🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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