آموزش گروه مطالعه: یادگیری ماشین برای مدیران دارایی - آخرین آپدیت

دانلود Reading Group: Machine Learning for Asset Managers

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

کاوش در تقاطع هوش مصنوعی و بازارهای مالی: دوره جامع یادگیری ماشین در امور مالی

این دوره آموزشی جامع، شما را با مفاهیم و تکنیک‌های پیشرفته یادگیری ماشین (ML) در حوزه امور مالی آشنا می‌کند. از مباحث پایه تا تحقیقات پیشرفته، شما را برای حل مشکلات دنیای واقعی در بازارهای مالی آماده می‌کنیم.

  • تسلط بر مفاهیم و تکنیک‌های اصلی یادگیری ماشین در امور مالی
  • ارزیابی تحقیقات پیشرفته برای حل مشکلات مالی
  • کسب دانش در مورد ساخت پرتفوی پیشرفته
  • درک تکنیک‌های مدیریت ریسک با استفاده از یادگیری ماشین

پیش‌نیازها: آشنایی با حسابان، امور مالی یا آمار

این دوره جامع، یک بررسی عمیق از یادگیری ماشین (ML) را ارائه می‌دهد که برای متخصصان و دانشجویان با پیش‌زمینه‌ای در آمار و حسابان پایه طراحی شده است. هدف این دوره، مجهز کردن شرکت‌کنندگان با تحقیقات و تکنیک‌های پیشرفته و همچنین درک درستی از ML در بازارهای مالی است.

برای مبتدیان، این دوره یک پایه محکم در جنبه‌های نظری یادگیری ماشین برای امور مالی فراهم می‌کند و اطمینان حاصل می‌کند که درک کاملی از تکنیک‌های ML در امور مالی از طریق تجزیه و تحلیل تحقیقات عملی به دست می‌آید.

در عین حال، متخصصان با تجربه در امور مالی یا یادگیری ماشین، این دوره را غنی‌کننده خواهند یافت، زیرا شامل بحث‌های عمیق در مورد موضوعات پیشرفته است. این دوره، بینش‌های جدید و استراتژی‌های پیشرفته‌ای را ارائه می‌دهد که می‌توانند مستقیماً برای بهبود عملکرد حرفه‌ای آن‌ها اعمال شوند و آن را به یک منبع ارزشمند برای کسانی تبدیل می‌کند که به دنبال ماندن در خط مقدم نوآوری در مدیریت سرمایه‌گذاری هستند.

این دوره با ارائه مجموعه‌ای از سخنرانی‌ها که توسط گروه متنوعی از کارشناسان هدایت می‌شود، متمایز می‌شود و درک غنی و چندبعدی از هر موضوع را تضمین می‌کند. این مدل تدریس مشارکتی تضمین می‌کند که شرکت‌کنندگان درکی چند بعدی از چگونگی اعمال تکنیک‌های ML برای بهینه‌سازی استراتژی‌های سرمایه‌گذاری، مدیریت سبد سهام و عملیات معاملاتی به دست می‌آورند.

از طریق یک برنامه درسی با دقت انتخاب شده، شرکت‌کنندگان طیفی از موضوعات، از جمله معاملات الگوریتمی (LLM)، تکنیک‌های متا-برچسب‌گذاری، استراتژی‌های مدیریت سبد سهام، سرمایه‌گذاری فاکتوری، آربیتراژ آماری و پوشش ریسک برای خنثی‌سازی بازار را بررسی خواهند کرد.

در قلب هر سخنرانی، یک مقاله تحقیقاتی محوری قرار دارد که به عنوان پایه‌ای برای بحث و تجزیه و تحلیل عمل می‌کند. این رویکرد، یک چارچوب قوی برای درک مبانی نظری و کاربردهای عملی ML در اختیار شرکت‌کنندگان قرار می‌دهد و درک عمیق و انتقادی از هر موضوع را تقویت می‌کند. مطالعه مقالات تحقیقاتی برای اعمال مفاهیم نظری در سناریوهای دنیای واقعی طراحی شده است و قابلیت کاربرد دانش به دست آمده را افزایش می‌دهد. این رویکرد، تفکر انتقادی و مهارت‌های حل مسئله را تقویت می‌کند و شرکت‌کنندگان را برای چالش‌های دنیای واقعی در مدیریت سرمایه‌گذاری آماده می‌کند.

