کتاب صوتی مدلسازی و تحلیل داده‌های مالی با R: از مبانی تا پیش‌بینی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدلسازی و تحلیل داده‌های مالی با R: از مبانی تا پیش‌بینی

موضوع کلی: علم داده مالی

موضوع میانی: تحلیل و مدل‌سازی داده‌های مالی با R

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده مالی و کاربردهای آن
• 2. چرا زبان R برای تحلیل مالی؟
• 3. نصب و راه‌اندازی R و RStudio
• 4. آشنایی با محیط RStudio: کنسول، اسکریپت، پکیج‌ها
• 5. نصب و مدیریت پکیج‌های ضروری در R
• 6. متغیرها و انواع داده‌های پایه در R
• 7. بردارها (Vectors) و عملیات برداری
• 8. ماتریس‌ها (Matrices) و عملیات ماتریسی
• 9. لیست‌ها (Lists) و کاربردهای آن
• 10. دیتافریم‌ها (DataFrames): ساختار اصلی داده
• 11. خواندن و نوشتن داده‌ها (CSV, Excel)
• 12. ساختارهای کنترلی: دستورات شرطی if-else
• 13. ساختارهای کنترلی: حلقه‌های for و while
• 14. نوشتن توابع سفارشی در R
• 15. مقدمه‌ای بر اکوسیستم Tidyverse
• 16. معرفی پکیج `dplyr` برای دستکاری داده‌ها
• 17. فیلتر کردن ردیف‌ها با `filter`
• 18. انتخاب ستون‌ها با `select`
• 19. ایجاد ستون‌های جدید با `mutate`
• 20. خلاصه‌سازی داده‌ها با `summarise` و `group_by`
• 21. مرتب‌سازی داده‌ها با `arrange`
• 22. ادغام دیتافریم‌ها: انواع `join`
• 23. کار با داده‌های زمانی: معرفی پکیج‌های `xts` و `zoo`
• 24. وارد کردن و مدیریت داده‌های سری زمانی مالی
• 25. تبدیل فرکانس داده‌های زمانی (روزانه به هفتگی و ماهانه)
• 26. محاسبه بازده ساده (Simple Return)
• 27. محاسبه بازده لگاریتمی (Log Return)
• 28. مدیریت داده‌های گمشده (Missing Data) در سری‌های مالی
• 29. مبانی مصورسازی داده با پکیج `ggplot2`
• 30. رسم نمودار سری زمانی قیمت و بازده
• 31. رسم هیستوگرام و نمودار چگالی توزیع بازده
• 32. نمودار جعبه‌ای (Box Plot) برای مقایسه توزیع‌ها
• 33. نمودار پراکندگی (Scatter Plot) برای بررسی روابط بین دارایی‌ها
• 34. مفاهیم آماری کلیدی: میانگین، میانه، مُد
• 35. مفاهیم پراکندگی: واریانس و انحراف معیار
• 36. چولگی (Skewness) در توزیع بازده‌های مالی
• 37. کشیدگی (Kurtosis) و دم‌های چاق (Fat Tails)
• 38. آزمون نرمال بودن توزیع بازده (آزمون Jarque-Bera)
• 39. کوواریانس و همبستگی بین بازده دارایی‌ها
• 40. ماتریس همبستگی و مصورسازی آن
• 41. تحلیل و شناسایی داده‌های پرت (Outliers)
• 42. رگرسیون خطی ساده: مبانی و مفروضات
• 43. اجرای رگرسیون خطی ساده در R
• 44. تفسیر خروجی مدل رگرسیون: ضرایب، p-value و R-squared
• 45. تحلیل باقی‌مانده‌ها برای ارزیابی مدل رگرسیون
• 46. رگرسیون خطی چندگانه
• 47. مدل قیمت‌گذاری دارایی‌های سرمایه‌ای (CAPM)
