×
۷۵,۰۰۰ تومان
۳۷,۵۰۰ تومان

آموزش بهینه سازی سبد سهام با روش های بهینه سازی کلاسیک و هوشمند در متلب

آموزش بهینه سازی سبد سهام با روش های بهینه سازی کلاسیک و هوشمند در متلب

تخفیف ۵۰ درصدی


هزینه آموزش
۷۵,۰۰۰ تومان
۳۷,۵۰۰ تومان
(کسب اطلاعات بیشتر +)

تعداد دانشجو
۴,۴۱۳ نفر
مدت زمان
۴ ساعت و ۳۲ دقیقه
محتوای این آموزش
تضمین کیفیت
۳۶ بازخورد (مشاهده نظرات)
آموزش بهینه سازی سبد سهام با روش های بهینه سازی کلاسیک و هوشمند در متلب

در این فرادرس، دانشجویان عزیز، با بهینه سازی سبد سهام در متلب، با استفاده از روش های کلاسیک و هوشمند آشنا می شوند. سرفصل هایی که در این آموزش به آن پرداخته می شود، مدل های ریاضی مساله بهینه سازی سبد سهام و... است. توضیح و برنامه نویسی کامل بهینه سازی سبد سهام، با استفاده از روش های کلاسیک و هوشمند و آموزش توسط یکی از بهترین مدرسین متخصص در این زمینه از نقاط قوت این آموزش به شمار می رود.

آموزش بهینه سازی سبد سهام با روش های بهینه سازی کلاسیک و هوشمند در متلب

تعداد دانشجو
۴,۴۱۳ نفر
مدت زمان
۴ ساعت و ۳۲ دقیقه
هزینه عادی آموزش
۷۵,۰۰۰ تومان
در طرح تخفیف
۳۷,۵۰۰ تومان

(کسب اطلاعات بیشتر +)
محتوای این آموزش
۳۶ بازخورد (مشاهده نظرات)

دکتر سید مصطفی کلامی هریس

دکتری تخصصی مهندسی برق - کنترل

دکتر سید مصطفی کلامی هریس یکی از بنیانگذاران و مدیران کنونی فرادرس و از اعضای هیات علمی آن است. ایشان دارای مدرک دکترای تخصصی در رشته مهندسی برق - کنترل، از دانشگاه صنعتی خواجه نصیرالدین طوسی (قطب علمی کنترل صنعتی) هستند و زمینه های پژوهشی و کاری تخصصی ایشان، در حوزه های مختلف مهندسی کنترل و سیستم های هوشمند بوده است.

توضیحات تکمیلی

بهینه سازی سبد سهام (Portfolio Optimization) یا انتخاب بهینه سبد سهام (Optimal Portfolio Selection) یکی از مسائل مهم در حوزه علوم مالی و سرمایه گذاری است، و کاربردهای فراوانی را، در برنامه ریزی ها و تصمیم گیری های مالی دارد. مبانی تئوری این مساله، و نظریه نوین سبد دارایی (Modern Portfolio Theory)، در اوایل دهه ۱۹۵۰ میلادی، و توسط هری مارکویتز (Harry Markowitz) پایه ریزی شده است و بسیاری از دستاوردهای امروزی این شاخه از علوم مالی، مرهون تلاش ها و مطالعات وی است.

برای حل مساله بهینه سازی سبد سهام، ابزارها و الگوریتم های متنوعی پیشنهاد شده اند و قابل استفاده می باشند، که هم شامل الگوریتم های بهینه سازی کلاسیک و هم شامل الگوریتم های بهینه سازی هوشمند و فراابتکاری (متاهیوریستیک) است. ضمن این که، نرم افزار متلب، و جعبه ابزار (تولباکس) مالی این نرم افزار نیز، امکانات بی نظیری را برای مواجهه با این نوع از مسائل، تدارک دیده است، که مبنای اصلی کار در این مجموعه آموزشی است.

مجموعه فرادرس های آموزشی بهینه سازی سبد سهام در متلب، با استفاده از روش های کلاسیک و هوشمند، یک مجموعه آموزشی کامل و منحصر به فرد در زمینه کاربرد الگوریتم های بهینه سازی (کلاسیک و هوشمند) و نرم افزار متلب در زمینه بهینه سازی سبد سهام (Portfolio Optimization) است.

