لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش کاربرد تحلیل دادهها در امور مالی (Data Analytics in Finance)
- آخرین آپدیت
دانلود Applying Data Analytics in Finance
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره آموزشی یک نمای کلی از تحلیلهای مالی را ارائه میدهد. شما خواهید آموخت که چرا، چه زمانی و چگونه تحلیلهای مالی را در موقعیتهای دنیای واقعی به کار بگیرید. در این مسیر، تکنیکهای تحلیل دادههای سری زمانی و نحوه ارزیابی موازنه ریسک و پاداش (Risk-Reward Trade-off) که در نظریه مدرن سبد سهام مطرح شده است را بررسی خواهید کرد. اگرچه تمرکز اصلی بر قیمتها، بازدهی و ریسک سهام شرکتها خواهد بود، اما تکنیکهای تحلیلی آموخته شده در حوزههای دیگر نیز قابل استفاده هستند. در نهایت، دوره با مقدمهای کوتاه بر معاملات الگوریتمی (Algorithmic Trading) به پایان میرسد.
پس از تکمیل این دوره، شما قادر خواهید بود دادههای سری زمانی را درک کنید، پیشبینیهای دقیق انجام دهید و کارایی تخمینها را تعیین کنید. همچنین، میتوانید با استفاده از دادههای واقعی قیمت سهام، یک سبد دارایی (Portfolio) با بهینهسازی ریسک و پاداش ایجاد کنید. درک دادههای مالی یک مهارت حیاتی برای تحلیلگران، مدیران و مشاوران است.
سرفصل ها و درس ها
جهتگیری دوره و مقدمهای بر تحلیل مالی و دادههای سری زمانی
Course Orientation and Introduction to Financial Analytics and Time Series Data
معرفی دوره کورسرا
Coursera Course Introduction ***
بیوگرافی مدرس: خوزه رودریگز
Instructor Bio: Jose Rodriguez ***
مصاحبه با خوزه رودریگز
Interview with Jose Rodriguez
یادگیری با شرایط خودتان
Learn on Your Terms
مرور ماژول ۱
Module 1 Overview ***
خوزه رودریگز: پیشبینی در عمل
Jose Rodriguez: Forecasting in Practice
درس ۱ بخش ۱.۱ پیشبینی ذهنی (Subjective)
Lesson 1-1.1 Subjective Forecasting
درس ۱ بخش ۱.۲ پیشبینی تجاری و دادههای سری زمانی
Lesson 1-1.2 Business Forecasting and Time Series Data
درس ۱ بخش ۲.۱ مقدمهای بر تحلیل مالی
Lesson 1-2.1 Introduction to Financial Analytics
درس ۱ بخش ۳.۱ اندازهگیری عملکرد پیشبینی: فاصله
Lesson 1-3.1 Forecasting Performance Measurements: Distance
درس ۱ بخش ۳.۲ اندازهگیری عملکرد پیشبینی: معیارها
Lesson 1-3.2 Forecasting Performance Measurements: Metrics
ماژول ۲: معیارهای عملکرد و مدل هولت-وینترز
Module 2: Performance Measures and Holt-Winters Model
مرور ماژول ۲
Module 2 Overview ***
خوزه رودریگز: مدلهای پیشبینی در عمل
Jose Rodriguez: Forecasting Models in Practice
درس ۲ بخش ۱.۱ مقدمهای بر پیشبینی: روش میانگین
Lesson 2-1.1 Introduction to Forecasting: Average Method
درس ۲ بخش ۱.۲ مقدمهای بر پیشبینی: روش ساده (Naive)
Lesson 2-1.2 Introduction to Forecasting: Naive Method
درس ۲ بخش ۱.۳ مقدمهای بر پیشبینی: رگرسیون خطی
Lesson 2-1.3 Introduction to Forecasting: Linear Regression ***
درس ۲ بخش ۱.۴ مقدمهای بر پیشبینی: مثال در نرمافزار R
Lesson 2-1.4 Introduction to Forecasting: R Example
درس ۲ بخش ۲.۱ میانگین متحرک
Lesson 2-2.1 Moving Averages
درس ۲ بخش ۳.۱ مقدمهای بر هموارسازی نمایی
Lesson 2-3.1 Introduction to Exponential Smoothing
درس ۲ بخش ۳.۲ هموارسازی نمایی ساده
Lesson 2-3.2 Simple Exponential Smoothing
درس ۲ بخش ۳.۳ هموارسازی نمایی ساده: مثال در R
