در دنیای امروز، دانش مالی به یکی از ارکان اساسی تصمیم¬گیری¬های حرفه¬ای تبدیل شده است. آزمون‎های معتبر بین¬المللی همچون FRM و CFA به متخصصان مالی این امکان را می¬دهند که مهارت¬های خود را به سطحی بالاتر برده و جایگاهی برجسته در دنیای مالی کسب نمایند. یکی از کلیدی¬ترین مباحث این آزمون¬ها، آمار و تحلیل کمّی شامل مدل¬های مختلف آماری و یادگیری ماشین است؛ دانشی که نه تنها در امتحانات، بلکه در مسیر حرفه¬ای هر تحلیلگر مالی نقشی حیاتی ایفا می¬کند. این کتاب به عنوان یک راهنمای خودآموز جامع طراحی شده است تا شرکت‌کنندگان برای شرکت در دو آزمون مذکور بتوانند با زبانی ساده و مثال¬های کاربردی، مفاهیم پیچیده مدل‌سازی¬های یادگیری ماشین و موضوعاتی همچون شبیه¬سازی و آزمون¬های ناپارامتری را درک کنند. همچنین، مثال¬های متعدد در حوزه مالی و بانکی در ارتباط با این موضوعات ارائه و بررسی شده¬اند. به دلیل گستردگی ابعاد مختلف این روش¬ها بدیهی است، سعی شده تنها به جنبه¬های بنیادی پرداخته شود تا خواننده، فلسفه اصلی آنها را تا اندازه¬ای درک نموده و در ادامه مسیر یادگیری، علاوه بر حل مسائل دو آزمون مذکور، در صورتی که علاقمند به پیاده¬سازی این روش¬ها در محیط¬های برنامه‎نویسی همچون پایتون باشد، قادر به تحلیل خروجی¬های این پیاده¬سازی¬ها گردد. از این¬رو، همه دانشجویان رشته¬های مدیریت، حسابداری، اقتصاد و علاقمندان به یادگیری آمار و مدل‌سازی نیز می¬¬توانند از محتوای این کتاب بهره ببرند. هدف نویسنده این بوده که پیچیدگی¬های ریاضی را با توضیحات روشن و قابل فهم کاهش داده و ابزارهای تحلیل را به شیوه¬ای عملی ارائه نماید. در جلد نخست این کتاب به مفاهیم پایه¬ای آمار و نیز مدل‌سازی رگرسیون پرداختیم و اکنون از آن مفاهیم در درک روش¬های پیشرفته¬تری که استفاده از آنها در دو دهه اخیر به طور گسترده و فزاینده¬ای در حوزه‎های مالی و اقتصادی رشد چشمگیری داشته بهره می¬بریم. نویسنده با تکیه بر سال¬ها تجربه در تدریس و تحقیق در حوزه تحلیل داده در رشته¬های مختلف علمی، سعی بر آن نموده است که مباحث پایه¬ای در این کتاب را به شیوه¬ای ساده و کاربردی تشریح نماید. امیدواریم این کتاب بتواند راهگشای شما در مسیر موفقیت باشد و به شما کمک کند که با "اعتماد به ‌نفس و دانش کافی" آزمون‌های پیش رو را پشت سر بگذارید. موفقیت شما، افتخار ماست.

