دسترسی آسان
پنجشنبه سی ام خرداد ۱۳۹۲ ساعت 8:56 | نوشته ‌شده به دست علی رئوفی | ( نظر دهید )
بر روی آیتم های زیر کلیک کنید تا به بخش دلخواه وارد شوید.
   
 
موضوعات مرتبط: مقالات اقتصادی، دانلود، اخبار اقتصادی، کنکور کارشناسی ارشد و دکترا، جزوات و فایل های آموزشی، دست نوشته، اخبار استخدامی

برچسب‌ها: کارشناسی ارشد, دکترا, نرم افزارهای اقتصادی, جزوات اقتصادی
دیتاوست آغاز به کار کرد
پنجشنبه دهم اسفند ۱۴۰۲ ساعت 12:18 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )

وبسایت دیتاوست با مدیریت دکتر علی رئوفی آغاز به کار کرد. این وبسایت با شعار راهکارهای مبتنی بر داده در تلاش است تا چالش های دنیای واقعی را با استفاده از علم داده، هوش مصنوعی به خصوص یادگیری ماشین مرتفع سازد. تمرکز این وبسایت بر آموزش های مبتنی بر پایتون مالی است. دوره هایی نظیر دوره هوش مصنوعی و یادگیری ماشین در مالی، دوره معاملات الگوریتمی با پایتون، دوره بهینه سازی سبد سهام با پایتون، دوره پایتون مالی و تکنیکال هوشمند از جماه دوره هایست که در حال برگزاری است. برای دیدن این وبسایت به آدرس زیر مراجعه نمایید.

دیتاوست، راهکارهای مبتنی بر داده

برچسب‌ها: دیتاوست, پایتون مالی, معاملات الگوریتمی
دوره معاملات الگوریتمی با پایتون
پنجشنبه چهارم آذر ۱۴۰۰ ساعت 18:17 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )

آشنایی با معاملات الگوریتمی

آیا می‌دانستید درحال حاضر بیش از ۸۵ درصد معاملات بازارهای مالی به صورت الگوریتمی انجام می‌شوند؟

آشنایی با معاملات الگوریتمی، معاملات الگوریتمی چیست؟ علی رئوفی دکتری اقتصاد مالی

آیا تا این لحظه واژه #معاملات_الگوریتمی به گوشتان خورده است؟! زمانی که معاملات #بورس راه اندازی شد، سرعت پردازش در رایانه‌ها به شکل امروزی نبود و این بازارها به وجود آنها وابسته نبود. بنابراین در آن زمان معاملات به صورت دستی و حضوری و بطور #سنتی انجام می‌شد. هر شخصی برای خرید یا فروش سهام در بازار بورس ایران باید خود را به خیابان حافظ می‌رساند تا اولا از روی تابلو قیمت‌های به روز شده را ببیند و سپس برای خرید یا فروش سهم خود باید فرم‌های مربوطه را پر می‌کرد. اما امروزه به لطف پیشرفت در سیستم‌های نرم‌افزاری و سخت‌افزاری و در دسترس بودن اینترنت، در حالی که در خانه یا محل کار خود در حال نوشیدن یک #چای گرم هستید تنها با وارد شدن به سایت #کارگزاری خود و با زدن یک دکمه می‌توانید سهام خود را خریداری یا بفروش برسانید.
اما در حال حاضر نرم افزارها و سخت افزارهای رایانه‌ای، کار را برای ما از این هم راحت‌تر کرده‌اند. دکمه‌ای را که معامله‌گر بدون #استراتژی خاصی برای خرید یا فروش سهم خود با هر حالت روحی و روانی می‌زند نیز رایانه عهده دار آن است و معاملات را بدور از هیچ استرس روحی و روانی و با توجه به استراتژی معاملاتی می‌خرد و یا می‌فروشد. حال کمی فراتر می رویم می‌خواهیم معاملات #هوشمندانه‌تر انجام شود مثلا اول شرایط بازار را بسنجد و بعد میزان سرمایه را چک کند و سپس وارد معامله شود، به این گونه معاملات که هوشمندی خاصی دارند، معاملات الگوریتمی می‌گویند.
اگر بخواهیم به زبان ساده معاملات الگوریتمی را بیان نماییم ، به هر نوع معامله هوشمندانه که به صورت #خودکار توسط رایانه برنامه‌ریزی شود را معاملات الگوریتمی می گویند که این کار نیز با زبان #پایتون قابل دسترسی خواهد بود.

 

 دوره معاملات الگوریتمی در پایتون

 ۳۵ درصد #تخفیف فقط تا پایان دی ماه!
🔔 امکان پرداخت به صورت #اقساط

دوره معاملات الگوریتمی در پایتون- علی رئوفی- دکتری اقتصاد مالی

طول دوره: 90ساعت + 24 ساعت پرسش و پاسخ و تمرین

مدرس:
علی رئوفی- دکتری اقتصادسنجی و مالی

نحوه برگزاری:
آنلاین + ویدئو به صورت #مادام‌العمر

 

برای کسب اطلاعات بیشتر و دریافت سرفصل‌ها به ایدی تلگرامی @abedizohreh پیام ارسال فرمایید یا کانال تلگرامی @pyfinance را دنبال بفرمایید.

دوره معاملات الگوریتمی برای بورس ایران با پایتون مالی - علی رئوفی- دکتری اقتصاد مالی

 

یادگیری ماشین، یادگیری عمیق و علم مالی


بعد از آشنایی با مطالب مرتبط با یادگیری ماشین، بسیاری از علاقه مندان این حوزه با اصطلاحی به نام یادگیری عمیق نیز آشنا می‌شوند. در صورت کنجکاوی، به پرس و جو و کاوش در اینترنت می‌پردازند و احتمالاً تا حدی با این تعریف آشنا شده و حس کنجکاوی آن‌ها برطرف میشود. عده ای اما کمی موشکافانه تر به برسی تفاوت های یاد گیری عمیق و یادگیری ماشین می‌پپردازند. قائل شدن این تفاوت بین مدل های یادگیری عمیق و یادگیری ماشین شاید از نظر بعضی حتی غلط به نظر برسد از آن جهت که یاد گیری عمیق را بخشی از یادگیری ماشین میدانند. اما با ریزبینی بیشتر، می‌توان ویژگی هایی در مدل های یاد گیری عمیق یافت که در مدل های عادی یادگیری ماشین دیده نمیشود. همچنین برای کسانی که ذهن پرسش گری نسبت به موضوع دارند پاسخ های داده شده برای بیان تفاوت یادگیری عمیق و یادگیری ماشین کلاسیک راضی کننده نیست.
اگر بخواهیم یک جمع بندی از پاسخ هایی که برای شرح این تفاوت ها داده شده ارائه دهیم نکات ذیل در منابع گوناگون به دفعات ذکر شده اند:
1.  یاد گیری عمیق توان استخراج دانش بیشتری از میان داده های حجیم نسبت به مدل های یاد گیری ماشین کلاسیک دارند 
2.  مدل های یاد گیری عمیق به شبکه های عصبی با بیش از 3 لایه مخفی گفته می‌شود
3.  مدل های یاد گیری عمیق توان استخراج ویژگی هایی را از میان داده ها دارند که در مدل های یادگیری ماشین کلاسیک توسط انسان استخراج میشود.
تا اینجا همه چیز تا حدودی قابل قبول است. به  طور مثال میتوان از معماری موفق شبکه ResNetXt-50  که در سال 2017 توسعه داده شد به عنوان یک مثال از مدل یادگیری عمیق در حوزه ی پردازش تصویر نام برد.
اما سوال اصلی این است که چرا چنین معماری های شناخته شده و فراگیری در حوزه ی پردازش داده های #سری_زمانی_مالی وجود ندارد.
اگر در جواب معماری های منتشر شده مبتنی مدل های LSTM و GRU به ذهنتان آمد، سوال بعدی این است که آیا واقعا چنین معماری هایی بر مبنای رفتار آماری داده های مالی به عمل استخراج ویژگی می پردازند؟ آیا ویژگی مرتبط با تشخیص چرخه‌ی رونق و رکود بازار های مالی را استخراج می‌کنند؟ آیا ویژگی های مربوط به تشخیص هیجانات سرمایه گزاران را استخراج می‌کند؟ ویژگی ها خلاف قاعده های بازار را چطور؟
اگر پاسختان به سوالات بالا بلی است ، به این معنی است که اگر ویژگی های آماری به خصوصی توسط محققان و خبرگان رشته مالی به یاری مدل های یاد گیری عمیق بیایند امکان افزایش دقت پیشبینی های مالی نخواهد بود.
در پایان به نظر میرسد فاصله ای علمی و فنی میان متخصصان رشته‌ مالی و داده کاوی وجود دارد که نیاز به بحث و برسی بیشتر دارد.
نظر شما چیست؟ چطور این فاصله را کمتر و کمتر کنیم؟

معرفی دوره یادگیری ماشین در مالی

 

دوره یادگیری ماشین در غلوم مالی - پیش بینی بازارهای مالی - رتبه بندی اعتباری در پایتون - بهینه سازی سبد سهام با پایتون - پایان نامه با پایتون مالی- علی رئوفی- دکتری اقتصاد مالی

 

برای کسب اطلاعات بیشتر و دریافت سرفصل‌ها به ایدی تلگرامی @abedizohreh پیام ارسال فرمایید یا کانال تلگرامی @pyfinance را دنبال بفرمایید.

 

برای یادگیری علم داده در علوم مالی از کجا باید شروع کرد؟

یکی از نگرانی های که در ذهن بسیاری از دانش پذیران #علم_داده_در_مالی وجود دارد این‌است که از کجا باید شروع کرد؟؟؟

-اول تئوری را یاد بگیریم؟ 
-اول برنامه‌نویسی یاد بگیریم؟
-آیا کسی که رشته تخصصی اش ریاضی و آمار  نیست امکان یادگیری این علم را دارد؟

در پاسخ به این سوالات از تجربه شخصی و بسیاری از دانش پذیران موفق دوره های گذشته وام میگیرم.

#یادگیری_ماشین ابزاری است که بدون پیاده سازی بر روی داده های متفاوت و #برنامه_نویسی عملاً یاد گیری آن‌ناقص است. به بیانی دیگر این ابزار زمانی معنی پیدا میکند که عملا بر روی داده ها اعمال شوند و نتایج آن مشاهده شود. بنا بر این اگر فردی صرفا بر تئوری این موضوع چه بسا تسلط مناسبی داشته باشد نمیتواتد از آن به صورت عملی صرفاً بر روی کاغذ استفاده کند.

از طرفی صرفاً دانستن نام تعدادی الگوریتم معروف در یک کتاب خانه ای که صرفا یک ماژول از پیش آماده در اختیار مدل ساز قرار میدهد در بسیاری از مواقع نمیتواند یک پاسخ کاملاً هوشمندانه باشد. دلیل آن هم ندانستم ماهیت محاسبات آن الگوریتم و ندانستن تطابق ماهیت الگوریتم با ماهیت داده های مورد بررسی است.

در این‌شرایط بهترین شیوه برای یادگیری این‌مفاهیم پیش بردن ابعاد تئوری و عملی آن به صورت موازی است. به این‌معنی که به صورت نسبی تئوری را آموزش دیده و بلا فاصله به پیاده سازی و آزمایش های متعدد پرداخته شود. در این شیوه نه تنها هر دو بعد تئوری و عملی این علم پوشش داده میشود بلکه ارتباط تئوری و عمل به شکلی ملموس برای دانش پذیر نهادینه‌میشود.

در پایان، این نکته حائز اهمیت است که علم #یادگیری_ماشین امروزه آنقدر محبوب است که توجه افراد زیادی از رشته های متفاوت را به خود جلب‌کرده است و با اختصاص زمان کافی و شیوه آموزش مناسب، فارق از تخصص دانشگاهی، میتوان در آن به موفقیت دست یافت.

