آموزش معاملات الگوریتمی هوش مصنوعی: سیگنال خرید/فروش با پایتون - آخرین آپدیت

دانلود AI Algorithmic Trading: Buy/Sell Signal [Python]

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

ساخت ربات معامله‌گر هوشمند با هوش مصنوعی و یادگیری ماشین (Python)

به جامع‌ترین دوره آموزش ساخت ربات معامله‌گر با استفاده از هوش مصنوعی و یادگیری ماشین خوش آمدید! در این دوره یاد می‌گیرید چگونه سیگنال‌های خرید و فروش سودآور تولید کنید.

چرا ربات‌های معامله‌گر مبتنی بر هوش مصنوعی مهم هستند؟

ربات‌های معامله‌گر مبتنی بر هوش مصنوعی به سرعت در حال رشد هستند و سهم آن‌ها در بازار به طور چشمگیری افزایش یافته است. نه تنها موسسات مالی بزرگ مانند MLQ AI، Kavout، QuantAI و Precision Alpha از هوش مصنوعی برای معاملات استفاده می‌کنند، بلکه معامله‌گران خرد نیز از این ابزار قدرتمند برای کسب مزیت در بازار بهره می‌برند. به همین دلیل، استفاده از یادگیری ماشین در ربات معامله‌گر الگوریتمی شما ضروری است.

نحوه عملکرد ربات‌های معامله‌گر هوشمند

ستون فقرات هر سیستم معاملاتی، تولید سیگنال خرید و فروش است و این امر ناشی از پیش‌بینی دقیق و مطمئن قیمت است. اینجاست که یادگیری ماشین و هوش مصنوعی می‌توانند بدرخشند.

آنچه در این دوره خواهید آموخت:

  • ایجاد سیگنال خرید/فروش با استفاده از یادگیری ماشین در ربات معامله‌گر
  • پیش‌بینی قیمت با استفاده از هوش مصنوعی برای معاملات الگوریتمی
  • استفاده از پکیج‌های پایتون ML (TensorFlow، PyMC، Scikit Learn، SciPy و غیره)
  • انواع مختلف مدل‌های یادگیری ماشین
  • یادگیری عمیق و شبکه‌های عصبی مصنوعی
  • مدل‌های مبتنی بر احتمال (Bayesian) و مبتنی بر درخت تصمیم (Random Forest)
  • منابع مختلف داده‌های بازار (OHLC)، MetaTrader5، AlphaVantage
  • استفاده از Pandas، Numpy، Jupyter-Notebook، Seaborn، Matplotlib و غیره
  • ترکیب مدل (Bagging و Boosting)
  • استخراج ویژگی و طراحی هدف برای پیش‌بینی قیمت
  • درک شهودی پشت هر مدل یادگیری ماشین بدون ریاضیات پیچیده
  • شبکه عصبی بازگشتی و LSTM

سرفصل‌های اصلی دوره:

  • کار عملی با پایتون: هر مرحله از این دوره دارای بخش‌های کدنویسی با پایتون است. ابتدا، شهود توضیح داده می‌شود، سپس کدی برای پیاده‌سازی آن ایده با استفاده از بسته‌های یادگیری ماشین توسعه می‌دهیم.
  • کاوش در منابع داده (داده‌های بازار): اولین قدم در هر پروژه یادگیری ماشین، دسترسی به داده‌ها است. ارائه دهندگان مختلف داده‌های بازار، روش‌های مختلفی برای جمع آوری داده‌ها دارند.
  • ویژگی‌ها و اهداف: قبل از طراحی هر مدل یادگیری ماشین، باید مشخص شود که مدل از ما چه چیزی را پیش‌بینی می‌کند. در اصطلاحات معاملاتی، آیا این یک روند، نوسان یا بازده است که سیگنال خرید/فروش روی آن متمرکز شده است؟
  • مدل‌های یادگیری ماشین: استفاده از انواع مختلف مدل‌های ML که می‌توانند سیگنال‌هایی را در کلاس‌های دارایی مختلف ایجاد کنند. تعداد بی‌شماری از الگوریتم‌های ML وجود دارد و هنوز هم در حال رشد هستند. دانستن و پیاده‌سازی دسته بزرگ این الگوریتم‌ها به ما امکان می‌دهد تا تمام تغییرات دیگر را کاوش و پیاده‌سازی کنیم.