فصل اول؛ شبیه‌سازی آماری 13
مقدمه 14
مثال‌هایی از شبیه‌سازی 15
کلاس‌های شبیه‌سازی آماری 17
مفاهیم مقدماتی شبیه‌سازی 17
تولید یک عدد تصادفی 17
رویکرد اول: روش شبیه‌سازی مونت کارلو 20
کاربردهای شبیه‌سازی مونت کارلو 22
کاربردهای شبیه‌سازی - حالت اول: محاسبه امید ریاضی 22
کاربردهای شبیه‌سازی - حالت دوم: محاسبه احتمال یک رویداد 24
کاربردهای شبیه‌سازی - حالت سوم: پاسخ به سؤالات احتمالی 25
کاربردهای شبیه‌سازی - حالت چهارم: ارزیابی یک مدل آماری جدید پیشنهاد شده 26
کاربردهای شبیه‌سازی - -حالت پنجم: آموزش 28
کاربرد شبیه‌سازی مونت کارلو در حوزه مالی 31
کاربرد مالی ارزش‌گذاری اوراق بهادار -عملکرد سود و زیان 31
کاربرد مالی شبیه‌سازی مونت کارلو- برآورد ارزش درمعرض خطر 34
کاربرد مالی شبیه‌سازی مونت کارلو- ارزش‌گذاری اوراق بهادار 34
کاهش خطای استاندارد برآورد حاصله از شبیه‌سازی مونت کارلو 39
کاهش خطای استاندارد برآورد -روش اول: افزایش حجم نمونه 40
کاهش خطای استاندارد برآورد -روش دوم: متغیرهای متضاد یا پادمتقارن 41
کاهش خطای استاندارد برآورد- روش سوم: استفاده از متغیرهای کنترل شده 43
رویکرد دوم: تکنیک‌های بازنمونه‌گیری 48
نمونه‌گیری بوت استرپ 48
نمونه‌گیری بوت استرپ با رویکرد نمونه‌های هم توزیع و مستقل از هم 50
نمونه‌گیری بوت استرپ با رویکرد گردش بلوکی 56
مسائل حل شده 59
فصل دوم؛ یادگیری ماشین- بخش اول 65
مقدمه 67
ضرورت استفاده از روش‌های یادگیری ماشین 70
مقایسه روش‌های آماری و روش‌های یادگیری ماشین 71
انواع روش‌های یادگیری ماشین 73
روش‌های یادگیری ماشین نظارت شده 74
الف: روش‌های یادگیری نظارت شده مبتنی بر رگرسیون 79
رگرسیون ستیغی 80
رگرسیون لاسو 83
تعیین مقدار ابرپارامتر در دو مدل رگرسیون لاسو و ستیغی 85
مبحث اختیاری 86
ب: روش‌های یادگیری نظارت شده مبتنی بر طبقه‌بندی 87
روش طبقه‌بندی بیز ساده 87
روش نزدیک‌ترین همسایه 93
رگرسیون لوجستیک 96
درخت تصمیم 102
درخت تصمیم برای رگرسیون 105
درخت تصمیم برای طبقه‌بندی 108
جنگل تصادفی 115
ماشین بردار پشتیبان 117
شبکه‌های عصبی 122
الگوریتم گرادیان نزولی 128
کاربرد مدل شبکه عصبی در حوزه مالی 130
مبحث اختیاری: تاریخچه مدل شبکه عصبی 131
مباحث مهم در پیاده‌سازی روش‌های یادگیری ماشین 132
پردازش و آماده‌سازی داده‌ها 132
ملاک‌های ارزیابی مدل‌های یادگیری ماشین نظارت شده 136
رویکرد اول: ملاک‌های کمّی 136
رویکرد دوم: منحنی محور 139
رویکرد سوم: اعتبارسنجی متقابل 142
مصالحه بین اریبی و دقت 146
مبحث اختیاری: بیشینه تابع درستنمایی 151
فصل سوم؛ یادگیری ماشین- بخش دوم 153
مقدمه 154
روش‌های یادگیری ماشین بدون نظارت 154
تحلیل خوشه‌ای داده‌ها 155
روش تحلیل مؤلفه‌های اصلی 166
روش‌های یادگیری ماشین نیمه ناظر (نیمه نظارتی) 169
روش‌های یادگیری ماشین تقویتی 170
روش‌های یادگیری ماشین تجمعی 174
تکنیک بگینگ 175
تکنیک بوستینگ 175
روش یادگیری پردازش زبان طبیعی 176
مسائل حل شده 180
فصل چهارم؛ سری‌های زمانی 189
مقدمه 190
قسمت اول: تعاریف 191
سری‌های زمانی 191
عملگر وقفه 194
مانایی (ایستایی) 195
مؤلفه¬های یک سری زمانی 196
تابع اتوکواریانس و خود همبستگی 198
نویز سفید 200
قسمت دوم: مدل‌های مقدماتی سری زمانی 202
رویکرد دوم: هموار‌سازی 203
رویکرد سوم: تابع انتقال 204
مدل خودبازگشت 206
مدل میانگین متحرک 212
مدل میانگین متحرک خودبازگشت 214
سری‌های زمانی نامانا 216
قسمت سوم: ارزیابی مدل سری زمانی 224
مسائل حل شده 226
فصل پنجم؛ضریب همبستگی و شاخص‌های نوسان‌پذیری 235
مقدمه 236
بررسی نرمال بودن توزیع داده‌ها 236
بررسی ارتباطات دو متغیر تصادفی با روش‌های ناپارامتری 240
ضریب همبستگی رتبه‌ای اسپیرمن 240
ضریب همبستگی کندال تاو 244
آزمون کای‌اسکوئر 245
ساختار همبستگی یکنواخت 248
بازده و شاخص‌های نوسان‌پذیری 250
مسائل حل شده 254
منابع 259
ایندکس 269

#	موضوع	عنوان	توضیح	رمز عبور	دانلود
1	نمونه pdf	فایل نمونه			دانلود