بهترین زبان برنامه نویسی برای علم داده پایتون- مدرس پایتون مالی- علی رئوفی- دکتری اقتصاد مالی

 

معرفی مدرس دوره پایتون مالی 

علی رئوفی، دکتری اقتصاد مالی

مشاور و مدرس بازارهای مالی

مقالات تخصصی من در زمینه پیش‌بینی بازارهای مالی در ژورنال‌های داخلی و خارجی
 

1- Empirical Study on the Existence of Long-term Memory In Tehran Stock Exchange Returns: Rolling Window Approach
 (https://www.researchgate.net/publication/325657208_Empirical_Study_on_the_Existence_of_Long-term_Memory_In_Tehran_Stock_Exchange_Returns_Rolling_Window_Approach)در این مقاله وجود حافظه در داده‌های تاریخی بورس اوراق بهادار بررسی شده است. به زبان ساده اینکه آیا می‌توان با استفاده از داده‌های روزهای گذشته، آینده بازار را پیش‌بینی کرد؟ بر اساس نتایج بدست آمده داده‌های بورسی دارای حافظه حدودا سه روزه هستند و می‌توان از اطلاعات سه روز گذشته  برای پیش‌بینی استفاده کرد. البته به مرور زمان این حافظه کوتاه شده و به بورس ایران به بازار کارا نزدیکتر شده است.
2- Forecasting Tehran Stock Exchange Index Returns Using a Combination of Wavelet Decomposition and Adaptive Neural Fuzzy Inference Systems
 (https://www.researchgate.net/publication/325545871_Forecasting_Tehran_Stock_Exchange_Index_Returns_Using_a_Combination_of_Wavelet_Decomposition_and_Adaptive_Neural_Fuzzy_Inference_Systems)در این مقاله تلاش شده کرده‌ایم تا شاخص کل بورس اوراق بهادار را با استفاده از ترکیب ابزارهای پیشرفته نظیر شبکه عصبی مصنوعی، تجزیه موجک و منطق فازی پیش‌بینی کنیم. در این روش، نویزها با استفاده از تجزیه موجک حذف شده تا نوسانات اصلی راحت‌تر قابل پیش‌بینی باشد. در نهایت یک مدل با دقت پیش‌بینی بالا ارائه شده است.
3- Assessment of Gold Price Predictability and Comparison of Predictions made by Linear and Nonlinear Methods
 (https://www.researchgate.net/publication/268509315_Assessment_of_Gold_Price_Predictability_and_Comparison_of_Predictions_made_by_Linear_and_Nonlinear_Methods)در این مقاله پیش‌بینی‌پذیری قیمت طلا مورد بررسی قرار گرفته است و مشخص شده است و بهترین روش برای پیش‌بینی قیمت طلا معرفی شده است.
4- Comparison of Several Combined Methods for Forecasting Tehran Stock Exchange Index
 (https://www.researchgate.net/publication/305728073_Comparison_of_Several_Combined_Methods_for_Forecasting_Tehran_Stock_Exchange_Index)در این مقاله انواع روش‌های پیشرفته پیش‌بینی مورد ارزیابی و مقایسه قرار گرفته‌اند. و در نهایت روش ترکیبی شبکه عصبی مصنوعی-فازی به عنوان روش برگزیده معرفی گردیده است. در این روش جهت بازار (مثبت و منفی بودن بازده) با دقت 72 درصد قابل پیش‌بینی است.
5- Assessment and Comparison of linear and non- linear Methods for Forecasting Returns on Stock Market Index
 (https://www.researchgate.net/publication/308969393_Assessment_and_Comparison_of_linear_and_non-_linear_Methods_for_Forecasting_Returns_on_Stock_Market_Index)در این مقاله روش‌های خطی و غیرخطی برای پیش‌بینی سهام مورد بررسی و مقایسه قرار گرفت. در ابتدا اثبات شد که رفتار بازار سهام ایران غیرخطی و آشوبی است. رفتار آشوبی رفتاری است که علیرغم وجود بی نظمی در ساختار خود، از یک نظم پیچیده که شاید در ظاهر قابل مشاهده نباشد پیروی می‌کند. سپس روش‌های پیش‌بینی پیشرفته با روش‌های خطی مقایسه شده است. نتایج مطابق انتظار نشان داد که روش‌هایی که توانایی مدلسازی رفتار غیرخطی را دارند بهتر از روش‌های خطی پیش‌بینی می‌کنند.
6- Forecasting OPEC Crude Oil Price Using Fuzzy Autoregressive Integrated Moving Average (FARIMA) Model
 (https://www.researchgate.net/publication/310801037_Forecasting_OPEC_Crude_Oil_Price_Using_Fuzzy_Autoregressive_Integrated_Moving_Average_FARIMA_Model?_sg=OT_yiQPdjOcIs6aw8gmbFAohAuCRLVsh34SArlZxQS3_sEOS6Yukn1H47huF6yObLDt5kpGv7e5s453bkM9TmPZ2zM_G4v1LwdLsj_QG.lvAnWUk1A-nvRRWtSgHCk4dWu9HN5YK6af1qm9rBQiZ8xkOL0r9x-L9iUIygqncnYWQEZCjIikvfCTtX-Ir_Lw)در این مقاله تلاش شده است تا قیمت نفت با استفاده از یک الگوی رگرسیون فازی مورد پیش‌بینی قرار گیرد. در نهایت مشخص شد که این روش توانایی قابل قبولی در پیش‌بینی بازار نفت نسبت به سایر روش‌ها دارد.
7- Identifying Data Generator Process of Tehran Stock Exchange, Modeling and forecasting using Soft Computing
 (https://www.researchgate.net/publication/322101504_Identifying_Data_Generator_Process_of_Tehran_Stock_Exchange_Modeling_and_forecasting_using_Soft_Computing?_sg=YGjXE2cyreJKbU_RX_xW-blAqFN_O9bN8VAfREc3Wj-nvPaTmWejTE0JyxmToRSJ9RtbGQOtSck7Ep89NL9PQU7EQRdsrV7nC_yQmjn1._Wl5MXq-ZXm8d1al0ywFyvtgYhUoiCS3YcXpBwGQISovN6vAq4XPb4kxTSMQOd_ewky5pIeisD_QBHO1SEio9w)در این مقاله داده‌های تاریخی بورس از جهات مختلف مورد بررسی قرار گرفته است. با شناسایی خصوصیات مختلف شامل حافظه‌مند بودن، کارا بودن، آشوبی بودن و نامتقارن بودن یک الگوی پیش‌بینی قابل قبول ارائه گردد. در نهایت مشخص شد که شوک‌های مثبت و منفی در بازار سهام متقارن نیستند و شوک‌های منفی بزرگتر از شوک‌های مثبت است. همینطور بازار سهام یک بازار آشوبی و حافظه‌مند است و مدلی که قرار است پیش‌بینی بازار را بر عهده بگیرد باید این خصوصیات را مدل کند.
8- Evaluation and comparison of performance of ANFIS and ARIMA in forecasting the daily gold prices
 (https://www.researchgate.net/publication/268509203_Evaluation_and_comparison_of_performance_of_ANFIS_and_ARIMA_in_forecasting_the_daily_gold_prices)در این مقاله دو روش مختلف آریما (اقتصادسنجی) و شبکه عصبی فازی (محاسبات نرم) برای پیش‌بینی قیمت سکه تمام بهار آزادی مورد استفاده و مقایسه قرار گرفت که روش شبکه عصبی فازی با دقت بسیار بالایی توانایی خود را در پیش‌بینی این بازار نشان داد
9- The Existence of Long Memory Property in OPEC Oil Prices
 (https://www.researchgate.net/publication/303805744_The_Existence_of_Long_Memory_Property_in_OPEC_Oil_Prices?_sg=ImZzJhRP8Zxzv9Otd1kPHtt3OCRLhTpQ41ePgjXW-uSFdKGcqNPRLaPkJEdtSwIvWRZqM6c9KW__fWvZd7EGd85e6QmWxOGNAwiyaDBG.4U4F_xT998IjUCBL95r8pUTmzoM2Et2KeBtOhLjLBoq1mlJgXbLUTOunYF0akB3adt7WgVr8Y3rim1gsL85dJA)در این مقاله قیمت نفت اوپک مورد ارزیابی قرار گرفته است و پیش‌بینی پذیری آن سنجش شده است. نتایج نشان می‌دهد که پیش‌بینی پذیری بازار نفت اگرچه کار دشواری است با این حال غیر ممکن نیست.
10- Evaluation and Comparison of Forecast Performance of Linear and Non-linear Methods for Daily Returns of Tehran Stock Exchange
 (https://www.researchgate.net/publication/268687377_Evaluation_and_Comparison_of_Forecast_Performance_of_Linear_and_Non-linear_Methods_for_Daily_Returns_of_Tehran_Stock_Exchange?_sg=YtA9Vn2tVPwhnTG7BBUgNZ51VyZJrbjqOyXACUY4SZocNmpJVqxcPjKPkgkdhagyBpR7SQbmHGhefeg03ODdEkysDAdeJxbCkwzBPmsX.2VDtvBR3ff7oe_Wef1nSHpkarMMaCDMzpwiCrQlArkXYiuBmlXHKDcFSnZT53XV-xJQedMt0f7f8NhrX5rA3lw)در این مقاله انواع روش‌های نوین پیش‌بینی بازار سهام مورد بررسی قرار گرفته است و مهمترین روش‌ها با یکدیگر مقایسه شده است.
11- The Role of Feature Engineering in Prediction of Tehran Stock Exchange Index Based on LSTM (https://www.researchgate.net/publication/353379193_The_Role_of_Feature_Engineering_in_Prediction_of_Tehran_Stock_Exchange_Index_Based_on_LSTM)

 

معرفی کتاب معاملات الگوریتمی در پایتون

کتاب معاملات الگوریتمی در پایتون- علی رئوفی- دکتری اقتصاد مالی

معرفی کتاب Python Algorithmic Trading Cookbook

این کتاب، مستقیم وارد فضای عملی شده و کمتر به بحث‌های تئوری می‌پردازد و برای کسانی که می‌خواهند خیلی سریع تکنیک‌ها را یاد بگیرند مناسب است.

 

معرفی کتاب پایتون مالی

معرفی کتاب پایتون مالی- علی رئوفی- آموزش کتابخانه پاندا برای مالی در پایتون

 

معرفی کتاب «استادی در pandas برای بازارهای مالی»

تحلیل بازارهای مالی با استفاده از کتابخانه pandas

تحلیل و آنالیز بازارهای مالی جزو داغ‌ترین مباحث روز جهان است که می‌توان با استفاده از برنامه‌نویسی و الگوریتم‌های یادگیری ماشین اینکار را دقیق‌تر و سریع‌تر انجام داد.
 

معرفی کتاب اقتصادسنجی در پایتون

کتاب «راهنمای پایتون برای اقتصادسنجی مقدماتی مالی»
python guid to accompany, Introductory Econometrics for Finance
اقتصادسنجی یکی از ابزارهای بااهمیت در علم داده است. در این کتاب مبانی اقتصادسنجی مالی با مثال‌های گسترده‌ای از پایتون توضیح داده شده است.
نویسنده کتاب کریس بروکز است. کتاب خواندنی #اقتصادسنجی_مالی که در ایران نیز ترجمه شده است، از همین نویسنده است.

کتاب اقتصادسنجی در پایتون- یادگیری پایتون در اقتصاد- علی رئوفی- دکتری اقتصادسنجی


ما را در تلگرام  دنبال کنید.

