دوره مدل‌های انبوهی برای ترکیب پیش‌بینی‌های تورمی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌های انبوهی برای ترکیب پیش‌بینی‌های تورمی

موضوع کلی: اقتصاد کلان و پیش‌بینی تورم

موضوع میانی: پیش‌بینی تورم در اقتصادهای با سطوح مختلف توسعه مالی و نهادی

📋 سرفصل‌های دوره

• 1. مقدمهٔ عمومی دربارهٔ پیش‌بینی تورم در اقتصاد کلان
• 2. مفهوم تورم: تعریف، اندازه‌گیری و شاخص‌های کلیدی
• 3. روش‌های کلاسیک پیش‌بینی تورم (ارزش افزوده، مدل‌های وقت‌متغیر)
• 4. اهمیت ترکیب چندین پیش‌بینی برای بهبود دقت
• 5. پیش‌فرضٔ مدل‌های احتمالی در پیش‌بینی اقتصادی
• 6. توزیع نرمال و توزیع‌های غیرقابل‌تعداد برای تورم
• 7. تخمین پارامترهای توزیع تورم (مثلاً MLE)
• 8. مودل‌های هیبریدی (مانند ARIMA + مدل‌های احتمالی)
• 9. روش‌های ترکیبی (Aggregation) در پیش‌بینی: میانگین وزن‌دهی، مدل‌های ترکیبی Bayesian
• 10. پیش‌فرض‌های اساسی در ترکیب پیش‌بینی‌ها (Independence, identical distribution)
• 11. روش‌های ارزیابی دقت پیش‌بینی (MAE, RMSE, CRPS)
• 12. مدل‌های سطحی (Level‑Based) برای تورم: Random Walk, Random Walk with Drift
• 13. مدل‌های ترتیبی (Order‑Based) برای تورم: ARIMA, SARIMA
• 14. مدل‌های مبتنی بر داده‌های مالی (Financial‑Based): volatility, exchange rates
• 15. مدل‌های مبتنی بر شاخص‌های ساختاری (Structural‑Based): Phillips curve, DSGE
• 16. ترکیب مدل‌های سطحی و مالی: روش‌های Weighted Average
• 17. مونت کارلو برای ترکیب پیش‌بینی‌ها
• 18. توزیع‌های پویا (Time‑varying) در ترکیب
• 19. مدل‌های hierarchical Bayesian برای ترکیب پیش‌بینی‌ها
• 20. آموزش و اعتبارسنجی مدل‌های hierarchical Bayesian
• 21. بهینه‌سازی وزن‌های ترکیب با روش‌های Machine Learning (LASSO, Ridge)
• 22. شبکه‌های عصبی (Neural Networks) برای پیش‌بینی تورم
• 23. مدل‌های Deep Learning: LSTM, GRU برای داده‌های ترکیبی
• 24. ترکیب خروجی‌های مدل‌های Deep Learning با مدل‌های کلاسیک
• 25. Ensemble (Bagging, Boosting) در پیش‌بینی تورم
• 26. XGBoost و LightGBM برای ترکیب پیش‌بینی‌ها
• 27. تحلیل حساسیت و عدم‌اطمینان در مدل‌های ترکیبی
• 28. تأثیر ساختار مالی (Banking sector, Capital markets) بر دقت پیش‌بینی
• 29. تأثیر سطح توسعه مالی (Financial Development) بر ترکیب مدل‌ها
• 30. تفاوتات بین اقتصاد‌های پیشرفته و در حال توسعه در ترکیب مدل‌ها
• 31. پیش‌بینی تورم در اقتصاد‌های با تورم بالا (Hyperinflation) versus تورم کم
• 32. پیش‌بینی تورم در اقتصاد‌های با تورم متغیر (Volatile)
• 33. تأثیر سیاست‌های نقدی و مالی بر ترکیب پیش‌بینی‌ها
• 34. به‌روزرسانی مستمر (Online Updating) برای مدل‌های ترکیبی