• 48. پیاده‌سازی و تحلیل مدل CAPM در R
• 49. مدل‌های چندعاملی: مدل سه عاملی فاما-فرنچ
• 50. انتخاب متغیر در مدل‌های رگرسیونی
• 51. پیش‌بینی با استفاده از مدل‌های رگرسیون خطی
• 52. مقدمه‌ای بر تحلیل سری‌های زمانی
• 53. مفهوم ایستایی (Stationarity) و اهمیت آن
• 54. فرایند نوفه سفید (White Noise)
• 55. فرایند قدم زدن تصادفی (Random Walk)
• 56. تابع خودهمبستگی (ACF) و تفسیر آن
• 57. تابع خودهمبستگی جزئی (PACF) و تفسیر آن
• 58. آزمون‌های ایستایی: آزمون دیکی-فولر تعمیم‌یافته (ADF)
• 59. مدل خودرگرسیو (Autoregressive - AR)
• 60. شناسایی مرتبه مدل AR با استفاده از PACF
• 61. برازش و ارزیابی مدل AR در R
• 62. مدل میانگین متحرک (Moving Average - MA)
• 63. شناسایی مرتبه مدل MA با استفاده از ACF
• 64. برازش و ارزیابی مدل MA در R
• 65. مدل خودرگرسیو میانگین متحرک (ARMA)
• 66. روش‌شناسی باکس-جنکینز برای مدل‌سازی سری‌های زمانی
• 67. تشخیص مرتبه مدل ARMA(p,q)
• 68. برازش مدل ARMA در R
• 69. تحلیل باقی‌مانده‌های مدل ARMA
• 70. آزمون پورت‌مانتو (Ljung-Box Test) برای خودهمبستگی باقی‌مانده‌ها
• 71. پیش‌بینی با استفاده از مدل‌های ARMA
• 72. معیارهای انتخاب مدل: AIC و BIC
• 73. مفهوم تفاضل‌گیری (Differencing) برای ایستا کردن سری‌ها
• 74. مدل خودرگرسیو انباشته میانگین متحرک (ARIMA)
• 75. شناسایی مرتبه مدل ARIMA(p,d,q)
• 76. برازش و ارزیابی مدل ARIMA در R
• 77. پیش‌بینی با مدل‌های ARIMA
• 78. مدل‌سازی فصلی و معرفی مدل SARIMA
• 79. برازش و پیش‌بینی با مدل‌های SARIMA
• 80. مدل‌سازی خودکار ARIMA با تابع `auto.arima`
• 81. ویژگی‌های خاص بازده‌های مالی: خوشه‌بندی نوسانات (Volatility Clustering)
• 82. مفهوم ناهمسانی واریانس شرطی
• 83. مدل ARCH: خودرگرسیو ناهمسان واریانس شرطی
• 84. تشخیص اثرات ARCH با آزمون LM
• 85. برازش مدل ARCH در R
• 86. محدودیت‌های مدل ARCH و معرفی GARCH
• 87. مدل GARCH: تعمیم مدل ARCH
• 88. برازش مدل GARCH(1,1) در R و تفسیر ضرایب
• 89. مدل‌های GARCH توسعه‌یافته: مدل EGARCH برای اثر اهرمی
• 90. مدل‌های GARCH توسعه‌یافته: مدل GJR-GARCH
• 91. انتخاب بهترین مدل GARCH
• 92. پیش‌بینی نوسانات با مدل‌های خانواده GARCH
• 93. مقدمه‌ای بر سری‌های زمانی چندمتغیره
• 94. مدل‌های خودرگرسیو برداری (Vector Autoregression - VAR)
• 95. انتخاب مرتبه بهینه برای مدل VAR
• 96. برازش و تحلیل مدل VAR در R
• 97. تحلیل واکنش آنی (Impulse Response Function)
• 98. تجزیه واریانس خطای پیش‌بینی (Forecast Error Variance Decomposition)
• 99. مفهوم هم‌انباشتگی (Cointegration) و آزمون آن
• 100. مدل تصحیح خطای برداری (Vector Error Correction Model - VECM)