آموزش سرمایه گذاری داده محور با پایتون | علم داده های مالی

Data-Driven Investing with Python | Financial Data Science

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: به یک سرمایه گذار داده محور تبدیل شوید. اتخاذ تصمیمات سرمایه گذاری سودآور، قوی و با پشتوانه آماری | مالی کمی با یادگیری نحوه آزمایش آماری و اعتبارسنجی دقیق ایده های سرمایه گذاری خود در پایتون، "حدس و گمان" را برای همیشه از سرمایه گذاری خود حذف کنید. داده های دنیای واقعی غنی و بزرگ (بدون به خطر انداختن یکپارچگی ریاضی و نظری مفاهیم) یاد بگیرید که چگونه از روابط فوق العاده قدرتمند و تکنیک های دقیق علوم داده های مالی در پایتون برای تولید آلفا استفاده کنید (به طور جدی) درک کنید که چرا ریاضیات کار می کند (و چرا معادلات کار می کنند روشی که آنها انجام می دهند) - حتی اگر ریاضی شما ضعیف باشد و اگر ریاضی شما را عصبانی کند. مفاهیم همیشه سبز مانند بازده مورد انتظار، مدل‌های قیمت‌گذاری دارایی، و ساخت نمونه کارها را در تنظیمات منحصربه‌فرد علم داده‌های مالی کاوش کنید، از پانداها استفاده کنید و تکنیک‌های قدرتمند مالی کمی از جمله «مرتب‌سازی» برای ایجاد و طراحی پورتفولیو، رگرسیون برای «آزمایش آلفا» و موارد دیگر را به کار بگیرید. بیشتر کشف کنید که چگونه ریسک و بازده سهام و سبدهای سرمایه گذاری فردی را اندازه گیری کنید، هم به صورت دستی و هم در پایتون که با داده های دنیای واقعی کار می کند. ما از اصول اولیه شروع می کنیم. و شما را به یک سرمایه گذار داده محور قوی تبدیل می کند. دانش کدنویسی اولیه مورد نیاز است. لازم نیست در پایتون «متخصص» باشید، اما باید اصول اولیه را بدانید (مثلاً تفاوت بین رشته‌ها، شناورها، فهرست‌ها، دیکشنری‌ها) اشکالی ندارد اگر ریاضی شما را عصبانی کند. به طور جدی. هر معادله در یک زمان یک متغیر توضیح داده می شود. ما آن را تا هسته اش جدا می کنیم و به شما نشان می دهیم که واقعا چقدر ساده است. دانش تجزیه و تحلیل آماری پایه مفید است اما ضروری نیست. هر آزمون آماری مربوطه از ابتدا آموزش داده می شود. شما به یک ماشین حساب، خودکار و کاغذ (به طور جدی) و محیط توسعه خود (به عنوان مثال نوت بوک های Jupyter، ویرایشگرهای متن) نیاز دارید. ما در این دوره با نوت بوک های Jupyter کار می کنیم، اما نسخه های .py تمام کدهای پایتون برای دانلود در دسترس است.

یک سرمایه گذار داده محور شوید. حدس و گمان را برای همیشه از سرمایه گذاری خود حذف کنید. از قدرت علم داده های مالی، تجزیه و تحلیل مالی، پایتون و مالی کمی برای اتخاذ تصمیمات سرمایه گذاری قوی (و ایجاد آلفا) استفاده کنید.

نحوه استفاده از تکنیک‌های آماری دقیق در پایتون برای هدایت تصمیمات سرمایه‌گذاری خود را بیابید (حتی اگر آمار را نمی‌دانید یا ریاضیات شما ضعیف است).

به جامع ترین دوره سرمایه گذاری مبتنی بر داده در اینترنت سلام کنید. شامل:

# ============================

# 2 بخش، 8 بخش برای تسلط

# ============================

(به‌علاوه، همه به‌روزرسانی‌های آینده گنجانده شده است!)