مدرس این مجموعه آموزشی، دکتر سیدمصطفی کلامی هریس، فارغ التحصیل دکترای مهندسی کنترل، از دانشگاه صنعتی خواجه نصیر است. در این مجموعه، هم از نظر تئوری و هم نظر عملی، سعی شده است که مرور کاملی بر مباحث انجام شود و مخاطبان و استفاده کنندگان از آن، بتوانند تقریبا هر آنچه را که به دنبال یادگیری آن هستند، آموزش ببینند.

این مجموعه آموزشی، در سه بخش مستقل ارائه شده است، که عناوین آن ها، و سرفصل های تشکیل دهنده هر یک از آن ها، در ادامه آمده اند:

فهرست سرفصل ها و مباحث مطرح شده در این مجموعه آموزشی، در ادامه آمده اند:
  • درس یکم -- مدل های ریاضی مساله بهینه سازی سبد سهام
    • بررسی مبانی نظری مساله بهینه سازی سبد سهام انتظار
    • تعریف ریاضی مساله سبد سهام
    • تعریف بازده مورد انتظار سبد سهام و نحوه محاسبه آن
    • تعریف ریسک به صورت واریانس بازده سبد سهام و نحوه محاسبه آن
    • تعریف نیم واریانس یا Semi-Variance و نحوه محاسبه آن
    • بررسی نحوه محاسبه ماتریس نیم کوواریانس (Covariance)
    • معرفی مدل مارکویتز (مدل میانگین-واریانس یا Mean - Variance)
    • تعریف مساله بهینه سازی سبد سهام به صورت چند هدفه
    • تعریف مساله بهینه سازی سبد سهام به صورت تک هدفه با حداقل بازده مورد انتظار
    • تعریف مساله بهینه سازی سبد سهام به صورت تک هدفه با حداکثر ریسک قابل قبول
    • معرفی و بررسی مدل میانگین با قدر مطلق اختلاف انحراف یا MAD
    • معرفی ارزش در معرض خطر (ریسک) یا VaR و بررسی مفهوم آن
    • ارزش در معرض خطر مشروط یا CVaR
    • استفاده از CVaR به عنوان شاخص ریسک سرمایه گذاری در سبد سهام
    • مباحث تکمیلی در خصوص VaR و CVaR و حدود بالا و پایین آن
    • جمع بندی مباحث طرح شده
  • درس دوم -- بهینه سازی سبد سهام با استفاده از روش های بهینه سازی کلاسیک
    • فراخوانی و دریافت اطلاعات مالی از سرویس وب یاهو (Yahoo)
    • بررسی نحوه استفاده از تابع fetch برای دریافت اطلاعات از اینترنت
    • نحوه دریافت اطلاعات چندین نماد (سمبل) مختلف از بورس و ذخیره آن ها در یک فایل
    • دریافت اطلاعات قیمت سهام شرکت های: آی بی ام (IBM)، گوگل (GOOGL)، مایکروسافت (MSFT)، اپل (AAPL)، یاهو (YHOO) و آمازون (AMZN)
    • نحوه محاسبه بازده مربوط به هر نماد با استفاده از تابع price2ret
    • ایجاد مدل میانگین - واریانس با استفاده از کلاس Portfolio (تولباکس مالی)
    • تخمین پارامترهای سبد سهام، با استفاده از اطلاعات سری زمانی
    • محل مساله بهینه سازی سهام با مدل میانگین - واریانس
    • محاسبه سطح کارا یا Efficient Frontier
    • ترسیم سطح کارا و نتایج به دست آمده از حل مساله بهینه سازی
    • بررسی و تحلیل نتایج به دست آمده از حل مساله بهینه سازی سبد سهام
    • بیان مساله بهینه سازی سبد سهام به صورت یک مساله Epsilon Constraint
    • تعریف مدل نیم واریانس و حل آن با استفاده از مدل Portfolio عادی
    • تعریف ماتریس نیم کوواریانس با استفاده از ضریب همبستگی
    • ترسیم نتایج به دست آمده از حل مدل نیم واریانس
    • پیاده سازی حل مدل میانگین - قدر مطلق انحراف (Mean-Absoulte-Deviation) یا MAD
    • نمایش نتایج به دست آمده از مدل MAD
    • پیاده سازی حل مدل میانگین با ارزش در معرض خطر مشروط یا CVaR
    • پیاده سازی گام به گام همه برنامه ها و الگوریتم های مورد بحث
    • نمایش نتایج به دست آمده از حل مدل CVaR
  • درس سوم -- بهینه سازی سبد سهام با استفاده از روش های بهینه سازی هوشمند و فرا ابتکاری
    • معرفی روش تعریف متغیرهای تصمیم برای برقراری قیدهای مورد نیاز
    • نحوه تبدیل مساله بهینه سازی چندهدفه به یک مساله بهینه سازی تک هدفه
    • پیاده سازی یک تابع هزینه جامع، با امکان انتخاب معیار ریسک مناسب
    • پیاده سازی تابع هزینه به صورت یک هدفه با تابع جریمه
    • پیاده سازی تابع هزینه دو هدفه
    • حل مساله چند هدفه به صورت چندین مساله تک هدفه
    • حل مساله بهینه سازی سبد سهام با استفاده از الگوریتم بهینه سازی ازدحام ذرات (PSO)
    • ترسیم سطح کارای به دست آمده از بهینه سازی ها
    • حذف پاسخ های مغلوب (Dominated) از پاسخ های نهایی به دست آمده
    • حل مساله بهینه سازی سبد سهام با استفاده از الگوریتم رقابت استعماری (ICA)
    • حل مساله بهینه سازی سبد سهام به صورت چند هدفه با الگوریتم های هوشمند
    • بهینه سازی سبد سهام با الگوریتم ژنتیک چند هدفه NSGA - II
    • بهینه سازی سبد سهام با الگوریتم SPEA2
    • ترسیم جبهه پارتو یا Pareto Front به عنوان سطح کارا
    • پیاده سازی گام به گام همه برنامه ها و الگوریتم های مورد بحث
    • جمع بندی نتایج به دست آمده

آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
مراجع و فایل های جانبی مرتبط با آموزش
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس




پیش نمایش‌ها

۱. مدل های ریاضی مساله بهینه سازی سبد سهام

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۵۲ مگابایت -- (کلیک کنید +))

۲. بهینه سازی سبد سهام با استفاده از روش های کلاسیک

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۷۴ مگابایت -- (کلیک کنید +))

۳. بهینه سازی سبد سهام با استفاده از روش های هوشمند و فراابتکاری
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۳ جلسه ویدئویی با مجموع ۴ ساعت و ۳۲ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

راهنمای سفارش آموزش‌ها

آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

(راهنمایی بیشتر +)

در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
  • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش بهینه سازی سبد سهام با روش های بهینه سازی کلاسیک و هوشمند در متلب
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۴۶۲۶۸ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVRFIN101
مدت زمان ۴ ساعت و ۳۲ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۵۳۸ مگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.


آموزش‌های پیشنهادی برای شما


نظرات

تا کنون ۴,۴۱۳ نفر از این آموزش استفاده کرده اند و ۳۶ نظر ثبت شده است.
محمدجواد
محمدجواد
۱۳۹۹/۱۰/۰۴

سلام با تشکر ویژه از استاد بزرگ آقای دکتر کلامی هریس، من بخش هایی از آموزش رو متوجه نشدم، مثلا بعد از ران شدن الگوریتم SPEA2 چجوری باید به وزن هر کدوم از سهم ها دسترسی پیدا کنیم؟!
خروجی فقط ی نمودار ریسک ریوارده، وزن سبد رو چطور فراخوانی کنم؟!

شهریار
شهریار
۱۳۹۹/۰۳/۱۳

متشکرم آموزش خوبی بود و به صورت فنی درس داده شد.

جمشید
جمشید
۱۳۹۹/۰۳/۲۰

با سلام
اینجانب تاکنون از سه دوره مختلف آن مجموعه محترم استفاده نموده ام.
دوره های آموزش متلب- بهینه سازی سبد سهام – و ANFIS
واقعا از سبک آموزشی آقای دکتر کلامی رضایت دارم .خواستم از این طریق تشکر خود را خدمت ایشون اعلام کنم .