این دوره جامع، طیف وسیعی از موضوعات را در بر می‌گیرد و با اصول اساسی یادگیری ماشین (ML) در سرمایه‌گذاری آغاز می‌شود، که در آن شرکت‌کنندگان با پتانسیل تحول‌آفرین ML در تغییر شکل استراتژی‌ها و عملیات سرمایه‌گذاری آشنا می‌شوند.

شرکت‌کنندگان در متا-برچسب‌گذاری تسلط پیدا می‌کنند، یاد می‌گیرند که استراتژی‌های معاملاتی را اصلاح کنند و عملکرد مدل را بهبود بخشند، و تکنیک‌های بهینه‌سازی سبد سهام پیشرفته را بررسی خواهند کرد، از جمله تخصیص دارایی، مدیریت ریسک و تجزیه و تحلیل پیش‌بینی‌کننده. این برنامه درسی همچنین کاربرد ML در سرمایه‌گذاری فاکتوری و تحلیل بازار را پوشش می‌دهد، شناسایی و بهره‌برداری از عوامل بازار برای سرمایه‌گذاری استراتژیک.

علاوه بر این، شامل تکنیک‌هایی برای کشف فرصت‌های آربیتراژ آماری و افزایش کارایی بازار است، که در نهایت به بررسی استراتژی‌های ML برای پوشش ریسک و دستیابی به خنثی‌سازی بازار برای به حداقل رساندن قرار گرفتن در معرض نوسانات بازار ختم می‌شود. از طریق این سفر، این دوره شرکت‌کنندگان را به درک ظریف و مهارت‌های عملی برای پیمایش در چشم‌انداز پیچیده ML در مدیریت سرمایه‌گذاری مجهز می‌کند.


سرفصل ها و درس ها

مقدمه‌ای بر گروه مطالعه Introduction to the Reading Group

  • درباره گروه مطالعه ما About our Reading Group

یادگیری ماشین در مدیریت سرمایه‌گذاری Machine Learning in Investment Management

  • فراتر از اقتصاد سنجی: نقشه راهی برای یادگیری ماشین Beyond Econometrics: A Roadmap for Machine Learning

  • عدم تعادل جریان سفارش عمیق: استخراج آلفا در افق‌های چندگانه Deep Order Flow Imbalance: Extracting Alpha at Multiple Horizons

  • قیمت‌گذاری دارایی تجربی از طریق یادگیری ماشین Empirical Asset Pricing Via Machine Learning

  • تکنیک‌ها و داده‌های یادگیری ماشین برای پیش‌بینی بازار سهام Machine Learning Techniques and Data for Stock Market Forecasting

  • یک سیستم گروه‌بندی صنعتی همتا مبتنی بر هوش مصنوعی An Artificial Intelligence-Based Industry Peer Grouping System

  • تشخیص سرنخ و خوشه‌بندی شبکه برای سری‌های زمانی چند متغیره Lead lag Detection and Network Clustering for Multivariate Time Series

  • اهمیت ویژگی: اثر انگشت مدل Feature Importance: The Model Fingerprint

  • تعبیه‌های عصبی داده‌های سری زمانی مالی Neural Embeddings of Financial Time Series Data

مدل‌های زبان بزرگ (LLMs) و معامله Large Language Models (LLMs) and Trading

  • آیا ChatGPT می‌تواند حرکات قیمت سهام را پیش‌بینی کند؟ Can ChatGPT Forecast Stock Price Movements?

