دوره پیش‌بینی بازار سهام بنگلادش با استفاده از رگرسیون و یادگیری ماشین: از تئوری تا عمل همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی بازار سهام بنگلادش با استفاده از رگرسیون و یادگیری ماشین: از تئوری تا عمل

موضوع کلی: تحلیل و پیش‌بینی بازارهای مالی

موضوع میانی: مدل‌سازی رگرسیونی در پیش‌بینی سهام

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بازارهای مالی و اهمیت پیش‌بینی
• 2. ساختار بازار سهام بنگلادش
• 3. بررسی ادبیات پیش‌بینی بازار سهام
• 4. مروری بر مقاله‌ی "A Regression-Based Share Market Prediction Model for Bangladesh"
• 5. اهداف دوره و انتظارات یادگیری
• 6. مبانی تحلیل سری‌های زمانی (Time Series Analysis)
• 7. مفهوم رگرسیون خطی ساده (Simple Linear Regression)
• 8. مفهوم رگرسیون خطی چندگانه (Multiple Linear Regression)
• 9. فرضیات رگرسیون خطی کلاسیک
• 10. انواع متغیرها در مدل‌های رگرسیونی (مستقل و وابسته)
• 11. نحوه انتخاب متغیرهای مستقل بالقوه
• 12. جمع‌آوری داده‌های بازار سهام
• 13. منابع داده برای بازار سهام بنگلادش
• 14. شاخص‌های بازار سهام (مانند DSE General Index)
• 15. قیمت سهام (باز شدن، بسته شدن، بالا، پایین)
• 16. حجم معاملات (Volume)
• 17. مفاهیم مالی کلان (Macroeconomic Concepts)
• 18. نرخ تورم (Inflation Rate)
• 19. نرخ بهره (Interest Rate)
• 20. نرخ ارز (Exchange Rate)
• 21. تولید ناخالص داخلی (GDP)
• 22. ثبات سیاسی و تأثیر آن بر بازار
• 23. تحلیل فاندامنتال (Fundamental Analysis) در مقابل تحلیل تکنیکال (Technical Analysis)
• 24. اندیکاتورهای تحلیل تکنیکال
• 25. میانگین متحرک (Moving Average)
• 26. شاخص قدرت نسبی (RSI)
• 27. مکدی (MACD)
• 28. نوارهای بولینگر (Bollinger Bands)
• 29. تکنیک‌های پیش‌پردازش داده (Data Preprocessing Techniques)
• 30. پاکسازی داده‌های پرت (Outlier Detection and Treatment)
• 31. مدیریت داده‌های گمشده (Handling Missing Data)
• 32. نرمال‌سازی و مقیاس‌بندی داده‌ها (Data Normalization and Scaling)
• 33. تبدیل داده‌ها (Data Transformations)
• 34. ایجاد ویژگی‌های جدید (Feature Engineering)
• 35. ساخت متغیرهای تأخیری (Lagged Variables)
• 36. تعریف و محاسبه بازده (Returns) سهام
• 37. محاسبه بازده لگاریتمی (Logarithmic Returns)
• 38. انواع مدل‌های رگرسیونی برای پیش‌بینی
• 39. مدل رگرسیون خطی کلاسیک (OLS)
• 40. مراحل پیاده‌سازی رگرسیون OLS
• 41. ارزیابی مدل رگرسیون: ضریب تعیین (R-squared)
• 42. ارزیابی مدل رگرسیون: خطای استاندارد رگرسیون (Standard Error of Regression)
• 43. آزمون‌های آماری در رگرسیون (t-test, F-test)
• 44. مفهوم همبستگی (Correlation) و کوواریانس (Covariance)
• 45. هم‌خطی (Multicollinearity) و روش‌های شناسایی آن
• 46. استانداردسازی متغیرها برای کاهش هم‌خطی
• 47. مدل‌های رگرسیونی پویا (Dynamic Regression Models)