پیش‌نیازهای دوره:

  • برنامه‌نویسی پایه پایتون
  • کامپیوتر رومیزی
  • مهارت‌های ریاضیات پایه دبیرستان

چرا این دوره برای شما مناسب است؟

این دوره به شما کمک می‌کند تا دانش خود را در زمینه یادگیری ماشین و هوش مصنوعی ارتقا دهید و یک ربات معامله‌گر الگوریتمی قدرتمند بسازید. با استفاده از این ربات می‌توانید سیگنال‌های خرید و فروش دقیق و سودآور ایجاد کنید و عملکرد معاملاتی خود را بهبود ببخشید.


سرفصل ها و درس ها

آموزش محتوای دوره Course Content Instruction

  • مقدمه Introduction

  • سلب مسئولیت Disclaimer

  • آموزش دوره Course Instruction

مبانی Fundamental

  • مقدمه Introduction

  • مفاهیم معاملاتی Trading Concepts

  • فرآیند معاملاتی Trading Process

  • مبانی یادگیری ماشین Machine Learning Basics

  • یادگیری ماشین در معاملات Machine Learning in Trading

بسته‌های پایه پایتون Basic Python Packages

  • مقدمه Introduction

  • جوپیتر Jupyter

  • تور جوپیتر Jupyter Tour

  • پانداس و نامپای Pandas and Numpy

  • مبانی نامپای Numpy Basics

  • مبانی پانداس Pandas Basics

  • نمودارسازی Plotting

  • سیبورن و مت‌پلات‌لیب Seaborn and MatPlotLib

منابع داده Data Sources

  • مقدمه Introduction

  • انواع داده (داده بازار در مقابل داده جایگزین) Types of Data (Market vs Alternative Data)

  • روش‌های دسترسی به داده Methods to Access Data

  • آلفا ونتیج Alpha Vantage

  • دسترسی به داده آلفا ونتیج با پایتون Alpha Vantage Access Data With Python

  • محدوده بزرگ آلفا ونتیج Alpha Vantage Big Range

  • متاتریدر MetaTrader

  • دسترسی به داده متاتریدر با پایتون Metatrader Access Data With Python

طراحی ویژگی و هدف Feature and Target Design

  • مقدمه Introduction

  • استخراج ویژگی و هدف Feature and Target Extraction

  • ملاحظات استفاده از داده Data Usage Considerations

  • پانداس تی‌ای PandasTa

  • طراحی هدف پانداس تی‌ای PandasTa Target Design

  • طراحی ویژگی پانداس تی‌ای PandasTa Feature Design

  • مصورسازی ویژگی‌ها و اهداف Visualizing Features and Targets

  • ادامه مصورسازی ویژگی‌ها و اهداف Visualizing Features and Targets Continuation

الگوریتم‌های مبتنی بر احتمال (بیزی) Probability Based Algorithms (Bayesian)

  • مقدمه Introduction

  • ذهنیت بیزی Bayesian Mindset

  • ریاضیات بیزی Bayesian Mathematics

  • کاربرد بیزی در تشخیص هرزنامه Bayesian Application in Spam Detection

  • بیزی برای تخمین پارامتر Bayesian For Parameter Estimation

  • بیزی برای تخمین پارامتر ادامه Bayesian For Parameter Estimation Cont.

  • پای‌ام‌سی Pymc

  • مبانی پای‌ام‌سی Pymc Basics

  • تخمین پارامتر با استفاده از پای‌ام‌سی Parameter Estimation using Pymc

  • طبقه‌بندی در مقابل رگرسیون Classification vs Regression

  • تبدیل بازده به طبقه‌بندی Convert Returns to Classification

  • رگرسیون لجستیک بیزی Bayesian Log Regression

  • رگرسیون لجستیک بیزی برای جهت قیمت در پایتون Bayesian Log Regression for Price Direction in Python

  • ادامه رگرسیون لجستیک بیزی برای جهت قیمت در پایتون Bayesian Log Regression for Price Direction in Python Cont.

