آموزش پایتون برای امور مالی: مبانی سرمایه‌گذاری و تحلیل داده‌ها - آخرین آپدیت

دانلود Python for Finance: Investment Fundamentals & Data Analytics

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به‌روزرسانی شده در می ۲۰۲۵. این دوره اکنون دارای قابلیت Coursera Coach است! یک روش هوشمندتر برای یادگیری با گفتگوهای تعاملی و در لحظه که به شما کمک می‌کند دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و همگام با پیشرفت در دوره، درک خود را عمیق‌تر کنید. این دوره زیربنای محکمی برای استفاده از پایتون در تحلیل‌های مالی و تصمیم‌گیری‌های سرمایه‌گذاری فراهم می‌کند. شما یاد خواهید گرفت که چگونه برنامه‌نویسی پایتون و ابزارهای تحلیل داده را برای حل مسائل مالی، از محاسبات پایه گرفته تا بهینه‌سازی پیشرفته سبد سهام، به کار بگیرید. دوره با اصول برنامه‌نویسی پایتون، از جمله نصب Jupyter و Anaconda شروع می‌شود و به مفاهیم کلیدی مالی مانند محاسبه نرخ بازده، اندازه‌گیری ریسک سرمایه‌گذاری و کار با داده‌های سری زمانی می‌پردازد. با پیشرفت در مسیر، تجربه عملی در استفاده از کتابخانه‌های پایتون که برای مدل‌سازی و تحلیل مالی طراحی شده‌اند، کسب خواهید کرد. مباحثی مانند مدل قیمت‌گذاری دارایی‌های سرمایه‌ای (CAPM)، نظریه سبد سهام مارکوویتز و شبیه‌سازی‌های مونت‌کارلو به شما در بهینه‌سازی پرتفو و ارزیابی ریسک کمک خواهند کرد. در پایان، شما برای تحلیل داده‌های مالی، انجام تحلیل رگرسیون و استفاده از پایتون در چالش‌های واقعی سرمایه‌گذاری آماده خواهید بود. این دوره برای علاقه‌مندان به امور مالی و کسانی که به دنبال ادغام مدیریت مالی با برنامه‌نویسی و تحلیل داده هستند، عالی است. داشتن دانش پایه در امور مالی مفید است، اما نیازی به تجربه قبلی در پایتون نیست.

سرفصل ها و درس ها

خوش آمدید! مقدمه دوره Welcome! Course Introduction

  • این دوره چه مباحثی را پوشش می‌دهد؟ What Does the Course Cover?

آشنایی با Jupyter و برنامه‌نویسی با پایتون Introduction to Jupyter and Programming with Python

  • توضیح برنامه‌نویسی در ۵ دقیقه Programming Explained in 5 Minutes

  • چرا پایتون؟ Why Python

  • چرا Jupyter؟ Why Jupyter

  • نصب پایتون و Jupyter Installing Python and Jupyter

  • رابط کاربری Jupyter: داشبورد Jupyter's Interface - the Dashboard

  • رابط کاربری Jupyter: پیش‌نیازهای کدنویسی Jupyter's Interface - Prerequisites for Coding

  • پایتون ۲ در مقابل پایتون ۳: چه تفاوتی دارند؟ Python 2 vs Python 3: What's the Difference?

متغیرها و انواع داده‌ها در پایتون Python Variables and Data Types

  • متغیرهای پایتون Python Variables

  • درک اعداد و مقادیر بولین Understanding Numbers and Boolean Values

  • رشته‌ها (Strings) Strings

  • آشنایی با هوش مصنوعی Anaconda Introduction to Anaconda AI

  • استفاده از دستیار Anaconda: رشته‌ها Using the Anaconda Assistant: Strings

سینتکس پایه پایتون Basic Python Syntax

  • عملگرهای محاسباتی پایتون The Arithmetic Operators of Python

  • علامت مساوی دوگانه چیست؟ What is the Double Equality Sign

  • نحوه تخصیص مجدد مقادیر How to Reassign Values

  • نحوه اضافه کردن کامنت How to Add Comments

  • درک ادامه خطوط Understanding Line Continuation

  • نحوه ایندکس کردن عناصر How to Index Elements

  • نحوه ساختاردهی به کد با تورفتگی (Indentation) How to Structure Your Code with Indentation

بیشتر در مورد عملگرهای پایتون More on Python Operators

  • عملگرهای مقایسه‌ای پایتون Python Comparison Operators

  • عملگرهای منطقی و هویتی پایتون Python's Logical and Identity Operators

دستورات شرطی Conditional Statements

  • آشنایی با دستور IF Getting to Know the IF Statement

  • اضافه کردن دستور ELSE Adding an ELSE statement

  • ساختار Elif Else if, for Brief - ELIF

  • توضیح تکمیلی در مورد مقادیر بولین An Additional Explanation of Boolean Values

توابع پایتون Python Functions

  • نحوه تعریف یک تابع در پایتون How to Define a Function in Python

  • نحوه ایجاد یک تابع با پارامتر How to Create a Function with a Parameter

  • روش دیگر برای تعریف تابع Another Way to Define a Function

  • نحوه استفاده از یک تابع درون تابع دیگر How to Use a Function within a Function

  • استفاده همزمان از دستورات شرطی و توابع Use Conditional Statements and Functions Together

