دوره مقدمه‌ای بر محاسبات در تحلیل بازارهای مالی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در تحلیل بازارهای مالی

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مقدمه: چرا محاسبات سطح بالا در بازارهای مالی؟
• 2. آشنایی با بازارهای مالی: سهام، اوراق قرضه، مشتقات
• 3. داده‌های مالی: انواع، منابع و چالش‌ها
• 4. مبانی برنامه‌نویسی پایتون برای تحلیل مالی
• 5. راه‌اندازی محیط توسعه: Anaconda, Jupyter, VS Code
• 6. متغیرها، انواع داده‌ها و عملگرها در پایتون
• 7. ساختارهای کنترلی: دستورات شرطی و حلقه‌ها
• 8. توابع، ماژول‌ها و پکیج‌ها
• 9. ساختارهای داده اصلی: لیست‌ها، تاپل‌ها، دیکشنری‌ها
• 10. مدیریت خطا و استثناها (Exception Handling)
• 11. کار با فایل‌ها: خواندن و نوشتن داده‌های متنی و CSV
• 12. اصول برنامه‌نویسی شیءگرا (OOP)
• 13. مقدمه‌ای بر خط فرمان (Command Line) برای تحلیلگران
• 14. مدیریت نسخه با Git و GitHub
• 15. آشنایی با الگوریتم‌ها و پیچیدگی زمانی (Big O)
• 16. مفاهیم پایه آمار برای امور مالی
• 17. احتمال و توزیع‌های آماری کلیدی
• 18. رگرسیون خطی ساده
• 19. مفاهیم سری‌های زمانی (Time Series)
• 20. اخلاق در تحلیل داده‌های مالی
• 21. معرفی کتابخانه NumPy: آرایه‌های چندبعدی
• 22. عملیات برداری (Vectorization) با NumPy
• 23. محاسبات ماتریسی و جبر خطی با NumPy
• 24. معرفی کتابخانه Pandas: ساختارهای داده Series و DataFrame
• 25. خواندن و نوشتن داده‌های مالی با Pandas
• 26. انتخاب و فیلتر کردن داده‌ها (Indexing & Slicing)
• 27. پاک‌سازی داده‌ها: مدیریت مقادیر گمشده و داده‌های پرت
• 28. ادغام، اتصال و تغییر شکل DataFrameها
• 29. عملیات گروهی (Grouping) و تجمعی (Aggregation)
• 30. کار با داده‌های سری زمانی در Pandas
• 31. پنجره‌های متحرک (Rolling Windows) و محاسبات آن
• 32. دریافت داده‌های مالی از APIها (Yahoo Finance, Alpha Vantage)
• 33. وب اسکرپینگ (Web Scraping) ساده برای داده‌های مالی
• 34. مصورسازی داده‌ها با Matplotlib
• 35. نمودارهای پیشرفته با Seaborn
• 36. مصورسازی‌های تعاملی با Plotly
• 37. تحلیل اکتشافی داده‌های مالی (EDA)
• 38. محاسبه بازده و ریسک
• 39. شاخص‌های تکنیکال رایج: میانگین متحرک، RSI
• 40. همبستگی و کوواریانس در سبد سهام
• 41. مدل قیمت‌گذاری دارایی‌های سرمایه‌ای (CAPM)
• 42. بهینه‌سازی پرتفوی مقدماتی: مدل مارکویتز
• 43. کار با داده‌های با فرکانس بالا (High-Frequency Data)
• 44. ذخیره‌سازی بهینه داده‌ها: Parquet و HDF5
• 45. پروژه عملی: تحلیل یک سبد سهام ساده
• 46. محاسبات سطح بالا (HPC) چیست؟
• 47. تفاوت همزمانی (Concurrency) و موازی‌سازی (Parallelism)
• 48. معماری CPU مدرن: هسته‌ها، نخ‌ها (Threads) و حافظه کش
• 49. قانون امدال (Amdahl's Law) و محدودیت‌های موازی‌سازی
• 50. پروفایل‌سنجی (Profiling) کد پایتون برای یافتن گلوگاه‌ها