مسیر یادگیری ساختاریافته، طراحی شده برای Distinction™ شامل:

  • 12.5 ساعت درس ویدیویی جذاب، عملی و درخواستی HD

  • برنامه های کاربردی در دنیای واقعی در طول دوره

  • بیش از 200 سوال مسابقه با راه حل های دقیق و بی عیب و نقص برای کمک به شما در ادامه مسیر و حفظ دانش خود

  • تکالیفی که شما را به خارج از منطقه راحتی خود می برد و به شما قدرت می دهد تا همه چیزهایی را که یاد می گیرید به کار ببرید

  • یک تست تمرینی برای تقویت و کسب اعتماد به اصول اصلی همیشه سبز

  • کد پایتون (ساخته شده از ابتدا) برای کمک به شما برای ایجاد یک سیستم قابل تکرار برای سرمایه گذاری

  • اثبات ریاضی برای افراد کنجکاو از نظر ریاضی

  • مربی که به شدت به امور مالی، سرمایه گذاری، پایتون و علوم داده های مالی علاقه دارد


بخش اول: مبانی تجزیه و تحلیل سرمایه گذاری

با به دست آوردن تسلط کامل بر اصول اصلی که کل فرآیند تحلیل سرمایه گذاری/تحلیل مالی را هدایت می کند، شروع کنید.

بازده تخمین روابط امنیت سرمایه گذاری را کاوش کنید

  • روابط قدرتمند بین قیمت، ریسک و بازده را کشف کنید

  • قانون اساسی تحلیل مالی - قانون یک قیمت را به طور مستقیم کشف کنید.

  • با معنای واقعی "شورت کردن" سهام و نحوه کار آن آشنا شوید

  • با نحوه محاسبه بازده سهام و بازده پرتفوی از ابتدا آشنا شوید

  • با داده های دنیای واقعی در پایتون کار کنید و دقیقاً بدانید که کد شما چه می کند و چرا کار می کند

بازده مورد انتظار اوراق بهادار مالی را برآورد کنید

  • بررسی کنید "بازده مورد انتظار" چیست و چگونه آنها را با میانگین ساده تخمین بزنید

  • عمیق‌تر با بازده‌های موردانتظار "state contingent" که نظرات شما را با داده‌ها ترکیب می‌کند، غواصی کنید

  • با نحوه محاسبه بازده مورد انتظار با استفاده از مدل‌های قیمت‌گذاری دارایی مانند CAPM (مدل قیمت‌گذاری دارایی سرمایه) آشنا شوید

  • مدل‌های قیمت‌گذاری دارایی‌های چندعاملی از جمله "مدل 3 فاکتوری فاما فرانسوی"، کارهارت 4 ("تحرک") و موارد دیگر را کشف کنید

  • بر اساس نظری تسلط پیدا کنید و آنچه را که یاد می گیرید با استفاده از داده های دنیای واقعی در پایتون خودتان به کار ببرید!

کمیت کردن ریسک سهام و تخمین ریسک پرتفوی

  • ریسک یک سهام را بررسی کنید و یاد بگیرید که چگونه کل ریسک را از ابتدا کمیت کنید

  • دانش خود را برای هر سهامی که می خواهید کاوش کنید و با آن کار کنید، اعمال کنید

  • 3 عامل موثر بر ریسک پرتفوی را کشف کنید (که یکی از آنها مهمتر از ترکیب دو عامل دیگر است)

  • نحوه تخمین ریسک پرتفوی را برای پرتفوی‌های 2 دارایی «ساده» کاوش کنید

  • با نحوه اندازه‌گیری ریسک پرتفوی چند سهام (از جمله کار با داده‌های دنیای واقعی در پایتون!) آشنا شوید.

تسلط خود را بررسی کنید

  • پس. خیلی دانش، مهارت و تجربه. آیا برای چالش آماده ای؟ - در "تست به سوی تسلط"

    شرکت کنید
  • حوزه‌هایی را که باید در آن‌ها بهبود ببخشید و در زمینه تحلیل مالی/تحلیل سرمایه‌گذاری بهتر شوید، شناسایی کنید

  • خود را برای موفقیت در علم داده های مالی/مالی کمی با اطمینان از داشتن یک پایه دقیق آماده کنید


بخش دوم: سرمایه گذاری مبتنی بر داده | علم داده های مالی/مالی کمی

مهارت‌های تحلیل مالی/تحلیل سرمایه‌گذاری خود را با یادگیری نحوه استفاده از علم داده‌های مالی، مالی کمی و پایتون برای سرمایه‌گذاری خود به سطح جدیدی ارتقا دهید.

