-
1 - دستکاری داده های مالی در پایتون
- ۱-۰۰-۰۱ مقدمه
- ۱-۰۰-۰۲ معرفی سه بخش این دوره
- ۱-۰۰-۰۳ کتابهای درسی
- ۱-۰۰-۰۴ پیش نیازها
- ۱-۰۱-۰۱ مقدمه
- ۱-۰۱-۰۲ داده در فایل csv
- ۱-۰۱-۰۳ سوال: کدام یک باید در فایل csv باشد؟
- ۱-۰۱-۰۳ کدام یک باید در فایل csv باشد؟
- ۱-۰۱-۰۴ راه حل: کدام یک باید در فایل csv باشد؟
- ۱-۰۱-۰۵ داده مالی واقعی
- ۱-۰۱-۰۶ Pandas datafram
- ۱-۰۱-۰۷ نمونه فایل csv
- ۱-۰۱-۰۸ خواندن فایل csv
- ۱-۰۱-۰۹ انتخاب ردیف ها
- ۱-۰۱-۱۰ محاسبه بیشترین مقدار بسته شدن سهام
- ۱-۰۱-۱۱ سوال: محاسبه حجم میانگین
- ۱-۰۱-۱۲ راه حل: محاسبه حجم میانگین
- ۱-۰۱-۱۳ رسم نمودار قیمت
- ۱-۰۱-۱۴ سوال: رسم نمودار بالاترین قیمت IBM
- ۱-۰۱-۱۵ راه حل: رسم نمودار بالاترین قیمت IBM
- ۱-۰۱-۱۶ رسم دو ستون
- ۱-۰۲-۰۱ کار با چند سهم
- ۱-۰۲-۰۲ Pandas dataframe recap
- ۱-۰۲-۰۳ راه حلی برای مشکلات
- ۱-۰۲-۰۴ روزهای معاملاتی NYSE
- ۱-۰۲-۰۵ راه حل: روزهای معاملاتی NYSE
- ۱-۰۲-۰۶ ساخت یک Dataframe
- ۱-۰۲-۰۷ الحاق dataframe ها
- ۱-۰۲-۰۸ ساخت یک dataframe خالی
- ۱-۰۲-۰۹ Join SPY data
- ۱-۰۲-۱۰ انواع Join
- ۱-۰۲-۱۱ راه حل: انواع Join
- ۱-۰۲-۱۲ خواندن سهامهای بیشتر
- ۱-۰۲-۱۳ توابع کاربردی برای خواندن داده ها
- ۱-۰۲-۱۴ راه حل: توابع کاربردی برای خواندن داده ها
- ۱-۰۲-۱۵ خواندن بخشی از داده ها
- ۱-۰۲-۱۶ بخش های بیشتر
- ۱-۰۲-۱۷ مشکلاتی با ترسیم شکل
- ۱-۰۲-۱۸ سوال: نحوه تقسیم به صورت مساوی
- ۱-۰۲-۱۹ راه حل: نحوه تقسیم به صورت مساوی
- ۱-۰۲-۲۰ نمودار چند سهم
- ۱-۰۲-۲۱ سوال: نحوه ترسیم نمودار دو سهم
- ۱-۰۲-۲۲ راه حل: نحوه ترسیم نمودار دو سهم
- ۱-۰۲-۲۳ نرمالسازی
- ۱-۰۳-۰۱ NumPy چیست
- ۱-۰۳-۰۲ ارتباط با Pandas
- ۱-۰۳-۰۳ یادداشت برداری
- ۱-۰۳-۰۴ سوال: جایگزینی یک قطعه
- ۱-۰۳-۰۵ راه حل: جایگزینی یک قطعه
- ۱-۰۳-۰۶ ایجاد آرایه های NumPy
- ۱-۰۳-۰۷ آرایه با مقادیر اولیه
- ۱-۰۳-۰۸ سوال: نوع داده را مشخص کنید
- ۱-۰۳-۰۹ راه حل: نوع داده را مشخص کنید
- ۱-۰۳-۱۰ تولید عدد تصادفی
- ۱-۰۳-۱۱ ویژگی آرایه
- ۱-۰۳-۱۲ عملیات در روزهای تعطیل
- ۱-۰۳-۱۳ سوال: حداکثر مقدار را پیدا کنید
- ۱-۰۳-۱۴ راه حل: حداکثر مقدار را پیدا کنید