• 51. بهینه‌سازی عملکرد کد تک-نخی (Single-Threaded)
• 52. معرفی ماژول `threading` در پایتون
• 53. چالش‌های برنامه‌نویسی چندنخی: قفل‌ها و Race Condition
• 54. معرفی ماژول `multiprocessing` برای موازی‌سازی واقعی
• 55. استخرهای پردازشی (Process Pools) برای تسک‌های موازی
• 56. ارتباط بین فرآیندها (Inter-Process Communication - IPC)
• 57. استفاده از `concurrent.futures` برای ساده‌سازی موازی‌سازی
• 58. موازی‌سازی وظایف I/O-bound در مقابل CPU-bound
• 59. برنامه‌نویسی ناهمگام (Asynchronous) با `asyncio`
• 60. کاربرد `asyncio` در دریافت همزمان داده‌های مالی
• 61. مقدمه‌ای بر حافظه مشترک (Shared Memory)
• 62. چالش‌های مدیریت حافظه در محاسبات موازی
• 63. الگوریتم‌های موازی پایه: Map, Reduce, Scan
• 64. مقایسه ابزارهای موازی‌سازی در پایتون
• 65. پروژه عملی: موازی‌سازی یک محاسبه آماری ساده
• 66. محدودیت‌های GIL (Global Interpreter Lock) در پایتون
• 67. معرفی Numba: کامپایل درجا (JIT) برای سرعت بخشیدن به کد
• 68. استفاده از دکوراتور `@jit` در Numba
• 69. حالت NoPython و بهینه‌سازی‌های پیشرفته در Numba
• 70. موازی‌سازی خودکار حلقه‌ها با Numba
• 71. معرفی Dask: DataFrameها و آرایه‌های موازی
• 72. کار با Dask DataFrame برای داده‌های بزرگتر از حافظه
• 73. زمان‌بندی (Scheduling) تسک‌ها در Dask
• 74. راه‌اندازی یک کلاستر Dask محلی
• 75. مقدمه‌ای بر محاسبات با GPU
• 76. معماری GPU: هسته‌های CUDA و Streaming Multiprocessors
• 77. معرفی کتابخانه CuPy: جایگزین NumPy برای GPU
• 78. انتقال داده بین CPU و GPU
• 79. نوشتن کرنل‌های سفارشی با Numba.cuda
• 80. معرفی Ray: یک فریمورک برای محاسبات توزیع‌شده
• 81. محاسبات توزیع‌شده با Apache Spark و PySpark
• 82. کار با RDD و DataFrame در PySpark
• 83. مقدمه‌ای بر Message Passing Interface (MPI) با `mpi4py`
• 84. کانتینرسازی با Docker برای محیط‌های محاسباتی تکرارپذیر
• 85. پروژه عملی: پردازش یک مجموعه داده مالی بزرگ با Dask
• 86. بک‌تستینگ (Backtesting) استراتژی‌های معاملاتی
• 87. موازی‌سازی فرآیند بک‌تستینگ برای پارامترهای مختلف
• 88. شبیه‌سازی مونت کارلو برای پیش‌بینی قیمت دارایی
• 89. پیاده‌سازی موازی شبیه‌سازی مونت کارلو
• 90. قیمت‌گذاری اختیار معامله (Option Pricing) با مدل بلک-شولز
• 91. سرعت بخشیدن به محاسبات قیمت‌گذاری اختیار با GPU
• 92. محاسبه معیارهای ریسک: ارزش در معرض خطر (VaR)
• 93. محاسبه VaR با روش‌های تاریخی، پارامتریک و مونت کارلو
• 94. موازی‌سازی محاسبات سنگین مدیریت ریسک
• 95. مقدمه‌ای بر الگوریتم‌های معاملات با فرکانس بالا (HFT)
• 96. بهینه‌سازی سبد سهام در مقیاس بزرگ
• 97. استفاده از یادگیری ماشین برای پیش‌بینی بازارهای مالی
• 98. موازی‌سازی آموزش مدل‌های یادگیری ماشین
• 99. معماری سیستم‌های محاسباتی در شرکت‌های مالی
• 100. جمع‌بندی دوره و مسیرهای آینده در محاسبات مالی