سرمایه گذاری مبتنی بر داده و طراحی فرضیه را کشف کنید

  • پیدا کنید که "سرمایه گذاری مبتنی بر داده" در واقع چیست و چه چیزی مستلزم آن است

  • فرآیند سرمایه گذاری 5 مرحله ای مبتنی بر داده را کاوش کنید که به شما کمک می کند تا حدس و گمان را از تصمیم گیری سرمایه گذاری خود خارج کنید

  • با نحوه توسعه ایده‌های سرمایه‌گذاری (از جمله نحوه/از کجا منابع آنها) آشنا شوید

  • پیچیدگی‌های "سوالات تحقیق" را در زمینه علم داده‌های مالی/سرمایه‌گذاری مبتنی بر داده‌ها کاوش کنید

  • ایده های سرمایه گذاری خود را به فرضیه های قابل آزمایش تبدیل کنید (حتی اگر نمی دانید "فرضیه قابل آزمایش" چیست)

منبع، پاک کردن، و کاوش داده های دنیای واقعی

  • بررسی کنید که چگونه و از کجا می‌توانید داده‌ها را برای آزمایش و اعتبارسنجی فرضیه‌های خود تهیه کنید

  • به ستون فقرات علم داده‌های مالی - تمیز کردن داده‌ها - مسلط شوید و از تله "GIGO" اجتناب کنید (حتی اگر ندانید "GIGO" چیست)

  • با مجموعه داده های بزرگ (مسلماً "داده های بزرگ") با بیش از 1 میلیون مشاهده با استفاده از پایتون کار کنید!

  • «هک‌های» سریع را کشف کنید تا به راحتی داده‌ها را در پایتون پاک کنید (و از مسائلی که به راحتی از دست می‌روید آگاه شوید)

  • در حین بررسی سوالات معنی دار در مورد تاثیر ESG در بازارهای مالی بیاموزید

تجزیه و تحلیل داده های اکتشافی را انجام دهید

  • چگونگی اجرای یکی از رایج‌ترین تکنیک‌های علم داده‌های مالی - "تحلیل داده‌های اکتشافی" با استفاده از Python را کشف کنید

  • روابط جذاب بین بازده و ESG (یا عامل دیگر انتخابی شما) را ارزیابی کنید

  • آزمون آماری و اعتبارسنجی فرضیه ها با استفاده از آزمون های t ساده را بیاموزید

  • هرگز یکپارچگی ریاضی مفاهیم را به خطر نیندازید - درک کنید که چرا معادلات به روشی عمل می کنند

  • با استفاده از قدرت علم داده‌های مالی، امور مالی کمی و پایتون، چگونه باورها را "به‌روزرسانی" کنید و از دست دادن پول خودداری کنید.

طراحی و ساخت پرتفوی سرمایه گذاری

  • دقیقاً آنچه را که برای طراحی و ساختن پرتفوی سرمایه‌گذاری بر اساس ایده‌های سرمایه‌گذاری فردی نیاز است، کاوش کنید

  • بیاموزید که چگونه شرکت‌ها را به "سطل" مرتب کنید تا به شناسایی روابط یکنواخت کمک کنید (یک تکنیک تجزیه و تحلیل حیاتی در علم داده‌های مالی)

  • از قدرت پانداها در پایتون برای انجام تجزیه و تحلیل سرمایه گذاری مانند افراد حرفه ای (صندوق های تامینی، دانشمندان داده های مالی، محققان کاربردی) استفاده کنید

  • با آگاهی از تنظیمات پیش‌فرض شگفت‌انگیز Python (و کارهایی که می‌توانید برای غلبه بر آنها انجام دهید) مهارت‌های علم داده‌های مالی خود را تقویت کنید.

  • نمودار نمودارهایی که بینش معنی‌داری را برای مالی کمی ایجاد می‌کنند، از جمله بررسی عملکرد پورتفولیو در طول زمان با استفاده از Matplotlib و Seaborn

آزمون آماری و اعتبار سنجی فرضیه ها

  • هنگام تصمیم گیری برای سرمایه گذاری با حدس و گمان، امید و شانس خداحافظی کنید

  • با استفاده از تکنیک‌های قوی علم داده‌های مالی در پایتون، ایده‌های سرمایه‌گذاری خود را به‌دقت آزمایش و اعتبار آماری کنید

  • استفاده از ابزارهای پیچیده از جمله آمارهای t ساده و رگرسیون‌های پیچیده‌تر را به مجموعه تجزیه و تحلیل علم داده‌های مالی خود اضافه کنید