  • نحوه ایجاد توابعی که چندین آرگومان دارند How to Create Functions that Contain a Few Arguments

  • توابع داخلی پایتون که ارزش دانستن دارند Built-In Functions in Python Worth Knowing

سکانس‌ها در پایتون Python Sequences

  • آشنایی با لیست‌ها (Lists) Introduction to Lists

  • استفاده از متدها در پایتون Using Methods in Python

  • برش لیست (List Slicing) چیست؟ What is List Slicing

  • کار با تاپل‌ها (Tuples) Working with Tuples

  • دیکشنری‌های پایتون Python Dictionaries

استفاده از حلقه‌ها در پایتون Using Iterations in Python

  • استفاده از حلقه‌های For Using For Loops

  • استفاده از حلقه‌های While و افزایش مقدار Using While Loops and Incrementing

  • استفاده از تابع range برای ایجاد لیست Use the range() Function to Create Lists

  • ترکیب دستورات شرطی و حلقه‌ها Combine Conditional Statements and Loops

  • جمع‌بندی: دستورات شرطی، توابع و حلقه‌ها All In - Conditional Statements, Functions, and Loops

  • استفاده از دستیار Anaconda: ابزارهای مختلف پایتون Using the Anaconda Assistant: Several Python Tools

  • نحوه پیمایش روی دیکشنری‌ها How to Iterate over Dictionaries

  • استفاده از دستیار Anaconda: دیکشنری‌ها Using the Anaconda Assistant: Dictionaries

ابزارهای پیشرفته پایتون Advanced Python Tools

  • برنامه‌نویسی شیءگرا (OOP) Object Oriented Programming

  • ماژول‌ها، پکیج‌ها و کتابخانه استاندارد Modules, Packages, and the Standard Library

  • وارد کردن (Import) ماژول‌ها Importing Modules

  • پکیج‌های ضروری برای امور مالی و علوم داده Must-have packages for Finance and Data Science

  • کار با آرایه‌ها Working with arrays

  • تولید اعداد تصادفی Generating Random Numbers

  • نکته‌ای در مورد استفاده از داده‌های مالی در پایتون A Note on Using Financial Data in Python

  • منابع داده‌های مالی Sources of Financial Data

  • دسترسی به فایل‌های نوت‌بوک Accessing the Notebook Files

  • وارد کردن و سازماندهی داده‌ها در پایتون – بخش اول Importing and Organizing Data in Python – Part I

  • وارد کردن و سازماندهی داده‌ها در پایتون – بخش دوم (الف) Importing and Organizing Data in Python – Part II.A

  • وارد کردن و سازماندهی داده‌ها در پایتون – بخش دوم (ب) Importing and Organizing Data in Python – Part II.B

  • وارد کردن و سازماندهی داده‌ها در پایتون – بخش سوم Importing and Organizing Data in Python – Part III

  • تغییر ایندکس داده‌های سری زمانی Changing the Index of Your Time-Series Data

  • راه‌اندازی مجدد کرنل Jupyter Restarting the Jupyter Kernel

بخش دوم امور مالی: محاسبه و مقایسه نرخ بازده در پایتون PART II FINANCE - Calculating and Comparing Rates of Return in Python

  • در نظر گرفتن همزمان ریسک و بازده Considering Both Risk and Return

  • در مرحله بعد چه چیزی خواهیم دید؟ What are We Going to See Next?

  • محاسبه نرخ بازده یک اوراق بهادار Calculating a Security's Rate of Return

  • بازده ساده – بخش اول Simple Returns Part I

  • بازده ساده – بخش دوم Simple Returns Part II

  • بازده لگاریتمی Log Returns

  • سبد اوراق بهادار و محاسبه نرخ بازده Portfolio of Securities and Calculating Rate of Return

  • محاسبه نرخ بازده یک پرتفوی از اوراق بهادار Calculating the Rate of Return of a Portfolio of Securities

  • شاخص‌های محبوب بازار سهام Popular Stock Indices

  • محاسبه بازده شاخص‌ها Calculating the Return of Indices

بخش دوم امور مالی: اندازه‌گیری ریسک سرمایه‌گذاری PART II Finance - Measuring Investment Risk

  • چگونه ریسک یک اوراق بهادار را اندازه می‌گیریم؟ How Do We Measure a Security's Risk?

