آموزش پیش بینی بازار سهام با مدل و سری زمانی ARIMA
Forecasting Stock Market with ARIMA Model & Time Series
به پیش بینی بازار سهام با دوره سری زمانی مدل ARIMA خوش آمدید. این یک دوره جامع مبتنی بر پروژه است که در آن گام به گام در مورد نحوه انجام تحلیل و تجسم پیچیده بر روی داده های بازار سهام راهنمایی می شوید، علاوه بر این، این دوره عمدتاً بر پیش بینی قیمت سهام آتی با استفاده از مدل ARIMA و اجرای سری های زمانی متمرکز خواهد بود. برای زبان برنامه نویسی، ما قصد داریم از Python در کنار چندین کتابخانه مانند Pandas برای انجام مدل سازی داده ها، Numpy برای انجام محاسبات پیچیده و Matplotlib برای تجسم داده ها استفاده کنیم. در جلسه مقدمه با اصول اولیه پیش بینی بازار سهام آشنا می شوید، مانند آشنایی با عوامل موثر بر دقت پیش بینی و مدل هایی که در پیش بینی مورد استفاده قرار خواهند گرفت. سپس، در ادامه با یادگیری ریاضیات پایه پیش بینی بازار سهام، گام به گام نحوه محاسبه میانگین متحرک به صورت دستی را یاد خواهید گرفت. نه تنها این، شما همچنین می خواهید ریاضیات پشت مدل ARIMA را یاد بگیرید، یک مطالعه موردی جامع برای آموزش نحوه انجام محاسبات دستی با استفاده از مدل ARIMA وجود خواهد داشت. پس از آن، چندین عامل داخلی و خارجی را نیز یاد خواهید گرفت که به طور بالقوه می توانند بر بازار سهام تأثیر بگذارند، به عنوان مثال احساسات بازار، گزارش های درآمد و نرخ بهره. هنگامی که تمام دانش لازم در مورد پیش بینی بازار سهام را آموختید، پروژه را آغاز می کنیم، ابتدا یاد می گیرید که چگونه Google Colab را راه اندازی کنید، زیرا این همان IDE است که ما از آن استفاده می کنیم، سپس، همچنین یاد می گیرید که چگونه مجموعه داده های بازار سهام را از Kaggle پیدا و دانلود کنید. هنگامی که همه چیز آماده شد، وارد بخش اصلی دوره می شوید که بخش پروژه است که در آن بیشتر وقت خود را در اینجا صرف می کنیم و آزمایش هایی را با مجموعه داده انجام می دهیم. در پایان، در پایان دوره، چندین معیار برای ارزیابی عملکرد مدل پیش‌بینی، مانند میانگین مطلق خطا، میانگین مربع خطا و ریشه میانگین مربعات خطا را نیز یاد می‌گیرید، علاوه بر این، نحوه پیاده‌سازی آن معیارها را در یک مجموعه داده ساده.
اول از همه، قبل از ورود به دوره، باید این سوالات را از خود بپرسیم: چرا باید پیش بینی بازار سهام را یاد بگیریم؟ چگونه می توانیم بفهمیم که پیش بینی درست است؟ خب، به نظر من، پاسخ های زیادی برای این سوالات وجود دارد. اولاً، مردم از صد سال پیش در بورس سرمایه گذاری می کردند، بنابراین، این نوع سرمایه گذاری از دیرباز وجود داشته است. امروزه با پیشرفت فناوری و کلان داده، مردم متوجه شدند که ادغام فناوری کلان داده در سرمایه گذاری در بازار سهام بسیار سودمند خواهد بود زیرا به سرمایه گذاران اجازه می دهد تا الگوهایی را از داده های تاریخی شناسایی کنند تا در مورد آینده پیش بینی کنند. سپس، سؤال بعدی ممکن است به طور بالقوه این باشد که پیش بینی چقدر دقیق خواهد بود؟ خوب، چیزی به نام دقت 100٪ وجود ندارد. وقتی نوبت به پیش‌بینی بازار سهام می‌رسد، از داده‌های گذشته برای تصمیم‌گیری سرمایه‌گذاری مبتنی بر داده استفاده می‌کنیم. با این وجود، مهم نیست که چقدر به الگویی از داده های تاریخی متقاعد شده باشیم، هنوز هیچ تضمینی 100٪ وجود ندارد که همان الگوی دقیق در آینده تکرار شود. با این حال، وقتی یک روند یا الگوی تکراری را در داده‌ها مشاهده میکنید، اساساً نشان می‌دهد که احتمال بیشتری وجود دارد که این الگو در آینده اتفاق بیفتد و این همان چیزی است که مدل پیش‌بینی در واقع بر اساس آن است.