  • آنچه را که واقعاً برای جستجو و تولید آلفا لازم است (برای "غلبه کردن بر بازار") کاوش کنید

  • یاد بگیرید و به کار بگیرید علم داده های مالی آزمایش شده و تکنیک های مالی کمی که توسط صندوق های تامینی، دانشمندان داده های مالی و محققان در پایتون استفاده می شود


طراحی شده برای DISTINCTION™

ما از همان تکنیک‌های آموزش آزموده‌شده و اثبات‌شده‌ای استفاده کرده‌ایم که به مشتریانمان کمک کرده است تا در آزمون‌های حرفه‌ای خود (مانند ACA، ACCA، CFA®، CIMA)، استخدام شوند و توسط مشهورترین بانک‌های سرمایه‌گذاری در جهان استخدام شوند. جهان، پورتفولیوهای خود را مدیریت کنند، امور مالی خود را کنترل کنند، ترس خود را از ریاضیات و معادلات پشت سر بگذارند، و موارد دیگر.

شما در دستان خوبی هستید.

در اینجا به شما کمک می‌کنیم تا بر تکنیک‌های تجزیه و تحلیل مالی فوق‌العاده قدرتمند علوم داده‌های مالی تسلط پیدا کنید تا به یک سرمایه‌گذار قوی مبتنی بر داده تبدیل شوید که از قدرت پایتون استفاده می‌کند...

یک پایه جامد

شما پایه محکمی از مبانی اصلی که کل فرآیند تحلیل مالی/تحلیل سرمایه گذاری را هدایت می کند، به دست خواهید آورد. این اصول اساس تجزیه و تحلیل مالی هستند که به درستی انجام شده است.

و زمانی که شروع به استفاده از تکنیک‌های علم داده‌های مالی در قسمت دوم این دوره می‌کنید، و همچنین مدت‌ها پس از اتمام این دوره، شما را در جایگاه بسیار خوبی نگه می‌دارند. مهارت های برتر در امور مالی کمی - تا آخر عمر.

بررسی های عملی

تماشای ویدیوهایی را که در آن تمام کدهای پایتون از قبل نوشته شده است را فراموش کنید. ما از اسکریپت های خالی پایتون در نوت بوک های Jupyter (مانند دنیای واقعی) شروع می کنیم.

و ما تمام کدهای پایتون را از ابتدا، یک خط در یک زمان می‌سازیم. به این ترتیب شما به معنای واقعی کلمه خواهید دید که چگونه تجزیه و تحلیل مالی دقیق/علم داده های مالی را با استفاده از سرمایه گذاری مبتنی بر داده به عنوان پایه اصلی، یک مرحله در یک زمان انجام می دهیم.

صدها سوال امتحانی، ده ها تکلیف و موارد دیگر

آنچه را که یاد می‌گیرید فوراً با بیش از 200 سؤال مسابقه، همه با راه‌حل‌های دقیق و بی‌عیب به کار ببرید. به علاوه، بیش از دوازده تکالیف که شما را به خارج از منطقه راحتی خود می برد. همچنین یک آزمون تمرینی وجود دارد که به شما کمک می‌کند تا دانش و مهارت‌های خود را واقعاً تقویت کنید. و مجموعه‌ای از روش‌های عملی و عملی که در آن‌ها علم داده‌های مالی/تکنیک‌های مالی کمی را در محیط‌های سرمایه‌گذاری مبتنی بر داده در پایتون به کار می‌بریم.

منابع اثبات

اثبات ریاضی برای افراد کنجکاو ریاضی. و همچنین به این دلیل که، دوره مالی کمی بدون اثبات چیست؟

برهان‌های ریاضی گام به گام، کد پایتون قابل استفاده و قابل استفاده مجدد (در نسخه‌های ipynb Jupyter notebook و .py)، برگه‌های تقلب متغیر – همه شامل. جدی.

این تنها دوره‌ای است که برای تسلط واقعی بر سرمایه‌گذاری مبتنی بر داده و استفاده از تکنیک‌های مالی کمی علم داده‌های مالی در پایتون بدون به خطر انداختن یکپارچگی نظری مفاهیم به آن نیاز دارید.


سرفصل ها و درس ها

قبل از اینکه تو شروع کنی... Before You Start...

