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 Optimization
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›Matrix Decompositions
M

Matrix Decompositions المسار

متاحابدأ من هنا

مصفوفة التباين المشترك مدخل كل نموذج مخاطر تقريبًا، وهي أيضًا أسهل المدخلات خطأً. تمنحك هذه المهارة التحليلات التي تفسّرها، باختبارات قصيرة (أرقام تحسبها وخطوات ترتبها ومفاهيم تطابقها) وأمثلة مالية: لماذا يكون المكوّن الرئيسي الأول لعوائد الأسهم هو السوق، ولماذا تكون المكوّنات الثلاثة لمنحنى العائد المستوى والميل والانحناء، ولماذا تكون القيم الذاتية للتباين المشترك لعدد كبير من الأصول مبعثرة أكثر مما ينبغي، وكيف تنتج مصفوفة مشوّشة محفظة أدنى تباين مخيّبة خارج العينة. والمشروع الختامي مختبر برمجي تبني فيه الإصلاحات بنفسك وتختبرها على عوائد حقيقية.

5 وحدات13 مختبرًا مصححًا~12 ساعةمتوسط → متقدم
ابدأ المسار

المنهج

13 موضوعًا · افتح أي موضوع بالترتيب الذي تريده
  1. 1القيم الذاتية والمتجهات الذاتيةلم يبدأ55 دابدأ
  2. 2طريقة القوى التكراريةلم يبدأ50 دابدأ
  3. 3النظرية الطيفيةلم يبدأ45 دابدأ
  1. 4التحليل إلى القيم المفردةلم يبدأ1 سابدأ
  2. 5التقريب منخفض الرتبةلم يبدأ50 دابدأ
  1. 6مصفوفات التباين المشترك والارتباطلم يبدأيتطلب Python45 دابدأ
  2. 7تحليل المكونات الرئيسية من الصفرلم يبدأ1 سابدأ
  3. 8تحليل المكونات الرئيسية لمنحنيات العائدلم يبدأ55 دابدأ
  1. 9التباين المشترك للعينة وضجيجهلم يبدأ55 دابدأ
  2. 10قصّ القيم الذاتية وماركينكو-باستورلم يبدأ1 سابدأ
  3. 11انكماش ليدويت-وولفلم يبدأ55 دابدأ
  1. 12نماذج العوامل المستخرجة من تحليل المكونات الرئيسيةلم يبدأ55 دابدأ
  2. 13المشروع الختامي: تباين مشترك منقّى لأدنى تباينلم يبدأ1 س 40 دابدأ

المتطلبات المسبقة

يُتوقع معرفة الجبر الخطي: المصفوفات والرتبة والتعامد والمربعات الصغرى. وتفيد مبادئ الإحصاء (التباين والتباين المشترك).

  • LLinear Algebra

ما الذي ستتعلمه

  • حساب القيم الذاتية والمتجهات الذاتية وتفسيرها وإيجاد المهيمن منها بالطريقة القوى التكرارية واستعمال النظرية الطيفية للمصفوفات المتماثلة
  • تحليل مصفوفة بـ SVD وتقريبها برتبة منخفضة مع معرفة ما يحتفظ به كل قيمة مفردة
  • تنفيذ تحليل المكونات الرئيسية من الصفر على العوائد ومنحنيات العائد وقراءة المكونات على أنها السوق والمستوى والميل والانحناء
  • شرح سبب ضجيج مصفوفة التباين المشترك للعينة وإصلاحها بقصّ القيم الذاتية وانكماش ليدويت-وولف
  • بناء نموذج عوامل من تحليل المكونات الرئيسية وقياس ما إذا كان التباين المشترك المنقّى يعطي محفظة أدنى تباين أفضل خارج العينة

الأدوات التي ستستخدمها

PythonNumPypandaspytest

الإكمال

انجح في 13 مختبرًا بدرجة 70 فأكثر لإكمال المسار والحصول على شارة تحليلات المصفوفات في ملفك الشخصي.

0 / 130%

المسار التالي

OOptimizationمتاح
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 Optimization
الدعم
شاركنا ملاحظاتكاشترِ لنا قهوة
قانوني
سياسة الخصوصيةشروط الخدمة
© 2026 QuantCraft Solutions. جميع الحقوق محفوظة.
QuantCraft
تسجيل الدخولانضم ↗
تسجيل الدخول