σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academyخرائط الطريقالمسارات
Ctrl K
AO
+1.2k متعلّم
تسجيل الدخولانضم ↗
خرائط الطريقالمسارات
AO
+1.2k متعلّم
تسجيل الدخول
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
uantCraft Academy

تعلّم التطوير الكمّي بالممارسة: دروس قصيرة ومختبرات مُقيَّمة وبيئة تطوير حقيقية داخل متصفحك.

تعلّم
كل خرائط الطريقكل مسارات التعلممسار Pythonمسار C++قريبًامسار OxCamlقريبًامسار Market Structureمسار Calculusمسار Linear Algebraمسار Probabilityمسار Statisticsمسار Matrix Decompositionsمسار Optimizationمسار Time Seriesمسار Stochastic Calculusمسار Bayesian Inference
الدعم
شاركنا ملاحظاتكاشترِ لنا قهوة
قانوني
سياسة الخصوصيةشروط الخدمة
© 2026 QuantCraft Solutions. جميع الحقوق محفوظة.
QuantCraft
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academyخرائط الطريقالمسارات
Ctrl K
AO
+1.2k متعلّم
تسجيل الدخولانضم ↗
خرائط الطريقالمسارات
AO
+1.2k متعلّم
تسجيل الدخول
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
المسارات›Bayesian Inference
B

Bayesian Inference المسار

متاحابدأ من هنا

يعطيك الاختبار الخلفي رقمًا واحدًا، فكم ينبغي أن تثق به؟ يجيب الاستدلال البيزي بمدى كامل من القيم المعقولة بدل تخمين واحد. تشرح هذه المهارة ذلك بخطوات بسيطة، مع اختبارات قصيرة (أرقام تحسبها وخطوات ترتبها ومفاهيم تطابقها) وأمثلة مالية: كيف يجتمع اعتقاد مسبق مع نتائج بضعة أيام، ولماذا لا تُعد استراتيجية ربحت 7 أيام من 10 مثبتة بعد، وكيف تقرأ فترة مصداقية وتتخذ بها قرارًا، وكيف يستكشف أخذ العينات توزيعًا لاحقًا لا صيغة له، ولماذا ينبغي تقريب متوسطات عوائد أسهم كثيرة بعضها من بعض، وكيف تقارن نموذجين بإنصاف. المشروع الختامي مختبر برمجي تكتب فيه أخذ العينات والانكماش بنفسك وتستعملهما على عوائد أسهم حقيقية.

3 وحدات10 مختبرًا مصححًا~10 ساعاتمتوسط → متقدم
ابدأ المسار

المتطلبات المسبقة

يُتوقع معرفة الاحتمالات (الاحتمال الشرطي والتوزيعات الشائعة) وتفيد مبادئ الإحصاء. لا حاجة إلى خلفية في الاستدلال البيزي.

  • PProbability
  • SStatistics

المنهج

10 موضوعًا · افتح أي موضوع بالترتيب الذي تريده
  1. 1الاحتمال المسبق ودالة الإمكان واللاحقلم يبدأ50 دابدأ
  2. 2النماذج المترافقة: بيتا-ثنائي الحد والطبيعيلم يبدأ50 دابدأ
  3. 3الفترات اللاحقة والقراراتلم يبدأ45 دابدأ
  4. 4الانحدار الخطي البيزيلم يبدأ1 سابدأ
  1. 5ميتروبوليس-هاستينغز من الصفرلم يبدأ1 س 5 دابدأ
  2. 6أخذ عينات جيبسلم يبدأ55 دابدأ
  1. 7النماذج الهرمية والانكماشلم يبدأ1 سابدأ
  2. 8مقارنة النماذج وعوامل بايزلم يبدأ50 دابدأ
  3. 9التحديث البيزي لأداء الاستراتيجيةلم يبدأ55 دابدأ
  4. 10المشروع الختامي: نسبة شارب البيزية والانكماش على أسهم حقيقيةلم يبدأ1 س 30 دابدأ

الإكمال

انجح في 10 مختبرًا بدرجة 70 فأكثر لإكمال المسار والحصول على شارة الاستدلال البيزي في ملفك الشخصي.

0 / 100%

المتطلبات المسبقة

يُتوقع معرفة الاحتمالات (الاحتمال الشرطي والتوزيعات الشائعة) وتفيد مبادئ الإحصاء. لا حاجة إلى خلفية في الاستدلال البيزي.

  • PProbability
  • SStatistics

الأدوات التي ستستخدمها

PythonNumPypandaspytest

ما الذي ستتعلمه

  • الجمع بين احتمال مسبق وبيانات للحصول على توزيع لاحق وشرح معنى كل جزء بكلمات بسيطة
  • استعمال النماذج المترافقة والانحدار البيزي وقراءة فترات المصداقية واتخاذ القرارات بها
  • كتابة عيّنات ميتروبوليس-هاستينغز وجيبس والتحقق من أن السلسلة استكشفت التوزيع اللاحق
  • انكماش التقديرات المشوشة بنموذج هرمي ومقارنة النماذج بعوامل بايز
  • وضع حدود خطأ صادقة على نسبة شارب واختبار هل يتنبأ الانكماش بشكل أفضل على عوائد حقيقية
uantCraft Academy

تعلّم التطوير الكمّي بالممارسة: دروس قصيرة ومختبرات مُقيَّمة وبيئة تطوير حقيقية داخل متصفحك.

تعلّم
كل خرائط الطريقكل مسارات التعلممسار Pythonمسار C++قريبًامسار OxCamlقريبًامسار Market Structureمسار Calculusمسار Linear Algebraمسار Probabilityمسار Statisticsمسار Matrix Decompositionsمسار Optimizationمسار Time Seriesمسار Stochastic Calculusمسار Bayesian Inference
الدعم
شاركنا ملاحظاتكاشترِ لنا قهوة
قانوني
سياسة الخصوصيةشروط الخدمة
© 2026 QuantCraft Solutions. جميع الحقوق محفوظة.
QuantCraft
تسجيل الدخولانضم ↗
تسجيل الدخول