  • به دوره خوش آمدید. در اینجا چیزی است که شما به آن مسلط خواهید شد ... Welcome To The Course. Here's What You'll Master...

  • سلب مسئولیت Disclaimer

  • مهم: پیش نیازها | لطفا قبل از ثبت نام مطالعه فرمایید IMPORTANT: Pre-Requisites | Please read before enrolling.

  • مهم: نشانگرهای دوره Important: Course Pointers

  • سوالات متداول دوره Course FAQs

بخش اول: مبانی تجزیه و تحلیل سرمایه گذاری PART I: INVESTMENT ANALYSIS FUNDAMENTALS

  • در این قسمت In This Part

قیمت، ریسک و بازده - تعاریف، روابط، و اندازه گیری Price, Risk, and Return - Definitions, Relationships, and Measurement

  • قیمت، ریسک و بازده - تعاریف و روابط Price, Risk, and Return - Definitions & Relationships

  • قیمت، ریسک و بازده - تعاریف و روابط [آزمایش] Price, Risk, and Return - Definitions & Relationships [Quiz]

  • شورتینگ چیست؟ What is Shorting?

  • شورتینگ چیست؟ [آزمایش] What is Shorting? [Quiz]

  • محاسبه بازده سهام Calculating Stock Returns

  • محاسبه بازده سهام [آزمایش] Calculating Stock Returns [Quiz]

  • محاسبه بازده سهام II (کاربردی) Calculating Stock Returns II (Applied)

  • محاسبه بازده سهام II (کاربردی) [تخصیص] Calculating Stock Returns II (Applied) [Assignment]

  • تخمین بازده نمونه کارها Estimating Portfolio Returns

  • تخمین بازده نمونه کارها [آزمایش] Estimating Portfolio Returns [Quiz]

  • منابع اضافی Additional Resources

برآورد بازده مورد انتظار سهام/اوراق بهادار مالی Estimating Expected Returns of Stocks / Financial Securities

  • بازده مورد انتظار با استفاده از روش میانگین (میانگین). Expected Returns using Average (Mean) Method

  • بازده مورد انتظار با استفاده از روش میانگین (میانگین) [آزمایش] Expected Returns using Average (Mean) Method [Quiz]

  • بازده مورد انتظار با استفاده از روش دوم (میانگین) - ایجاد یک تابع در پایتون Expected Returns using Average (Mean) Method II - Creating a Function on Python

  • بازده مورد انتظار با استفاده از روش میانگین (میانگین) [تخصیص] Expected Returns using Average (Mean) Method [Assignment]

  • بازده مورد انتظار با استفاده از احتمالات وزنی احتمالی حالت Expected Returns using State Contingent Weighted Probabilities

  • بازده مورد انتظار با استفاده از احتمالات وزنی احتمالی حالت [تکالیف] Expected Returns using State Contingent Weighted Probabilities [Assignment]

  • بازده مورد انتظار با استفاده از احتمالات وزنی احتمالی حالت [آزمایش] Expected Returns using State Contingent Weighted Probabilities [Quiz]

  • بازده مورد انتظار با استفاده از مدل های قیمت گذاری دارایی I Expected Returns using Asset Pricing Models I

  • بازده مورد انتظار با استفاده از مدل‌های قیمت‌گذاری دارایی I [آزمایش] Expected Returns using Asset Pricing Models I [Quiz]

  • بازده مورد انتظار با استفاده از مدل های قیمت گذاری دارایی I (کاربردی) Expected Returns using Asset Pricing Models I (Applied)

  • بازده مورد انتظار با استفاده از مدل‌های قیمت‌گذاری دارایی I (کاربردی) [آزمایش] Expected Returns using Asset Pricing Models I (Applied) [Quiz]

  • بازده مورد انتظار با استفاده از مدل های قیمت گذاری دارایی II Expected Returns using Asset Pricing Models II

  • بازده مورد انتظار با استفاده از Asset Pricing Models II [Quiz] Expected Returns using Asset Pricing Models II [Quiz]

  • منابع اضافی Additional Resources

برآورد ریسک کل سهام و ریسک پرتفوی Estimating Total Stock Risk and Portfolio Risk

  • تخمین ریسک کل یک سهام I Estimating The Total Risk of a Stock I

  • برآورد ریسک کل سهام I [آزمایش] Estimating The Total Risk of a Stock I [Quiz]