Lesson 2-3.3 Simple Exponential Smoothing: R Example
درس ۲ بخش ۴.۱ هموارسازی نمایی هولت
Lesson 2-4.1 Holt's Exponential Smoothing
درس ۲ بخش ۴.۲ مدل پیشبینی هولت-وینترز
Lesson 2-4.2 Holt-Winter's Forecasting Model
درس ۲ بخش ۴.۳ مدل هولت-وینترز: مثال در R
Lesson 2-4.3 Holt-Winter's Model: R Example
درس ۲ بخش ۵.۱ خودهمبستگی (Autoregression)
Lesson 2-5.1 Autoregression
درس ۲ بخش ۵.۲ خودهمبستگی: مثال در R
Lesson 2-5.2 Autoregression: R Example
ماژول ۳: ایستایی (Stationarity) و مدل ARIMA
Module 3: Stationarity and ARIMA Model
مرور ماژول ۳
Module 3 Overview ***
خوزه رودریگز: مدل ARIMA در عمل
Jose Rodriguez: ARIMA in Practice
درس ۳ بخش ۱.۱ ایستایی: مقدمه
Lesson 3-1.1 Stationarity: Introduction
درس ۳ بخش ۱.۲ ایستایی: تفاضلگیری
Lesson 3-1.2 Stationarity: Differencing
درس ۳ بخش ۲.۱ مدل ARIMA: مقدمه
Lesson 3-2.1 ARIMA: Introduction
درس ۳ بخش ۲.۲ مدل ARIMA: اجزاء
Lesson 3-2.2 ARIMA: Components
درس ۳ بخش ۲.۳ مدل ARIMA: مدل و مثال R (بخش ۱)
Lesson 3-2.3 ARIMA: Model and R Example Part 1
درس ۳ بخش ۲.۴ مدل ARIMA: مدل و مثال R (بخش ۲)
Lesson 3-2.4 ARIMA: Model and R Example Part 2
درس ۳ بخش ۲.۵ مدل ARIMA: مدل و مثال R (بخش ۳)
Lesson 3-2.5 ARIMA: Model and R Example Part 3
درس ۳ بخش ۲.۶ مدل ARIMA: مدل و مثال R (بخش ۴)
Lesson 3-2.6 ARIMA: Model and R Example Part 4
درس ۳ بخش ۲.۷ مدل ARIMA: مدل و مثال R (بخش ۵)
Lesson 3-2.7 ARIMA: Model and R Example Part 5
ماژول ۴: نظریه مدرن سبد سهام و مقدمهای بر معاملات الگوریتمی
Module 4: Modern Portfolio Theory and Intro to Algorithmic Trading
مرور ماژول ۴
Module 4 Overview ***
خوزه رودریگز: مدیریت سبد سهام در عمل
Jose Rodriguez: Portfolios in Practice
درس ۴ بخش ۱.۱ نظریه سبد سهام: مقدمه
Lesson 4-1.1 Portfolio Theory: Introduction
درس ۴ بخش ۱.۲ نظریه سبد سهام: بازده مورد انتظار
Lesson 4-1.2 Portfolio Theory: Expected Returns
درس ۴ بخش ۱.۳ نظریه سبد سهام: ریسک یک اوراق بهادار
Lesson 4-1.3 Portfolio Theory: Risk of a Security
درس ۴ بخش ۱.۴ نظریه سبد سهام: مرز کارا (Efficient Frontier)
Lesson 4-1.4 Portfolio Theory: Efficient Frontier
درس ۴ بخش ۱.۵ نظریه سبد سهام: وزنهای سبد سهام
Lesson 4-1.5 Portfolio Theory: Portfolio Weights
درس ۴ بخش ۱.۶ نظریه سبد سهام: خط تخصیص سرمایه
Lesson 4-1.6 Portfolio Theory: Capital Allocation Line
درس ۴ بخش ۱.۷ نظریه سبد سهام: تنوعبخشی
Lesson 4-1.7 Portfolio Theory: Diversification
درس ۴ بخش ۲.۱ مقدمهای بر معاملات الگوریتمی
Lesson 4-2.1 Introduction to Algorithmic Trading
درس ۴ بخش ۲.۲ مقدمهای بر معاملات الگوریتمی: استراتژی دنبال کردن روند
Lesson 4-2.2 Introduction to Algorithmic Trading: Trend Following Strategy
درس ۴ بخش ۲.۳ مقدمهای بر معاملات الگوریتمی: بکتست (Backtesting)
Lesson 4-2.3 Introduction to Algorithmic Trading: Backtesting
درس ۴ بخش ۲.۴ مقدمهای بر معاملات الگوریتمی: مثال در R
Lesson 4-2.4 Introduction to Algorithmic Trading: R Example
درس ۴ بخش ۲.۵ مقدمهای بر معاملات الگوریتمی: نتیجهگیری
Lesson 4-2.5 Introduction to Algorithmic Trading: Conclusion
خلاصه دوره: کاربرد تحلیل دادهها در امور مالی
Course Summary: Applying Data Analytics in Finance
نمایش نظرات