افزایش دانش مالی با پایتون در تلگرام

https://t.me/pyfinance

 

دوره الگوتریدینگ در پایتون فارکس کریپتوکارنسی بورس تهران علی رئوفی

 

موضوعات مرتبط: سوابق آموزشی و پژوهشی نویسنده، دست نوشته

برچسب‌ها: معاملات الگوریتمی, کریپتوکارنسی, الگوتریدینگ در فارکس
مقاله جدید در زمینه پیش‌بینی شاخص کل بورس اوراق بهادار با استفاده از یادگیری عمیق
پنجشنبه سی و یکم تیر ۱۴۰۰ ساعت 14:44 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )

The Role of Feature Engineering in Prediction of Tehran Stock Exchange Index Based on LSTM

Amin Aminimehr , Ali Raoofi , Akbar Aminimehr , Amirhossein Aminimehr

.Department of Management, Ershad Damavand University, Tehran Branch, Tehran, Iran

 .Faculty of Economics , Allameh Tabatabaei University, Tehran, Iran

.Faculty of Accounting, Management and Economic, Payame Noor University, Tehran, Iran

.School of Computer Engineering, Iran University of Science and Technology, Tehran, Iran

 

Abstract:

In this research, the impact of different preprocessing methods on the Long-Short term memory in predicting the financial time series was examined. At first, the model was implemented on the Tehran stock exchange index by utilizing the Principal Component Analysis (PCA) model on 78 technical indicators. Then, the same model was implemented by the advantage of the random forest to select features rather than the PCA to extract them. In the next step, other technical strategy dummy variables were added to the model to examine the changes in its performance. Finally, two deep learning methods with the advantage of only target lags were deployed to compare the accuracy to the other models. The first deep model was plain but the second one was with the advantage of the Wavelet denoising process. The results of the MSE, MAE, MAPE, and R2 score on unseen test sequences showed that applying the Long Short-Term Memory with its own deep feature extraction procedure and the wavelet’s denoising process leads to the best accuracy in prediction of the Tehran stock exchange index. Finally, the Diebold Mariano test exposed a significant difference between the accuracy of the best model and the rest. This result implied that although the application of deep learning gains accurate results, it can be alleviated by feeding the model with creatively extracted and denoised features.

Keyword: Tehran Stock Exchange Price Prediction Deep Neural Network Feature Engineering Knowledge Extraction

JEL Classification: C32 C45 C52 C53 C58

 

Highlights:

• The performance of different knowledge extraction methods on financial time-series data.

• Using technical indicators as input variables of deep neural networks.

• Enhancing the impact of technical strategies in the stock price prediction.

• The role of the preprocessing features for training neural networks.

 

Download

برچسب‌ها: علی رئوفی, بورس اوراق بهادار, اقتصاد, دکتری اقتصاد مالی
دوره الگوریتم تریدینگ با پایتون + دوره آنلاین پایتون و کاربرد آن در اقتصاد و مالی
دوشنبه هفدهم آذر ۱۳۹۹ ساعت 21:41 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )

دوره پایتون و کاربرد آن در اقتصاد و مالی (آنلاین + ویدئو مادام العمر)

دوره معاملات الگوریتمی (الگوریتم تریدینگ) در پایتون

کسب درآمد و موقعیت های شغلی با پایتون!


امروزه بازارهای #مالی در حال پوست‌اندازی و ورود به دنیای جدید هستند. بیش از ۸۵ درصد از معاملات بازارهای مالی به صورت #معاملات_الگوریتمی انجام می‌شوند (معاملات الگوریتمی معاملاتی هستند که به وسیله کامپیوتر و بدون دخالت انسان و با دقت بالا انجام می‌شوند). عوامل و محرکه این قضیه، تولید حجم بسیار زیادی از داده‌های مالی در لحظه است که تحلیل این حجم از داده‌ها در زمانی کوتاه، نیاز به سرعت پردازش و توان محاسباتی بالایی دارد که از عهده یک فرد یا گروهی از افراد خارج است. از این رو استفاده از محاسبات کامپیوتری و #هوش_مصنوعی در بازارهای مالی روز به روز در حال گسترش است. موسسات مالی این روزها، با به کارگیری هوش مصنوعی به دنبال بهبود عملکردشان در تجارت و سرمایه گذاری هستند. با توجه به توانمندی‌های #پایتون در حوزه #یادگیری_ماشینی (یادگیری ماشینی: روش‌هایی که به کامپیوتر کمک می‌کند تا بتواند تصمیم‌های مناسب را اتخاذ کند) و نیازمندی‌های امروز بازارهای مالی، پایتون بهترین زبان و اکوسیستم برای تحلیل داده‌های مالی است. پایتون یک زبان قدرتمند برنامه‌نویسی است که سادگی برنامه‌نویسی در آن دلیل اقبال گسترده عمومی به این زبان بوده است. همچنین پایتون یک زبان بسیار قدرتمند در #تحلیل_داده و هوش مصنوعی، یادگیری ماشین و یادگیری عمیق است و پکیج‌های قدرتمندی در این زمینه در پایتون نوشته شده است که کار در این زمینه‌ها با پایتون را بسیار راحت و لذت بخش می‌کند.

دوره حاضر جامع‌ترین دوره پایتون و کاربرد آن در #اقتصاد و بازارهای مالی است که تاکید آن بر یادگیری ماشینی و معاملات الگوریتمی است. این دوره در ۷۲ ساعت و در سه سطح مقدماتی، یادگیری ماشینی و معاملات الگوریتمی تهیه شده است.

این آموزش با این فرض تهیه شده است که مخاطب هیچ دانش و تجربه قبلی در زمینه برنامه‌نویسی نداشته و در طول آموزش با این زبان آشنا می‌شود. این آموزش با تشریح مبانی نظری در حوزه مالی، یادگیری ماشینی و معاملات الگوریتمی، مثال‌های عملی متنوعی نیز در رابطه با بازارهای مالی ارائه خواهد کرد.

برای ثبت نام، در #دایرکت پیام ارسال بفرمایید

مدرس دوره، علی رئوفی، دکتری اقتصاد مالی و #اقتصادسنجی از دانشگاه علامه طباطبایی است که مقالات متعددی را در زمینه پیش‌بینی بازارهای مالی در ژورنال‌های معتبر بین‌المللی به چاپ رسانده است. ایشان به زبان برنامه نویسی #متلب (MATLAB) و R و Mql5 نیز مسلط است و دوره‌های متعددی را در این زمینه با همکاری دانشگاه‌ها و نهادهای مالی برگزار نموده است.

عنوان دوره: دوره آنلاین معاملات الگوریتمی با پایتون (همراه با آموزش صفر تا صد پایتون)

مدرس: علی رئوفی- دکتری اقتصاد مالی از دانشگاه علامه طباطبایی (صفحه در گوگل اسکولار)/ (صفحه در ریسرچ گیت)

 

جامع ترین دوره معاملات الگوریتمی در ایران

دوره پایتون مالی- مدرس علی رئوفی، دکتری اقتصاد مالی

 

امکان برگزاری دوره برای نهادهای مالی 

سرفصل های دوره صفر تا صد پایتون و کاربرد آن در اقتصاد و مالی + الگوریتم تریدینگ

دوره کاربرد پایتون در اقتصاد و مالی- مقدماتی

  • درس صفر: کلیات (آشنایی با زبان‌ها برنامه‌نویسی و محبوبیت آنها، آشنایی اجمالی بر الگوریتم و فلوچارت، اهمیت پایتون در بازارهای مالی)
  • درس یکم: آشنایی با پایتون (تاریخچه پایتون، ویژگی‌های پایتون، کاربردهای پایتون، نسخه‌های پایتون، نصب پایتون، آشنایی با محیط پایتون و محیط‌های توسعه و...)
  • درس دوم: انواع داده‌‌‌ها (اعداد، رشته، لیست، Tuple، دیکشنری، Set و تبدیل داده‌ها) ارائه کاربردهای آن در اقتصاد و مالی
  • درس سوم: انواع عملگرها در پایتون (محاسباتی، منطقی، مقایسه‌ای و...، تقدم عملگرها) و بررسی کاربرد آن در اقتصاد و مالی
  • درس چهارم: ساختارهای تصمیم: دستورات شرطی (ساختار if، else…if و ساختار شرطی تو در تو) و ارائه مثال در حوزه مالی
  • درس پنجم: ساختارهای تصمیم: حلقه‌ها (ساختار for و while، ساختار حلقه تو در تو، دستورات کنترلی در حلقه) و ارائه مثال در حوزه مالی
  • درس ششم: ایجاد تابع (مزیت استفاده از تابع، انواع توابع، توابع بازگشتی صدا زدن تابع، تست توابع) و ارائه مثال‌هایی از کاربرد آن در حوزه مالی
  • درس هفتم: فایل (باز کردن فایل، خواندن فایل، نوشتن در فایل، بستن فایل، حذف فایل)
  • درس هشتم: کاربرد مقدماتی پایتون (توابع ریاضی، اعداد تصادفی، ورود داده‌های مالی به پایتون، محاسبه بازده دارایی‌ها، محاسبه ریسک، تحلیل همبتسگی)
  • درس نهم: آشنایی با کتابخانه numpy برای انجام محاسبات عددی در حوزه مالی
  • درس دهم: آشنایی با کتابخانه Pandas برای مدیریت و ترسیم داده‌های مالی
  • درس یازدهم: آشنایی با کتابخانه matplotlib و seaborn برای ترسیم داده‌های مالی
  • درس دوازدهم: کاربردهای متنوع در حوزه مالی
    • ورود داده‌های مالی از منابع معتبر google finance، yahoo finance، world Bank و...
    • انتقال فایل داده از اکسل، R و سایر نرم‌افزارهای مرتبط با مالی
    • انواع ترسیم‌های کاربردی در داده‌های مالی (نمودارهای سری زمانی، نمودارهای همبستگی، هیستوگرام و ....)
    • انواع محاسبات مقدماتی در مالی (محاسبه بازده و بازده تجمعی، سنجه‌های ریسک، رگرسیون و...)
    • حل تمرین و رفع اشکال

