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›Particle filtering and non-stationary time series
P

Particle filtering and non-stationary time series المسار

متاحابدأ من هنا

ليس بيتا السهم وتقلبه ثابتين، ولا يخبرك أحد بقيمتهما اليوم. تتعامل هذه المهارة معهما كحالة خفية تنجرف، وتشرح كيف نتتبعها بخطوات بسيطة مع اختبارات قصيرة (أرقام تحسبها وخطوات ترتبها ومفاهيم تطابقها) وأمثلة مالية: لماذا يتفوق المرشح على قراءة ملاحظة واحدة مشوشة، وماذا يفعل مرشح كالمان حين يكون كل شيء منحنى جرسيًا، وكيف تفعل سحابة من الجسيمات الموزونة الشيء نفسه حين لا يكون كذلك، ولماذا تنهار الأوزان وكيف تصلحها إعادة العينة، وكيف نتتبع التقلب على عوائد SPY الحقيقية، وكيف نتعلم أرقام النموذج، وكيف نرصد نقطة تغير، وكيف تقارن المقدّرات المتحركة والأسية والمباشرة. والمشروع الختامي مختبر برمجي تبني فيه مرشح الجسيمات ومرشح كالمان وانحدارًا متحركًا لتتبع بيتا أبل مقابل SPY.

3 وحدات10 مختبرًا مصححًا~10 ساعاتمتقدم
ابدأ المسار

المتطلبات المسبقة

يُتوقع معرفة نماذج ماركوف الخفية (الترشيح وقاعدة بايز والحالة الخفية وملاحظاتها) مع الاحتمالات الأساسية والتوزيعات الطبيعية.

  • HHidden Markov Models

المنهج

10 موضوعًا · افتح أي موضوع بالترتيب الذي تريده
  1. 1نماذج فضاء الحالة مرة أخرىلم يبدأ45 دابدأ
  2. 2مراجعة مرشح كالمانلم يبدأ50 دابدأ
  1. 3أخذ العينات بالأهميةلم يبدأ55 دابدأ
  2. 4مرشح الجسيمات بوتسترابلم يبدأ1 س 5 دابدأ
  3. 5طرق إعادة العينة والانحطاطلم يبدأ55 دابدأ
  4. 6ترشيح التقلب العشوائيلم يبدأ1 س 10 دابدأ
  5. 7تعلّم المعاملاتلم يبدأ1 سابدأ
  1. 8كشف الانجراف ونقاط التغيرلم يبدأ55 دابدأ
  2. 9مقدّرات متحركة وأسية ومباشرةلم يبدأ50 دابدأ
  3. 10المشروع الختامي: تتبّع بيتا وتقلب سهملم يبدأ1 س 40 دابدأ

الإكمال

انجح في 10 مختبرًا بدرجة 70 فأكثر لإكمال المسار والحصول على شارة ترشيح الجسيمات في ملفك الشخصي.

0 / 100%

المتطلبات المسبقة

يُتوقع معرفة نماذج ماركوف الخفية (الترشيح وقاعدة بايز والحالة الخفية وملاحظاتها) مع الاحتمالات الأساسية والتوزيعات الطبيعية.

  • HHidden Markov Models

الأدوات التي ستستخدمها

PythonNumPypandaspytest

ما الذي ستتعلمه

  • كتابة نموذج فضاء حالة بحالة خفية وملاحظات مشوشة وتشغيل مرشح كالمان عليه
  • التقدير بعينات موزونة: أوزان الأهمية وحجم العينة الفعال ومرشح الجسيمات بوتستراب
  • إعادة عينة الجسيمات بإعادة العينة المنتظمة والتعرف على انحطاط الأوزان قبل أن يفسد المرشح
  • ترشيح التقلب العشوائي على عوائد حقيقية وتعلّم معاملات النموذج من أرجحية مرشح الجسيمات
  • كشف الانجراف ونقاط التغير ومقارنة المقدّرات المتحركة والأسية والمباشرة في سوق متغير
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