آموزش کامل پایتون و ماشین در تحلیل مالی

سرفصل ها و درس ها

داده های مالی و پیش پردازش Financial Data and Preprocessing

• معرفی برنامه نویسی پایتون در تحلیل مالی Introduction of Python Programming in Financial Analysis

• معرفی تجزیه و تحلیل مالی Introduction of Financial Analysis

• معرفی Introduction

• دریافت اطلاعات از یاهو فاینانس Getting data from Yahoo Finance

• دریافت اطلاعات از Quandl Getting data from Quandl

• تبدیل قیمت به بازده Converting prices to returns

• تغییر فرکانس Changing frequency

• تجسم داده های سری زمانی Visualizing time series data

• شناسایی نقاط دور افتاده Identifying outliers

• بررسی حقایق تلطیف شده بازده دارایی ها Investigating stylized facts of asset returns

• کدهای فصل 1 Codes of Chapter 1

تجزیه و تحلیل فنی در پایتون Technical Analysis in Python

• معرفی Introduction

• الزامات فصل 2 requirements of chapter 2

• ایجاد نمودار شمعدانی Creating a candlestick chart

• آزمایش مجدد استراتژی بر اساس میانگین متحرک ساده Backtesting a strategy based on simple moving average

• محاسبه باندهای Bollinger و آزمایش استراتژی خرید و فروش Calculating Bollinger Bands and testing a buy/sell strategy

• محاسبه شاخص قدرت نسبی و آزمایش یک استراتژی طولانی/کوتاه Calculating the relative strength index and testing a long/short strategy

• ایجاد داشبورد تعاملی برای TA Building an interactive dashboard for TA

• کدهای فصل 2 Codes of Chapter 2

• کدهای فصل 2 Codes of Chapter 2

مدل سازی سری های زمانی Time Series Modeling

• معرفی Introduction

• الزامات فصل 3 requirements of chapter 3

• تجزیه سری های زمانی Decomposing time series

• آزمایش ایستایی در سری های زمانی Testing for stationarity in time series

• تصحیح ایستایی در سری های زمانی Correcting for stationarity in time series

• مدل سازی سری های زمانی با روش های صاف کردن نمایی Modeling time series with exponential smoothing methods

• مدل سازی سری های زمانی با مدلهای کلاس ARIMA Modeling time series with ARIMA class models

• پیش بینی استفاده از مدل های کلاس Arima Forecasting using ARIMA class models

• کدهای فصل 3 Codes of Chapter 3

مدلهای چند عاملی Multi-Factor Models

• معرفی Introduction

• الزامات فصل 4 requirements of chapter 4

• پیاده سازی CAPM در پایتون Implementing the CAPM in Python

• پیاده سازی مدل سه عاملی Fama-French در پایتون Implementing the Fama-French three-factor model in Python

• پیاده سازی مدل سه عاملی نوردی بر روی سبد دارایی ها Implementing the rolling three-factor model on a portfolio of assets

• پیاده سازی مدل های چهار و پنج عاملی در پایتون Implementing the four- and five-factor models in Python

• کدهای فصل 4 Codes of Chapter 4

مدل سازی نوسانات با مدلهای کلاس GARCH Modeling Volatility with GARCH Class Models

• معرفی Introduction

• الزامات فصل 5 requirements of chapter 5

• توضیح نوسانات بازده سهام با مدل های ARCH Explaining stock returns' volatility with ARCH models

• توضیح نوسانات بازده سهام با مدل های GARCH Explaining stock returns' volatility with GARCH models

• پیاده سازی یک مدل CCC-GARCH برای پیش بینی نوسانات چند متغیره Implementing a CCC-GARCH model for multivariate volatility forecasting

• پیش بینی ماتریس کواریانس شرطی با استفاده از DCC-GARCH Forecasting a conditional covariance matrix using DCC-GARCH