دوره کاربرد پایتون در اقتصاد و مالی- یادگیری ماشینی

  • درس یکم: مقدمه‌ای بر یادگیری ماشین
    • تعریف یادگیری ماشین و کاربردهای آن
    • انواع الگوریتم های یادگیری (با نظارت و بدون نظارت(
    • مقدمه ای بر یادگیری با نظارت
    • مقدمه ای بر یادگیری بدون نظارت
  • درس دوم: داده
    • انواع داده (اسمی، ترتیبی، عددی)
    • شاخص‌های آماری داده (میانگین، میانه، مد، واریانس، انحراف معیار، چارک و...)
    • نمایش گرافیکی توصیف‌های آماری (نمودار میله‌ای، هیستوگرام، پراکندگی، باکس پلات و...)
    • وابستگی  (Correlation)
    • ویژگی های اسمی – باینری
    • عدم شباهت برای داده های عددی
    • معیار کسینوس برای شباهت
  • درس سوم: پیش پردازش داده
    • معیارهای کیفیت داده
    • اعمال پیش پردازش (پاک سازی داده، ترکیب و تجمیع، کاهش داده و....)
    • نحوه رسیدگی به داده‌های گم شده
    • داده نویز
    • هموار سازی داده‌ها
    • استراتژی‌های کاهش داده‌ها
  • درس چهارم: رگرسیون
    • رگرسیون خطی (تک متغیره، چند متغیره)
    • نکاتی در رابطه با رگرسیون خطی چند متغیره
    • رگرسیون خطی (تعداد داده‌های آموزشی و تعمیم‌پذیری(
    • انواع خطا
    • بیش پردازش (Overfitting) و روش‌های اجتناب از آن
  • درس پنجم: رگرسیون لجستیک  (Logistic Regression)
    • مرز تصمیم خطی و غیرخطی
    • تابع هزینه
    • الگوریتم گرادیان کاهشی در رگرسیون لجستیک
    • کلاس‌بندی با چند کلاس (یکی در برابر بقیه(
    • تنظیم رگرسیون خطی و رگرسیون لجستیک
    • بایاس و واریانس  (Bias & Variance)
  • درس ششم: شبکه عصبی مصنوعی
    • معرفی شبکه‌های عصبی مصنوعی
    • نورون‌های مصنوعی
    • شبکه عصبی پرسپترون چند لایه (MLP)
    • مثال
      • پیش‌بینی داده‌های مالی با شبکه عصبی مصنوعی
      • کلاس‌بندی داده‌های مالی با شبکه عصبی مصنوعی
  • درس هفتم: ماشین بردار پشتیبان (Support Vector Machine)
    • مقدمه ای بر بردار
    • ماشین بردار پشتیبان
    • محاسبه اندازه حاشیه
    • بردارهای پشتیبان
    • مساله بهینه‌سازی حداکثر کردن اندازه حاشیه
    • مزایا و معایب  SVM
  • درس هشتم: درخت تصمیم (Decision Tree)
    • چند مثال برای درخت تصمیم
    • الگوریتم های ساختن درخت تصمیم
    • بررسی چند مثال
    • بیش برازش ناشی از نویز
    • هرس کردن   (Pruning)
    • مزایا و معایب درخت تصمیم
  • درس نهم: دسته‌بندی K نزدیک ترین همسایه (k Nearest Neighbor)
    • معرفی KNN با چند مثال
    • الگوریتم  KNN
    • تکنیک‌های  Instance-Based
    • مرز تصمیم – دیاگرام  Voronoi
    • تاثیر اندازه K در مرز تصمیم
    • معیارهای شباهت
    • استفاده از معیار شباهت کسینوس
    • تاثیر معیار شباهت در مرز تصمیم
    • استراتژی انتخاب  K
    • استفاده از KNN برای پیشگویی عددی
    • استفاده از  K-D Tree
  • درس دهم: انتخاب ویژگی (Feature Selection)
    • مقدمه ای بر انتخاب ویژگی
    • روش فیلتر
    • معیار  Mutual information
    • روش دسته‌بندی  Wrapper
    • استراتژی های جستجو
    • آزمون آماری  t
    • انتخاب ویژگی با الگوریتم‌های فراابتکاری
  • درس یازدهم: تقلیل ابعاد (Dimension Reduction)
    • مقدمه‌ای بر تقلیل ابعاد
    • تقلیل ابعاد و کاربردهای آن
    • تجسم داده‌ها
    • مقایسه استخراج ویژگی (Feature Extraction) و انتخاب ویژگی (Feature Selection)
    • بررسی چندین مثال برای استخراج ویژگی با روش PCA
    • انتخاب K مناسب
    • کرنل  PCA
  • درس دوازدهم: خوشه‌بندی (Clustering)
    • مقایسه آموزش با نظارت با آموزش بدون نظارت
    • کاربردهای خوشه‌بندی
    • خوشه‌بندی افرازی
    • توضیح روش K-means به همراه چند مثال ساده
    • مشکل بهینه محلی
    • انتخاب کلاسترها (روش آرنجی(
    • نقاط قوت و ضعف روش K-means
    • خوشه بندی سلسله مراتبی (تجمعی و تقسیمی(
    • نمودار دندروگرام  (Dendrogram)
    • انتخاب تعداد کلاسترها
  • درس سیزدهم: کشف داده‌های پرت
    • داده پرت – نویز
    • انواع داده‌های پرت
      • سراسری
      • جمعی
      • زمینه‌ای
    • روش‌های تشخیص داده های پرت (با نظارت و بدون نظارت)
    • کشف داده‌های پرت (با روش خوشه‌بندی، دسته بندی و هیستوگرام و Box Plot)
  • درس چهاردهم: حل تمرین و مثال‌های متعدد در زمینه مالی

دوره کاربرد پایتون در اقتصاد و مالی- معاملات الگوریتمی

  • درس یکم: کلیات
    • آشنایی با معاملات الگوریتمی
    • آشنایی با کتابخانه‌های با اهمیت در معاملات الگوریتمی (NumPy, SciPy, pandas, matplotlib, statsmodels,)
    • آشنایی با پلتفرم‌های محبوب معاملات الگوریتمی
  • درس دوم: مدیریت و پیش‌پردازش داده‌ها
    • فراخوانی داده از پایگاه‌های داده معتبر
    • پالایش داده‌ها و آماده‌سازی آنها (محاسبات بازده، حذف نویز، تحلیل همبستگی و ...)
  • درس سوم: آشنایی با انواع استراتژی‌های معاملات الگوریتمی
    • استراتژی‌های معاملاتی مبتنی بر تحلیل تکنیکال
    • استراتژی‌های معاملاتی مبتنی بر همبستگی خطی
    • استراتژی‌های معاملاتی مبتنی بر یادگیری ماشینی
    • استراتژی‌‌های معاملاتی مبتنی بر معاملات پربسامد (High-Frequency Trading)
  • درس چهارم: بررسی کارایی استراتژی‌ها (Strategy Testing)
    • گرفتن بک تست (Back testing) برای بررسی میزان موفقیت الگوریتم
    • بررسی کارایی الگوریتم به صورت زنده (Live Testing)

 

برای ثبت نام در این دوره آنلاین به ایدی تلگرامی www.t.me/abedizohreh پیام دهید.

آگاهی از دوره‌های بیشتر در پیج اینستاگرامی https://www.instagram.com/raoofi_sahm 

برچسب‌ها: علی رئوفی, پایتون, معاملات الگوریتمی, الگوریتم تریدینگ
دوره اصول معامله در فارکس (دوره صفر تا صد فارکس)
دوشنبه دهم آذر ۱۳۹۹ ساعت 14:56 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )

دوره سرمایه گذاری در فارکس مقدماتی و پیشرفته (آنلاین + ویدئو مادام العمر)

کسب #درآمد دلاری با فارکس!

اگر سر رشته‌ای از #بورس داشته باشید حتما اسم #فارکس را شنیده‌اید. فارکس یک بازار بین‌المللی و جهانی است که سرمایه‌گذاران بسیاری از سراسر جهان در آن میلیون‌ها دلار به دست می‌آورند. فارکس مخفف کلمه Foreign Exchange یا بازار تبادل #ارز خارجی است که در این بازار ما ارزهای مختلف را در برابر هم معامله کنیم. این بازار بزرگترین بازار #مالی دنیا است که روزانه تیلیاردها #دلار پول در آن جابه جا می‌شود. از مزیت‌های این بازار می‌توان به امکان کسب درآمد دلاری، انجام معامله در ۲۴ ساعت شبانه روز، امکان کسب سود در هر دو جهت بازار (امکان سود در افزایش یا کاهش قیمت) و... اشاره نمود. بدون شک شرکت در بالاترین سطح معامله‌گری دنیا یعنی بازار FOREX بدون آموزش می‌تواند صدمات مالی بزرگی به شما وارد کند. پس اگر علاقه‌مند به یادگیری هستید و می‌خواهید آموزش فارکس از صفر را در کلاس‌های آنلاین آموزشی یاد بگیرید، در دایرکت پیام دهید تا جزییات دوره برای شما ارسال شود. همچنین شما می‌توانید برای کسب اطلاعات بیشتر به ای دی تلگرامی abedizohreh پیام دهید.
 

دوره فارکس

 

سرفصل های دوره صفر تا صد سرمایه گذاری در فارکس

برای دریافت سرفصل های آموزشی و دریافت ویدئوهای نمونه می توانید به abedizohreh در تلگرام پیام دهید.

 

برای ثبت نام در این دوره آنلاین به ایدی تلگرامی www.t.me/abedizohreh پیام دهید.

آگاهی از دوره‌های بیشتر در پیج اینستاگرامی https://www.instagram.com/raoofi_sahm 

برچسب‌ها: علی رئوفی, فارکس, درآمد دلاری, دوره های بورسی
دوره امواج الیوت در تحلیل تکنیکال
یکشنبه بیست و سوم شهریور ۱۳۹۹ ساعت 15:28 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )

 

دوره امواج الیوت در بورس علی رئوفی

 

دوره آنلاین امواج الیوت در بازار سرمایه (آنلاین + دریافت ویدئو مادام العمر)

امواج #الیوت به شما کمک می‌کند تا با شناخت ساختار و آناتومی نمودارها، کف‌ها و سقف‌های قیمتی را شناسایی کنید و میزان اصلاح یا رشد قیمت را تشخیص دهید. الیوت که یک حسابدار چیره دست آمریکایی بود، در دهه ۱۹۳۰ بر اساس #روانشناسی #بازار و با تکیه بر روانشناسی جمعی، الگوهای تکرار شونده‌ای را در روندها شناسایی کرد که امروزه به عنوان یک نظریه محبوب و کارآمد با عنوان «امواج الیوت» در بین تحلیلگران حرفه‌ای بازار شناخته می‌شود.
دوره آموزشی امواج الیوت از جمعه ۲۱ شهریورماه آغاز می‌شود و تا کنون ۱۳۵ دانش‌پذیر در این دوره ثبت نام نموده‌اند.
از مزیت‌های این دوره جامع بودن، قیمت بسیار مناسب نسبت به دوره‌های مشابه ( تا ۷۰ درصد تخفیف نسبت به برخی دوره‌های مشابه!)، در اختیار بودن مادام‌العمر ویدئوهای دوره برای مرور و تمرین بیشتر و از همه مهم‌تر رویکرد کاربرد و عملی دوره را می‌توان نام برد.
رای شرکت در این دوره کاربردی و دریافت ویدئوهای آن می توانید به دایرکت مراجعه نمایید یا در تلگرام به ایدی زیر پیام دهید:
t.me/abedizohreh

سرفصل های دوره تحلیل امواج الیوت در بازار سرمایه

 

جلسه اول
آشنايي با امواج اليوت و نحوه پيدايش آن
پايه هاي نظري امواج اليوت:
روانشناسي جمعي
معرفي تئوري داو
     - آشنايي با اصول اساسي نظريه داو
     - آشنايي با مراحل روانشناسانه شکل گيري روند منطق  
نظريه آشوب
     - آشنايي با فرکتال ها
جلسه دوم
     - نحوه شکل گيري ساختار فرکتالي در قيمت ها
انواع فرکتال هاي بالا و پايين در بازارهاي مالي
استفاده از انديکاتور Zig-Zag براي شناسايي فراکتال ها
شناسايي تک موج در نمودار
الگوي حرکت امواج در تحليل اليوت
آشنايي با فاز انگيزشي
     - آشنايي با موج هاي پنج گانه در فاز انگيزشي
     - قوانين حاکم بر امواج انگيزشي 5 گانه
     - آشنايي با الگوهاي شکست خورده در فاز انگيزشي
     - آشنايي با الگوهاي گسترش يافته در فاز انگيزشي
بررسي نمونه هاي واقعي از شمارش امواج در فاز انگيزشي
جلسه سوم
آشنايي با فاز اصلاحي
     - آشنايي با انواع ساختارهاي اصلاحي  (زيگزاگ، مثلث، مسطح و ترکيبي)
     - قوانين حاکم بر موج‌هاي اصلاحي
آشنايي با مفهوم درجه موج (درجه زماني و قيم)
کاربرد نسبت هاي فيبوناچي در امواج اليوت
     - آشنايي با فيبوناچي ريتريسمنت، پروجکشن و اکسپنشن
     - بررسي نسبت هاي محتمل در هر موج
جلسه چهارم
تمرين موج شماري در تايم فريم هاي مختلف
آشنايي با مکاتب مختلف امواج اليوت
رفع اشکال و پاسخ به سوالات

 

رای ثبت نام در این دوره آنلاین به ایدی تلگرامی www.t.me/abedizohreh پیام دهید.

