آموزش بک تست مونت کارلو برای استراتژی‌های معاملاتی الگوریتمی - آخرین آپدیت

دانلود Monte-Carlo Backtesting for Algorithmic Trading Strategies

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

تسلط بر بک‌تستینگ مونت کارلو برای تریدینگ سودآور: راهنمای گام به گام بهینه‌سازی استراتژی

شبیه‌سازی‌های مونت کارلو را برای مدل‌سازی و پیش‌بینی رفتار بازارهای مالی به کار ببرید و تأثیر تصادفی بودن و احتمال را بر نتایج معاملات درک کنید.

استراتژی‌های معاملاتی را با استفاده از تکنیک‌های مونت کارلو تحلیل و بک‌تست کنید تا عملکرد آن‌ها را در شرایط متغیر بازار ارزیابی کرده و ریسک بیش‌برازش (overfitting) را کاهش دهید.

ریسک سبد سهام را ارزیابی و تخصیص دارایی‌ها را با شبیه‌سازی سناریوهای متعدد بازار بهینه کنید، و بینش‌هایی درباره بازده بالقوه و نوسانات کسب کنید.

روش‌های مونت کارلو را برای مدیریت ریسک در تریدینگ پیاده‌سازی کنید، محاسبه ارزش در معرض ریسک (VaR)، شبیه‌سازی افت سرمایه (drawdown) و افزایش استحکام استراتژی را بیاموزید.

پیش‌نیازها:

  • پایه‌های پایتون (Python basics)
  • بک‌تستینگ استراتژی‌ها در پایتون (Backtesting Strategies in Python)
  • آمار و احتمال مقدماتی (Basic Statistics and Probability)

آیا آماده‌اید تا استراتژی‌های معاملاتی خود را به سطح بالاتری ببرید؟ در تسلط بر بک‌تستینگ مونت کارلو برای تریدینگ سودآور، رویکردی قدرتمند برای طراحی، تست و بهینه‌سازی ایده‌های معاملاتی خود را کشف خواهید کرد. این دوره با ترکیبی از شبیه‌سازی‌های مونت کارلو، بازنمونه‌گیری معاملات (trade resampling) و تحلیل داده‌محور، به شما نشان می‌دهد که چگونه هر استراتژی را در برابر طیف وسیعی از شرایط بازار، تست استرس (stress-test) کنید. در پایان، ابزاری اثبات‌شده برای ارزیابی و اصلاح سیستم‌های تریدینگ کمی (Quantitative Trading) یا تریدینگ الگوریتمی (Algorithmic Trading) خود برای دستیابی به سودآوری پایدار در اختیار خواهید داشت.

نکات برجسته کلیدی:

  • مبانی روش مونت کارلو: یاد بگیرید چگونه مسیرهای قیمت مصنوعی تولید کنید و عملکرد را تحت سناریوهای مختلف بازار ارزیابی نمایید.

  • توسعه استراتژی مستحکم: بهترین شیوه‌های بک‌تستینگ را کاوش کنید، نقاط ضعف پنهان را بیابید و از دام‌های بیش‌برازش (overfitting) اجتناب کنید.

  • پیاده‌سازی عملی: تجربه عملی با قطعه کدهای پایتون برای بوت‌استرپینگ در سطح معامله (trade-level bootstrapping) و مدل‌سازی ریسک کسب کنید.

  • تست استرس پیشرفته: اغتشاش پارامتر (parameter perturbations) و تغییرات رژیم (regime shifts) را ادغام کنید تا ببینید استراتژی‌های شما چگونه در طول شوک‌های بازار تاب می‌آورند.

  • کاربردهای دنیای واقعی: مطالعات موردی را بررسی کنید که نشان می‌دهد چگونه شبیه‌سازی‌های مونت کارلو می‌توانند به شما در ارزیابی استحکام استراتژی، ریسک و بهبود تصمیم‌گیری کمک کنند.

این دوره جامع مهارت‌های لازم برای ساخت سیستم‌های معاملاتی آگاه به ریسک با استفاده از روش مونت کارلو را به شما می‌دهد. اکنون ثبت‌نام کنید و با رویکردی داده‌محور و مبتنی بر علم، برای موفقیت در تریدینگ، اعتماد به نفس لازم برای حرکت در بازارها را کسب کنید.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • محتوا و پیش‌نیازها Content and Prerequisites

آشنایی با روش مونت کارلو Getting Familiar With The Monte-Carlo Method

  • روش مونت کارلو چیست What is the Monte-Carlo method

  • کمی تاریخچه A bit of history

  • چرا این روش قدرتمند در نظر گرفته می‌شود Why is this method considered powerful

  • ایده اصلی روش مونت کارلو The core idea of the Monte-Carlo method

تولیدکننده‌های اعداد تصادفی Random Numbers Generators

  • مقدمه‌ای بر اعداد تصادفی Introduction to random numbers

  • تصادفی بودن واقعی در برابر شبه تصادفی بودن True Randomness Vs Pseudo Randomness

  • تولیدکننده خطی هم‌نهشت The Linear Congruential Generator

  • پارامترها و ویژگی‌های تولیدکننده‌های اعداد تصادفی Parameters and Properties of Random Numbers Generators

  • کاربرد پایتون: کدنویسی یک تولیدکننده اعداد و تست ویژگی‌های آن Python Application: Coding a number generator and testing its properties

  • درباره تولیدکننده‌های پیشرفته اعداد تصادفی About Advanced Random Numbers Generators