- ۱-۰۳-۱۵ زمان عملیات پایتون
- ۱-۰۳-۱۶ NumPy چقدر سریع است
- ۱-۰۳-۱۷ دسترسی به عناصر آرایه
- ۱-۰۳-۱۸ اصلاح عناصر آرایه
- ۱-۰۳-۱۹ نمایه کردن یک آرایه با یک آرایه دیگر
- ۱-۰۳-۲۰ آرایه شاخص بولی یا ماسک
- ۱-۰۳-۲۱ عملیات حسابی
- ۱-۰۳-۲۲ درباره NumPy بیشتر بدانید
- ۱-۰۴-۰۱ آماده اید؟
- ۱-۰۴-۰۲ آمار جهانی
- ۱-۰۴-۰۳ آمار جهانی را محاسبه کنید
- ۱-۰۴-۰۴ Rolling statistics
- ۱-۰۴-۰۵ سوال: کدام آمار را استفاده کنیم
- ۱-۰۴-۰۶ راه حل: کدام آمار را استفاده کنیم
- ۱-۰۴-۰۷ باند بولینگر
- ۱-۰۴-۰۸ محاسبه rolling statistics
- ۱-۰۴-۰۹ سوال: محاسبه باند های بولینگر
- ۱-۰۴-۱۰ راه حل: محاسبه باند های بولینگر
- ۱-۰۴-۱۱ بازده روزانه
- ۱-۰۴-۱۲ محاسبه بازده روزانه
- ۱-۰۴-۱۳ محاسبه راه حل بازده روزانه
- ۱-۰۴-۱۴ بازده تجمعی
- ۱-۰۵-۰۱ مقدمه
- ۱-۰۵-۰۲ داده های بکر
- ۱-۰۵-۰۳ چرا داده ها گم می شوند
- ۱-۰۵-۰۴ چرا این کار، کار بدی است
- ۱-۰۵-۰۵ سوال: Pandas fillna
- ۱-۰۵-۰۶ راه حل: Pandas fillna
- ۱-۰۵-۰۷ کار با fillna
- ۱-۰۵-۰۸ سوال: مقادیر گمشده را پر کنید
- ۱-۰۵-۰۹ راه حل: مقادیر گمشده را پر کنید
- ۱-۰۶-۰۱ برازش یک خط به نقاط داده
- ۱-۰۶-۰۲ شیب با همبستگی برابر نیست
- ۱-۰۶-۰۳ سوال: همبستگی در مقابل شیب
- ۱-۰۶-۰۴ راه حل: همبستگی در مقابل شیب
- ۱-۰۶-۰۵ نمودار پراکندگی در پایتون
- ۱-۰۶-۰۶ استفاده واقعی از kurtosis
- ۱-۰۶-۰۷ هیستوگرام و نقشه پراکندگی
- ۱-۰۶-۰۸ نگاه دقیق تر به بازده روزانه
- ۱-۰۶-۰۹ چه چیزی به نظر می رسد
- ۱-۰۶-۱۰ راه حل: چه چیزی به نظر می رسد
- ۱-۰۶-۱۱ هیستوگرام بازده روزانه
- ۱-۰۶-۱۲ نحوه ترسیم histogram
- ۱-۰۶-۱۳ محاسبه آمار هیستوگرام
- ۱-۰۶-۱۴ سوال: دو هیستوگرام را مقایسه کنید
- ۱-۰۶-۱۵ راه حل: دو هیستوگرام را مقایسه کنید
- ۱-۰۶-۱۶ دو هیستوگرام را با هم ترسیم کنید
- ۱-۰۶-۱۷ نمودار پراکندگی
- ۱-۰۷-۰۱ بررسی اجمالی
- ۱-۰۷-۰۲ مقادیر روزانه پرتفولیو
- ۱-۰۷-۰۳ آمار نمونه کارها
- ۱-۰۷-۰۴ کدام پرتفولیو بهتر است
- ۱-۰۷-۰۵ کدام پرتفولیو بهتر است
- ۱-۰۷-۰۶ نسبت شارپ
- ۱-۰۷-۰۷ سوال: فرم نسبت شارپ
- ۱-۰۷-۰۸ راه حل: فرم نسبت شارپ
- ۱-۰۷-۰۹ محاسبه نسبت شارپ
- ۱-۰۷-۱۰ اما صبر کنید ، چیزهای بیشتری وجود دارد!
