کتاب بهبود بهره‌وری سرمایه‌گذاری در مشتقات انرژی از طریق MARL با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهبود بهره‌وری سرمایه‌گذاری در مشتقات انرژی از طریق MARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای استراتژی‌های مدیریت اطلاعات سرمایه‌گذاری در ابزارهای مالی مشتقه انرژی

📋 سرفصل‌های دوره

  • 1. مقدمه بر مشتقات انرژی
  • 2. انواع مشتقات انرژی: futures، options، swaps، forwards
  • 3. ساختار بازار و مکانیسم‌های معاملاتی در انرژی
  • 4. مبادئ یادگیری تقویتی (RL)
  • 5. مبادئ یادگیری تقویتی چندعامله (MARL)
  • 6. یادگیری تقویتی تک-عامله برای معاملات مالی
  • 7. چالش‌های اعمال RL در بازارهای مالی
  • 8. نمایش وضعیت (state) برای معاملات مشتقات انرژی
  • 9. طراحی فضاء عمل (action) برای تخصیص portfoli
  • 10. تعریف تابع پاداش برای بهبود بهره‌وری سرمایه‌گذاری
  • 11. پاداش بر پایهٔ بازدهی تنظیم‌شده با ریسک
  • 12. جمع‌آوری داده‌های تاریخی: قیمت، حجم، اساس‌ها
  • 13. مهندسی ویژگی برای بازارهای انرژی: آب و هوا، ذخیره‌سازی، геопולitiک
  • 14. 注意de microstructure و liquidity در معاملات انرژی
  • 15. ساخت محیط شبیه‌سازی (مثل OpenAI Gym) برای تست استراتژی‌ها
  • 16. معمارای-Agent: DQN، Policy Gradient، Actor-Critic
  • 17. معمارای چند-عامله: Learners مستقل، CTDE، QMIX، MADDPG
  • 18. پروتکل‌های ارتباطی بین عوامل
  • 19. تشکیل ائتلاف و همکاری در MARL
  • 20. تنافری مقابل تعاملی در مدیریت پورتفولیو
  • 21. MARL سلسله‌مراتبی برای استراتژی‌های چندزمانه
  • 22. درج محدودیت‌ها: حداکثر Pozzy، ضمانت‌های marjin
  • 23. مدل‌سازی هزینه‌های تراکنش
  • 24. مدل‌سازی لغزش و اثرات بازار
  • 25. ملاحظات قانونی و اطمینان از تبعیت
  • 26. چارچوب باطن‌آزمایی برای استراتژی‌های MARL
  • 27. تحلیلウォک-فورد و جلوگیری از overfit
  • 28. تنظیم‌هایهایپرمارامتر برای MARL در مالی
  • 29. تناقض اکتشاف-استثمار در معاملات
  • 30. آموزش برنامه‌ریزی (Curriculum Learning) برای بازارهای انرژی پیچیده
  • 31. انتقال یادگیری از کالاها و انرژی‌های مرتبط
  • 32. یادگیری meta برای سازگاری سریع با تغییرات رژیم
  • 33. وضوح و تفسیر سیاست‌های MARL
  • 34. سنجش عدم قطعید (مثلاً Bayesian RL)
  • 35. استقامت در برابر اشتباهات مدل
  • 36. آزمون‌های خصومت و تست‌های استرس
  • 37. مبانی بهینه‌سازی portfoli (Markowitz، CVaR)
  • 38. ادغام MARL با بهینه‌سازی портfoli التقليدي
  • 39. تخصیص دارایی پویا با استفاده از MARL
  • 40. MARL چندهدف: بازدهی مقابل ریسک مقابل liquidity
  • 41. بهینه‌سازی فرکانس rebalancing
  • 42. مدیریت داده‌های گمشده و outlier
  • 43. جریان داده‌های بلادرنگ و استنتاج در زمان واقعی
  • 44. ملاحظات استقرار: تأخیر، زیرساخت
  • 45. مدیریت ریسک: VaR، Expected Shortfall از طریق MARL
  • 46. ملاحظات ریسک اعتبار در مشتقات انرژی
  • 47. مدل‌سازی ریسک طرف مقابل
  • 48. ادغام مدیریت ضمانت
  • 49. مطالعه موردی: معاملات futures نفت خام
  • 50. مطالعه موردی: استراتيجیت options گاز طبیعی
  • 51. مطالعه موردی: swap‌های برق و بازارهای ظرفیت
  • 52. مطالعه موردی: گواهینامه‌های انرژی تجدیدپذیر (RECs)
  • 53. پورتفولیو چندانرژی: نفت، گاز، برق،emmisions
  • 54. arbitrage بین کالاها از طریق MARL
  • 55. استراتژی‌های معاملات spred: crack spread، spark spread
  • 56. معاملات basis و مؤثر بودن хеджи
  • 57. مدلسازی فصلی و دورهای تکراری
  • 58. مدلسازی رویدادهای'extrêm': spikeهای قیمت، شوک‌ها
  • 59. ادغام شاخص‌های macroeconomic
  • 60. تحلیل احساسات از خبرها و شبکه‌های اجتماعی
  • 61. منابع دادهٔ جایگزین: ماهواره، پیش‌بینی‌های هواشناسی
  • 62. یادگیری آنلاین مقابل تعلم batch
  • 63. یادگیری پیوسته برای جلوگیری از فرامشیت كاراستrophic
  • 64. تکنیک‌های اکتشاف ایمن (مثلاً Optimisation سیاست محدود)
  • 65. روش‌های attribuion اعتبار در MARL
  • 66. منتقد مركزي با عملگرهای decentralized
  • 67. شبکه‌های عصبی گراف برای مدل‌سازی تعامل-Agent
  • 68. مکانیسم‌های توجه در MARL برای وابستگی‌های زمانی
  • 69. لایه-orchestrating متا-Agent
  • 70. معیارهای عملکرد: Sharpe، Sortino، Calmar، Omega
  • 71. آزمون‌های معنی‌دار آماری (bootstrap، permutation)
  • 72. مقایسه MARL با استراتژی‌های benchmark (buy-and-hold، MA crossover)
  • 73. تحلیل حساسیت به هایپرامترها و رژیم‌های بازار
  • 74. مقیاس‌پذیری به تعداد زیاد عامل و دارایی
  • 75. متوازی‌سازی و استفاده از GPU
  • 76. ملاحظات اخلاقی و اثرات بازار
  • 77. گزارش‌گذاری و قابل‌حسابی قانونی
  • 78. ابزارهای کتابخانهٔ متن‌باز (RLlib، TensorForce، PyMarL)
  • 79. راهنمایی‌های پژوهش آینده
  • 80. پروژه دوره: طراحی و آزمایش سیستم معاملاتی MARL مبتنی بر مشتقات انرژی
  • 81. مرور مقالات بنیان‌مند در MARL برای مالی
  • 82. کارگاه: ساخت محیط شبیه‌سازی
  • 83. سخنران invité: نظر prakty کارآمد در صنعت
  • 84. ارزیابی نهایی و اعطای گواهی
تگ‌ها: Algorithmic Trading Deep Learning Energy Derivatives Energy Markets Machine Learning MARL Multi-Agent Systems Portfolio Optimization Quantitative Finance Reinforcement Learning Risk Management Trading Strategies

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.