• 48. مدل‌های سری زمانی مبتنی بر رگرسیون (ARIMA, ARIMAX)
• 49. مفهوم خودرگرسیون (Autoregression)
• 50. مفهوم میانگین متحرک (Moving Average)
• 51. مفهوم میانگین متحرک یکپارچه (Integrated Moving Average)
• 52. مدل ARIMAX و افزودن متغیرهای خارجی
• 53. تخمین پارامترهای مدل‌های سری زمانی
• 54. معیارهای انتخاب مدل (AIC, BIC)
• 55. تحلیل باقی‌مانده‌ها (Residual Analysis)
• 56. آزمون‌های پایایی (Stationarity Tests) مانند Dickey-Fuller
• 57. تکنیک‌های مدل‌سازی غیرخطی
• 58. مقدمه‌ای بر ماشین لرنینگ (Machine Learning)
• 59. یادگیری نظارت شده (Supervised Learning)
• 60. یادگیری بدون نظارت (Unsupervised Learning)
• 61. یادگیری تقویتی (Reinforcement Learning)
• 62. رگرسیون لجستیک (Logistic Regression) - اگرچه برای طبقه‌بندی است، اما آشنایی مهم است
• 63. مدل‌های درخت تصمیم (Decision Trees)
• 64. مقدمه‌ای بر ماشین‌های بردار پشتیبان (Support Vector Machines - SVM) برای رگرسیون
• 65. شبکه‌های عصبی مصنوعی (Artificial Neural Networks - ANN)
• 66. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 67. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
• 68. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 69. شبکه‌های حافظه کوتاه مدت (GRU)
• 70. پیاده‌سازی مدل‌های رگرسیون با استفاده از کتابخانه‌های پایتون
• 71. کتابخانه NumPy و Pandas
• 72. کتابخانه Scikit-learn
• 73. کتابخانه Statsmodels
• 74. کتابخانه TensorFlow یا PyTorch
• 75. ساخت یک مدل رگرسیونی ساده برای پیش‌بینی سهام در پایتون
• 76. استفاده از داده‌های واقعی بازار سهام بنگلادش
• 77. ارزیابی عملکرد مدل رگرسیون خطی
• 78. تفسیر نتایج مدل رگرسیون
• 79. بررسی تأثیر متغیرهای اقتصادی بر پیش‌بینی
• 80. مدل‌سازی با استفاده از متغیرهای تأخیری
• 81. استفاده از مدل‌های سری زمانی (ARIMA) برای پیش‌بینی
• 82. پیاده‌سازی مدل ARIMAX با متغیرهای اقتصادی
• 83. مقایسه عملکرد مدل‌های رگرسیونی مختلف
• 84. ارزیابی مدل با معیارهای دقت (Accuracy Metrics)
• 85. میانگین مربعات خطا (Mean Squared Error - MSE)
• 86. ریشه میانگین مربعات خطا (Root Mean Squared Error - RMSE)
• 87. میانگین خطای مطلق (Mean Absolute Error - MAE)
• 88. میانگین خطای مطلق درصدی (Mean Absolute Percentage Error - MAPE)
• 89. اعتبارسنجی متقابل (Cross-Validation)
• 90. اعتبارسنجی زمان‌بندی شده (Time Series Cross-Validation)
• 91. کالیبراسیون مدل (Model Calibration)
• 92. مدیریت بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 93. تکنیک‌های تنظیم مدل (Regularization Techniques)
• 94. Lasso Regression
• 95. Ridge Regression
• 96. Elastic Net Regression
• 97. نکات عملی در پیاده‌سازی مدل‌های پیش‌بینی
• 98. انتخاب بازه زمانی مناسب برای آموزش و آزمون
• 99. نحوه به‌روزرسانی مدل با داده‌های جدید
• 100. مدیریت تغییرات ناگهانی بازار (Market Shocks)