- ۱-۰۷-۱۱ سوال: نسبت شارپ چیست؟
- ۱-۰۷-۱۲ راه حل: نسبت شارپ چیست؟
- ۱-۰۷-۱۳ همه را کنار هم بگذارید
- ۱-۰۸-۰۱ بهینه ساز چیست؟
- ۱-۰۸-۰۲ نمونه کوچک سازی
- ۱-۰۸-۰۳ Minimizer در پایتون
- ۱-۰۸-۰۴ سوال: چگونه یک مینیمایزر را شکست دهیم
- ۱-۰۸-۰۵ راه حل: چگونه یک مینیمایزر را شکست دهیم
- ۱-۰۸-۰۶ مشکلات محدب
- ۱-۰۸-۰۷ ساختن یک مدل پارامتری
- ۱-۰۸-۰۸ سوال: متریک خطای خوب چیست
- ۱-۰۸-۰۹ راه حل: متریک خطای خوب چیست
- ۱-۰۸-۱۰ Minimizer ضرایب را می یابد
- ۱-۰۸-۱۱ خط متناسب با داده ها را بدست آورید
- ۱-۰۸-۱۲ و برای چند جمله ها نیز کار می کند!
- ۱-۰۸-۱۳ بهینه سازهای بسته بندی شده
- ۱-۰۹-۰۱ بهینه سازی پرتفولیو چیست؟
- ۱-۰۹-۰۲ بهینه سازی می تواند تفاوت ایجاد کند
- ۱-۰۹-۰۳ سوال: کدام معیارها ساده ترین راه حل است
- ۱-۰۹-۰۳ کدام معیارها ساده ترین راه حل است
- ۱-۰۹-۰۴ راه حل: کدام معیارها ساده ترین راه حل است
- ۱-۰۹-۰۵ فریم کردن مشکل
- ۱-۰۹-۰۶ محدوده و محدودیت
-
2 - سرمایه گذاری محاسباتی
- ۲-۰۱-۰۱ بررسی اجمالی
- ۲-۰۱-۰۲ انواع صندوق
- ۲-۰۱-۰۳ نقدینگی و سرمایه گذاری
- ۲-۰۱-۰۴ سوال: چه نوع صندوقی است
- ۲-۰۱-۰۵ راه حل: چه نوع صندوقی است
- ۲-۰۱-۰۶ انگیزه برای مدیران صندوق
- ۲-۰۱-۰۷ دو و بیست
- ۲-۰۱-۰۸ سوال: تشویق
- ۲-۰۱-۰۹ راه حل: تشویق
- ۲-۰۱-۱۰ چگونه صندوقها سرمایه جذب می کنند
- ۲-۰۱-۱۱ اهداف و معیارهای صندوق تامینی
- ۲-۰۱-۱۲ محاسبه داخل صندوق تامین
- ۲-۰۲-۰۱ بررسی اجمالی
- ۲-۰۲-۰۲ چه چیزی در یک سفارش است
- ۲-۰۲-۰۳ کتاب سفارش
- ۲-۰۲-۰۴ سوال: بالا یا پایین
- ۲-۰۲-۰۵ راه حل: بالا یا پایین
- ۲-۰۲-۰۶ چگونه سفارشات بر کتاب سفارش تأثیر می گذارند
- ۲-۰۲-۰۷ چگونه سفارشات به بورس می رسند
- ۲-۰۲-۰۸ چگونه صندوق های تامینی از مکانیک بازار استفاده می کنند
- ۲-۰۲-۰۹ نوع سفارش اضافی
- ۲-۰۲-۱۰ مکانیک ورود به فروش کوتاه
- ۲-۰۲-۱۱ فروش کوتاه
- ۲-۰۲-۱۲ راه حل: فروش کوتاه
- ۲-۰۲-۱۳ مکانیک خروج از فروش کوتاه مدت
- ۲-۰۲-۱۴ چه اشتباهی می تواند انجام شود
