آموزش استفاده از یادگیری ماشین در معاملات و امور مالی - آخرین آپدیت

مقدمه‌ای بر معاملات کمی و تنسورفلو Introduction to Quantitative Trading and TensorFlow

• معرفی دوره Introduction to Course

• ورود و خروج‌های پایه در استراتژی معاملاتی: درون‌زا و برون‌زا Basic Trading Strategy Entries and Exits Endogenous Exogenous

• ساخت مدل معاملاتی در استراتژی‌های پایه Basic Trading Strategy Building a Trading Model

• مفاهیم پیشرفته در استراتژی‌های معاملاتی Advanced Concepts in Trading Strategies

آشنایی با تنسورفلو Introduction to TensorFlow

• مرور کلی Overview

• مقدمه‌ای بر تنسورفلو Introduction to TensorFlow

• سلسله‌مراتب API تنسورفلو TensorFlow API Hierarchy

• اجزای تنسورفلو: تنسورها و متغیرها Components of tensorflow Tensors and Variables

• شروع کار با Google Cloud Platform و Qwiklabs Getting Started with Google Cloud Platform and Qwiklabs

• مقدمه آزمایشگاه: نوشتن برنامه‌های سطح پایین تنسورفلو Lab Intro Writing low-level TensorFlow programs

• کار با حافظه و فایل‌ها Working in-memory and with files

• آموزش روی مجموعه‌داده‌های بزرگ با API tf.data Training on Large Datasets with tf.data API

• آماده‌سازی داده‌ها برای آموزش مدل Getting the data ready for model training

• جاسازی‌ها (Embeddings) Embeddings

• مقدمه آزمایشگاه: مدیریت داده‌ها با API مجموعه‌داده‌های تنسورفلو Lab Intro Manipulating data with TensorFlow Dataset API

آموزش شبکه‌های عصبی با Tensorflow 2 و Keras Training neural networks with Tensorflow 2 and Keras

• مرور کلی Overview

• توابع فعال‌ساز Activation functions

• توابع فعال‌ساز: تله‌هایی که باید در پس‌انتشار (Backpropagation) از آن‌ها دوری کرد Activation functions: Pitfalls to avoid in Backpropagation

• شبکه‌های عصبی با API متوالی (Sequential) کراس Neural Networks with Keras Sequential API

• ارائه مدل‌ها در فضای ابری Serving models in the cloud

• مقدمه آزمایشگاه: API متوالی کراس Lab Intro : Keras Sequential API

• شبکه‌های عصبی با API کاربردی (Functional) کراس Neural Networks with Keras Functional API

• منظم‌سازی (Regularization): مبانی Regularization: The Basics

• منظم‌سازی: L1، L2 و توقف زودهنگام (Early Stopping) Regularization: L1, L2, and Early Stopping

• منظم‌سازی: Dropout Regularization: Dropout

• مقدمه آزمایشگاه: API کاربردی کراس Lab Intro: Keras Functional API

• جمع‌بندی Recap

ساخت سیستم معاملاتی مبتنی بر مومنتوم Build a Momentum-based Trading System

• مقدمه‌ای بر معاملات مومنتوم Introduction to Momentum Trading

• آشنایی با شاخص هرست (Hurst) Introduction to Hurst

• ساخت مدل معاملاتی مومنتوم Building a Momentum Trading Model

• تعریف مسئله Define the Problem

• جمع‌آوری داده‌ها Collect the Data

• ایجاد ویژگی‌ها (Features) Creating Features

• تقسیم‌بندی داده‌ها Split the Data

• انتخاب الگوریتم یادگیری ماشین Selecting a Machine Learning Algorithm

• بک‌تست روی داده‌های دیده نشده Backtest on Unseen Data

• درک کدها: استراتژی‌های ساده یادگیری ماشین برای تولید سیگنال معاملاتی Understanding the Code: Simple ML Strategies to Generate Trading Signal

• مقدمه آزمایشگاه: معاملات مومنتوم Lab Intro: Momentum Trading

• پاسخ آزمایشگاه معاملات مومنتوم Momentum Trading Lab Solution

ساخت مدل پیش‌بینی استراتژی معاملات جفتی Build a Pair Trading Strategy Prediction Model

• مقدمه‌ای بر معاملات جفتی Introduction to Pair Trading

• انتخاب جفت‌ها Picking Pairs

• انتخاب جفت‌ها با استفاده از خوشه‌بندی (Clustering) Picking Pairs with Clustering

• نحوه پیاده‌سازی استراتژی معاملات جفتی How to implement a Pair Trading Strategy

• ارزیابی نتایج یک معامله جفتی Evaluate Results of a Pair Trade

• بک‌تست و جلوگیری از بیش‌برازش (Overfitting) Backtesting and Avoiding Overfitting

• گام‌های بعدی: بهبود استراتژی جفتی شما Next Steps: Improvements to your Pairs Strategy

• مقدمه آزمایشگاه: معاملات جفتی Lab Intro: Pairs Trading

• پاسخ آزمایشگاه: معاملات جفتی Lab Solution: Pairs Trading

• مقدمه‌ای بر فیلتر کالمن (Kalman Filter) Kalman Filter Introduction

• کاربردهای معاملاتی فیلتر کالمن Kalman Filter Trading Applications