درخت تصمیم Decision Tree

  • مقدمه Introduction

  • مبانی درخت تصمیم Decistion Tree Basics

  • رگرسیون درخت تصمیم Decistion Tree Regression

  • درخت تصمیم برای تخمین بازده Decistion Tree to Estimate Returns

  • ادامه درخت تصمیم برای تخمین بازده Decistion Tree to Estimate Returns Cont.

  • ادامه درخت تصمیم برای تخمین بازده Decistion Tree to Estimate Returns Cont.

  • درخت تصمیم با همه ویژگی‌ها Decistion Tree with All Features

  • تقسیم داده‌های آموزش و تست Split Train and Test

  • درخت تصمیم برای طبقه‌بندی Decision Tree for Classification

  • درخت تصمیم برای طبقه‌بندی همه ویژگی‌ها Decision Tree for Classification All Features

  • اعتبارسنجی متقابل Cross Validation

  • اعتبارسنجی متقابل با پایتون Cross Validation with Python

  • ادامه اعتبارسنجی متقابل با پایتون Cross Validation with Python Cont.

  • تنظیم درخت تصمیم Tuning Decision Tree

  • انتخاب اندازه داده‌های آموزش Train Size Selection

  • جنگل تصادفی Random Forest

  • جنگل تصادفی با پایتون Random Forest with Python

  • تنظیم جنگل تصادفی Random Forest Tuning

گرادیان بوستینگ Gradient Boosting

  • مقدمه Introduction

  • آنسامبل Ensemble

  • DT بوستینگ DT Boosting

  • بوستینگ با داده‌های تست Boosting with Test data

  • اعتبارسنجی متقابل بوستینگ Boosting Cross Validation

  • ادامه اعتبارسنجی متقابل بوستینگ Boosting Cross Validation Cont.

یادگیری عمیق Deep Learning

  • مقدمه Introduction

  • یادگیری عمیق Deep Learning

  • گرادیان کاهشی چیست؟ What is Gradient Descent

  • شبکه عصبی پیشخور Feed Forward Neural Network

  • شبکه عصبی پیشخور تنسورفلو Feed Forward Neural Network Tensorflow

  • تنظیم ابرپارامترهای شبکه عصبی پیشخور Feed Forward Neural Network Hyperparameter Tuning

  • ادامه تنظیم ابرپارامترهای شبکه عصبی پیشخور Feed Forward Neural Network Hyperparameter Tuning Cont.

شبکه عصبی بازگشتی Recurrent Neural Network

  • مقدمه Introduction

  • شبکه عصبی بازگشتی و LSTM Recurrent Neural Network and LSTM

  • آماده‌سازی داده Data Preparation

  • LSTM با تنسورفلو LSTM with Tensorflow

  • تشخیص مدل LSTM LSTM Model Diagnosis

  • ادامه تشخیص مدل LSTM LSTM Model Diagnosis Cont.

ارزیابی سیگنال Signal Evaluation

  • مقدمه Introduction

  • چرا تحلیل سیگنال Why Signal Analysis

  • معیارهای تحلیل سیگنال Signal Analysis Criteria

  • تقسیم بازده آتی، آلفا و بتا Future Return Split, Alpha and Beta

  • ضریب اطلاعات و گردش مالی Information Coefficient and Turnover

  • ابزارهای پایتون Python Tools

  • دانلود داده‌های چند دارایی Downloading Multi Asset Data

  • ایجاد یک سیگنال چند دارایی اختیاری Create an Arbitrary Multi Asset Signal

  • تحلیل فاکتور چند دارایی در پایتون Analyzing Multi Asset Factor in Python

نمایش نظرات

آموزش معاملات الگوریتمی هوش مصنوعی: سیگنال خرید/فروش با پایتون
جزییات دوره
11.5 hours
92
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,093
4.3 از 5
دارد
دارد
دارد
Ali Abdoli
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Ali Abdoli Ali Abdoli

معامله‌گر خرد، رهبر فناوری