- ۲-۰۳-۰۱ بررسی اجمالی
- ۲-۰۳-۰۲ چه شرکتی ارزش دارد
- ۲-۰۳-۰۳ راه حل: چه شرکتی ارزش دارد
- ۲-۰۳-۰۴ چرا ارزش شرکت اهمیت دارد
- ۲-۰۳-۰۵ سوال: باند Balch
- ۲-۰۳-۰۶ راه حل: باند Balch
- ۲-۰۳-۰۷ ارزش دلار آینده
- ۲-۰۳-۰۸ ارزش ذاتی
- ۲-۰۳-۰۹ سوال: ارزش ذاتی
- ۲-۰۳-۱۰ راه حل: ارزش ذاتی
- ۲-۰۳-۱۱ ارزش کتاب
- ۲-۰۳-۱۲ سرمایه گذاری در بازار
- ۲-۰۳-۱۳ چرا اطلاعات بر قیمت سهام تأثیر می گذارد
- ۲-۰۳-۱۴ سوال: ارزش شرکت را محاسبه کنید
- ۲-۰۳-۱۵ راه حل: ارزش شرکت را محاسبه کنید
- ۲-۰۳-۱۶ سوال: آیا این سهام را می خرید؟
- ۲-۰۳-۱۷ راه حل: آیا این سهام را می خرید؟
- ۲-۰۳-۱۸ خلاصه
- ۲-۰۴-۰۱ مدل قیمت گذاری دارایی های سرمایه
- ۲-۰۴-۰۲ تعریف یک پرتفولیو
- ۲-۰۴-۰۳ سوال: بازگشت پرتفولیو
- ۲-۰۴-۰۴ راه حل: بازگشت پرتفولیو
- ۲-۰۴-۰۵ سبد بازار
- ۲-۰۴-۰۶ معادله CAPM
- ۲-۰۴-۰۷ سوال: آلفا و بتا را مقایسه کنید
- ۲-۰۴-۰۸ راه حل: آلفا و بتا را مقایسه کنید
- ۲-۰۴-۰۹ CAPM در مقابل مدیریت فعال
- ۲-۰۴-۱۰ CAPM برای پرتفولیو
- ۲-۰۴-۱۱ سوال: پیامدهای CAPM
- ۲-۰۴-۱۲ راه حل: پیامدهای CAPM
- ۲-۰۴-۱۳ پیامدهای CAPM
- ۲-۰۴-۱۴ نظریه قیمت گذاری آربیتراژ
- ۲-۰۵-۰۱ خطر صندوق های تامینی
- ۲-۰۵-۰۲ سناریو دو سهام
- ۲-۰۵-۰۳ سوال: سناریو دو سهام
- ۲-۰۵-۰۴ راه حل: سناریو دو سهام
- ۲-۰۵-۰۵ ریاضی CAPM دو سهام
- ۲-۰۵-۰۶ سوال: تخصیص ، ریسک بازار را از بین می برد
- ۲-۰۵-۰۷ راه حل: تخصیص ، ریسک بازار را از بین می برد
- ۲-۰۵-۰۸ چگونه کار می کند
- ۲-۰۵-۰۹ CAPM برای خلاصه صندوق های تامینی
- ۲-۰۶-۰۱ فنی در مقابل تحلیل بنیادی
- ۲-۰۶-۰۲ ویژگی
- ۲-۰۶-۰۳ شاخص بالقوه
- ۲-۰۶-۰۴ راه حل: شاخص بالقوه
- ۲-۰۶-۰۵ چه موقع تجزیه و تحلیل فنی ارزشمند است
- ۲-۰۶-۰۶ چه موقع تجزیه و تحلیل فنی ارزشمند است (قسمت ۲)
- ۲-۰۶-۰۷ کمی درباره اندیکاتور Momentum
- ۲-۰۶-۰۸ کمی درباره اندیکاتور میانگین متوسط ساده
- ۲-۰۶-۰۹ کمی درباره اندیکاتور باند بویلنگر
- ۲-۰۶-۱۰ سوال: بخرید یا بفروشید