  • برآورد ریسک کل یک سهام II - کاربردی Estimating The Total Risk of a Stock II - Applied

  • برآورد ریسک کل سهام II - کاربردی [تخصیص] Estimating The Total Risk of a Stock II - Applied [Assignment]

  • برآورد ریسک پرتفوی I (2 دارایی) Estimating Portfolio Risk I (2 Assets)

  • برآورد ریسک پورتفولیو I (2 دارایی) [آزمایش] Estimating Portfolio Risk I (2 Assets) [Quiz]

  • تخمین ریسک پورتفولیو II (چند دارایی) Estimating Portfolio Risk II (Multiple Assets)

  • تخمین ریسک پرتفولیو II (چند دارایی) [آزمایش] Estimating Portfolio Risk II (Multiple Assets) [Quiz]

  • برآورد ریسک پورتفولیو II (دارایی های چندگانه) - کاربردی Estimating Portfolio Risk II (Multiple Assets) - Applied

  • تخمین ریسک پورتفولیو [تخصیص] Estimating Portfolio Risk [Assignment]

بررسی و راه اندازی تسلط برای قسمت بعدی Mastery Check & Setup for the Next Part

  • نفس بکش! Take a breather!

  • دستورالعمل های آزمون [قبل از شروع آزمون بخوانید] Test Guidelines [READ BEFORE YOU START THE TEST]

  • تست به سمت تسلط Test Towards Mastery

  • منابع اضافی Additional Resources

بخش دوم: سرمایه گذاری مبتنی بر داده | علم داده های مالی PART II: DATA DRIVEN INVESTING | FINANCIAL DATA SCIENCE

  • در این قسمت In This Part

سرمایه گذاری داده محور و طراحی فرضیه Data Driven Investing and Hypothesis Design

  • مقدمه ای بر سرمایه گذاری مبتنی بر داده Introduction to Data Driven Investing

  • مقدمه ای بر سرمایه گذاری مبتنی بر داده [آزمایش] Introduction to Data Driven Investing [Quiz]

  • توسعه یک ایده سرمایه گذاری/پایان نامه Developing an Investment Idea / Thesis

  • توسعه یک ایده سرمایه گذاری/پایان نامه [تکلیف] Developing an Investment Idea / Thesis [Assignment]

  • توسعه یک ایده سرمایه گذاری/پایان نامه [آزمایش] Developing an Investment Idea / Thesis [Quiz]

  • ایجاد یک فرضیه قابل آزمایش Creating a Testable Hypothesis

  • ایجاد یک فرضیه قابل آزمایش [آزمایش] Creating a Testable Hypothesis [Quiz]

  • ایجاد یک فرضیه قابل آزمایش [تکلیف] Creating a Testable Hypothesis [Assignment]

جمع آوری داده ها، تمیز کردن، و تجزیه و تحلیل اکتشافی Data Collection, Cleaning, & Exploratory Analysis

  • منبع یابی داده های مرتبط Sourcing Relevant Data

  • منبع یابی داده های مرتبط [آزمایش] Sourcing Relevant Data [Quiz]

  • منبع داده های مربوطه [تکلیف] Sourcing Relevant Data [Assignment]

  • استخراج داده های قیمت سهام - رویکرد تعمیم یافته Extracting Stock Price Data - Generalised Approach

  • استخراج اطلاعات قیمت سهام (نمونه بزرگ) [تخصیص] Extracting Stock Price Data (Large Sample) [Assignment]

  • بررسی اطلاعات قیمت سهام (نمونه بزرگ) Exploring Stock Price Data (Large Sample)

  • بررسی اطلاعات قیمت سهام (نمونه بزرگ) [آزمایش] Exploring Stock Price Data (Large Sample) [Quiz]

  • پاکسازی داده های بازگشتی (نمونه بزرگ) Cleaning Returns Data (Large Sample)

  • پاکسازی داده های بازگشتی (نمونه بزرگ) [آزمایش] Cleaning Returns Data (Large Sample) [Quiz]

  • کاوش داده های بازگشتی Exploring Returns Data

  • کاوش داده های بازگشتی [آزمایش] Exploring Returns Data [Quiz]

  • استخراج، تمیز کردن، و کاوش داده های ESG Extracting, Cleaning, & Exploring ESG Data

  • تمیز کردن و کاوش داده ها [تخصیص] Cleaning and Exploring Data [Assignment]

