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 Inferenceمسار Hidden Markov Modelsمسار Particle filtering and non-stationary time series
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›Hidden Markov Models
H

Hidden Markov Models المسار

متاحابدأ من هنا

تبدو الأسواق وكأنها تتنقل بين فترات هادئة وعاصفة، لكن لا أحد يعلن التحول. ويعطي نموذج ماركوف الخفي هذه الفكرة شكلًا دقيقًا: حالة خفية تتحرك باحتمالات بسيطة وعائد كل يوم إشارة مشوشة عنها. تشرح هذه المهارة النموذج بخطوات بسيطة، مع اختبارات قصيرة (أرقام تحسبها وخطوات ترتبها ومفاهيم تطابقها) وأمثلة مالية: كيف تسلك سلسلة من الأيام الهادئة والعاصفة على المدى الطويل، وكيف تحدّث اعتقادك عن حالة اليوم من عائد اليوم، وكيف تجد أرجح مسار للحالات، وكيف يتعلم النموذج أرقامه من البيانات، وكم نظامًا يكفي، ولماذا تُعد إشارة النظام التي تنظر إلى كل التاريخ غشًا. المشروع الختامي مختبر برمجي تكتب فيه الخوارزميات بنفسك وتكتشف الأنظمة في عوائد SPY حقيقية.

3 وحدات10 مختبرًا مصححًا~10 ساعاتمتوسط → متقدم
ابدأ المسار

المتطلبات المسبقة

يُتوقع معرفة الاحتمالات والتحديث البيزي الأساسي (الاحتمال الشرطي وقاعدة بايز). لا حاجة إلى خلفية في ماركوف أو HMM.

  • PProbability
  • BBayesian Inference

المنهج

10 موضوعًا · افتح أي موضوع بالترتيب الذي تريده
  1. 1مراجعة سلاسل ماركوفلم يبدأ40 دابدأ
  2. 2الحالات الخفية والانبعاثاتلم يبدأ45 دابدأ
  1. 3خوارزمية الأماملم يبدأ1 سابدأ
  2. 4فك ترميز فيتربيلم يبدأ55 دابدأ
  3. 5التنعيم الأمامي الخلفيلم يبدأ55 دابدأ
  4. 6بوم-ويلش وخوارزمية EMلم يبدأ1 س 10 دابدأ
  1. 7انبعاثات غاوسية للعوائدلم يبدأ55 دابدأ
  2. 8اختيار عدد الأنظمةلم يبدأ50 دابدأ
  3. 9الترشيح مقابل التنعيم وفخ النظر إلى المستقبللم يبدأ50 دابدأ
  4. 10المشروع الختامي: كاشف أنظمة صاعدة وهابطة وأزمة على بيانات المؤشرلم يبدأ1 س 40 دابدأ

الإكمال

انجح في 10 مختبرًا بدرجة 70 فأكثر لإكمال المسار والحصول على شارة نماذج ماركوف الخفية في ملفك الشخصي.

0 / 100%

المتطلبات المسبقة

يُتوقع معرفة الاحتمالات والتحديث البيزي الأساسي (الاحتمال الشرطي وقاعدة بايز). لا حاجة إلى خلفية في ماركوف أو HMM.

  • PProbability
  • BBayesian Inference

الأدوات التي ستستخدمها

PythonNumPypandaspytest

ما الذي ستتعلمه

  • وصف سلسلة ماركوف بمصفوفة انتقالها وإيجاد المكان الذي تستقر فيه على المدى الطويل
  • كتابة خوارزمية الأمام وفك ترميز فيتربي وبيان السؤال الذي يجيب عنه كل منهما
  • تنعيم احتمالات الحالة بالأمامي الخلفي وتعلّم أرقام النموذج ببوم-ويلش
  • نمذجة العوائد بأنظمة غاوسية واختيار عدد الأنظمة التي تدعمها البيانات
  • كشف أنظمة السوق في عوائد حقيقية وتجنب فخ النظر إلى المستقبل عند اختبار إشارة نظام

المسار التالي

PParticle filtering and non-stationary time seriesمتاح
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 Inferenceمسار Hidden Markov Modelsمسار Particle filtering and non-stationary time series
الدعم
شاركنا ملاحظاتكاشترِ لنا قهوة
قانوني
سياسة الخصوصيةشروط الخدمة
© 2026 QuantCraft Solutions. جميع الحقوق محفوظة.
QuantCraft
تسجيل الدخولانضم ↗
تسجيل الدخول