای آنلاین برای کاربران این نرم‌افزار فراهم است.

چرا LISREL 12؟

در مقایسه با نرم‌افزارهای مشابه مانند AMOS، SmartPLS و Mplus، LISREL به‌عنوان یک ابزار جامع و حرفه‌ای برای تحلیل مدل‌های ساختاری شناخته می‌شود. توانایی آن در مدیریت مدل‌های پیچیده، مزیت اصلی این نرم‌افزار است.

نتیجه‌گیری

LISREL 12 یک ابزار ضروری برای محققانی است که در حوزه تحلیل مدل‌های ساختاری فعالیت می‌کنند. قابلیت‌های پیشرفته و رابط کاربری بهبودیافته این نسخه، انجام تحلیل‌های پیچیده را ساده‌تر کرده است. اگر در جستجوی نرم‌افزاری برای تحلیل دقیق داده‌ها و مدل‌های آماری هستید، LISREL 12 یک انتخاب ایده‌آل خواهد بود.

The post دانلود لیزرل 12 (Lisrel 12.0) appeared first on اقتصادی‌ها -فروشگاه اینترنتی تخصصی رشته اقتصاد.

در دنیای امروز، تجزیه و تحلیل دقیق و اصولی طرح های سرمایه گذاری، نقشی حیاتی در کاهش ریسک و افزایش شانس موفقیت ایفا می کند. نرم افزار کامفار 3.3 به عنوان یکی از قدرتمندترین ابزارهای موجود در این زمینه، به شما کمک می کند تا ایده های خود را به طرح های سرمایه گذاری سودآور تبدیل کنید.

قابلیت های کلیدی کامفار 3.3:

• ارزیابی مالی و اقتصادی طرح: کامفار 3.3 با استفاده از شاخص های مالی دقیق و روش های تحلیلی پیشرفته، به شما کمک می کند تا سودآوری، بازده سرمایه و نقطه سر به سر طرح خود را به طور دقیق محاسبه کنید.
• تجزیه و تحلیل حساسیت: این نرم افزار به شما امکان می دهد تا تاثیر تغییرات متغیرهای مختلف مانند قیمت مواد اولیه، نرخ ارز و میزان تقاضا بر عملکرد طرح خود را بررسی کنید.
• تهیه گزارش های جامع: کامفار 3.3 با ایجاد گزارش های شفاف و گویا از نتایج تحلیل شما، به شما در جلب نظر سرمایه گذاران و متقاعد کردن آنها به سرمایه گذاری در طرحتان کمک می کند.
• قابلیت انعطاف پذیری بالا: این نرم افزار برای تجزیه و تحلیل طیف گسترده ای از طرح های سرمایه گذاری در زمینه های مختلف مانند صنعت، کشاورزی، خدمات و گردشگری قابل استفاده است.
• رابط کاربری آسان: کامفار 3.3 با رابط کاربری ساده خود، یادگیری و استفاده از آن را برای همه افراد، صرف نظر از سطح دانش فنی آنها، آسان می کند.

مزایای استفاده از کامفار 3.3:

• کاهش ریسک سرمایه گذاری: با تجزیه و تحلیل دقیق و اصولی طرح خود با استفاده از کامفار 3.3، می توانید ریسک های احتمالی را شناسایی و برای کاهش آنها برنامه ریزی کنید.
• افزایش شانس موفقیت: با ارزیابی دقیق سودآوری و بازده سرمایه طرح خود، می توانید با اطمینان خاطر بیشتری برای سرمایه گذاری در آن اقدام کنید.
• جذب سرمایه گذار: گزارش های جامع و متقاعد کننده تهیه شده توسط کامفار 3.3، به شما در جلب نظر سرمایه گذاران و متقاعد کردن آنها به سرمایه گذاری در طرحتان کمک می کند.
• صرفه جویی در زمان و هزینه: استفاده از کامفار 3.3 به شما کمک می کند تا فرآیند تحلیل و ارزیابی طرح خود را به طور چشمگیری سریع تر و کم هزینه تر انجام دهید.

دانلود نرم افزار کامفار 3.3 قابل نصب روی ویندوز 10:

شما می توانید نسخه کامل و بدون محدودیت نرم افزار کامفار 3.3 را که به طور خاص برای ویندوز 10 بهینه سازی شده است، از طریق وب سایت ما دانلود کنید. نسخه دانلودی شامل راهنمای نصب و فایل های آموزشی کامل می باشد.