• 35. بهینه‌سازی پارامترهای ترکیبی با الگوریتم‌های گرادی (Gradient Descent)
• 36. ارزیابی عملکرد مدل‌ها در شرایط بحرانی (Crises, Pandemics)
• 37. مقایسه نتایج مدل‌های ترکیبی با مدل‌های تک‌نفره (Single‑model) در مطالعات موردی
• 38. استفاده از داده‌های تاریخی برای آموزش و اعتبارسنجی مدل‌های ترکیبی
• 39. درک‌وتنی (Bias Correction) در ترکیب پیش‌بینی‌ها
• 40. تأثیر طول تاریخ داده‌های ورودی بر دقت پیش‌بینی
• 41. Feature Engineering برای داده‌های تورمی (شاخص‌های مالی، قیمت)
• 42. مدل‌های ترکیبی با داده‌های چندمتغیره (Multivariate) – تورم + رشد اقتصادی + بهره‌وری
• 43. تحلیل کامونتو (Cointegration) برای ترکیب متغیرهای تورمی
• 44. VAR (Vector Autoregression) برای پیش‌بینی تورم در چارچوب چندمتغیره
• 45. ترکیب VAR با مدل‌های احتمالی برای شبیه‌سازی توزیع
• 46. Bayesian Model Averaging (BMA) در ترکیب
• 47. ارزیابی و انتخاب مدل‌های BMA بر پایهٔ posterior probabilities
• 48. دمب (Bagging) برای کاهش نوسان ترکیب
• 49. AdaBoost برای ترکیب پیش‌بینی‌های تورمی
• 50. Boosting با مدل‌های احتمالی
• 51. تأثیر زمان‌بندی پیش‌بینی (Short‑term vs Long‑term) بر ترکیب
• 52. پیش‌بینی تورم ماهانه، فصلی و سالانه با ترکیب مدل‌ها
• 53. داده‌های فضا‑زمان (Spatial‑Temporal) برای ترکیب در سطوح مختلف (Regional)
• 54. مدل‌های فضایی (Spatial) برای ترکیب پیش‌بینی‌ها در مناطق مختلف
• 55. ترکیب مدل‌های سطحی/فضایی با مدل‌های مالی برای بهبود دقت
• 56. استفاده از ابزارهای نرم‌افزاری (R, Python) برای پیاده‌سازی مدل‌های ترکیبی
• 57. تست‌های آماری برای مقایسهٔ مدل‌های ترکیبی (Diebold‑Mariano test)
• 58. نمایش و گزارش‌گیری نتایج ترکیب (Visualization, Dashboard)
• 59. ارزیابی هزینه‑سازماني (Cost‑Benefit) از دقت پیش‌بینی در تصمیم‌گیری
• 60. تطبيق‌های عملی: پیش‌بینی تورم ترکیبی در برنامه‌ریزی مالی، سرمایه‌گذاری، سیاست‌گذاری
• 61. مثال‌های کاربردی: ترکیب پیش‌بینی تورم در اقتصاد‌های در حال توسعه
• 62. مثال‌های کاربردی: ترکیب پیش‌بینی تورم در اقتصاد‌های پیشرفته
• 63. محدودیت‌های مدل‌های ترکیبی و چالش‌های پژوهشی
• 64. بهبود مستمر و به‌روزرسانی مدل‌های ترکیبی در محیط عملی
• 65. معیارهای انتخاب وزن‌ها در ترکیب مدل‌ها (Optimality criteria)
• 66. تصمیم‌گیری چندمعیاره برای ترکیب پیش‌بینی‌ها (MCDM)
• 67. بازنگری و به‌روزرسانی مداوم مدل‌ها در مواجهه با ساختارهای جدید اقتصادی
• 68. اخلاق و شفافیت در ارائه پیش‌بینی‌های ترکیبی به تصمیم‌گیرندگان
• 69. آینده‌نگری: ترکیب مدل‌های هیبریدی با هوش مصنوعی و شبیه‌سازی
• 70. جمع‌بندی و نتیجه‌گیری: بهترین روش‌های ترکیب پیش‌بینی تورم در اقتصاد‌های با سطوح مختلف توسعه مالی