  • BloombergGPT: یک مدل زبان بزرگ برای امور مالی BloombergGPT: A Large Language Model for Finance

اندازه‌بندی موقعیت با یادگیری ماشین (Meta-Labeling) Position Sizing with Machine Learning (Meta-Labeling)

  • نظریه و چارچوب Meta-Labeling Meta-Labeling Theory and Framework

  • معماری‌های Meta-Labeling Meta-Labeling Architectures

  • اندازه‌بندی موقعیت Meta-Labeling Meta-Labeling Position Sizing

  • Meta-Labeling گروهی Ensemble Meta-Labeling

مدیریت پورتفولیو Portfolio Management

  • ۶۰ سال بهینه‌سازی پورتفولیو: چالش‌های عملی و روندهای فعلی 60 Years of Portfolio Optimization: Practical Challenges and Current Trends

  • FinRL - یادگیری تقویتی در امور مالی FinRL - Reinforcement Learning in Finance

  • یادگیری تقویتی عمیق برای تخصیص پورتفولیو قسمت ۱ Deep Reinforcement Learning for Portfolio Allocation Part 1

  • یادگیری تقویتی عمیق برای تخصیص پورتفولیو قسمت ۲ Deep Reinforcement Learning for Portfolio Allocation Part 2

  • ویژگی‌های متنوع‌ترین پورتفولیو Properties of the Most Diversified Portfolio

  • یادگیری ماشین قابل تفسیر برای ساخت پورتفولیو متنوع Interpretable Machine Learning for Diversified Portfolio Construction

  • زمان تنوع‌بخشی، اما به چه چیز؟ Time to diversify, but into what?

  • رویکردی مبتنی بر نظریه گراف به بهینه‌سازی پورتفولیو A Graph Theory Approach to Portfolio Optimization

سرمایه‌گذاری فاکتور Factor Investing

  • فاکتورها در سرمایه‌گذاری فاکتور کجا هستند؟ Where Are the Factors in Factor Investing?

  • واقعیت، افسانه و سرمایه‌گذاری فاکتور Fact, Fiction and Factor Investing

  • سرمایه‌گذاری فاکتور بهترین هنوز نیامده است Factor Investing the best is yet to come

  • ارزش و مومنتوم در همه جا Value and Momentum Everywhere

  • شرط‌بندی در مقابل بتا Betting against Beta

  • تشخیص قوی روابط سرنخ-تاخیر در مدل‌های چند فاکتوری تاخیری Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models

آربیتراژ آماری Statistical Arbitrage

  • خوشه‌بندی ماتریس همبستگی برای پورتفولیوهای آربیتراژ آماری Correlation Matrix Clustering for Statistical Arbitrage Portfolios

  • ساخت پورتفولیوی آربیتراژ آماری بر اساس روابط ترجیحی Statistical arbitrage portfolio construction based on preference relations

  • بازده‌های مبتنی بر مشخصات پورتفولیوهای آربیتراژ Arbitrage Portfolios Characteristic-Based Returns

پوشش ریسک برای خنثی بازار Hedging for Market Neutral

  • چرا باید بتا و ریسک‌های بخشی را پوشش دهید قسمت ۱ Why You Should Hedge Beta & Sector Exposures Part 1

  • چرا باید بتا و ریسک‌های بخشی را پوشش دهید قسمت ۲ Why You Should Hedge Beta & Sector Exposures Part 2

مطالعات اضافی Extra Readings

  • روند اقتصادی Economic Trend

  • پیش‌بینی خودکار نوسانات Automated Volatility Forecasting

  • در مورد پذیرفتن ریسک نامتقارن بیش از یک بار On Taking a Skewed Risk More Than Once

  • قوانین حد ضرر چه زمانی ضررها را متوقف می‌کنند؟ When Do Stop Loss Rules Stop Losses?

  • ترکیب پویای استراتژی‌های سرمایه‌گذاری بازگشت به میانگین و مومنتوم Dynamically combining mean reversion and momentum investment strategies

  • بهترین استراتژی‌ها برای زمان‌های تورمی The Best Strategies for Inflationary Times

  • پوشش ریسک دنباله: مقایسه استراتژی‌های پوت و ترند Tail Risk Hedging: Contrasting Put and Trend Strategies

  • ویژگی‌های تجربی بازده دارایی: واقعیت‌های سبکی و مسائل آماری Empirical Properties of Asset Returns: Stylized Facts and Statistical Issues

نمایش نظرات

آموزش گروه مطالعه: یادگیری ماشین برای مدیران دارایی
جزییات دوره
24.5 hours
42
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
417
4.9 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

Hudson and Thames Quantitative Research Hudson and Thames Quantitative Research

توسعه الگوریتم های پیچیده برای معامله گران کوانت.