- ۲-۰۶-۱۱ راه حل: بخرید یا بفروشید
- ۲-۰۶-۱۲ نرمالسازی
- ۲-۰۶-۱۳ بسته بندی
- ۲-۰۷-۰۱ بررسی اجمالی درس
- ۲-۰۷-۰۲ چگونه داده ها جمع می شوند
- ۲-۰۷-۰۳ سوال: ناهنجاری قیمت
- ۲-۰۷-۰۴ راه حل: ناهنجاری قیمت
- ۲-۰۷-۰۵ تقسیم سهام
- ۲-۰۷-۰۶ سوال: تنظیم تقسیم
- ۲-۰۷-۰۷ راه حل: تنظیم تقسیم
- ۲-۰۷-۰۸ سود سهام
- ۲-۰۷-۰۹ سوال: سود سهام
- ۲-۰۷-۱۰ راه حل: سود سهام
- ۲-۰۷-۱۱ تعدیل سود سهام
- ۲-۰۷-۱۲ Survivor bias
- ۲-۰۸-۰۱ فرضیه ما
- ۲-۰۸-۰۲ فرض EMH
- ۲-۰۸-۰۳ منبع اطلاعات
- ۲-۰۸-۰۴ شکل EMH
- ۲-۰۸-۰۵ سوال: ممنوعیت EMH
- ۲-۰۸-۰۶ راه حل: ممنوعیت EMH
- ۲-۰۸-۰۷ آیا EMH صحیح است؟
- ۲-۰۹-۰۱ بررسی اجمالی
- ۲-۰۹-۰۲ قانون بنیادی Grinold
- ۲-۰۹-۰۳ کازینو Flipping Coin
- ۲-۰۹-۰۴ سوال: کدام شرط بهتر است
- ۲-۰۹-۰۵ راه حل: کدام شرط بهتر است
- ۲-۰۹-۰۶ سوال: جایزه کازینو Flipping Coin
- ۲-۰۹-۰۷ راه حل: جایزه کازینو Flipping Coin
- ۲-۰۹-۰۸ ریسک سکه فلیپ کازینو ۱
- ۲-۰۹-۰۹ ریسک سکه فلیپ کازینو ۲
- ۲-۰۹-۱۰ سوال: ریسک سکه فلیپ کازینو
- ۲-۰۹-۱۱ راه حل: ریسک سکه فلیپ کازینو
- ۲-۰۹-۱۲ مشاهدات سکه فلیپ کازینو
- ۲-۰۹-۱۳ درس سکه فلیپ کازینو
- ۲-۰۹-۱۴ بازگشت به دنیای واقعی
- ۲-۰۹-۱۵ IR ، IC و عرض
- ۲-۰۹-۱۶ IR ، IC و عرض(اندازه گیری)
- ۲-۰۹-۱۷ قانون بنیادی
- ۲-۰۹-۱۸ سوال: Simons vs. Buffet
- ۲-۰۹-۱۸ Simons vs. Buffet
- ۲-۰۹-۱۹ راه حل: Simons vs. Buffet
- ۲-۱۰-۰۱ بررسی اجمالی
- ۲-۱۰-۰۲ خطر چیست
- ۲-۱۰-۰۳ نمودار بازگشت در مقابل خطر
- ۲-۱۰-۰۴ سوال: ساخت یک پورتفولیو
- ۲-۱۰-۰۵ راه حل: ساخت یک پورتفولیو
- ۲-۱۰-۰۶ آیا می توانیم بهتر عمل کنیم
- ۲-۱۰-۰۷ چرا کوواریانس اهمیت دارد
- ۲-۱۰-۰۸ بهینه سازی میانگین واریانس
- ۲-۱۰-۰۹ مرز کارآمدی
-
3 - الگوریتم های یادگیری ماشین برای معاملات
- ۳-۰۱-۰۱ بررسی اجمالی
- ۳-۰۱-۰۲ مشکل ML
- ۳-۰۱-۰۳ سوال: X و Y چیست
- ۳-۰۱-۰۴ راه حل: X و Y چیست
- ۳-۰۱-۰۵ یادگیری رگرسیون با ناظر
- ۳-۰۱-۰۶ نمونه هدایت ربات
- ۳-۰۱-۰۷ نحوه کار با داده های سهام