  • تولیدکننده‌های استاندارد در برابر تولیدکننده‌های نام‌پای (NumPy) در پایتون Standard Vs NumPy's Generators in Python

  • روش رد و توزیع‌های سفارشی The Rejection Method and Custom Distributions

  • روش ون نویمان و توزیع‌های سفارشی Von Neumann Method and Custom Distributions

دستکاری توزیع‌های تصادفی در پایتون Manipulating Random Distributions In Python

  • تبدیل اعداد تصادفی و محدوده‌ها Transforming Random Numbers and Ranges

  • توزیع‌های تصادفی در نام‌پای (NumPy) Random distributions in NumPy

  • توزیع نرمال The Normal Distribution

  • توزیع لگ نرمال The LogNormal Distribution

  • کاربردهای لگ نرمال در پایتون: داده‌های معاملاتی ترکیبی LogNormal Python Applications: Synthetic Trading Data

  • خلاصه‌ای از توزیع‌ها و کاربردها Distributions and Applications Recap

  • توزیع T استیودنت Student's T Distribution

  • تولید داده‌های معاملاتی ترکیبی با تابع توزیع استیودنت Generating Synthetic Trading Data with Student's Distribution Function

  • توزیع نرمال در برابر توزیع استیودنت: مقایسه‌ای از داده‌های معاملاتی ترکیبی Normal Vs Student's Distributions: A Comparison of Synthetic Trading Data

  • توزیع لاپلاس Laplace Distribution

  • کاربردهای توزیع لاپلاس در پایتون: داده‌های معاملاتی ترکیبی Laplace Distribution Python Applications: Synthetic Trading Data

  • توزیع کوشی و مثال‌های پایتون Cauchy Distribution And Python Examples

  • توزیع مثلثی و مثال‌های پایتون Triangle Distribution And Python Examples

  • توزیع پارتو Pareto Distribution

  • کاربردهای توزیع پارتو در پایتون: داده‌های معاملاتی ترکیبی Pareto Distribution Python Applications: Synthetic Trading Data

  • سایر توزیع‌ها در نام‌پای (NumPy): مرور سریع Other Distributions In NumPy: A Quick Recap

اعمال تصادفی بودن به داده‌های معاملاتی: تولید اسلیپیج Applying Randomness to Trading Data: Generating Slippage

  • معرفی نویز محو/اسلیپیج به داده‌های قیمت تاریخی Introducing Blur Noise/Slippage to Historical Price Data

  • تولید اسلیپیج تصادفی | مثال پایتون Generating Random Slippage | Python Example

  • داده قیمت ترکیبی با اسلیپیج با توزیع نرمال | مثال پایتون Synthetic Price Data With Normally Distributed Slippage | Python Example

  • قیمت‌های ترکیبی با اسلیپیج با توزیع کوشی | مثال پایتون Synthetic Prices With Cauchy Distributed Slippage | Python Example

  • تولید خوشه‌های اسلیپیج برای شبیه‌سازی رویدادهای بزرگ | مثال پایتون Generating Clusters of Slippage For Major Events Simulation | Python Example

اعمال تصادفی بودن به داده‌های معاملاتی: تولید اسپرد Applying Randomness to Trading Data: Generating Spread

  • توزیع اسپرد و تولید داده اسپرد ترکیبی Spread Distribution and Generating Synthetic Spread Data

اعمال تصادفی بودن به داده‌های معاملاتی: تولید قیمت‌های ترکیبی Applying Randomness to Trading Data: Generating Synthetic Prices

  • توزیع نوسانات قیمت Price Variability Distribution

  • انطباق نوسانات قیمت: توزیع لاپلاس Fitting Price Variability: Laplace Distribution

  • تولید قیمت‌های ترکیبی با توزیع کوشی Generating Synthetic Prices With Cauchy Distribution

  • اسپرد Ask-Bid ترکیبی و نمودارهای شمعی Synthetic Ask Bid Spread And Candle Sticks

بک‌تستینگ استراتژی‌ها با استفاده از روش مونت کارلو Backtesting Strategies Using The Monte-Carlo Method

  • نمونه استراتژی معاملاتی Sample Trading Strategy

  • تعریف سیگنال‌های استراتژی در پایتون Defining The Strategy Signals In Python

  • پیاده‌سازی و بک‌تستینگ استراتژی در پایتون Implementing and Backtesting The Strategy In Python

  • تصادفی‌سازی حد ضرر، اعمال اسلیپیج و بک‌تستینگ Randomizing Stop Loss, Applying Slippage And Backtesting

  • تصادفی‌سازی/بوت استرپینگ: انتخاب معاملات و بک‌تست عامل معامله‌گر انسانی Randomizing/Bootstrapping: Trades Selection And Human Trader Factor Backtest

  • تصادفی‌سازی اسلیپیج بر روی قیمت‌های ورود و بک‌تست Randomizing Slippage On Entry Prices And Backtest

  • تولید اسلیپیج خوشه‌بندی شده کوشی و نمونه‌برداری تصادفی معاملات | بک‌تستینگ Generating Cauchy Clustered Slippage And Random Trades Sampling | Backtesting

  • ایده‌های توسعه و افکار نهایی Extension Ideas And Final Thoughts

نمایش نظرات

آموزش بک تست مونت کارلو برای استراتژی‌های معاملاتی الگوریتمی
جزییات دوره
5 hours
49
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
213
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr Ziad Francis Dr Ziad Francis

دکتری، دانشمند داده