آگاهی از دوره‌های بیشتر در پیج اینستاگرامی https://www.instagram.com/raoofi_sahm 

برچسب‌ها: دوره امواج الیوت, علی رئوفی, بورس, دوره تکنیکال
دوره فیبوناچی در بازار سرمایه
یکشنبه بیست و سوم شهریور ۱۳۹۹ ساعت 15:18 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )

 

دوره فبوناچی علی رئوفی

 

دوره آنلاین فیبوناچی در بازار سرمایه (آنلاین + دریافت ویدئو مادام العمر)

در عالم خلقت، نسبت منحصر به فرد وجود دارد که می‌توان از آن برای توصیف نسبت همه چیز از کوچک‌ترین اجزای طبیعت مانند اتم‌ها تا پیچیده‌ترین الگوهای موجود در جهان مانند اجسام آسمانی بسیار بزرگ استفاده کرد. طبیعت برای حفظ تعادل به این نسبت ذاتی متکی است. بازارهای مالی نیز با این «نسبت طلایی» منطبق هستند. این نسبت‌ها چیزی نیستند جز «نسبت‌های فیبوناچی». نسبت طلایی #فیبوناچی به افتخار بنیان‌گذار آن، «لئوناردو فیبوناچی» نام‌گذاری شده است.
نسبت‌های فیبوناچی را می‌توان در جای جای جهان هستی مشاهده کرد، از این رو امروزه معامله‌گران بازار سرمایه نیز توجه ویژه‌ای به این اعداد دارند. آنها در جستجوی درک این موضوع هستند که این اعداد چه نقشی در معاملات سهام بازی می‌کنند. از یک سو می‌توان تصور کرد که این نسبت‌ها به صورت ناخودآگاه در ضمیر معامله‌گران نقش بازی می‌کند و می‌تواند مبنایی برای میزان اصلاح و یا رشد قیمت‎ها باشد.
از سوی دیگر برخی افراد اینگونه استنباط می‌کنند که هنگامی که این ابزار توسط تعداد زیادی از تحلیلگران استفاده شود، خود فیبوناچی می‌تواند یک عامل بسیار مهم در تأثیرگذاری بر بازار باشد. به عبارتی، فیبوناچی به دلیل استفاده توسط تعداد زیادی از معامله‌گران موجب ایجاد سطوح حمایت و مقاومت مصنوعی می‌شود.
به هر حال، هر کدام از این تحلیل ها را که درست بدانیم، ابزارهای فیبوناچی به خوبی نقاط حمایت و مقاومت و نقاط بازگشت را در سهم مشخص می کنند.

برای شرکت در این دوره کاربردی و دریافت ویدئوهای آن می توانید به دایرکت مراجعه نمایید یا در تلگرام به ایدی زیر پیام دهید:
t.me/abedizohreh

 

سرفصل های دوره تحلیل فیبوناچی در بازار سرمایه

جلسه اول
آشنايي با دنباله فيبوناچي و نحوه پيدايش آن
آشنايي با نسبت هاي فيبوناچي
دليل اهيمت نسبت هاي فيبوناچي
جايگاه نسبت هاي فيبوناچي در علوم مالي
انواع فيبوناچي ها در تحليل تکنيکال:
    - فيبوناچي بازگشتي: ريتريسمنت و اکستنشن 
    - فيبوناچي پروجکشن
    - فيبوناچي اکسپنشن
معرفي انواع ابزارهاي فيبوناچي در تحليل تکنيکال:
     - انواع ابزارهاي فيبوي اصلاحي
     - کمان
     - بادبزن
     - انواع ابزارهاي فيبو زماني
آشنايي با فيبوناچي بازگشتي داخلي (ريتريسمنت)
آشنايي با فيبوناچي بازگشتي خارجي (اکستنشن)
جلسه دوم
آشنايي با فيبوناچي بازگشتي چندگانه (Multiple Retracement)
شناسايي نقاط بالقوه بازگشت قيمت (PRZ) با استفاده از ابزار فيبوناچي
آشنايي با فيبوناچي پروجکشن
آشنايي با فيبوناچي اکسپنشن
آشنايي با فيبوناچي چنل
جلسه سوم
آشنايي با انواع فيبوناچي زماني
آشنايي با Pitchfan
ترکيب فيبوناچي زماني و ساير فيبوناچي‌ها براي شبکه بندي رفتار قيمتي دارايي
بررسي رفتار حجم و اسيلاتورها و رابطه آن با سطوح فيبوناچي
رفع اشکال و پاسخ به سوالات

 

برای ثبت نام در این دوره آنلاین به ایدی تلگرامی www.t.me/abedizohreh پیام دهید.

آگاهی از دوره‌های بیشتر در پیج اینستاگرامی https://www.instagram.com/raoofi_sahm 

برچسب‌ها: دوره تحلیل فیبوناچی, علی رئوفی, بورس, دوره تکنیکال
دوره چنگال اندرو در تحلیل تکنیکال
یکشنبه بیست و سوم شهریور ۱۳۹۹ ساعت 15:12 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )

دوره آنلایت چنگال اندرو علی رئوفی

دوره آنلاین چنگال اندرو (آنلاین + دریافت ویدئو مادام العمر)

 

#چنگال_اندروز یکی از تکنیک‌های کاربردی در تحلیل #تکنیکال است که تئوری آن نخستین بار توسط راجر بابسون ارائه شد و بعدها توسط دکتر «آلن هال‌اندروز» به شکل امروزی مورد استفاده قرار گرفت. اندروز اعتقاد داشت خطوط کلاسیک تکنیکال (خطوط #حمایت، #مقاومت، #روند)، کارایی زیادی در بازارها ندارند و خطوط روندی که «از میان نقاط و #پیوت ها می‌گذرد» کاربردی تر هستند.
بر این اساس چنگال اندروز یا خط میانی (median-line) توسط وی به دنیای معاملات معرفی شد که بر مبنای قانون عمل- عکس‌العمل نیوتن و #رگرسیون خطی طراحی شده است.
اندروز معتقد بود که طبق قانون سوم نیوتن برای هر عملی عکس العملی به همان اندازه و در خلاف جهت وجود دارد. بنابراین به کمک خط میانی در چنگال اندروز (مدیان لاین) می‌توان #کانال حرکت قیمت در آینده را با احتمال موفقیت زیاد ترسیم نمود. بر این اساس بر مبنای این خط مرکزی باید همه نوسانات قیمت را در بین دو بال که کانال‌هایی را برای روند قیمت‌های جاری و قیمت‌های آینده می‌سازند، مورد بررسی قرار داد.
امروزه بسیاری از معامله گران در بازارهای مالی به جای ترسیم کانال ها، خطوط روند و حمایت و مقاومت کلاسیک از این ابزار کاربردی و آسان استفاده می کنند.
برای شرکت در این دوره کاربردی و دریافت ویدئوهای آن می توانید به دایرکت مراجعه نمایید یا در تلگرام به ایدی زیر پیام دهید:
t.me/abedizohreh

 

سرفصل های دوره چنگال اندرو

جلسه اول
معرفي چنگال اندرو (Andrew’s Pitchfork)
پايه هاي تئوريک چنگال اندرو
آشنايي با نقاط پيوت (Pivot Point)
راهکارهاي شناسايي پيوت‌هاي ماژور براي ترسيم چنگال
نحوه ترسيم چنگال اندرو
آشنايي با خطوط چنگال در حالت Standard Super Pitchfork
قوانين حاکم بر چنگال
جلسه دوم
آشنايي با انواع چنگال‌هاي اصلاح شده
چنگال Schiff Pitchpork
چنگال modified Schiff Pitchfork
سيگنال هاي دريافتي از چنگال اندرو (نقاط ورود و خروج بر اساس چنگال)
مقايسه چنگال در حالت استاندارد و حالات اصلاح شده 
جلسه سوم
ترکيب چنگال و فيبوي ريتريسمنت
ترکيب چنگال و فيبوي زماني
آشنايي با ابزار Pitchfan
رفع اشکال و پاسخ به سوالات

 

برای ثبت نام در این دوره آنلاین به ایدی تلگرامی www.t.me/abedizohreh پیام دهید.

آگاهی از دوره‌های بیشتر در پیج اینستاگرامی https://www.instagram.com/raoofi_sahm 

برچسب‌ها: چنگال اندرو, علی رئوفی, بورس, دوره تکنیکال
دوره آنلاین تحلیل تکنیکال در بورس
یکشنبه دهم فروردین ۱۳۹۹ ساعت 20:4 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )

در خانه ماندن فرصتی مناسب برای بالا بردن و تقویت مهارت‌های فردی ایجاد کرده است به نحوی که در روزه های عادی فرصت آن برای خیلی از افراد مهیا نبوده است. ما به دنبال درخواست مکرر داوطلبان دوره مقدماتی بورس، ثبت نام دوره پیشرفته اول (تحلیل تکنیکال مقدماتی) را آغاز کرده‌ایم.

 

اطلاعات دوره تحلیل تکنیکال در بازار سرمایه (بورس):
سطح دوره: پیشرفته
نحوه برگزاری: آنلاین و تحت وب
طول دوره: ۱۲ ساعت + حل تمرین
مدرس: علی رئوفی- دکتری اقتصاد مالی
زمان برگزاری: شنبه ۱۶ فروردین ۱۳۹۹ ساعت ۱۹
هزینه دوره: ۲۰۰ هزار تومان (۱۵ درصد تخفیف برای شرکت کنندگان در دوره مقدماتی)

همچنین شما می‌توانید ویدیو دوره را با پرداخت هزینه ناچیز دریافت کنید.

با این کار اگر به هر دلیل نتوانید در کلاس به صورت آنلاین شرکت کنید می‌توانید از محتوای دوره استفاده نمایید. علاوه بر اینکه امکان مرور مطالب را نیز برای شما فراهم می‌نماید. خصوصا در دوره پیشرفته مطالب نیاز به تکرار و تمرین بیشتری دارد.
مبلغ ویدئو برای دوره پیشرفته ۵۰ هزارتومان است. یعنی:
هزینه دوره + ویدئو که به مدت نامحدود در اختیار شماست برابر است با ۲۵۰ هزار تومان
هزینه دوره‌های مشابه در حال برگزاری: حدود ۱ و نیم میلیون تومان (۹۰ درصد تخفیف نسبت به دوره‌های مشابه)

جهت ثبت نام و دریافت سرفصل دوره: پیام در تلگرام به ای‌دی @Abedizohreh

برای ثبت نام در دوره آنلاین تحلیل تکنیکال روی یکی از پلن‌های زیر  را انتخاب کنید:

ثبت نام در دوره آنلاین تحلیل تکنیکال: ۲۰۰ هزار تومان

ثبت نام در دوره آنلاین تحلیل تکنیکال + ویدئو دوره تحلیل تکنیکال: ۲۵۰ هزار تومان

ثبت نام در دوره آنلاین تحلیل تکنیکال + دریافت ویدئوهای دوره مقدماتی شامل مباحث تابلوخوانی: ۲۵۰ هزار تومان

ثبت نام در دوره آنلاین تحلیل تکنیکال + ویدئو دوره تحلیل تکنیکال + دریافت ویدئوهای دوره مقدماتی شامل مباحث تابلوخوانی: ۲۹۰ هزار تومان
 

دوره آنلاین سرمایه گذاری در بورس

برچسب‌ها: بورس, دوره آنلاین بورس, علی رئوفی, اقتصاد مالی
دوره آنلاین آشنایی با بازار سرمایه (بورس) + آموزش تابلوخوانی و بازارخوانی
یکشنبه دهم فروردین ۱۳۹۹ ساعت 19:50 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )

این روزها خیلی از ماها تو خونه هستیم و دیگران رو هم تشویق می‌کنیم به خونه‌نشینی تا هر چه زودتر روزهای خوب برگرده.فکر کردم که شاید الان فرصت مناسبی باشه تا دوره سرمایه‌گذاری در #بورس رو که خیلی وقت بود قول داده بودم برگزار کنم. اما به صورت آنلاین!
اینجوری هم هزینه دوره خیلی کمتر میشه،هم تو این ایام می‌تونیم تو خونه بمونیم و از زمانمون به نحو احسن استفاده کنیم.


