کتاب صوتی تحلیل رگرسیون و یادگیری ماشین در مدیریت سبد دارایی با استفاده از نرم‌افزار R

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل رگرسیون و یادگیری ماشین در مدیریت سبد دارایی با استفاده از نرم‌افزار R

موضوع کلی: علوم داده و تحلیل‌های آماری در اقتصاد

موضوع میانی: مدل‌سازی پیش‌بینی‌کننده در بازار سرمایه

📋 سرفصل‌های دوره

• 1. مبانی محیط برنامه‌نویسی R و بسته‌های آماری در تحلیل مالی
• 2. مفاهیم پایه سری‌های زمانی و تحلیل داده‌های بازار سرمایه
• 3. آماده‌سازی و پاک‌سازی داده‌های مالی در نرم‌افزار R
• 4. تحلیل اکتشافی داده‌ها و ترسیم نمودارهای مالی استاندارد
• 5. مبانی آمار توصیفی و توزیع بازده دارایی‌ها در بورس
• 6. بررسی مفاهیم ریسک و بازده در چارچوب نظریه‌های مدرن سبد دارایی
• 7. اصول رگرسیون خطی ساده در تحلیل قیمت سهام
• 8. تخمین مدل‌های رگرسیون چندگانه برای پیش‌بینی قیمت
• 9. بررسی فروض کلاسیک رگرسیون و آزمون‌های تشخیص خطا
• 10. روش‌های انتخاب متغیر و کاهش ابعاد در مدل‌سازی مالی
• 11. تحلیل همبستگی و کوواریانس در مدیریت ریسک سبد
• 12. مبانی مدل‌سازی غیرخطی در بازارهای مالی
• 13. آشنایی با الگوریتم‌های یادگیری ماشین در تحلیل اقتصادی
• 14. پیاده‌سازی مدل‌های رگرسیون لجستیک برای پیش‌بینی جهت روند بازار
• 15. روش‌های درخت تصمیم برای طبقه‌بندی سیگنال‌های خرید و فروش
• 16. بهینه‌سازی سبد دارایی با استفاده از مدل میانگین-واریانس مارکوویتز
• 17. تحلیل مدل‌های رگرسیون با داده‌های ترکیبی و پنل
• 18. ارزیابی عملکرد مدل‌های پیش‌بینی با معیارهای دقت و خطا
• 19. کاربرد مدل‌های خودهمبسته در پیش‌بینی نوسانات بازار
• 20. تخمین مدل‌های GARCH برای تحلیل و پیش‌بینی تلاطم قیمت
• 21. روش‌های اعتبارسنجی متقاطع در مدل‌های یادگیری ماشین مالی
• 22. مدیریت ریسک سبد دارایی با استفاده از ارزش در معرض ریسک
• 23. پیاده‌سازی استراتژی‌های معاملاتی مبتنی بر یادگیری نظارت‌شده
• 24. تحلیل حساسیت و آزمون‌های تنش در مدل‌های اقتصادی
• 25. یکپارچه‌سازی داده‌های کلان اقتصادی در مدل‌های پیش‌بینی
• 26. روش‌های خوشه‌بندی دارایی‌ها برای تنوع‌بخشی به سبد
• 27. استفاده از الگوریتم‌های تقویت گرادیان برای پیش‌بینی بازده
• 28. بررسی پایداری مدل‌های مالی در شرایط تغییر ساختاری بازار
• 29. اصول اخلاق حرفه‌ای در تحلیل داده و گزارش‌دهی بازار سرمایه
• 30. مستندسازی و ارائه نتایج تحلیل‌های آماری در محیط RMarkdown