در زیر مواردی وجود دارد که می‌توانید از این دوره یاد بگیرید:
مبانی اساسی پیش‌بینی بازار سهام را بیاموزید، مانند آشنایی با عواملی که بر دقت پیش‌بینی تأثیر می‌گذارند و چندین مدل پیش‌بینی که استفاده می‌شود
با نحوه محاسبه میانگین متحرک آشنا شوید
با نحوه اعمال مدل ARIMA (Autoregressive Integrated Moving Average) در مجموعه داده ساده و انجام پیش بینی اولیه آشنا شوید
چندین عامل داخلی و خارجی را که به طور بالقوه می توانند بر بازار سهام تأثیر بگذارند بیاموزید
با نحوه یافتن و دانلود مجموعه داده ها از Kaggle آشنا شوید
با نحوه آپلود داده ها در استودیوی Goolge Colab آشنا شوید
نحوه تمیز کردن مجموعه داده را با حذف مقادیر از دست رفته و مقادیر تکراری بیاموزید
تجزیه و تحلیل تجسم میانگین بالاترین میانگین پایین ترین قیمت سهام در سال
تجزیه و تحلیل تجسم حجم متوسط
پیدا کردن ارتباط بین تغییرات قیمت حجم
محاسبه میانگین متحرک 100 روزه
تجزیه و تحلیل تجسم نوسانات
با نحوه تجزیه و تحلیل تابع همبستگی خودکار تابع همبستگی جزئی آشنا شوید
نحوه انجام پیش بینی با استفاده از مدل ARIMA را بیاموزید
نحوه انجام تجزیه و تحلیل باقیمانده را بیاموزید
با محاسبه MAE (میانگین مطلق خطا)، MSE (میانگین مربعات خطا) و RMSE (ریشه میانگین مربعات خطا) با نحوه ارزیابی مدل پیش‌بینی آشنا شوید
معرفی Introduction
-
مقدمه دوره Introduction to the Course
-
فهرست مطالب Table of Contents
-
این دوره برای چه کسانی در نظر گرفته شده است؟ Whom This Course is Intended for?
ابزارها، IDE و مجموعه داده ها Tools, IDE, and Datasets
-
ابزارها، IDE و مجموعه داده ها Tools, IDE, and Datasets
مقدمه ای بر پیش بینی بازار سهام Introduction to Stock Market Forecasting
-
مقدمه ای بر پیش بینی بازار سهام Introduction to Stock Market Forecasting
محاسبه میانگین متحرک Calculating Moving Average
-
محاسبه میانگین متحرک Calculating Moving Average
محاسبه مدل ARIMA ARIMA Model Calculation
-
محاسبه مدل ARIMA ARIMA Model Calculation
عوامل داخلی و خارجی که می توانند بر بازار سهام تأثیر بگذارند Internal & External Factors That Can Impact Stock Market
-
عوامل داخلی و خارجی که می توانند بر بازار سهام تأثیر بگذارند Internal & External Factors That Can Impact Stock Market
راه اندازی Google Colab Setting Up Google Colab
-
راه اندازی Google Colab Setting Up Google Colab
یافتن و دانلود مجموعه داده از Kaggle Finding & Downloading Dataset From Kaggle
-
یافتن و دانلود مجموعه داده از Kaggle Finding & Downloading Dataset From Kaggle
پروژه: پیش بینی روند بازار سهام با مدل ARIMA Project: Forecasting Stock Market Trend with ARIMA Model
-
در حال آپلود مجموعه داده در Google Colab Uploading Dataset to Google Colab
-
بررسی اجمالی سریع Datset بازار سهام Quick Overview of Stock Market Datset
-
پاکسازی مجموعه داده با حذف مقادیر گمشده و تکراری Cleaning Dataset by Removing Missing & Duplicate Values
-
تجزیه و تحلیل و تجسم میانگین بالاترین و کمترین قیمت سهام در سال Analysing & Visualising Average Highest & Lowest Stock Price Per Year
-
تجزیه و تحلیل و تجسم حجم متوسط Analysing & Visualising Average Volume
-
یافتن همبستگی بین تغییر حجم و قیمت Finding Correlation Between Volume & Price Change
-
محاسبه میانگین متحرک 100 روز Calculating 100 Days Moving Average
-
تجزیه و تحلیل و تجسم نوسانات Analysing & Visualising Volatility
-
تابع همبستگی خودکار و تابع همبستگی خودکار جزئی Auto Correlation Function & Partial Auto Correlation Function
-
پیش بینی با ARIMA و انجام تجزیه و تحلیل باقیمانده Forecasting with ARIMA & Performing Residual Analysis
پیش بینی ارزیابی مدل Forecasting Model Evaluation
-
محاسبه میانگین خطای مطلق، میانگین مربعات خطا و ریشه میانگین مربعات خطا Calculating Mean Absolute Error, Mean Squared Error & Root Mean Squared Error
نتیجه گیری و خلاصه Conclusion & Summary
-
نتیجه گیری و خلاصه Conclusion & Summary
https://donyad.com/d/1467c5
Christ Raharja
مشاور سابق ریسک فناوری و علاقه‌مند به تجارت الکترونیک
نمایش نظرات