محسن
محسن
۱۳۹۹/۰۳/۱۵

خیلی عالی بود. من برای مقاله ای که داشتم این آموزشو تهیه کردم.

سینا
سینا
۱۳۹۹/۰۵/۲۱

بسیار خوب و شیوا. مخصوصا برا خودم جالب بود، چون رشته مکانیکم فکر نمیکردم، متلب بتونه توی بورس هم چنین نقش ارزشمندی داشته باشه و به نظرم با همه سختی این نرم افزار استاد به زیبایی تونست واسه مبتدیان فهم مطالب رو تسهیل کنه.

محمدرضا
محمدرضا
۱۳۹۹/۰۱/۰۱

خیلی محتوا و متن آموزش قوی بود و از همه آموزش هایی که تا الان مشاهده کردم بهتر بود.

فرهاد
فرهاد
۱۳۹۹/۰۱/۰۵

نکته مبهمی توی ارائه مشاهده نکردم مطالب واضح انتقال دادن.

وحید
وحید
۱۳۹۹/۰۱/۰۹

کلا آموزش های بورس شما نسبت به سايت های ديگه خيلی کاملتره.

وحید
وحید
۱۳۹۸/۱۲/۲۸

ميزان تسلط و انتقال مفاهيم توسط مدرس نسبتا خوب بود.

علی
علی
۱۳۹۸/۱۲/۲۸

خیلی کاربردی بود و تو کارم ازش جواب گرفتم.

برچسب‌ها:
Classic and Intelligent Optimization Methods | CVaR | Dominated | Efficient Frontier | Epsilon Constraint | Finance | ICA | MAD | Mean-Absoulte-Deviation | Mean-Variance | Modern Portfolio Theory | NSGA-II | Optimal Portfolio Selection | Pareto Front | Portflio Optimization | Portfolio | Portfolio Optimization | PSO | Semi-Variance | SPEA2 | VaR | variance | آموزش knapsack problem با الگوریتم ژنتیک | اختلاف انحراف | ارزش در معرض خطر | ارزش در معرض خطر مشروط | ارزش در معرض ریسک | ارزش در معرض ریسک مشروط | الگوریتم رقابت استعماری | الگوریتم ژنتیک | الگوریتم ژنتیک چند هدفه | انتخاب بهینه سبد سهام | برنامه نویسی متلب برای آنالیز اجزای محدود | بهینه سازی | بهینه سازی ازدحام ذرات | بهینه سازی پورتفو | بهینه سازی پورتفولیو | بهینه سازی سبد دارایی | بهینه سازی سبد سهام | بهینه سازی سبد سهام با NSGA-II | بهینه سازی سبد سهام با PSO | بهینه سازی سبد سهام با SPEA2 | بهینه سازی سبد سهام با ازدحام ذرات | بهینه سازی سبد سهام با الگوریتم ژنتیک | بهینه سازی سبد سهام با الگوریتم ژنتیک چند هدفه | بهینه سازی سبد سهام با رقابت استعماری | بهینه سازی سبد سهام با روش های کلاسیک | بهینه سازی سبد سهام با متلب | پروژه المان محدود با متلب | پورتفولیو | تابع price2ret | تحلیل خرپا به روش اجزا محدود | ترسیم جبهه پارتو | چند هدفه | دانلود کتاب برنامه نویسی روش المان محدود در matlab | روش المان محدود+pdf | روش های بهینه سازی کلاسیک و هوشمند | ژنتیک چند | ژنتیک چند هدفه | سبد سهام | شاخص ریسک سرمایه گذاری | علوم مالی | فرا ابتکاری | کد متلب تحلیل خرپا | متاهیوریستیک | مدل CVaR | مدل ریسک | مدل سازی و تحلیل ریسک | مدل مارکویتز | مدل میانگین ریسک | مدل میانگین نیم واریانس | مدل میانگین واریانس | مدل واریانس قدر مطلق انحراف | میانگین-واریانس | نرم افزار المان محدود | نیم واریانس | هوشمند | واریانس
مشاهده بیشتر مشاهده کمتر
×
فهرست جلسات ۳ جلسه ویدئویی