دوره به درد کسانی می‌خوره که آشنایی با بورس ندارن و مطالب از ابتدایی ترین شکل ممکن گفته میشه.بعد از این دوره دوره پیشرفته رو هم انشالله برگزار می‌کنیم.
برای ثبت نام هم می‌تونید به ای‌دی تلگرامی @Abedizohreh پیام بدید.

اطلاعات دوره آشنایی با بورس + بازارخوانی و تابلوخوانی:
سطح دوره: مقدماتی
نحوه برگزاری (مکان برگزاری): ویدئوهای آماده
طول دوره:۱۰ ساعت +۲ساعت خدمات پشتیبانی
هزینه دوره: ۴۰ هزار تومان (۹۰ درصد تخفیف نسبت به دوره‌های مشابه)
مدرس: علی رئوفی، دکتری اقتصاد مالی دانشگاه علامه طباطبایی، استاد دانشگاه و مشاور مالی
نحوه ثبت نام: پیام در تلگرام به ایدی @Abedizohreh
 

میزان رضایت از دوره:

 

برچسب‌ها: آموزش بورس, علی رئوفی, اقتصاد مالی, متخصص اقتصاد
Development level and the impact of technological factor on renewable energy production
سه شنبه نوزدهم آذر ۱۳۹۸ ساعت 9:50 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )

 Development level and the impact of technological factor on renewable energy production

  Narges Bamati

Ali Raoofi

Abstract

This study provides a comprehensive analysis of the drivers of renewable energy production by employing variables of technological factors, economic factors, and environmental factors for two panels of developed and developing countries. Using GLS (Generalized Least Square) panel data estimation method, this paper finds that the determinants towards renewable sources vary in accordance with the level of income. The results reveal that renewable energy production is significantly determined by high technology export in developed countries, while high technology export is not statistically significant in explaining the use of RE sources in developing countries. Oil price has the smallest impact on renewable energy production in both groups. Although GDP per capita yields a positive impact on renewable energy production per capita in both groups, per capita CO2 emission shows considerably different impacts in developed and developing countries.

Keywords

Renewable energy, Renewable energy production, CO2 emission, Technological factor, Development level

 

Highlights

• Determinants toward renewables vary in accordance with the development level.

• Technological factor and GDP mainly drive renewable energy use in developed countries.

• GDP and CO2 emission mainly drive renewable production in developing countries.

• Technological factor cannot explain renewable energy dynamics in developing countries.

• Oil price only marginally explain the dynamics of renewable energy production.

 

Download

 

موضوعات مرتبط: سوابق آموزشی و پژوهشی نویسنده، مقالات اقتصادی

برچسب‌ها: مقاله اقتصاد, علی رئوفی, دکتری اقتصاد مالی, مقاله ISI اقتصاد
پیش بینی بازار سهام تهران با استفاده از ترکیب تجزیه موجک و شبکه عصبی فازی تطبیقی
چهارشنبه بیست و یکم فروردین ۱۳۹۸ ساعت 20:19 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )

پیش بینی بازده بازار سهام تهران با استفاده از ترکیب تجزیه موجک و شبکه عصبی فازی تطبیقی

مقاله 4، دوره 23، شماره 76، پاییز 1397، صفحه 107-136
شناسه دیجیتال DOI): 10.22054/IJER.2018.9514)
چکیده
همواره مدل­سازی و پیش­بینی متغیرهای مالی یکی از موضوع‌های مورد علاقه و مهم برای اقتصاددانان بوده است. در این مقاله، ساختاری برای پیش­بینی سری­های زمانی ارایه شده است که با استفاده از رویکرد محاسبات نرم این امکان را فراهم می­آورد تا بتوان با دقت بیشتر مقادیر آینده یک سری زمانی را پیش­بینی کرد. در این روش، با استفاده از تجزیه موجک، نویز­های تصادفی داده­های ورودی شبکه عصبی فازی تطبیقی کاهش می­یابد و ازاین‌رو، این عمل باعث کاهش خطا و بهبود در پیش­بینی سری زمانی آشوبی موردنظر می‌شود. در این مقاله، روش یادشده با استفاده از سری بازده بورس اوراق بهادار تهران در بازه‌ زمانی 8/1/1390 تا 1/07/1395 مورد ارزیابی قرار گرفته که نتایج بیان‌کننده برتری روش پیشنهادی نسبت به سایر روش­هاست. همچنین معنا­داری اختلاف در پیش­بینی مدل­های مختلف با استفاده از آزمون MGN مورد بررسی قرار گرفت که نتایج نشان‌دهنده اختلاف معنا­دار در پیش­بینی مدل­های مختلف بود.
کلیدواژه‌ها
تبدیل موجک؛ شبکه عصبی فازی تطبیقی؛ محاسبات نرم؛ نویززدایی؛ بورس اوراق بهادار

 دانلود اصل مقاله (747.35 K)

Forecasting Tehran Stock Exchange Index Returns Using a Combination of Wavelet Decomposition and Adaptive Neural Fuzzy Inference Systems

DOI: 10.22054/IJER.2018.9514
Abstract
In this paper, a framework for time series prediction is presented which makes it possible to predict the future values of a time series more accurately using soft computing approach. In this method, input data of adaptive neural fuzzy inference systems are reduced using wavelet decomposition of random noises; therefore, it reduces errors and improves the desired chaotic time series prediction. The above method was evaluated using Tehran Stock Exchange return series for the period of 23/10/2009 to 23/3/2013, and the results indicate the superiority of the proposed method compared to other ones.
Keywords

Wavelet Decomposition; Adaptive Neural Fuzzy Inference Systems; Soft Computing; De-Noising; Stock Exchange

 دانلود اصل مقاله (747.35 K)

مراجع

آرمن، سیدعزیز و علی رئوفی (1393)، ارزیابی پیش­بینی­پذیری قیمت طلا و مقایسه پیش­بینی روش­های خطی و غیرخطی، نظریه­های کاربردی اقتصاد، شماره 3، صص 24-1.

رضایی، وحید (1390)، بررسی رفتار آشوبناک در سری زمانی قیمت طلا، پایان­نامه کارشناسی ارشد، دانشگاه شهید چمران اهواز، دانشکده اقتصاد و علوم اجتماعی.

رئوفی، علی (1392)، شناسایی سیستم مولد داده­های شاخص بورس اوراق بهادار تهران، مدل‌سازی و پیش­بینی آن با استفاده از محاسبات نرم، پایان‌نامه کارشناسی ارشد، دانشکده اقتصاد و علوم اجتماعی دانشگاه شهید چمران اهواز.

زراءنژاد، منصور و علی رئوفی (1394)، ارزیابی و مقایسه عملکرد پیش‌بینی روش‌های خطی و غیرخطی برای بازده روزانه بورس اوراق بهادار تهران، دو فصلنامه اقتصاد پولی - مالی، شماره 9، صص 29- 1.

زراءنژاد، منصور، پویان کیانی، صلاح ابراهیمی و علی رئوفی (1391)، پیش­بینی قیمت نفت خام اوپک با استفاده از مدل میانگین متحرک خودرگرسیون انباشته فازی، پژوهشنامه اقتصاد انرژی ایران، شماره 5، صص 127- 107.

صادقی، حسین و مهدی ذوالفقاری (1389)، پیش­بینی کوتاه­مدت تقاضای برق کشور با استفاده از شبکه­های عصبی و تبدیل موجک، فصلنامه اقتصاد مقداری (بررسی‌های اقتصادی سابق)، دوره 7، شماره 2، صص 56-27.

عباسی­نژاد، حسین و شاپور محمدی (1384)، تحلیل سیکل­های تجاری با استفاده از نظریه موجک­ها، مجله تحقیقات اقتصادی، شماره 75، صص 20-1.

کیانی بجستانی، آرمان، یاسر محمدیان روشن، ناصر پریز و محمدرضا اکبرزاده توتونچی (1385)، پیش­بینی سری­های زمانی آشوب‌گرا مبتنی‌بر ترکیب تبدیل موجک و شبکه­های تطبیقی عصبی -  فازی، چهاردهمین کنفرانس بین­المللی مهندسی برق.

محمدی، تیمور، عاطفه تکلیف و ساحل زمانی (1396)، پیش‌بینی قیمت گاز طبیعی با استفاده از ترکیب تبدیل موجک و شبکه عصبی مصنوعی،فصلنامه پژوهش‌های اقتصادی ایران، شماره 71،  صص 26- 1.

مشیری، سعید، کامران پاکیزه، منوچهر دبیریان و ابوالفضل جعفری (1389)، بررسی رابطه میان بازدهی سهام و تورم با استفاده از تجزیه موجک در بورس اوراق بهادار تهران، فصلنامه پژوهش‌های اقتصادی ایران، شماره 42، صص74-55.

نادری، اسماعیل (1391)، تحلیل آشوب و بررسی عملکرد مدل­های خطی و غیرخطی سری زمانی در پیش­بینی شاخص بازدهی بورس تهران،پایان­نامه کارشناسی ارشد، دانشگاه تهران، دانشکده اقتصاد.

Abbasi, E., & Abouec, A. (2008). Stock price forecast by using neuro-fuzzy inference system. In Proceedings of World Academy of Science, Engineering and Technology, 36, 320-323.

Burrus, C. S., Gopinath, R. A., Guo, H., Odegard, J. E., & Selesnick, I. W. (1998). Introduction to wavelets and wavelet transforms: a primer (Vol. 1). New Jersey: Prentice hall.

Diebold, F. X., & Mariano, R. S. (2002). Comparing predictive accuracy. Journal of Business & economic statistics, 20(1), 134-144 .

Jang, J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3), 665-685.

Karim, S. A. A., Karim, B. A., Ismail, M. T., Hasan, M. K., & Sulaiman, J. (2011). Applications of wavelet method in stock exchange problem. Journal of Applied Sciences, 11(8), 1331-1335.

Cao, Q., Leggio, K. B., & Schniederjans, M. J. (2005). A comparison between Fama and French's model and artificial neural networks in predicting the Chinese stock market. Computers & Operations Research, 32(10), 2499-2512.

Lineesh, M. C., & John, C. J. (2010). Analysis of non-stationary time series using wavelet decomposition. Nature and Science, 8(1), 53-59.

Raoofi, A. (2014). Identifying data generator process of Tehran stock exchange, modeling and forecasting using soft computing. Master's Thesis, Faculty of Economics and social Science, Shahid Chamran University. (in Persian).

Raoofi, A., Zarranezhad, M., Bayani, O. (2015). Assessment and Comparison of linear and non- linear Methods for Forecasting Returns on Stock Market Index, International Journal of Scientific Management and Development, 3 (10), PP. 1-9.

Raoofi, A., Montazer-Hojjat, A. H., & Kiani, P. (2016). Comparison of several combined methods for forecasting Tehran stock exchange index. International Journal of Business Forecasting and Marketing Intelligence, 2(4), 315-333.

Srinivasan, K., & Fisher, D. (1995). Machine learning approaches to estimating software development effort. IEEE Transactions on Software Engineering, 21(2), 126-137.

Tan, C., & Pedersen, C. N. S. (2009). Financial time series forecasting using improved wavelet neural network. Master of Computer Science Faculty of Science. Univesity of Copenhagen. Copenhagen.

Gao, X., Xiao, F., Zhang, J., & Cao, C. (2004). Short-Term prediction of chaotic time series by wavelet networks. In Intelligent Control and Automation, WCICA 2004. Fifth World Congress on (Vol. 3, pp. 1931-1935). IEEE.

Zarranezhad, M, Kiyani, P., Ebrahimi, S., Raoofi, A. (2013). Forecasting OPEC crude oil price Using Fuzzy Autoregressive Integrated Moving Average (FARIMA) Model, Iranian Energy Economics Research, 5, 107-127. (in Persian).

Zarranezhad, M., Raoofi, A. (2015). Evaluation and comparison of forecast performance of linear and non-linear methods for daily returns of tehran stock exchange, Financial Monetary Economics, 22(9), 1-28. (in Persian).