The post دانلود کامفار 3.3 قابل نصب روی ویندوز 10 appeared first on اقتصادی‌ها -فروشگاه اینترنتی تخصصی رشته اقتصاد.

• تحلیل بنیادی صنعت پتروشیمی

• تحلیل بنیادی صنعت پالایشی

• تحلیل بنیادی صنعت خودرو

• تحلیل بنیادی صنعت فولاد

• تحلیل بنیادی صنعت بانکی

• تحلیل بنیادی صنعت سیمان

تحلیل بنیادی به بررسی پایه‌ای شرکت‌ها و #صنایع مختلف می‌پردازد و برآوردی از وضعیت آنها در آینده ارایٔه می‌دهد. در واقع تحلیل بنیادی مشخص می‌کند که در حال حاضر کدام یک از صنایع و به طور دقیق‌تر کدام یک از سهم‌ها فرصت مناسبی برای یک سرمایه‌گذاری مطمیٔن و سودآور هستند. تحلیل بنیادی از این جهت که امکان سودآوری در افق‌های بلندمدت را برای سرمایه‌گذاران فراهم می‌نماید مورد توجه فعالان بازار قرار دارد.

در این نوع تحلیل از دو دسته عوامل داخلی شرکت (صورت‌های مالی؛ میزان فروش، سودآوری و…) و عوامل خارجی (اقتصاد کلان ملی و بین‌المللی، وضعیت بازارهای #مالی موازی، تقاضای جهانی محصول و…) برای ارزیابی شرکت استفاده می‌شود.
تمرکز این دوره بر صنایع #پالایشی، #پتروشیمی، #فولاد، #معدنی، #سیمان، #بانک و #خودرو است که عمده صنایع بورسی را شامل می‌شود.

تا این لحظه ۸۳ نفر از دانشپذیران دوره‌های قبل در این دوره ثبت ثبت‌نام نموده‌اند و کمتر از ۲۰ نفر ظرفیت برای سایر عزیزان باقی‌مانده است (ظرفیت محدود).
۵۰ درصد #تخفیف نسبت به دوره‌های مشابه!
.

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

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 زمینه بازارهای مالی (دوره تحلیل تکنیکال جامع، دوره تحلیل بنیادی جامع، دوره معاملات الگوریتمی ) با همکاری دانشگاه‌ها و نهادهای مالی برگزار نموده است.

عنوان دوره: تحلیل بنیادی صنایع بورسی 

طول دوره: 24 ساعت

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

جامع ترین دوره تحلیل صنایع بورس ایران

دوره تحلیل بنیادی صنایع بورس ایران

امکان برگزاری دوره برای نهادهای مالی

جامع ترین دوره تحلیل صنایع بورس ایران

برای ثبت نام در دوره تحلیل صنایع بورسی 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 

The post دوره تحلیل بنیادی صنایع بورسی appeared first on اقتصادی‌ها -فروشگاه اینترنتی تخصصی رشته اقتصاد.

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

دوره پایتون مقدماتی و پیشرفته معاملات الگوریتمی در پایتون علی رئوفی

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 

The post دوره معاملات الگوریتمی در پایتون appeared first on اقتصادی‌ها -فروشگاه اینترنتی تخصصی رشته اقتصاد.

The post دوره آنلاین صفر تا صد آموزش فارکس appeared first on اقتصادی‌ها -فروشگاه اینترنتی تخصصی رشته اقتصاد.

چنگال اندروز یکی از تکنیک‌های کاربردی در تحلیل #تکنیکال است که تیٔوری آن نخستین بار توسط راجر بابسون ارایٔه شد و بعدها توسط دکتر «آلن هال‌اندروز» به شکل امروزی مورد استفاده قرار گرفت. اندروز اعتقاد داشت خطوط کلاسیک تکنیکال (خطوط #حمایت، #مقاومت، #روند)، کارایی زیادی در بازارها ندارند و خطوط روندی که «از میان نقاط و #پیوت ها می‌گذرد» کاربردی تر هستند.
بر این اساس چنگال اندروز یا خط میانی (median-line) توسط وی به دنیای معاملات معرفی شد که بر مبنای قانون عمل- عکس‌العمل نیوتن و #رگرسیون خطی طراحی شده است.
اندروز معتقد بود که طبق قانون سوم نیوتن برای هر عملی عکس العملی به همان اندازه و در خلاف جهت وجود دارد. بنابراین به کمک خط میانی در چنگال اندروز (مدیان لاین) می‌توان #کانال حرکت قیمت در آینده را با احتمال موفقیت زیاد ترسیم نمود.