- ۳-۰۱-۰۸ مثالی در یک شرکت fintech
- ۳-۰۱-۰۹ نسخه ی نمایشی پیش بینی قیمت
- ۳-۰۱-۱۰ Backtesting
- ۳-۰۱-۱۱ ابزار ML کاربردی
- ۳-۰۱-۱۲ مشکل رگرسیون
- ۳-۰۱-۱۳ مشکلی که ما به آن خواهیم پرداخت
- ۳-۰۲-۰۱ مقدمه
- ۳-۰۲-۰۲ رگرسیون پارامتری
- ۳-۰۲-۰۳ K نزدیکترین همسایه
- ۳-۰۲-۰۴ سوال: چگونه می توان پیش بینی کرد
- ۳-۰۲-۰۵ راه حل: چگونه می توان پیش بینی کرد
- ۳-۰۲-۰۶ Kernel regression
- ۳-۰۲-۰۷ سوال: پارامتری در مقابل غیر پارامتری
- ۳-۰۲-۰۸ راه حل: پارامتری در مقابل غیر پارامتری
- ۳-۰۲-۰۹ آموزش و تست
- ۳-۰۲-۱۰ یادگیری API ها
- ۳-۰۲-۱۱ مثال برای رگرسیون خطی
- ۳-۰۳-۰۱ بررسی اجمالی
- ۳-۰۳-۰۲ نگاهی دقیق تر به راه حل های KNN
- ۳-۰۳-۰۳ سوال: اگر K متفاوت باشد چه اتفاقی می افتد
- ۳-۰۳-۰۴ راه حل: اگر K متفاوت باشد چه اتفاقی می افتد
- ۳-۰۳-۰۵ سوال: اگر D متفاوت باشد چه اتفاقی می افتد
- ۳-۰۳-۰۶ راه حل: اگر D متفاوت باشد چه اتفاقی می افتد
- ۳-۰۳-۰۷ خطای متریک ۱ RMS
- ۳-۰۳-۰۸ In Sample vs out of sample
- ۳-۰۳-۰۹ سوال: کدام بدتر است
- ۳-۰۳-۱۰ راه حل: کدام بدتر است
- ۳-۰۳-۱۱ Cross validation
- ۳-۰۳-۱۲ cross validation رو به جلو
- ۳-۰۳-۱۳ همبستگی متریک ۲
- ۳-۰۳-۱۴ سوال: همبستگی و خطای RMS
- ۳-۰۳-۱۵ راه حل: همبستگی و خطای RMS
- ۳-۰۳-۱۶ Overfitting
- ۳-۰۳-۱۷ سوال: Overfitting
- ۳-۰۳-۱۸ راه حل: Overfitting
- ۳-۰۳-۱۹ سوال: ملاحظات دیگر
- ۳-۰۳-۲۰ راه حل: ملاحظات دیگر
- ۳-۰۴-۰۱ بررسی اجمالی
- ۳-۰۴-۰۲ یادگیری Ensemble
- ۳-۰۴-۰۳ سوال: نحوه ساخت یک Ensemble
- ۳-۰۴-۰۴ راه حل: نحوه ساخت یک Ensemble
- ۳-۰۴-۰۵ Bootstrap aggregating bagging
- ۳-۰۴-۰۶ سوال: Overfitting
- ۳-۰۴-۰۷ راه حل: Overfitting
- ۳-۰۴-۰۸ نمونه Bagging
- ۳-۰۴-۰۹ Boosting
- ۳-۰۴-۱۰ سوال: Overfitation
- ۳-۰۴-۱۱ راه حل: Overfitation
- ۳-۰۴-۱۲ خلاصه
- ۳-۰۵-۰۱ بررسی اجمالی
- ۳-۰۵-۰۲ مشکل RL
- ۳-۰۵-۰۳ سوال: تجارت به عنوان یک مشکل RL
- ۳-۰۵-۰۴ راه حل: تجارت به عنوان یک مشکل RL
