محتوای آموزش
۲ ساعت آموزش ویدئویی
۶ تمرین بههمراه پاسخ
فایل برنامهها و پروژهها
فایل PDF یادداشتها و اسلایدها
تالار پرسش و پاسخ
تمامی محتوای این دوره از جمله ویدئوها، تمرینها،، فایل برنامهها و پروژهها و یادداشتها به گونهای طراحی شدهاند که یادگیری سریعتر و موثرتر صورت پذیرد. همچنین تالار پرسش و پاسخ این دوره، محیطی را برای رفع ابهامات و تعامل با مدرس و دیگر دانشجویان فراهم میکند.
۴.۲۵
(۱۲ امتیاز)
مدرس: سید علی کلامی هریس
۲ ساعت آموزش ویدئویی
۵۹۴ دانشجو
شامل ۵ فصل و ۱۳ درس
مبانی ریاضیاتی مدل میانگین واریانس مارکویتز (Markowitz)
بررسی سایر معیارهای ریسک
بررسی معیارهای ارزیابی پرتفوی
دریافت مجموعه داده و بررسی آن
پیادهسازی روابط و ارزیابی سبدهای تصادفی
ارزیابی سبدهای تصادفی با بیش از دو نماد
تمرین۱- : پیادهسازی روابط و ارزیابی سبدهای تصادفی
آشنایی با الگوریتم بهینهسازی ازدحام ذرات
بهینهسازی با حداقل بازده مورد انتظار
بهینهسازی با حداکثر ریسک قابل قبول و نسبت شارپ (Sharpe Ratio)
بهینهسازی با نسبت سورتینو (Sortino)
بهینهسازی با نسبت کالمار (Calmar)
تمرین۱- بهینهسازی با حداقل بازده مورد انتظار
تمرین۲- بهینهسازی با نسبت سورتینو
۲ ساعت آموزش ویدئویی
۶ تمرین بههمراه پاسخ
فایل برنامهها و پروژهها
فایل PDF یادداشتها و اسلایدها
تالار پرسش و پاسخ
بهینهسازی سبد سهام چیست؟
بهینهسازی سبد سهام (Portfolio Optimization) یا انتخاب بهینه سبد سهام (Optimal Portfolio Selection) یکی از مسائل مهم در حوزه علوم مالی و سرمایهگذاری است که کاربردهای فراوانی را در برنامهریزیها و تصمیمگیریهای مالی دارد. با انتخاب یک سبد سهام مناسب، میتوان تا حدود زیادی بهینگی را در سرمایهگذاری (به لحاظ افزایش بازده و کاهش ریسک) افزایش داد.
اهمیت یادگیری بهینهسازی سبد سهام در پایتون چیست؟
بهینهسازی سبد سهام به عنوان یک روش مهم در تصمیمگیری سرمایهگذاری، اهمیت چشمگیری در مدیریت سرمایه دارد. با استفاده از تکنیکها و الگوریتمهای بهینهسازی در زمینه مالی و سرمایهگذاری با پایتون، سرمایهگذاران میتوانند به صورت خودکار و هوشمندانه ترکیب بهینهای از انواع مختلف سهام را انتخاب کنند. این بهینهسازی معمولا با در نظر گرفتن اهداف سرمایهگذاری، میزان ریسک مجاز و عوامل دیگر انجام میشود.
در این فرادرس چه چیزی یاد میگیریم؟
در این آموزش، ابتدا با مبانی ریاضی مدلهای مالی آشنا میشویم، سپس آنها را در پایتون (Python) پیادهسازی خواهیم کرد. در طول این فرادرس، از روشهای بهینهسازی تکهدفه (Single-Objective Optimization) و چندهدفه (Multi-Objective Optimization) بهره برده شده است که میتوانند به خوبی تمامی مدلسازیها را پوشش دهند.
Python 3.9.0
مدرس پایتون و یادگیری ماشین
سید علی کلامی هریس، دانشجوی سال ششم داروسازی در دانشگاه علوم پزشکی تهران، در زمینههای پایتون، یادگیری ماشین و بازارهای مالی فعالیت دارند. ایشان در حال حاضر عضو واحد طراحی و توسعه محصول فرادرس هستند و در زمینه یادگیری ماشین، از جمله یادگیری نظارتشده (Supervised Learning) و یادگیری تقویتی (Reinforcement Learning) مشغول فعالیت هستند و در سالهای اخیر تمرکز ایشان بر روی تحلیل سریهای زمانی مربوط به بازارهای مالی و پیادهسازی و مدلسازیهایی مربوط به ساختار مولکولها بوده است.
پیشنهادی برای شما
۰۰:۰۰:۰۰تا پایان تخفیــــــــــــف
%۷۰
۲۳۷,۰۰۰
تومان
دیدگاه کاربران
۶ دیدگاه
۴.۲۵ (میانگین امتیاز کاربران)
علی
۱۴۰۳/۰۲/۲۷
مهدی
۱۴۰۲/۰۳/۲۹
امیر
۱۴۰۱/۱۱/۲۸
علی
۱۴۰۱/۰۶/۲۱
حامد
۱۴۰۱/۰۴/۱۷
مرتضی
۱۴۰۱/۰۳/۲۴