Zarranezhad, M., Raoofi, A. and Kiani, P. (2012). Evaluation and comparison of performance of ANFIS and ARIMA in forecasting the daily gold prices, The First international conference on econometrics and methods applications. (in Persian).

 دانلود اصل مقاله (747.35 K)

موضوعات مرتبط: سوابق آموزشی و پژوهشی نویسنده، مقالات اقتصادی

برچسب‌ها: مقاله, علی رئوفی, پیش بینی, بورس
وجود حافظه بلندمدت در قالب پنجره غلتان پیش‌رونده: مطالعه موردی بورس اوراق بهادار تهران
چهارشنبه یازدهم مهر ۱۳۹۷ ساعت 18:35 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )
علی رئوفی  1؛ تیمور محمدی2
1دانشجوی دکترای اقتصاد مالی دانشگاه علامه طباطبایی
2دانشیار گروه اقتصاد دانشگاه علامه طباطبایی
چکیده
در سال‌های اخیر توجه به وجود حافظه بلندمدت در سری‌های زمانی، بخش اساسی و مهمی از تحلیل‌های این حوزه را به خود اختصاص داده است. بر این اساس، استفاده از روش‌های مورد استفاده در سری‌های زمانی با حافظه کوتاه‌مدت مانند فرآیندهای ARMAبرای فرآیندهای با حافظه بلندمدت مناسب نیستند. از این‌رو در این مقاله حافظه سری زمانی بازده بورس اوراق بهادار تهران مورد تخمین و تفسیر قرار گرفته است. بدین منظور از آزمون‌‌های R/S، MRS و GPH برای بررسی وجود حافظه بلندمدت در بازده بورس اوراق بهادار تهران استفاده شده و برای اعتباردهی به نتایج آزمون‌‌ها، با استفاده از به‌هم‌ریختگی داده‌ها، نتایج به‌دست آمده مورد ارزیابی قرار گرفته است. نتایج آزمون‌‌ها نشان از وجود حافظه بلندمدت در سری بازده بورس اوراق بهادار تهران دارد و از این‌رو برای تخمین و پیش‌بینی آن باید از مدل‌های با حافظه بلندمدت استفاده شود. همچنین با استفاده از نتایج به‌دست آمده می‌توان شکل ضعیف فرضیه کارایی بازار را نقض کرد. بنابراین برای پیش‌بینی بازده بورس اوراق بهادار تهران می‌توان از اطلاعات گذشته استفاده نمود. همچنین یافته‌های پژوهش نشان می‌دهد بورس اوراق بهادار تهران طی دوره مورد بررسی کاراتر شده است.
JEL: C16, G1, G14
نحوه استناد به این مقاله: رئوفی، ع.، و محمدی، ت. (1396). وجود حافظه بلندمدت در قالب پنجره غلتان پیش‌رونده: مطالعه موردی بورس اوراق بهادار تهران. فصلنامه مدلسازی ریسک و مهندسی مالی، 2(3)، 397-424.
کلیدواژه‌ها
حافظة بلندمدت؛ تفاضل کسری؛ پیش‌بینی سری‌های زمانی؛ بورس اوراق بهادار تهران
عنوان مقاله [English]
Empirical Study on the Existence of Long-term Memory in TSE Returns
نویسندگان [English]
Ali Raoofi1؛ taymoor mohammadi2
1Allameh Tabataba'i University
2allameh tabatabaee
چکیده [English]
Over the past few decades, long memory processes were assigned an essential part of the time series analysis. This feature changes the statistical behavior of estimations and predictions drastically. Consequently, many theoretical results and methodologies used in time series with short memory such as ARMA processes are not suitable for long memory models. Therefore, time series memory of Tehran Stock Exchange returns are estimated and interpreted in this paper. To do this, R/S, MRS, and GPH tests are used to estimate the fractional difference parameter. Test results show the existence of long memory in stock exchange returns series; therefore, long memory models should be used to estimate and forecast. Also the weak form of market efficiency hypothesis can be disaffirmed by using the results. 
JEL: C16، G1، G14 
How to cite this paper: Raoofi, A., & Mohammadi, T. (2018). Empirical Study on the Existence of Long-term Memory in TSE Returns. Quarterly Journal of Risk Modeling and Financial Engineering, 2(3), 397–424. (In Persian)
کلیدواژه‌ها [English]
Long Memory, Fractional Integration, Time series, Stock Exchange

 

دانلود اصل مقاله

موضوعات مرتبط: سوابق آموزشی و پژوهشی نویسنده، مقالات اقتصادی

برچسب‌ها: اقتصاد, علی رئوفی, اقتصاد مالی, دانشجوی اقتصاد مالی
کارگاه آموزشی نرم افزار(MATLAB) و کاربرد آن در اقتصاد و مالی (پیشرفته)
سه شنبه هفتم آذر ۱۳۹۶ ساعت 15:26 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )
 
 
 
 
 
 
 
 
 
 
 
عنوان: کارگاه آموزشی نرم افزار(MATLAB) و کاربرد آن در اقتصاد و مالی (پیشرفته)

مدرس دوره: دکتر علی رئوفی
مدت دوره: 10ساعت 
زمان برگزاری: آزاد
مهلت ثبت نام: نامحدود
مبلغ دوره آموزشی (آزاد) : 2.290.000ریال
مبلغ دوره (دانشجویان و افراد شاغل در نهاد های مالی): 2.290.000 ریال 1.990.000ریال

معرفی دوره:matlab مخفف عبارت (Matrix Laboratory) به معنای (آزمایشگاه ماتریس) می‍باشد.
این نرم افزار یک زبان برنامه نویسی و محیطی مخصوص برای محاسبات عددی می‍باشد که امکاناتی از قبیل عملیات ماتریسی، رسم توابع و داده ها، پیاده سازی الگوریتم ها، امکان ایجاد رابط های کاربر و تعامل با برنامه های نوشته شده به زبان های دیگر را فراهم می سازد.
گستردگی کاربرد، جعبه ابزارهای عمومی و تخصصی متنوع، این نرم افزار را به پرکاربردترین ابزار مهندسی روز مبدل کرده است. بطوریکه تمام مهندسان و کارشناسان رشته های مرتبط از جمله هوا-فضا، بیولوژی، اقتصاد، مخابرات، الکترونیک، کنترل، پردازش تصویر، اتوماسیون و تمامی تخصصهای مرتبط با ریاضیات و پردازش سیگنال لزوماً بایستی از تسلط کافی بر این نرم افزار و توانایی برنامه نویسی در محیط آن برخوردار باشند. برنامه نویسی در MATLAB، بدلیل سطح بسیار بالای آن، بسیار ساده، قدرتمند و انعطاف پذیر است و بسیاری از ابزارها و اشکال برنامه نویسی که در محیط های دیگر به سختی مورد استفاده قرار می‍گیرند، در MATLAB به راحتی در دسترس می‍باشند.

موضوعات مرتبط: کنکور کارشناسی ارشد و دکترا

برچسب‌ها: علی رئوفی, اقتصاد مالی, شبکه های عصبی, منطق فازی
کارگاه آموزشی نرم افزار(MATLAB) و کاربرد آن در اقتصاد و مالی(مقدماتی)
سه شنبه هفتم آذر ۱۳۹۶ ساعت 15:18 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )
 

 

 
 
 
 
 
 
عنوان: کارگاه آموزشی نرم افزار(MATLAB) و کاربرد آن در اقتصاد و مالی (مقدماتی)

مدرس دوره: دکتر علی رئوفی
مدت دوره: 10ساعت 
زمان برگزاری: آزاد
مهلت ثبت نام: نامحدود
مبلغ دوره آموزشی (آزاد) : 2.290.000ریال
مبلغ دوره (دانشجویان و افراد شاغل در نهاد های مالی): 2.290.000 ریال 1.990.000ریال

معرفی دوره:matlab مخفف عبارت (Matrix Laboratory) به معنای (آزمایشگاه ماتریس) می‍باشد.
این نرم افزار یک زبان برنامه نویسی و محیطی مخصوص برای محاسبات عددی می‍باشد که امکاناتی از قبیل عملیات ماتریسی، رسم توابع و داده ها، پیاده سازی الگوریتم ها، امکان ایجاد رابط های کاربر و تعامل با برنامه های نوشته شده به زبان های دیگر را فراهم می سازد.
گستردگی کاربرد، جعبه ابزارهای عمومی و تخصصی متنوع، این نرم افزار را به پرکاربردترین ابزار مهندسی روز مبدل کرده است. بطوریکه تمام مهندسان و کارشناسان رشته های مرتبط از جمله هوا-فضا، بیولوژی، اقتصاد، مخابرات، الکترونیک، کنترل، پردازش تصویر، اتوماسیون و تمامی تخصصهای مرتبط با ریاضیات و پردازش سیگنال لزوماً بایستی از تسلط کافی بر این نرم افزار و توانایی برنامه نویسی در محیط آن برخوردار باشند. برنامه نویسی در MATLAB، بدلیل سطح بسیار بالای آن، بسیار ساده، قدرتمند و انعطاف پذیر است و بسیاری از ابزارها و اشکال برنامه نویسی که در محیط های دیگر به سختی مورد استفاده قرار می‍گیرند، در MATLAB به راحتی در دسترس می‍باشند.

 

لینک ثبت نام

موضوعات مرتبط: جزوات و فایل های آموزشی

برچسب‌ها: علی رئوفی, اقتصاد مالی, شبکه های عصبی, منطق فازی
کارگاه آموزشی کاربرد منطق فازی در اقتصاد و مالی
سه شنبه پنجم بهمن ۱۳۹۵ ساعت 20:36 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )

photo_2017-01-24_14-01-03

سرفصل‌های این کارگاه به شرح زیر است:

تئوری:

  • آشنایی با ریاضیات فازی، منطق فازی و مجموعه های فازی
  • مروری بر کاربردهای منطق فازی در علوم مختلف
  • آشنایی با نحوه کارکرد و ساختار سیستم فازی نوع ممدانی
  • آشنایی با نحوه کارکرد و ساختار سیستم فازی نوع تاکاگی- سوگنو- کانگ

عملی:

  • پیاده سازی گام به گام مباحث مطرح شده مربوط به اعداد و مجموعه های فازی در متلب
  • آشنایی با امکانات جعبه ابزار فازی در متلب
  • طراحی و پیاده سازی یک سیستم استنتاح فازی ممدانی با استفاده از جعبه ابزار فازی
  • پیاده سازی سیستم استنتاج فازی ممدانی با استفاده از کد نویسی در محیط متلب
  • طراحی و پیاده سازی یک سیستم استنتاح فازی تاکاگی- سوگنو- کانگ با استفاده از جعبه ابزار فازی
  • حل چند مثال مدل سازی مالی با استفاده از منطق فازی
  • پیش بینی سری های زمانی با استفاده از منطق فازی در متلب

مدرس:

علی رئوفیعلی رئوفی – دانشجوی دکتری اقتصاد مالی- سنجی دانشگاه علامه طباطبایی و هیئت علمی اقتصادی ها

برای آشنایی بیشتر با مدرس دوره می‌توانید رزومه ایشان را از لینک زیر دانلود نمایید:

مشاهده رزومه

.