- ۳-۰۵-۰۵ Map کردن معاملات به RL
- ۳-۰۵-۰۶ مشکل تصمیم گیری مارکوف
- ۳-۰۵-۰۷ انتقال ناشناخته و پاداش
- ۳-۰۵-۰۸ چه چیزی را بهینه سازی کنید
- ۳-۰۵-۰۹ سوال: کدام رویکرد ۱ میلیون دلار بدست می آورد
- ۳-۰۵-۱۰ راه حل: کدام رویکرد ۱ میلیون دلار بدست می آورد
- ۳-۰۵-۱۱ خلاصه
- ۳-۰۶-۰۱ بررسی اجمالی
- ۳-۰۶-۰۲ Q چیست
- ۳-۰۶-۰۳ آموزش Procedure
- ۳-۰۶-۰۴ قانون را به روز کنید
- ۳-۰۶-۰۵ دو نکته دقیق تر
- ۳-۰۶-۰۶ اقدامات مسئله معاملات
- ۳-۰۶-۰۷ سوال: پاداش مسئله معاملات
- ۳-۰۶-۰۸ راه حل: پاداش مسئله معاملات
- ۳-۰۶-۰۹ سوال: وضعیت مسئله معاملات
- ۳-۰۶-۰۹ وضعیت مسئله معاملات
- ۳-۰۶-۱۰ راه حل: وضعیت مسئله معاملات
- ۳-۰۶-۱۱ ایجاد وضعیت
- ۳-۰۶-۱۲ تفسیر
- ۳-۰۶-۱۳ Q Learning Recap
- ۳-۰۷-۰۱ بررسی اجمالی
- ۳-۰۷-۰۲ تصویر بزرگ Dyna Q
- ۳-۰۷-۰۳ یادگیری T
- ۳-۰۷-۰۴ سوال: چگونه می توان T را ارزیابی کرد
- ۳-۰۷-۰۵ راه حل: چگونه می توان T را ارزیابی کرد
- ۳-۰۷-۰۶ یادگیری R
- ۳-۰۷-۰۷ Dyna Q Recap
-
مصاحبه با Tammer Kamel
۱-۰۰-۰۱ مقدمه
متن ویدئو
۱
۰۰:۰۰:۰۰,۲۷۰ –> 00:00:01,530
سلام ، من تاکر بالچ هستم
۲
۰۰:۰۰:۰۱,۵۳۰ –> 00:00:05,350
من استاد جورجیا تکنیک و مربی این دوره هستم
۳
۰۰:۰۰:۰۵,۳۵۰ –> 00:00:06,565
هستم Devpriya Dave سلام ، من
۴
۰۰:۰۰:۰۶,۵۶۵ –> 00:00:08,565
دانشجوی فارغ التحصیل دانشگاه جورجیا تکنیک
۵
۰۰:۰۰:۰۸,۵۶۵ –> 00:00:10,562
شما می توانید من را، دیو صدا کنید
۶
۰۰:۰۰:۱۰,۵۶۲ –> 00:00:14,049
تحقیقات اصلی من در مورد یادگیری ماشین برای روباتیک بود
۷
۰۰:۰۰:۱۴,۰۴۹ –> 00:00:19,270
اما در سال ۲۰۰۷ علاقه مند شدم از همین الگوریتم های مشابه برای سرمایه گذاری استفاده کنم
۸
۰۰:۰۰:۱۹,۲۷۰ –> 00:00:23,240
از آن زمان تحقیقات و تدریس خود را به سمت امور مالی تغییر داده ام
۹
۰۰:۰۰:۲۳,۲۴۰ –> 00:00:27,420
را تأسیس کردم Lucena Research من همچنین یک شرکت فناوری مالی با نام
۱۰
۰۰:۰۰:۲۷,۴۲۰ –> 00:00:30,660
من دانشجوی کارشناسی ارشد هستم که با استاد کار می کنم
