کتاب بهینه‌سازی سبد دارایی و پرتفوی با الگوریتم‌های ماشین لرنینگ کلاسیک با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی سبد دارایی و پرتفوی با الگوریتم‌های ماشین لرنینگ کلاسیک

موضوع کلی: روش‌شناسی تحقیق در مالی

موضوع میانی: انواع الگوریتم‌های یادگیری ماشین در مالی (SVM, Decision Trees, Random Forests)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بهینه‌سازی پرتفوی و یادگیری ماشین
• 2. مروری بر مفاهیم پایه پرتفوی و شاخص‌های عملکرد
• 3. آشنایی با الگوریتم‌های یادگیری ماشین در مالی
• 4. آماده‌سازی داده‌های مالی برای مدل‌های یادگیری ماشین
• 5. پیش‌پردازش داده‌های مالی: پاکسازی، نرمال‌سازی و تبدیل
• 6. انتخاب ویژگی‌های مناسب برای بهینه‌سازی پرتفوی
• 7. مقدمه‌ای بر ماشین بردار پشتیبان (SVM)
• 8. SVM برای طبقه‌بندی سهام: پیش‌بینی بازده
• 9. SVM برای رگرسیون: پیش‌بینی قیمت سهام
• 10. تنظیم پارامترهای SVM در بهینه‌سازی پرتفوی
• 11. درخت‌های تصمیم‌گیری: اصول و کاربردها
• 12. ساخت درخت‌های تصمیم‌گیری برای انتخاب دارایی‌ها
• 13. ارزیابی عملکرد درخت‌های تصمیم‌گیری
• 14. جنگل‌های تصادفی (Random Forests): مبانی و مزایا
• 15. جنگل‌های تصادفی برای پیش‌بینی ریسک و بازده
• 16. تنظیم پارامترهای جنگل‌های تصادفی
• 17. مقایسه SVM، درخت‌های تصمیم‌گیری و جنگل‌های تصادفی
• 18. استفاده از یادگیری ماشین برای کاهش ریسک پرتفوی
• 19. بهینه‌سازی پرتفوی با در نظر گرفتن هزینه‌های معاملاتی
• 20. بهینه‌سازی پرتفوی با محدودیت‌های سرمایه‌گذاری
• 21. مدل‌سازی سناریوهای مختلف بازار با یادگیری ماشین
• 22. پیش‌بینی همبستگی دارایی‌ها با استفاده از الگوریتم‌های یادگیری ماشین
• 23. بهینه‌سازی پرتفوی پویا با یادگیری ماشین
• 24. ارزیابی backtesting و بررسی عملکرد مدل‌های بهینه‌سازی پرتفوی
• 25. بهینه‌سازی پرتفوی با استفاده از داده‌های متنی (اخبار مالی)
• 26. استفاده از یادگیری ماشین برای تشخیص تقلب در بازار
• 27. بهینه‌سازی پرتفوی با در نظر گرفتن فاکتورهای ESG
• 28. یادگیری تقویتی (Reinforcement Learning) و کاربرد آن در بهینه‌سازی پرتفوی (مقدماتی)
• 29. معرفی کتابخانه‌های پایتون برای بهینه‌سازی پرتفوی (scikit-learn, pandas, numpy)
• 30. پیاده‌سازی عملی بهینه‌سازی پرتفوی با SVM در پایتون
• 31. پیاده‌سازی عملی بهینه‌سازی پرتفوی با درخت‌های تصمیم‌گیری در پایتون
• 32. پیاده‌سازی عملی بهینه‌سازی پرتفوی با جنگل‌های تصادفی در پایتون
• 33. مدیریت ریسک در پرتفوی بهینه‌شده با یادگیری ماشین
• 34. ارائه مطالعات موردی: بهینه‌سازی پرتفوی در بازارهای مختلف
• 35. چالش‌ها و محدودیت‌های استفاده از یادگیری ماشین در بهینه‌سازی پرتفوی
• 36. آینده بهینه‌سازی پرتفوی با یادگیری ماشین و هوش مصنوعی