🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: پیش‌بینی اثر هاوینگ بیت کوین 2024 با استفاده از کنترل مصنوعی: یک رویکرد علمی و کاربردی

موضوع کلی: اقتصاد و فناوری بلاکچین

موضوع میانی: تحلیل اثر هاوینگ بیت کوین بر قیمت

📋 سرفصل‌های دوره (100 موضوع)

• 1. معرفی دوره: اهداف، مخاطبان و ساختار
• 2. بیت کوین چیست؟ تعاریف و تاریخچه مختصر
• 3. فناوری بلاکچین: مفاهیم بنیادی و کاربردها
• 4. اجزای بلاکچین بیت کوین: بلوک‌ها، تراکنش‌ها، هش
• 5. رمزنگاری و امنیت در بلاکچین بیت کوین
• 6. ماینینگ بیت کوین: فرایند و هدف آن
• 7. اثبات کار (Proof-of-Work) و امنیت شبکه
• 8. کیف پول‌های بیت کوین و مدیریت دارایی
• 9. فلسفه وجودی بیت کوین: تمرکززدایی و آزادی مالی
• 10. اکوسیستم ارزهای دیجیتال: نگاهی اجمالی
• 11. عرضه و تقاضا در بازارهای سنتی
• 12. اقتصاد خرد بیت کوین: کمیابی و ارزش
• 13. سیاست پولی بیت کوین: عرضه ثابت و تورم‌زدایی
• 14. مفهوم هاوینگ (Halving) در بیت کوین
• 15. مکانیسم هاوینگ: کاهش پاداش استخراج
• 16. تاریخچه هاوینگ‌های قبلی بیت کوین (2012, 2016, 2020)
• 17. اهداف اصلی هاوینگ: حفظ کمیابی و کنترل تورم
• 18. تأثیر هاوینگ بر ماینرها و امنیت شبکه
• 19. انتظارات بازار از رویداد هاوینگ
• 20. فرضیه‌های رایج در مورد اثر هاوینگ بر قیمت
• 21. تحلیل رگرسیون خطی: مبانی و کاربردها
• 22. مشکلات علیت در اقتصادسنجی: همبستگی در مقابل علیت
• 23. متغیرهای پنهان و بایاس انتخاب
• 24. مفهوم استنباط علّی (Causal Inference)
• 25. چارچوب پیامدهای بالقوه (Potential Outcomes Framework)
• 26. معضل فاکت‌گریز (Counterfactual Problem)
• 27. روش‌های رایج استنباط علّی: A/B Testing، تفاوت در تفاوت‌ها (DiD)
• 28. محدودیت‌های روش‌های سنتی برای رویدادهای منحصربه‌فرد
• 29. چرا روش‌های تجربی (Experimental) برای هاوینگ مناسب نیستند؟
• 30. معرفی کنترل مصنوعی (Synthetic Control): راه‌حلی برای مشکلات علیت
• 31. ایده اصلی کنترل مصنوعی: ساخت یک «چه می‌شد اگر...»
• 32. واحد درمان‌شده (Treated Unit) و حوضچه اهداکننده (Donor Pool)
• 33. شرایط لازم برای استفاده از کنترل مصنوعی
• 34. گام اول: تعریف رویداد و بازه زمانی
• 35. گام دوم: انتخاب واحدهای کنترل بالقوه
• 36. مفهوم ترکیب خطی وزنی در کنترل مصنوعی
• 37. چگونگی تعیین وزن‌ها در SCM
• 38. بهینه‌سازی وزن‌ها: کاهش اختلاف پیش از رویداد
• 39. انتخاب متغیرهای پیش از رویداد (Pre-treatment Covariates)
• 40. نقش متغیرهای پیش از رویداد در دقت مدل
• 41. ایجاد واحد کنترل مصنوعی: گام‌های محاسباتی
• 42. مقایسه واحد درمان‌شده با کنترل مصنوعی پس از رویداد
• 43. تفسیر بصری نتایج SCM: نمودارهای شکاف
• 44. آزمون‌های جایگشتی (Permutation Tests) برای اعتبار سنجی
• 45. مفهوم P-value و کاربرد آن در SCM
• 46. آزمون‌های Placebo (کنترل‌های ساختگی) برای رد فرضیه‌های جایگزین
• 47. اهمیت مقیاس پذیری اثرات (Scalability of Effects)
• 48. مزایای کنترل مصنوعی نسبت به سایر روش‌ها
• 49. محدودیت‌ها و چالش‌های روش کنترل مصنوعی