• کدهای فصل 5 Codes of Chapter 5

شبیه سازی مونت کارلو در امور مالی Monte Carlo Simulations in Finance

• معرفی Introduction

• الزامات فصل 6 requirements of chapter 6

• شبیه سازی پویایی قیمت سهام با استفاده از حرکت براونی هندسی Simulating stock price dynamics using Geometric Brownian Motion

• قیمت گذاری گزینه های اروپایی با استفاده از شبیه سازی Pricing European options using simulations

• قیمت گذاری گزینه های آمریکایی با حداقل مربعات مونت کارلو Pricing American options with Least Squares Monte Carlo

• قیمت گذاری گزینه های آمریکایی با استفاده از Quantlib Pricing American options using Quantlib

• برآورد ارزش در معرض خطر با استفاده از مونت کارلو Estimating value-at-risk using Monte Carlo

• کدهای فصل 6 Codes of Chapter 6

تخصیص دارایی در پایتون Asset Allocation in Python

• معرفی Introduction

• ارزیابی عملکرد یک مجموعه 1/n پایه Evaluating the performance of a basic 1/n portfolio

• پیدا کردن مرز کارآمد با استفاده از شبیه سازی مونت کارلو Finding the Efficient Frontier using Monte Carlo simulations

• پیدا کردن مرز کارآمد با استفاده از بهینه سازی با scipy Finding the Efficient Frontier using optimization with scipy

• کدهای فصل 7 Codes of Chapter 7

شناسایی پیش فرض اعتبار با یادگیری ماشین Identifying Credit Default with Machine Learning

• معرفی Introduction

• الزامات فصل 8 requirements of chapter 8

• بارگیری داده ها و مدیریت انواع داده ها Loading data and managing data types

• تجزیه و تحلیل داده های اکتشافی Exploratory data analysis

• تقسیم داده ها به مجموعه های آموزشی و آزمایشی Splitting data into training and test sets

• مقابله با مقادیر از دست رفته Dealing with missing values

• رمزگذاری متغیرهای طبقه ای Encoding categorical variables

• مناسب سازی طبقه بندی کننده درخت تصمیم Fitting a decision tree classifier

• پیاده سازی خطوط لوله scikit-learn Implementing scikit-learn's pipelines

• تنظیم پارامترهای فوق با استفاده از جستجوی شبکه و اعتبار سنجی متقابل Tuning hyperparameters using grid search and cross-validation

• کدهای فصل 8 Codes of Chapter 8

مدلهای پیشرفته یادگیری ماشین در امور مالی Advanced Machine Learning Models in Finance

• معرفی Introduction

• الزامات فصل 9 requirements of chapter 9

• بررسی طبقه بندی های پیشرفته Investigating advanced classifiers

• برای دستیابی به نتایج بهتر ، از طبقه بندی کننده های پیشرفته استفاده کنید Theres more about use advanced classifiers to achieve better results

• استفاده از stacking برای بهبود عملکرد Using stacking for improved performance

• بررسی اهمیت ویژگی Investigating the feature importance

• بررسی رویکردهای مختلف برای مدیریت داده های نامتعادل Investigating different approaches to handling imbalanced data

• بهینه سازی پارامتر بیزی Bayesian hyperparameter optimization

• کدهای فصل 9 Codes of Chapter 9

یادگیری عمیق در امور مالی Deep Learning in Finance

• معرفی Introduction

• الزامات فصل 10 requirements of chapter 10

• یادگیری عمیق برای داده های جداول Deep learning for tabular data

• پرسپترون های چند لایه برای پیش بینی سری های زمانی Multilayer perceptrons for time series forecasting

• شبکه های عصبی تحولی برای پیش بینی سری های زمانی Convolutional neural networks for time series forecasting

• شبکه های عصبی مکرر برای پیش بینی سری های زمانی Recurrent neural networks for time series forecasting

• کدهای فصل 10 Codes of Chapter 10

• پایان The End