آموزش پایتون و یادگیری ماشین برای مدیریت دارایی‌ها - آخرین آپدیت

دانلود Python and Machine Learning for Asset Management

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره به شما امکان می‌دهد تا بر رویکردهای یادگیری ماشین در حوزه مدیریت سرمایه‌گذاری مسلط شوید. این دوره توسط دو متخصص پیشرو در این حوزه، یعنی لیونل مارتلینی از موسسه EDHEC-Risk و جان مالتوی از دانشگاه پرینستون طراحی شده است. آن‌ها با شروع از مبانی اولیه، به شما کمک می‌کنند تا مهارت‌های عملی برای درک علم داده را کسب کنید تا بتوانید بهترین تصمیمات مربوط به سبد سهام (پرتفولیو) را اتخاذ کنید. دوره با مقدمه‌ای بر اصول یادگیری ماشین شروع می‌شود و در ادامه به بحث عمیق در مورد کاربرد این تکنیک‌ها در تصمیمات مدیریت پرتفولیو، از جمله طراحی مدل‌های عاملی (Factor Models) قدرتمندتر، ساخت پرتفولیوهایی با مزایای تنوع‌بخشی بهبودیافته و اجرای مدل‌های مدیریت ریسک کارآمدتر می‌پردازد. ما یک فرآیند یادگیری ۳ مرحله‌ای طراحی کرده‌ایم: ابتدا یک مسئله سرمایه‌گذاری معنادار را معرفی می‌کنیم و بررسی می‌کنیم که چگونه می‌توان این مسئله را با استفاده از تکنیک‌های آماری حل کرد. سپس خواهیم دید که چگونه بینش‌های جدید حاصل از یادگیری ماشین می‌تواند تحلیل‌ها را تکمیل کرده و اثربخشی آن‌ها را بهبود بخشد. شما این فرصت را خواهید داشت که از ویدیوها و متون پیشنهادی برای ارتقای تخصص مالی خود استفاده کنید و از کوئیزها و دفترچه‌های ژوپیتر (Jupyter Notebooks) برای اطمینان از درک مفاهیم بهره ببرید. در پایان این دوره، شما بر تکنیک‌های مختلف یادگیری ماشین در مدیریت سرمایه‌گذاری تسلط خواهید یافت.

سرفصل ها و درس ها

مقدمه‌ای بر اصول یادگیری ماشین Introducing the fundamentals of machine learning

  • خوش آمدید به دوره پایتون و یادگیری ماشین برای مدیریت سرمایه‌گذاری Welcome to the Python Machine-Learning for Investment management course

  • مقدمه‌ای بر یادگیری ماشین Introduction to machine-learning

  • کاربردهای مالی Financial applications

  • یادگیری با نظارت Supervised learning

  • اولین الگوریتم‌ها First algorithms

  • نکات برجسته و بهترین روش‌ها Highlights of best practice

  • یادگیری بدون نظارت Unsupervised learning

  • چالش‌های پیش رو Challenges ahead

  • جلسه عملی: پرتفولیو بهینه Lab session optimal portfolio

تکنیک‌های یادگیری ماشین برای تخمین قدرتمند مدل‌های عاملی Machine learning techniques for robust estimation of factor models

  • مقدمه ماژول ۲: مبانی سرمایه‌گذاری عاملی Introduction to module 2 - Basics of factor investing

  • معرفی مدل‌های عاملی Introducing Factor Models

  • گونه‌شناسی مدل‌های عاملی Typology of factor models

  • استفاده از مدل‌های عاملی در ساخت و تحلیل پرتفولیو Using factor models in portfolio construction and analysis

  • روش‌های جریمه (Penalty methods) Penalty methods

  • تنظیم بارگذاری‌های عاملی و مثال‌ها Setting factor loadings and examples

  • مفاهیم انقباض (Shrinkage) Shrinkage concepts

  • جلسه عملی: دفترچه ژوپیتر درباره مدل‌های عاملی Lab session - Jupiter notebook on Factor Models

تکنیک‌های یادگیری ماشین برای تنوع‌بخشی کارآمد پرتفولیو Machine learning techniques for efficient portfolio diversification

  • مقدمه ماژول ۳: تکنیک‌های یادگیری ماشین برای تنوع‌بخشی کارآمد پرتفولیو Introduction to module 3 -Machine learning techniques for efficient portfolio diversification

  • مزایای تنوع‌بخشی پرتفولیو Benefits of portfolio diversification

  • معیارهای تنوع‌بخشی پرتفولیو Portfolio diversification measures

  • تحلیل مؤلفه‌های اصلی (PCA) Principle component analysis

  • نقش خوشه‌بندی Role of clustering

  • تحلیل گرافیکی Graphical analysis

  • انتخاب سبدی از دارایی‌ها Selecting a portfolio of assets

  • جلسه عملی: تحلیل شبکه گرافیکی Lab session: Graphical Network Analysis

تکنیک‌های یادگیری ماشین برای تحلیل رژیم‌های بازار Machine learning techniques for regime analysis

  • مقدمه‌ای بر رژیم‌های اقتصادی Introduction to economic regimes

  • تصمیمات پرتفولیو با شرایط متغیر بازار Portfolio Decisions with Time-Varying Market Conditions

  • فیلترینگ روند Trend filtering

  • مدل پرتفولیو مبتنی بر سناریو A scenario based portfolio model

  • مثالی از پرتفولیو با دو رژیم A two regime portfolio example

  • مدل چند رژیمی برای ذخیره دانشگاهی A multi regime model for a University Endowment

  • جلسه عملی جدید: دفترچه ژوپیتر درباره مدل سرمایه‌گذاری مبتنی بر رژیم NEW Lab session- Jupyter notebook on regime-based investment model

شناسایی رکود، رژیم‌های سقوط بازار و انتخاب ویژگی Identifying recessions, crash regimes and feature selection

  • مقدمه ماژول ۵ Introduction to module 5

  • رویکردهای سنتی Traditional approaches

  • فرآیندهای یادگیری ماشین Machine-Learning Processes

  • روش‌های مختلف یادگیری ماشین Several Machine Learning Methods

  • پیش‌بینی دوران رکود Predicting recessions

  • چالش‌های پیش رو Challenges ahead

  • جلسه عملی ۵: پیش‌بینی رژیم با استفاده از یادگیری ماشین Lab session 5: Regime Prediction with Machine Learning

نمایش نظرات

آموزش پایتون و یادگیری ماشین برای مدیریت دارایی‌ها
جزییات دوره
16h 24m
39
(آخرین آپدیت)
20,674
3.2 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

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده

Claudia Carrone Claudia Carrone