اطلاعات دوره:

زمان برگزاری دوره: از ۱۴ بهمن ماه (روزهای پنچشنبه و جمعه)

طول دوره: ۸ ساعت

هزینه دوره: ۲۰۰ هزار تومان

ظرفیت: ۳۰ نفر

مهلت ثبت نام: یک روز پیش از زمان برگزاری کارگاه یا پیش از تکمیل ظرفیت

شماره تماس برای کسب اطلاعات بیشتر: ۰۹۳۶۰۰۳۳۶۴۱

برای ثبت نام در کارگاه می‌توانید با استفاده از لینک های زیر به صورت آنلاین هزینه آن را پرداخت نمایید:

ثبت نام نوع اول: فقط شرکت در کارگاه و دریافت گواهینامه

2,000,000 ریال – اضافه‌کردن به سبدخرید

ثبت نام نوع دوم: شرکت در کارگاه و دریافت گواهینامه+فیلم ضبط شده کلاس+فایل‌ها و کتاب های آموزش متلب به صورت pdf+کدهای برنامه نویسی استفاده شده در کلاس

2,800,000 ریال – اضافه‌کردن به سبدخرید

لطفا اطلاعات تماس خود را به صورت کاملا دقیق در فیلدهای مربوطه وارد کنید. با شما از طریق این اطلاعات، تماس حاصل خواهد شد (پس از ثبت نام اطلاعات خود را شامل نام و نام خانوادگی و شماره تماس به شماره موبایل ۰۹۳۶۰۰۳۳۶۴۱ اس‌ام‌اس کنید).

در صورتی که مایل به استفاده از خدمات پرداخت اینترنتی نیستید، لطفا مبلغ ۲٫۰۰۰٫۰۰۰ یا ۲٫۸۰۰٫۰۰۰ ریال (برحسب نوع ثبت نام درخواستی) به شماره کارت ۵۰۴۷۰۶۱۰۲۷۵۸۰۲۶۱ (به نام لیلا لامعی اوجقاز) پرداخت نموده و سپس پرداخت خود را به شماره ۰۹۳۶۰۰۳۳۶۴۱ اطلاع دهید تا در لیست ثبت نامی‌های کارگاه قرار گیرید.

محل برگزاری: تهران، انتهای خیابان طالقانی، بعد از تقاطع بهار، خیابان جهان، پلاک ۲، دانشکده اقتصاد دانشگاه خوارزمی

برچسب‌ها: علی رئوفی, کاربرد منطق فازی در اقتصاد و مالی, کارگاه منطق فازی
کارگاه آموزشی نرم افزار متلب و کاربرد آن در اقتصاد و مالی
سه شنبه پنجم بهمن ۱۳۹۵ ساعت 20:31 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )

سرفصل‌های این کارگاه به شرح زیر است:

مباحث پایه:

  • نصب نرم افزار متلب
  • آشنایی با نرم افزار و زبان برنامه نویسی متلب
  • انواع داده در متلب
  • ساختارهای کنترل برنامه در متلب
  • تعریف و استفاده از توابع در متلب
  • گرافیک و ترسیم نمودار در متلب
  • مدیریت فایل ها و اطلاعات در متلب

مباحث کاربردی ریاضی و آماری در متلب:

  • حل معادلات جبری و ریشه یابی در متلب
  • اعداد تصادفی، محاسبات و تحلیل آماری در متلب
  • انتگرال گیری و مشتق گیری عددی در متلب
  • درون یابی، تقریب تابع، و برازش منحنی و سطح در متلب
  • بهینه سازی کلاسیک در متلب
  • حل جامع انواع مختلف معادلات دیفرانسیل در متلب

مباحث اقتصادسنجی در متلب:

  • آشنایی با جعبه ابزار اقتصادسنجی در متلب
  • بررسی مانایی و همجمعی در نرم افزار متلب
  • انجام سایر پیش آزمون های مدل سازی
  • انجام رگرسیون چندگانه در متلب
  • مدل های سری های زمانی تک متغیره
  • مدل های سری زمانی چند متغیره
  • تخمین داده های پانل در متلب

مباحث تحلیل سری زمانی مالی و جعبه ابزار سری زمانی مالی FTS:

  • آشنایی با جعبه ابزار سری زمانی مالی در متلب
  • ساخت آبجکت های سری زمانی
  • معرفی توابع موجود در جعبه ابزار سری زمانی مالی
  • تبدیل تواتر داده ها، ایجاد ماتریس وقفه و…
  • هموار سازی داده ها و میانگین متحرک
  • تحلیل تکنیکال با استفاده از جعبه ابزار سری زمانی مالی
  • انجام رگرسیون و پیش بینی با استفاده از جعبه ابزار سری زمانی مالی

مدرس:

علی رئوفیعلی رئوفی – دانشجوی دکتری اقتصاد مالی- سنجی دانشگاه علامه طباطبایی و هیئت علمی اقتصادی ها

برای آشنایی بیشتر با مدرس دوره می‌توانید رزومه ایشان را از لینک زیر دانلود نمایید:

مشاهده رزومه

.

اطلاعات دوره:

زمان برگزاری دوره: از ۱۴ بهمن ماه (روزهای پنچشنبه و جمعه)

طول دوره: ۲۲ ساعت

هزینه دوره: ۲۲۰ هزار تومان

ظرفیت: ۳۰ نفر

مهلت ثبت نام: یک روز پیش از زمان برگزاری کارگاه یا پیش از تکمیل ظرفیت

شماره تماس برای کسب اطلاعات بیشتر: ۰۹۳۶۰۰۳۳۶۴۱

برای ثبت نام در کارگاه می‌توانید با استفاده از لینک های زیر به صورت آنلاین هزینه آن را پرداخت نمایید:

ثبت نام نوع اول: فقط شرکت در کارگاه و دریافت گواهینامه

2,200,000 ریال – اضافه‌کردن به سبدخرید

ثبت نام نوع دوم: شرکت در کارگاه و دریافت گواهینامه+فیلم ضبط شده کلاس+فایل‌ها و کتاب های آموزش متلب به صورت pdf+کدهای برنامه نویسی استفاده شده در کلاس

3,000,000 ریال – اضافه‌کردن به سبدخرید

ثبت نام نوع سوم: فقط شرکت در دوره مقدماتی

1,300,000 ریال – اضافه‌کردن به سبدخرید

ثبت نام نوع چهارم: فقط شرکت در دوره پیشرفته

1,500,000 ریال – اضافه‌کردن به سبدخرید

لطفا اطلاعات تماس خود را به صورت کاملا دقیق در فیلدهای مربوطه وارد کنید. با شما از طریق این اطلاعات، تماس حاصل خواهد شد (پس از ثبت نام اطلاعات خود را شامل نام و نام خانوادگی و شماره تماس به شماره موبایل ۰۹۳۶۰۰۳۳۶۴۱ اس‌ام‌اس کنید).

در صورتی که مایل به استفاده از خدمات پرداخت اینترنتی نیستید، لطفا مبلغ ۲٫۲۰۰٫۰۰۰ یا ۳٫۰۰۰٫۰۰۰ ریال (برحسب نوع ثبت نام درخواستی) به شماره کارت ۵۰۴۷۰۶۱۰۲۷۵۸۰۲۶۱ (به نام لیلا لامعی اوجقاز) پرداخت نموده و سپس پرداخت خود را به شماره ۰۹۳۶۰۰۳۳۶۴۱ اطلاع دهید تا در لیست ثبت نامی‌های کارگاه قرار گیرید.

محل برگزاری: تهران، انتهای خیابان طالقانی، بعد از تقاطع بهار، خیابان جهان، پلاک ۲، دانشکده اقتصاد دانشگاه خوارزمی

برچسب‌ها: علی رئوفی, کارگاه آموزش متلب, دوره آموزش متلب, کاربرد متلب در اقتصاد
کارگاه شبکه های عصبی مصنوعی و کاربرد آن در اقتصاد و مالی
پنجشنبه بیستم آبان ۱۳۹۵ ساعت 15:7 | نوشته ‌شده به دست علی رئوفی | ( نظر بدهید )
موضوعات مرتبط: سوابق آموزشی و پژوهشی نویسنده، اخبار اقتصادی، جزوات و فایل های آموزشی

برچسب‌ها: علی رئوفی, اقتصاد مالی, اقتصادسنجی, شبکه های عصبی مصنوعی
کارگاه اقتصادسنجی مقدماتی با استفاده از ایویوز 9
شنبه یکم آبان ۱۳۹۵ ساعت 15:2 | نوشته ‌شده به دست علی رئوفی | ( 2 نظر )
با توجه به نیاز جامعه دانشگاهی کشور به آشنایی با این نرم افزار، گروه «اقتصادی‌ها» به عنوان بزرگترین مرجع تخصصی رشته اقتصاد، در ادامه کارگاه‌های آموزشی خود در فصل پاییز، اقدام به برگزاری دوره‌های آموزشی نرم افزار ایویوز نموده است.

سرفصل‌هایی که در دوره مقدماتی مطرح خواهد شد، به شرح زیر است:

مقدمه‌ای بر اقتصادسنجی

مقدمه ای بر نرم‌افزار ایویوز

مدیریت داده‌­ها (Data Management)

  • نحوه وارد کردن داده ها
  • ذخیره سازی داده ها و نتایج
  • تبدیل متغیرها
  • تعریف متغیر مجازی
  • معرفی برخی دستورهای کاربردی نرم‌­افزار
  • تحلیل نموداری متغیرها

تحلیل آماری تک متغیره و چند متغیره (Univariate and Multivariate Statistics)

  • آمار توصیفی
  • رسم نمودارها
  • فواصل اطمینان
  • آزمون فرضیه
  • تحلیل‌های کواریانس و همبستگی
  • همبستگی متقاطع

مدل رگرسیون خطی کلاسیک (Classical Linear Regression Model)

  • برآورد مدل رگرسیون خطی
  • تحلیل نتایج
  • آزمون فرضیه ها

آزمون های تشخیص

  • نرمال بودن
  • آزمون ناهمسانی واریانس
  • خودهمبستگی
  • فرم تبعی مدل
  • همخطی
  • روش­های رفع

معادلات همزمان (Simultaneous Equations)

  • فرم کاهش‌یافته
  • حداقل مربعات دومرحله‌ای
  • حداقل مربعات سه مرحله‌ای

کارگاه اقتصادسنجی مقدماتی با استفاده از نرم افزار ایویوز 9

اطلاعات دوره:

زمان برگزاری دوره: ۱۳ و ۲۰ آبان ماه (روز پنچشنبه)

طول دوره: ۱۰ ساعت

هزینه دوره: ۸۰ هزار تومان

ظرفیت: ۳۰ نفر

مهلت ثبت نام: یک روز پیش از زمان برگزاری کارگاه یا پیش از تکمیل ظرفیت

شماره تماس برای کسب اطلاعات بیشتر: ۰۹۳۶۰۰۳۳۶۴۱

برای ثبت نام در کارگاه می‌توانید با استفاده از لینک زیر به صورت آنلاین هزینه آن را پرداخت نمایید:

800,000 ریال – اضافه‌کردن به سبدخرید

لطفا اطلاعات تماس خود را به صورت کاملا دقیق در فیلدهای مربوطه وارد کنید. با شما از طریق این اطلاعات، تماس حاصل خواهد شد (پس از ثبت نام اطلاعات خود را شامل نام و نام خانوادگی و شماره تماس به شماره موبایل ۰۹۳۶۰۰۳۳۶۴۱ اس‌ام‌اس کنید).

در صورتی که مایل به استفاده از خدمات پرداخت اینترنتی نیستید، لطفا مبلغ ۸۰۰٫۰۰۰ ریال به شماره کارت ۵۰۴۷۰۶۱۰۲۷۵۸۰۲۶۱ (به نام لیلا لامعی اوجقاز) پرداخت نموده و سپس پرداخت خود را به شماره ۰۹۳۶۰۰۳۳۶۴۱ اطلاع دهید تا در لیست ثبت نامی‌های کارگاه قرار گیرید.

محل برگزاری: تهران، انتهای خیابان طالقانی، بعد از تقاطع بهار، خیابان جهان، پلاک ۲، دانشکده اقتصاد دانشگاه خوارزمی

موضوعات مرتبط: اخبار اقتصادی

برچسب‌ها: دوره آموزشی اقتصادسنجی, کارگاه ایویوز مقدماتی, کارگاه اقتصادسنجی

  
دیگر موارد
تمام حقوق اين وب سايت و مطالب آن متعلق به یادداشت های اقتصادی مي باشد .
كد نويسي و گرافيك قالب توسط : تم ديزاينر