آزمون و اعتبار سنجی فرضیه ها: H1، H2 Testing & Validating the Hypotheses: H1, H2

  • ارزیابی رابطه بین ESG، بازده، ریسک Evaluating the Relationship Between ESG, Returns, Risk

  • ارزیابی رابطه بین ESG، بازده، ریسک [آزمایش] Evaluating the Relationship Between ESG, Returns, Risk [Quiz]

  • آزمایش فرضیه: روابط با ESG (H1 و H2) Testing the Hypothesis: Relationships with ESG (H1 & H2)

  • آزمون فرضیه: روابط با ESG (H1 و H2) [آزمایش] Testing the Hypothesis: Relationships with ESG (H1 & H2) [Quiz]

  • آزمایش فرضیه: روابط با ESG (H1 و H2) - کاربردی Testing the Hypothesis: Relationships with ESG (H1 & H2) - Applied

  • آزمایش فرضیه: روابط با ESG (H1 و H2) - کاربردی [آزمایش] Testing the Hypothesis: Relationships with ESG (H1 & H2) - Applied [Quiz]

  • به روز رسانی فرضیه/باورها Updating the Hypothesis / Beliefs

  • آزمایش و اعتبار سنجی فرضیه های I [تکلیف] Testing and Validating Hypotheses I [Assignment]

طراحی و ساخت سبد سرمایه گذاری ESG ESG Investment Portfolio Design & Construction

  • تخمین بازده پورتفولیو ESG Estimating ESG Portfolio Returns

  • تخمین بازده پورتفولیو ESG [آزمایش] Estimating ESG Portfolio Returns [Quiz]

  • برآورد بازده پورتفولیو ESG - کاربردی Estimating ESG Portfolio Returns - Applied

  • تخمین بازده پورتفولیو ESG - کاربردی [آزمایش] Estimating ESG Portfolio Returns - Applied [Quiz]

  • برآورد بازده نمونه کارها - اعمال شده [تکالیف] Estimating Factor Portfolio Returns - Applied [Assignment]

  • بررسی عملکرد پورتفولیو ESG Exploring ESG Portfolio Performance

  • بررسی عملکرد نمونه کارها ESG [آزمایش] Exploring ESG Portfolio Performance [Quiz]

آزمون و اعتبار سنجی فرضیه ها: H3، H4 Testing & Validating the Hypotheses: H3, H4

  • آزمایش فرضیه - بازده پورتفولیو ESG پایین در مقابل بالاتر (H3) Testing the Hypothesis - Lower vs. Higher ESG Portfolio Returns (H3)

  • آزمایش فرضیه - بازده پورتفولیو ESG پایین در مقابل بالاتر (H3) [آزمایش] Testing the Hypothesis - Lower vs. Higher ESG Portfolio Returns (H3) [Quiz]

  • آزمایش فرضیه - آلفای درآمد (H4) Testing the Hypothesis - Earning Alpha (H4)

  • آزمایش فرضیه - کسب آلفا (H4) [کویز] Testing the Hypothesis - Earning Alpha (H4) [Quiz]

  • آزمایش فرضیه - آلفای درآمد (H4) - کاربردی I Testing the Hypothesis - Earning Alpha (H4) - Applied I

  • آزمون فرضیه - سود آلفا (H4) - کاربردی Testing the Hypothesis - Earning Alpha (H4) - Applied

  • آزمایش و اعتبار سنجی فرضیه های دوم [تکالیف] Testing and Validating Hypotheses II [Assignment]

  • منابع اضافی Additional Resources

به سفر خود در تسلط بر امور مالی و سرمایه گذاری ادامه دهید Continue Your Journey On Mastering Finance and Investing

  • در ادامه چه چیزی را دوست دارید یاد بگیرید؟ What would you like to learn next?

  • پاداش: دوره های دیگر ما را کاوش کنید BONUS: Explore Our Other Courses

نمایش نظرات

نظری ارسال نشده است.

آموزش سرمایه گذاری داده محور با پایتون | علم داده های مالی
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
13.5 hours
51
Udemy (یودمی) udemy-small
03 بهمن 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
1,974
4.5 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Fervent #LearnWithDistinction Fervent #LearnWithDistinction

دوره های دقیق، با پشتوانه تحقیقات، با سادگی تدریس می شود

Support from Fervent Support from Fervent

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.