• 50. پیش‌فرض‌های اساسی روش کنترل مصنوعی
• 51. انتخاب داده‌های قیمت: دقت و منابع معتبر
• 52. داده‌های مورد نیاز برای بیت کوین (واحد درمان‌شده)
• 53. شناسایی حوضچه اهداکننده برای هاوینگ بیت کوین
• 54. انتخاب ارزهای دیجیتال جایگزین (آلت کوین‌ها) برای حوضچه اهداکننده
• 55. معیارهای انتخاب آلت کوین‌ها: حجم بازار، قدمت، همبستگی
• 56. جمع‌آوری داده‌های قیمت تاریخی برای حوضچه اهداکننده
• 57. داده‌های متغیرهای پیش از رویداد: عوامل کلان اقتصادی و بازار
• 58. تمیز کردن داده‌ها: مدیریت داده‌های از دست رفته و نویز
• 59. هم‌زمانی داده‌ها (Data Synchronization) و تراز کردن (Alignment)
• 60. آماده‌سازی داده‌ها برای تحلیل با Python/R
• 61. تعریف دقیق رویداد هاوینگ 2012 به عنوان "درمان"
• 62. ساخت مجموعه داده برای هاوینگ 2012
• 63. انتخاب متغیرهای پیش از رویداد برای هاوینگ 2012
• 64. پیاده‌سازی SCM برای هاوینگ 2012 در محیط کدنویسی
• 65. تحلیل وزن‌های تخصیص یافته به حوضچه اهداکننده در 2012
• 66. تفسیر نمودار شکاف و اثر تخمین زده شده هاوینگ 2012
• 67. انجام آزمون‌های جایگشتی برای هاوینگ 2012
• 68. تحلیل و اعتبار سنجی نتایج هاوینگ 2012
• 69. تعریف دقیق رویداد هاوینگ 2016 به عنوان "درمان"
• 70. ساخت مجموعه داده برای هاوینگ 2016
• 71. انتخاب متغیرهای پیش از رویداد برای هاوینگ 2016
• 72. پیاده‌سازی SCM برای هاوینگ 2016
• 73. تحلیل وزن‌ها و ترکیب کنترل مصنوعی در 2016
• 74. تفسیر نمودار شکاف و اثر تخمین زده شده هاوینگ 2016
• 75. انجام آزمون‌های جایگشتی برای هاوینگ 2016
• 76. تعریف دقیق رویداد هاوینگ 2020 به عنوان "درمان"
• 77. ساخت مجموعه داده برای هاوینگ 2020
• 78. انتخاب متغیرهای پیش از رویداد برای هاوینگ 2020
• 79. پیاده‌سازی SCM برای هاوینگ 2020
• 80. تحلیل و مقایسه نتایج هر سه هاوینگ تاریخی
• 81. پیش‌بینی اثر هاوینگ 2024: رویکرد SCM
• 82. تنظیم مجموعه داده برای هاوینگ 2024
• 83. انتخاب حوضچه اهداکننده و متغیرهای پیش‌فرض برای 2024
• 84. اجرای مدل SCM برای هاوینگ 2024
• 85. تحلیل نتایج اولیه و اثر تخمینی
• 86. بررسی حساسیت (Sensitivity Analysis) مدل 2024
• 87. ارزیابی دقت مدل و اعتماد به نتایج
• 88. تحلیل نقاط قوت و ضعف پیش‌بینی 2024 با SCM
• 89. ترکیب SCM با سایر روش‌های تحلیلی
• 90. رویکردهای پیشرفته‌تر در SCM: SCM تعمیم یافته و Bayesian SCM
• 91. عوامل دیگر مؤثر بر قیمت بیت کوین: اقتصاد کلان و ژئوپلیتیک
• 92. نقش احساسات بازار (Market Sentiment) در نوسانات قیمت
• 93. ابزارهای نرم‌افزاری برای SCM (Python: `pysyncon`, R: `Synth`)
• 94. نمونه کد عملی برای پیاده‌سازی کنترل مصنوعی
• 95. تفسیر نتایج برای تصمیم‌گیری‌های سرمایه‌گذاری
• 96. محدودیت‌های ذاتی SCM در بازارهای مالی پرنوسان
• 97. چالش‌های انتخاب حوضچه اهداکننده مناسب
• 98. استفاده مسئولانه از مدل‌ها و اجتناب از تعصب
• 99. مسیرهای تحقیقاتی آینده در تحلیل اثر هاوینگ
• 100. جمع‌بندی دوره و نکات کلیدی برای تریدرها و تحلیلگران