آموزش یادگیری عمیق برای معاملات الگوریتمی با استفاده از پایتون - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مطالعه کنید READ ME

• نصب محیط‌ها Install the environments

• کتاب الکترونیکی رایگان! FREE E-book !

مبانی پایتون Python basics

• مقدمه Introduction

• نوع شی: عدد Type of object: Number

• نوع شی: رشته Type of object: String

• نوع شی: عملیات منطقی / بولی Type of object: Logical operations / Boolean

• نوع شی: انتساب متغیر Type of object: Variable assignment

• نوع شی: تاپل و لیست Type of object: Tuple and list

• نوع شی: دیکشنری Type of object: Dictionary

• نوع شی: مجموعه Type of object: Set

• ساختارهای پایتون: IF / ELIF / ELSE Python structures: IF / ELIF / ELSE

• ساختارهای پایتون: FOR Python structures: FOR

• ساختارهای پایتون: WHILE Python structures: WHILE

• توابع: مبانی تابع Functions: Basics of function

• توابع: متغیر محلی Functions: Local variable

• توابع: متغیر سراسری Functions: Global variable

• توابع: تابع لامبدا Functions: Lambda function

پایتون برای علم داده Python for data science

• مقدمه Introduction

• Numpy: آرایه Numpy: Array

• Numpy: تصادفی Numpy: Random

• Numpy: اندیس‌گذاری / برش / تبدیل Numpy: Indexing / Slicing / transformation

• Pandas: سری و DataFrame Pandas: Serie and DataFrame

• Pandas: پاکسازی و انتخاب داده Pandas: Cleaning and selection data

• Pandas: انتخاب شرطی Pandas: Conditional selection

• Matplotlib: نمودار Matplotlib: Graph

• Matplotlib: پراکنش Matplotlib: Scatter

• Matplotlib: جعبه ابزار Matplotlib: Toolbox

وارد کردن و مدیریت داده‌ها Import and manage the data

• مقدمه Introduction

• وارد کردن و مدیریت داده از Metatrader 5 Import & manage data from Metatrader 5

• وارد کردن و مدیریت داده از Yahoo Finance Import & manage data from Yahoo Finance

مهندسی ویژگی Features engineering

• مقدمه Introduction

• دریافت قیمت سهام Get stock prices

• ایجاد میانگین متحرک ساده (SMA) Create a simple moving average (SMA)

• ایجاد انحراف معیار متحرک (MSD) Create a moving standard deviation (MSD)

• استفاده از کتابخانه تحلیل تکنیکال برای محاسبه اندیکاتور RSI Use the Technical analysis library to compute the RSI indicator

• خودکارسازی فرآیند مهندسی ویژگی Automatization of the features engineering process

شبکه‌های عصبی عمیق برای معاملات الگوریتمی Deep Neural Networks apply to algorithmic trading

• مقدمه Introduction

• مرور سریع تئوری DNN Quick recap of the DNN theory

• وارد کردن داده و مهندسی ویژگی Data import & Features engineering

• تقسیم مجموعه آموزش / آزمایش (برای برازش مدل DNN) Train / Test set split (to fit the DNN model)

• چرا و چگونه ویژگی‌ها را استاندارد کنیم Why and how to standardize the features

• ایجاد DNN با استفاده از Tensorflow 2.0 Create a DNN using Tensorflow 2.0

• از پیش بینی های DNN برای ایجاد یک استراتژی معاملاتی استفاده کنید Use the DNN predictions to create a trading strategy

• نکته‌ای درباره آموزش A point about the training

• فرآیند را خودکار کنید Automate the process

• استفاده از پیش‌بینی‌های DNN برای ایجاد یک استراتژی معاملاتی Use the DNN predictions to create a trading strategy

• خودکارسازی فرآیند Automate the process

• مشکل مقداردهی اولیه تصادفی The stochastic initialization problem

• مسئله مقداردهی اولیه تصادفی The stochastic initialization problem

• نحوه رفع مشکل اولیه سازی تصادفی How to fix the stochastic initialization problem

• روش بسته بندی با استفاده از ANN های مختلف Bagging method using the different ANNs

• نحوه رفع مشکل مقداردهی اولیه تصادفی How to fix the stochastic initialization problem

• روش Bagging با استفاده از ANNs مختلف Bagging method using the different ANNs

بک تست‌گیری برداری Vectorized backtesting

• مقدمه Introduction

• محاسبه نسبت Sortino Sortino ratio computation

• محاسبه نسبت Beta (متریک CAPM) Beta ratio computation (CAPM metric)

• محاسبه نسبت Alpha (متریک CAPM) Alpha ratio computation (CAPM metric)

• Drawdown: ایجاد تابع Drawdown: function creation

• Drawdown: کاربرد Drawdown: application

• تابع بک تست‌گیری (1) Backtesting function (1)

• تابع بک تست‌گیری (2) Backtesting function (2)

• بک تست یک استراتژی معاملاتی مبتنی بر DNN Backtest a trading strategy based on DNN

شبکه‌های عصبی بازگشتی برای معاملات الگوریتمی Recurrent Neural Networks for algorithmic trading

• مقدمه Introduction

• تئوری پشت RNN ها Theory behind RNNs

• مروری از فصل DNN Recap from the DNN chapter

• نحوه تبدیل داده‌های دو بعدی به داده‌های سه بعدی How to transform 2-dimensional data into 3-dimensional data

• نحوه ایجاد یک RNN با استفاده از TensorFlow 2.0 How to create a RNN using TensorFlow 2.0

• لایه Dropout Dropout Layer

• پیش‌بینی RNN برای ایجاد یک استراتژی معاملاتی RNN prediction to create a trading strategy

• خودکارسازی فرآیند Automate the process

• یافتن بهترین مدل‌ها در تمام مقداردهی اولیه تصادفی Find the best models throughout all the stochastic initialization

معاملات زنده MetaTrader 5 با استفاده از پایتون MetaTrader 5 live trading using Python

• مقدمه Introduction

• نصب یک کتابخانه در Jupyter Install a library on Jupyter

• مقداردهی اولیه پلتفرم Initialize the platform

• دریافت کارگزار داده Get data broker

• ارسال سفارشات در بازار با استفاده از پایتون Send orders on the market using Python

• دریافت موقعیت‌های فعلی Get current positions

• ایجاد ساختار اجرا Run structure creation

• بستن همه موقعیت‌ها Close all positions

• برنامه معاملات زنده: سیگنال‌های تصادفی Live Trading application: random signals

• استراتژی معاملات زنده مبتنی بر ANN Live Trading strategy based on ANN

• استراتژی معاملات زنده مبتنی بر RNN Live Trading strategy based on RNN