Udemy – Complete Python and Machine Learning in Financial Analysis 2025-3

در تاریخ: 1404/04/29 1:47:14

توضیحات

دوره Complete Python and Machine Learning in Financial Analysis. این دوره به آموزش تحلیل مالی پیشرفته و الگوریتم‌های یادگیری ماشین با پایتون می‌پردازد تا شرکت‌کنندگان بتوانند تحلیل‌های تخصصی در بازارهای مالی انجام دهند. در این دوره، مباحثی مانند تحلیل تکنیکال و فاندامنتال، ابزارهای تحلیلی، و محیط برنامه‌نویسی پایتون به‌صورت جامع پوشش داده می‌شوند. همچنین، الگوریتم‌های یادگیری عمیق و شبکه‌های عصبی مصنوعی آموزش داده می‌شوند تا توانایی‌های تحلیلی افراد را ارتقا دهند. دوره با روش‌های جمع‌آوری و پردازش داده‌های مالی آغاز می‌شود و سپس ویژگی‌های آماری قیمت دارایی‌ها و شاخص‌های تحلیل تکنیکال مانند Bollinger Bands، MACD و RSI بررسی می‌شوند. در ادامه، مدل‌های تحلیل سری‌زمانی مانند ARIMA و GARCH، مدل‌های عاملی مانند CAPM و Fama-French، و روش‌های بهینه‌سازی سبد دارایی با شبیه‌سازی Monte Carlo آموزش داده می‌شوند. بخش پایانی دوره به اجرای یک پروژه عملی در حوزه مالی می‌پردازد که شامل تشخیص تقلب در کارت‌های اعتباری با استفاده از مدل‌های پیشرفته مانند Random Forest، XGBoost و LightGBM است. همچنین، تنظیم Hyperparameterها و حل مشکل عدم تعادل داده‌ها بررسی می‌شود و در نهایت، کاربرد یادگیری عمیق (PyTorch) در حل مسائل مالی نمایش داده می‌شود.

آنچه فرا خواهید گرفت

استفاده از توابع ارائه شده برای دانلود داده‌های مالی از منابع متعدد و پیش‌پردازش آنها برای تحلیل‌های بیشتر.
کسب بینش در مورد الگوهای حاصل از مجموعه‌ای از رایج‌ترین معیارهای استفاده شده (مانند MACD و RSI).
معرفی مبانی مدل‌سازی سری زمانی؛ سپس، روش‌های exponential smoothing و مدل‌های کلاس ARIMA بررسی می‌شوند.
نشان می‌دهد که چگونه مدل‌های عاملی مختلف را در پایتون تخمین بزنید؛ مدل‌های یک، سه، چهار و پنج عاملی.
مفاهیم پیش‌بینی نوسانات با استفاده از مدل‌های کلاس (G)ARCH، نحوه انتخاب بهترین مدل و نحوه تفسیر نتایج را معرفی می‌کند.
مفهوم شبیه‌سازی‌های Monte Carlo را معرفی می‌کند و از آنها برای شبیه‌سازی قیمت سهام، ارزش‌گذاری آپشن‌های اروپایی/آمریکایی و محاسبه VaR استفاده می‌کند.
تئوری پرتفوی مدرن را معرفی می‌کند و نشان می‌دهد که چگونه مرز کارآمد (Efficient Frontier) را در پایتون به دست آورید و عملکرد چنین پرتفوی‌هایی را ارزیابی کنید.
موردی از استفاده از یادگیری ماشین برای پیش‌بینی نکول اعتبار را ارائه می‌دهد. شما با تنظیم hyperparameterهای مدل‌ها و مدیریت عدم تعادل‌ها آشنا می‌شوید.
مجموعه‌ای از طبقه‌بندی‌کننده‌های پیشرفته (شامل پشته‌سازی چندین مدل) و نحوه برخورد با عدم تعادل کلاس، استفاده از بهینه‌سازی Bayesian را معرفی می‌کند.
نشان می‌دهد که چگونه از تکنیک‌های یادگیری عمیق برای کار با سری زمانی و داده‌های جدولی استفاده کنید. شبکه‌ها با استفاده از PyTorch آموزش داده می‌شوند.