  • محاسبه ریسک اوراق بهادار در پایتون Calculating a Security's Risk in Python

  • مزایای تنوع‌بخشی به سبد سهام The Benefits of Portfolio Diversification

  • محاسبه کوواریانس بین اوراق بهادار Calculating the Covariance between Securities

  • اندازه‌گیری همبستگی بین اوراق بهادار Measuring the Correlation between Securities

  • محاسبه کوواریانس و همبستگی Calculating Covariance and Correlation

  • در نظر گرفتن ریسک چندین اوراق بهادار Considering the Risk of Multiple Securities

  • محاسبه ریسک سبد سهام (Portfolio Risk) Calculating Portfolio Risk

  • درک ریسک سیستماتیک در مقابل ریسک غیرسیستماتیک Understanding Systematic Versus Idiosyncratic Risk

  • محاسبه ریسک قابل متنوع‌سازی و غیرقابل متنوع‌سازی Calculating Diversifiable and NonDiversifiable Risk

بخش دوم امور مالی: استفاده از رگرسیون برای تحلیل مالی PART II Finance - Using Regressions for Financial Analysis

  • تحلیل رگرسیون ساده Simple Regression Analysis

  • اجرای رگرسیون در پایتون Running a Regression in Python

  • نحوه تشخیص رگرسیون‌های خوب How to Distinguish Good Regressions

  • محاسبه آلفا، بتا و R2 در پایتون Computing Alpha, Beta, and R2 in Python

بخش دوم امور مالی: بهینه‌سازی سبد سهام مارکوویتز PART II Finance - Markowitz Portfolio Optimization

  • نظریه سبد سهام مارکوویتز Markowitz Portfolio Theory

  • به دست آوردن مرز کارا (Efficient Frontier) – بخش اول Obtaining the Efficient Frontier Part I

  • به دست آوردن مرز کارا – بخش دوم Obtaining the Efficient Frontier Part II

  • به دست آوردن مرز کارا – بخش سوم Obtaining the Efficient Frontier Part III

بخش دوم امور مالی: مدل قیمت‌گذاری دارایی‌های سرمایه‌ای (CAPM) PART II Finance - The Capital Asset Pricing Model

  • شهود پشت مدل CAPM The Intuition Behind the CAPM

  • درک و محاسبه بتا Understanding and Calculating Beta

  • محاسبه بتای یک سهام Calculating the Beta of a Stock

  • فرمول CAPM The CAPM Formula

  • محاسبه بازده مورد انتظار یک سهام Calculating the Expected Return of a Stock

  • معرفی نسبت شارپ (Sharpe Ratio) Introducing the Sharpe Ratio

  • به دست آوردن نسبت شارپ در پایتون Obtaining the Sharpe Ratio in Python

  • اندازه‌گیری آلفا Measuring Alpha

بخش دوم امور مالی: تحلیل رگرسیون چندمتغیره PART II Finance - Multivariate Regression Analysis

  • تحلیل رگرسیون چندمتغیره Multivariate Regression Analysis

  • اجرای رگرسیون چندمتغیره در پایتون Running a Multivariate Regression in Python

بخش دوم امور مالی: شبیه‌سازی مونت‌کارلو به عنوان ابزار تصمیم‌گیری PART II Finance - Monte Carlo Simulations as a Decision-Making Tool

  • جوهر شبیه‌سازی‌های مونت‌کارلو The Essence of Monte Carlo Simulations

  • مونت‌کارلو در امور مالی شرکتی Monte Carlo in Corporate Finance

  • پیش‌بینی سود ناخالص با MC – بخش اول MC Predicting Gross Profit Part I

  • پیش‌بینی سود ناخالص با MC – بخش دوم MC Predicting Gross Profit Part II

  • پیش‌بینی قیمت سهام با شبیه‌سازی مونت‌کارلو Forecasting Stock Prices with an MC Simulation

  • پیش‌بینی قیمت سهام با MC – بخش اول MC Forecasting Stock Prices Part I

  • پیش‌بینی قیمت سهام با MC – بخش دوم MC Forecasting Stock Prices Part II

  • پیش‌بینی قیمت سهام با MC – بخش سوم MC Forecasting Stock Prices Part III

  • مقدمه‌ای بر قراردادهای مشتقه An Introduction to Derivative Contracts

  • فرمول بلک-شولز The Black Scholes Formula

  • نسخه به‌روز شده بلک-شولز-مرتون با مونت‌کارلو MC Black Scholes Merton Updated

  • گسسته‌سازی اویلر با MC – بخش اول MC Euler Discretization Part I

  • گسسته‌سازی اویلر با MC – بخش دوم MC Euler Discretization Part II

نمایش نظرات

آموزش پایتون برای امور مالی: مبانی سرمایه‌گذاری و تحلیل داده‌ها
جزییات دوره
12h 41m
112
(آخرین آپدیت)
2,167
4.4 از 5
دارد
دارد
دارد
Chris Croft
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