بر این اساس بر مبنای این خط مرکزی باید همه نوسانات قیمت را در بین دو بال که کانال‌هایی را برای روند قیمت‌های جاری و قیمت‌های آینده می‌سازند، مورد بررسی قرار داد.
امروزه بسیاری از معامله گران در بازارهای مالی به جای ترسیم کانال ها، خطوط روند و حمایت و مقاومت کلاسیک از این ابزار کاربردی و آسان استفاده می کنند.
برای شرکت در این دوره کاربردی و دریافت ویدیٔوهای آن می توانید به دایرکت مراجعه نمایید یا در تلگرام به ایدی زیر پیام دهید:
t.me/raoofiali

سرفصل های دوره چنگال اندرو

جلسه اول
معرفی چنگال اندرو (Andrew’s Pitchfork)
پایه های تئوریک چنگال اندرو
آشنایی با نقاط پیوت (Pivot Point)
راهکارهای شناسایی پیوت‌های ماژور برای ترسیم چنگال
نحوه ترسیم چنگال اندرو
آشنایی با خطوط چنگال در حالت Standard Super Pitchfork
قوانین حاکم بر چنگال
جلسه دوم
آشنایی با انواع چنگال‌های اصلاح شده
چنگال Schiff Pitchpork
چنگال modified Schiff Pitchfork
سیگنال های دریافتی از چنگال اندرو (نقاط ورود و خروج بر اساس چنگال)
مقایسه چنگال در حالت استاندارد و حالات اصلاح شده
جلسه سوم
ترکیب چنگال و فیبوی ریتریسمنت
ترکیب چنگال و فیبوی زمانی
آشنایی با ابزار Pitchfan
رفع اشکال و پاسخ به سوالات

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

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

سایر دوره‌های بورسی:

ویدئوی آموزش فیبوناچی- علی رئوفی

ویدئوی آموزش امواج الیوت- علی رئوفی

The post دوره چنگال اندروز در تحلیل تکنیکال appeared first on اقتصادی‌ها -فروشگاه اینترنتی تخصصی رشته اقتصاد.

در عالم خلقت، نسبت منحصر به فرد وجود دارد که می‌توان از آن برای توصیف نسبت همه چیز از کوچک‌ترین اجزای طبیعت مانند اتم‌ها تا پیچیده‌ترین الگوهای موجود در جهان مانند اجسام آسمانی بسیار بزرگ استفاده کرد. طبیعت برای حفظ تعادل به این نسبت ذاتی متکی است. بازارهای مالی نیز با این «نسبت طلایی» منطبق هستند. این نسبت‌ها چیزی نیستند جز «نسبت‌های فیبوناچی». نسبت طلایی #فیبوناچی به افتخار بنیان‌گذار آن، «لئوناردو فیبوناچی» نام‌گذاری شده است.
نسبت‌های فیبوناچی را می‌توان در جای جای جهان هستی مشاهده کرد، از این رو امروزه معامله‌گران بازار سرمایه نیز توجه ویژه‌ای به این اعداد دارند. آنها در جستجوی درک این موضوع هستند که این اعداد چه نقشی در معاملات سهام بازی می‌کنند. از یک سو می‌توان تصور کرد که این نسبت‌ها به صورت ناخودآگاه در ضمیر معامله‌گران نقش بازی می‌کند و می‌تواند مبنایی برای میزان اصلاح و یا رشد قیمت‎ها باشد.
از سوی دیگر برخی افراد اینگونه استنباط می‌کنند که هنگامی که این ابزار توسط تعداد زیادی از تحلیلگران استفاده شود، خود فیبوناچی می‌تواند یک عامل بسیار مهم در تأثیرگذاری بر بازار باشد. به عبارتی، فیبوناچی به دلیل استفاده توسط تعداد زیادی از معامله‌گران موجب ایجاد سطوح حمایت و مقاومت مصنوعی می‌شود.
به هر حال، هر کدام از این تحلیل ها را که درست بدانیم، ابزارهای فیبوناچی به خوبی نقاط حمایت و مقاومت و نقاط بازگشت را در سهم مشخص می کنند.

