پیش‌بینی سری‌های زمانی با استفاده از پایتون

توضیحات

پیش‌بینی وضعیت آینده همواره یکی از مهم‌ترین مسائل در بازارهای مالی به‌شمار می‌رود. مدل‌ها و روش‌های گوناگونی جهت انجام پیش‌بینی مورد کاربرد محققان و فعالان بازار است. مدل‌های اقتصادسنجی و الگوریتم‌های هوشمند نظیر شبکه‌های عصبی و یادگیری عمیق ازجمله مهم‌ترین روش‌های پیش‌بینی آینده مبتنی بر داده‌های گذشته تلقی می‌شوند. این مدل‌ها و الگوریتم‌ها را می‌توان در بسترها و با استفاده از ابزارهای متفاوتی پیاده‌سازی کرده و به نتایج موردنظر دست یافت. در این دوره آموزشی افراد پس از آشنایی و یادگیری نحوه کدنویسی در پایتون و درک صحیحی از داده‌ها و ساختار آن در سری‌های زمانی، مدل‌های پیش‌بینی اعم از خطی و غیرخطی را پیاده‌سازی خواهند کرد. همچنین پس از انجام پیش‌بینی به ارزیابی آن خواهند پرداخت.

مخاطبین دوره

-  مدیران و کارشناسان کارگزاری‌ها، شرکت‌های سرمایه‌گذاری، تامین سرمایه و صندوق‌های سرمایه‌گذاری

-  سرمایه گذاران حقیقی و حقوقی

-  محققان رشته‌های اقتصاد، مالی، ریاضیات، آمار، علوم کامپیوتر و یادگیری ماشینی

سرفصل‌ها

 Introduction to Python

               About Python

                  Python Ecosystem Installation

                   Python Essentials

                  Programming in Python

                   NumPy Crash Course

                    Matplotlib Crash Course

                  Pandas Crash Course

                  Python Libraries for Econometrics & Statistical Machine Learning

 Data and Empirics

               Load and Explore Time Series Data

                  Understand Your Data with Descriptive Statistics

                   Understand Your Data with Visualization

                  Basic Feature Engineering for Time Series

                   Pandas for Panel Data

Time Series Data Structure

             Introduction to White Noise

                  Introduction to the Random Walk

                   Decompose Time Series Data

                  Use and Remove Trends

                   Use and Remove Seasonality

                    Stationarity in Time Series Data

 Forecast Models

            Introduction to the Box-Jenkins Method

                  AR, MA, ARIMA Models

                   Volatility Forecasting with ARCH/GARCH Models

                  Forecasting in a Data-Rich environment with Factor Models

                   Nonlinear Forecasting with Neural Networks and Deep Learning Algorithms (Feedforward Neural nets, long short-term memory (LSTM)nets, and Autoencoders)

 Forecast Evaluation and Trading Simulation

Real Time Web Analytics