استادی آنلاین
صفحه اصلی
دوره ها
وبینار ها
اساتید
ایجاد حساب کاربری
ورود
ابزارها و روشهای استخراج ویژگی
آموزش هوش مصنوعی در معاملات الگوریتمی
کسب و کار
برای مشاهده دوره لطفا ثبت نام کنید
ثبت نام
بعدی
قبلی
فصل اول
یادگیری ماشین برای trading - از ایده تا اجرا
1
30 دقیقه
کلیات دوره
2
30 دقیقه
طراحی و اجرای استراتژی ML محور
3
30 دقیقه
استراتژی ها و موارد کاربرد
فصل دوم
بازار و داده های مالی- منابع و تکنیک ها
1
30 دقیقه
کار با داده های حجم بالا و تغییرات زیاد
2
30 دقیقه
API های دسترسی به داده های بازارهای مالی
فصل سوم
داده های مالی
1
30 دقیقه
کیفیت و معیارهای ارزیابی داده ها
2
30 دقیقه
جایگزینی برای داده های مالی عددی
3
30 دقیقه
کار با داده های غیر عددی
فصل چهارم
استخراج و تحلیل ویژگی ها در داده های مالی
1
30 دقیقه
فاکتور آلفا
2
30 دقیقه
استفاده از پایتون برای استخراج فاکتورها
3
30 دقیقه
نویز زدایی از فاکتورها
4
30 دقیقه
روشهایی برای Backtests
5
30 دقیقه
ترکیب فاکتورها از منابع داده مختلف
فصل پنجم
پورتفولیو و ارزیابی عملکرد
1
30 دقیقه
نحوه ارزیابی پورتفولیو
2
30 دقیقه
نحوه مدیریت ریسک و بازده پورتفولیو
3
30 دقیقه
مدیریت و trading پورتفولیو
4
30 دقیقه
پیاده سازی انواع backtest و محاسبه ریسک و بازده
فصل ششم
فرایند یادگیری ماشین
1
30 دقیقه
نحوه کار یادگیری ماشین بر روی داده ها و انواع آن
2
30 دقیقه
فرایند بکارگیری یادگیری ماشین
3
30 دقیقه
جمع آوری و آماده سازی داده ها
4
30 دقیقه
استخراج ویژگی
5
30 دقیقه
انتخاب الگوریتم ML
فصل هفتم
مدلهای خطی- محاسبه ریسک-فاکتورها تا پیش بینی بازده
1
30 دقیقه
رگرسیون خطی چندگانه
2
30 دقیقه
پیاده سازی رگرسیون بر روی داده های مالی
3
30 دقیقه
انواع مختلف رگرسیون
4
30 دقیقه
تنظیم کردن رگرسیون خطی
5
30 دقیقه
نحوه پیش بینی با رگرسیون
6
30 دقیقه
پیاده سازی رگرسیون Ridge
7
30 دقیقه
پیاده سازی رگرسیون Lasso
8
30 دقیقه
پیاده سازی رگرسیون Logistic
9
30 دقیقه
نحوه ساخت یک استنتاج در پایتون
10
30 دقیقه
پیش بینی تغییرات قیمت با رگرسیون لجستیک
فصل هشتم
لزوم استفاده از استراتژی Backtesting
1
30 دقیقه
مشکلات Backtests
2
30 دقیقه
نحوه عملکرد Backtests
3
30 دقیقه
API های Backtests در پایتون
فصل نهم
مدل های سری زمانی برای پیش بینی نوسانات و آربیتراژ آماری
1
30 دقیقه
ابزارها و روشهای استخراج ویژگی
2
30 دقیقه
روش تشخیص ایستایی
3
30 دقیقه
مدل های سری زمانی تک متغیره
4
30 دقیقه
مدل های سری زمانی چند متغیره
5
30 دقیقه
سری های زمانی با روند مشترک
6
30 دقیقه
آربیتراژ آماری
7
30 دقیقه
معاملات جفتی
8
30 دقیقه
پیاده سازی Backtests
فصل دهم
نسبتهای دینامیکی Sharpe و معاملات جفتی
1
30 دقیقه
نحوه کار یادگیری ماشین بیزی
2
30 دقیقه
برنامه ریزی احتمالی در پایتون
3
30 دقیقه
کاربرد یادگیری بیزی در معاملات
فصل یازدهم
بکارگیری درخت تصمیم و جنگل تصادفی در استراتژی های بلند مدت و کوتاه مدت
فصل دوازدهم
تقویت استراتژی معاملاتی
فصل سیزدهم
الگوریتمهای بدون نظارت تجزیه و تحلیل داده های مالی
فصل چهاردهم
استفاده از داده های متنی در trading
فصل پانزدهم
یادگیری عمیق در Trading
فصل شانزدهم
CNN برای سریهای زمانی مالی
فصل هفدهم
شبکه های بازگشتی برای سریهای زمانی چند متغیره و آنالیز احساسات
فصل هجدهم
LSTM
فصل نوزدهم
مباحث پیشرفته کاربرد یادگیری عمیق در داده ها و سریهای زمانی مالی
فصل بیستم
خودرمزنگارها (Autoencoders)
فصل بیست و یکم
شبکه های مولد متخاصم (GANs)
فصل بیست و دوم
یادگیری تقویتی