برای شرکت در این دوره کاربردی و دریافت ویدیٔوهای آن می توانید به دایرکت پیج مدرس دوره (علی رئوفی- دکتری اقتصاد مالی) مراجعه نمایید یا در تلگرام به ایدی زیر پیام دهید:
t.me/raoofiali

سرفصل های دوره تحلیل فیبوناچی در بازار سرمایه

جلسه اول
آشنایی با دنباله فیبوناچی و نحوه پیدایش آن
آشنایی با نسبت های فیبوناچی
دلیل اهیمت نسبت های فیبوناچی
جایگاه نسبت های فیبوناچی در علوم مالی
انواع فیبوناچی ها در تحلیل تکنیکال:
– فیبوناچی بازگشتی: ریتریسمنت و اکستنشن
– فیبوناچی پروجکشن
– فیبوناچی اکسپنشن
معرفی انواع ابزارهای فیبوناچی در تحلیل تکنیکال:
– انواع ابزارهای فیبوی اصلاحی
– کمان
– بادبزن
– انواع ابزارهای فیبو زمانی
آشنایی با فیبوناچی بازگشتی داخلی (ریتریسمنت)
آشنایی با فیبوناچی بازگشتی خارجی (اکستنشن)
جلسه دوم
آشنایی با فیبوناچی بازگشتی چندگانه (Multiple Retracement)
شناسایی نقاط بالقوه بازگشت قیمت (PRZ) با استفاده از ابزار فیبوناچی
آشنایی با فیبوناچی پروجکشن
آشنایی با فیبوناچی اکسپنشن
آشنایی با فیبوناچی چنل
جلسه سوم
آشنایی با انواع فیبوناچی زمانی
آشنایی با Pitchfan
ترکیب فیبوناچی زمانی و سایر فیبوناچی‌ها برای شبکه بندی رفتار قیمتی دارایی
بررسی رفتار حجم و اسیلاتورها و رابطه آن با سطوح فیبوناچی
رفع اشکال و پاسخ به سوالات

برای ثبت نام در دوره آنلاین فیبوناچی به ایدی تلگرامی www.t.me/raoofiali پیام دهید.

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

سایر دوره‌های بورسی:

ویدئوی دوره امواج الیوت در بورس

The post آموزش فیبوناچی در بازار سرمایه appeared first on اقتصادی‌ها -فروشگاه اینترنتی تخصصی رشته اقتصاد.

امواج #الیوت به شما کمک می‌کند تا با شناخت ساختار و آناتومی نمودارها، کف‌ها و سقف‌های قیمتی را شناسایی کنید و میزان اصلاح یا رشد قیمت را تشخیص دهید. الیوت که یک حسابدار چیره دست آمریکایی بود، در دهه ۱۹۳۰ بر اساس #روانشناسی #بازار و با تکیه بر روانشناسی جمعی، الگوهای تکرار شونده‌ای را در روندها شناسایی کرد که امروزه به عنوان یک نظریه محبوب و کارآمد با عنوان «امواج الیوت» در بین تحلیلگران حرفه‌ای بازار شناخته می‌شود.
دوره آموزشی امواج الیوت از جمعه ۲۱ شهریورماه آغاز می‌شود و تا کنون ۱۳۵ دانش‌پذیر در این دوره ثبت نام نموده‌اند.
از مزیت‌های این دوره جامع بودن، قیمت بسیار مناسب نسبت به دوره‌های مشابه ( تا ۷۰ درصد تخفیف نسبت به برخی دوره‌های مشابه!)، در اختیار بودن مادام‌العمر ویدئوهای دوره برای مرور و تمرین بیشتر و از همه مهم‌تر رویکرد کاربرد و عملی دوره را می‌توان نام برد.
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

سرفصل های دوره تحلیل امواج الیوت در بازار سرمایه

جلسه اول
آشنایی با امواج الیوت و نحوه پیدایش آن
پایه های نظری امواج الیوت:
روانشناسی جمعی
معرفی تئوری داو
– آشنایی با اصول اساسی نظریه داو
– آشنایی با مراحل روانشناسانه شکل گیری روند منطق
نظریه آشوب
– آشنایی با فرکتال ها
جلسه دوم
– نحوه شکل گیری ساختار فرکتالی در قیمت ها
انواع فرکتال های بالا و پایین در بازارهای مالی
استفاده از اندیکاتور Zig-Zag برای شناسایی فراکتال ها
شناسایی تک موج در نمودار
الگوی حرکت امواج در تحلیل الیوت
آشنایی با فاز انگیزشی
– آشنایی با موج های پنج گانه در فاز انگیزشی
– قوانین حاکم بر امواج انگیزشی 5 گانه
– آشنایی با الگوهای شکست خورده در فاز انگیزشی
– آشنایی با الگوهای گسترش یافته در فاز انگیزشی
بررسی نمونه های واقعی از شمارش امواج در فاز انگیزشی
جلسه سوم
آشنایی با فاز اصلاحی
– آشنایی با انواع ساختارهای اصلاحی  (زیگزاگ، مثلث، مسطح و ترکیبی)
– قوانین حاکم بر موج‌های اصلاحی
آشنایی با مفهوم درجه موج (درجه زمانی و قیم)
کاربرد نسبت های فیبوناچی در امواج الیوت
– آشنایی با فیبوناچی ریتریسمنت، پروجکشن و اکسپنشن
– بررسی نسبت های محتمل در هر موج
جلسه چهارم
تمرین موج شماری در تایم فریم های مختلف
آشنایی با مکاتب مختلف امواج الیوت
رفع اشکال و پاسخ به سوالات