۱۱
۰۰:۰۰:۳۰,۶۶۰ –> 00:00:32,840
او سیستم پیش بینی کننده برای بازار سهام ایجاد کرده است
۱۲
۰۰:۰۰:۳۲,۸۴۰ –> 00:00:36,050
من همچنین برای پشتیبانی این دوره روی نرم افزار کار می کنم
۱۳
۰۰:۰۰:۳۶,۰۵۰ –> 00:00:37,810
در این دوره زمان زیادی دیو را می بینید
۱۴
۰۰:۰۰:۳۷,۸۱۰ –> 00:00:40,230
او باعث می شود اتفاقات زیادی در پشت صحنه اتفاق بیفتد
۱۵
۰۰:۰۰:۴۰,۲۳۰ –> 00:00:43,680
حالا دیو ، من در حال فکر کردن در مورد خرید سهام اپل هستم
۱۶
۰۰:۰۰:۴۳,۶۸۰ –> 00:00:45,330
فکر می کنی باید این کار را می کردم؟
۱۷
۰۰:۰۰:۴۵,۳۳۰ –> 00:00:47,810
خوب ، بستگی به عوامل زیادی دارد
۱۸
۰۰:۰۰:۴۷,۸۱۰ –> 00:00:49,880
سایر سهام موجود در سبد خرید شما چیست؟
۱۹
۰۰:۰۰:۴۹,۸۸۰ –> 00:00:52,750
به نظر شما چه چیزی باعث پیش بینی قیمت سهام خواهد شد؟
۲۰
۰۰:۰۰:۵۲,۷۵۰ –> 00:00:56,160
همچنین ، فکر می کنید چقدر خطر دارد که بتوانید این کار را انجام دهید؟
۲۱
۰۰:۰۰:۵۶,۲۴۰ –> 00:01:00,190
بنابراین همه این سوالات خوب هستند ، و Dev دقیقاً درست است
۲۲
۰۰:۰۱:۰۰,۱۹۰ –> 00:01:04,290
ما باید قبل از سرمایه گذاری همه موارد را در نظر بگیریم
۲۳
۰۰:۰۱:۰۴,۲۹۰ –> 00:01:07,102
اکنون در این دوره می خواهیم بسیاری از این موضوعات را پوشش دهیم
۲۴
۰۰:۰۱:۰۷,۱۰۲ –> 00:01:11,483
ما می خواهیم به شما نشان دهیم که چگونه اطلاعات بر حرکت سهام تأثیر می گذارد
۲۵
۰۰:۰۱:۱۱,۴۸۳ –> 00:01:16,430
قیمت ، نحوه ساختن نرم افزاری برای تحلیل و تجسم این روابط و
۲۶
۰۰:۰۱:۱۶,۴۳۰ –> 00:01:19,450
جزئیاتی در مورد نحوه کار بورس کالا
۲۷
۰۰:۰۱:۱۹,۴۵۰ –> 00:01:22,120
سرانجام ، در آخرین بخش این دوره قصد داریم
۲۸
۰۰:۰۱:۲۲,۱۲۰ –> 00:01:24,610
نحوه ساخت الگوریتم های یادگیری ماشین را به شما نشان می دهیم
۲۹
۰۰:۰۱:۲۴,۶۱۰ –> 00:01:28,120
که می توانید از آنها برای ساختن استراتژی های معاملات واقعی استفاده کنید
۳۰
۰۰:۰۱:۲۸,۱۲۰ –> 00:01:29,130
حالا شروع کنیم
۳۱
۰۰:۰۱:۲۹,۱۳۰ –> 00:01:31,630
بیایید این کار را انجام دهیم