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

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

The post ویدئو تحلیل امواج الیوت appeared first on اقتصادی‌ها -فروشگاه اینترنتی تخصصی رشته اقتصاد.

در این ویدئو، نحوه محاسبه ارزش در معرض ریسک به روش تاریخی در دو نرم افزار اکسل و ایویوز آموزش داده شده است. پیش از ورود به مباحث نرم افزاری نیز توضیحات کوتاهی در خصوص ارزش در معرض ریسک یا همان ارزش در معرض خطر ارائه شده است.

ارزش در معرض ریسک چیست؟

ریسک و بازده دارایی ­های سرمایه ­ای، دو مولفه مهم در تصمیم­ گیری برای سرمایه ­گذاری محسوب می­ شوند. معمولاً سرمایه ­گذاران به دنبال حداکثر کردن بازدهی خود در سطح معینی از ریسک یا حداقل کردن ریسک در سطح معینی از بازده هستند. مارکویتز با ارائه مدل میانگین- واریانس خود نشان داد که با تشکیل پرتفوی دارایی­ های مالی، این امکان ایجاد می­شود که بتوان در سطح معینی از بازده، ریسک را کاهش داد.

در واقع، هری مارکویتز (1952) بنیان گذار الگوی مشهور به تئوری مدرن پرتفوی (MPT) است. قبل از مارکویتز، تئوری موجود در مورد سرمایه­ گذاری ­ها تئوری سنتی بود؛ در این روش عقیده بر آن بود که تنوع بخشیدن به سرمایه گذاری باعث کاهش ریسک آن می­شود ولی قادر به اندازه ­گیری مقداری آن نبودند. الگوی حل مسئله انتخاب سبد مالی بهینه، اولین بار توسط مارکویتز ارائه شده است. مدل میانگین- واریانس مارکویتز، بر اساس سطح مشخصی از مقادیر بازده، مقادیر بهینه ریسک را بر اساس حداقل کردن واریانس مجموع دارایی­ های موجود در پرتفوی به دست می ­آورد.

ایراد استفاده از واریانس به عنوان معیار ریسک این است که سود­هایی که فاصله زیادی از میانگین دارند و برای سرمایه­ گذار مطلوب هستند، به عنوان ریسک شناخته می­شوند. از سوی دیگر، واریانس، به عنوان معیار ریسک برای سرمایه­ گذار ملموس و قابل درک نیست.

یکی از مهمترین پیشنهادات، استفاده از شاخص ­های واریانس نامطلوب بجای واریانس بود که توسط افراد زیادی از جمله خود مارکویتز ارائه شد. در سال 1959، مارکویتز به مزایای استفاده از روش ریسک نامطلوب اشاره کرد. وی به این نتیجه رسید که سرمایه­ گذاران به دو علت به دنبال حداقل کردن ریسک نامطلوب هستند: اول اینکه سرمایه­ گذاران ابتدا به امنیت اصل سرمایه می ­اندیشند و دوم اینکه اگر توزیع متغیر تصادفی بازده از نوع نرمال نباشد، استفاده از مدل ریسک نامطلوب مناسب خواهد بود. یکی از مهم ترین معیارهای ریسک نامطلوب که بعدها مطرح شد و اکنون به صورت گسترده توسط نهادهای مالی مورد استفاده قرار می گیرد، معیار ارزس در معرض ریسک است.

ارزش در معرض ریسک حداکثر زیانی را نشان می دهد که در سطح احتمال مشخصی ممکن است سرمایه گذار متحمل شود.

The post محاسبه ارزش در معرض ریسک به روش تاریخی در اکسل و ایویوز appeared first on اقتصادی‌ها -فروشگاه اینترنتی تخصصی رشته اقتصاد.