Python4Finance

یادگیری ماشین خودکار (Automated Machine Learning)- بخش اول یکی از دغدغه های اصلی ما در استفاده از مدلهای یادگیری ماشین، انتخاب مدلی است که بهترین شاخص های ارزیابی را داشته باشد. اگرچه با تجربه می توان مدلهای پیشنهادی را برای داده های بخصوص مشخص کرد اما در بیشتر اوقات ناگزیر هستیم چندین مدل را اجرا کنیم تا بتوانیم بهترین مدل را انتخاب کنیم. یکی از راهکارها برای این موضوع AutoML است. AutoML یک حوزه نوپا است. در واقع با AutoML یک جریان کاری خودکار ایجاد می کنیم که بتواند داده‌های خام را به‌عنوان ورودی دریافت کرده و به‌طور خودکار یک پیش‌بینی تولید کند. این جریان کاری باید به‌طور خودکار پیش‌پردازش داده‌ها، انتخاب مدل، تنظیم پارامترها، و تمامی مراحل دیگر فرایند یادگیری ماشین را انجام دهد. در واقع AutoML ابزار بسیار کاربردی برای دانشمندان داده می شود و می تواند سرعت تحلیل داده ها را تا حد زیادی افزایش دهد. در پست های بعدی برخی از ابزارهای AutoML را با هم بررسی خواهیم کرد. #یادگیری_ماشین_خودکار #AutoML #Automated_Machine_Learning پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

هوش مصنوعی گوگل در خدمت برنامه نویسان قبلا چند تا مطلب در خصوص #دستیار_هوش_مصنوعی برای برنامه نویسی گذاشته بودم. خوشبختانه گوگل، Gemini هوش مصنوعی خود را با Google Colab ترکیب کرده و در اختیار گذاشته است. (اگر Colab را نمی شناسید Colab یک ابزار رایگان است که در فضای Jupyter Notebook ابری، امکان برنامه نویسی پایتون را فراهم می کند.) البته امکان استفاده از این هوش مصنوعی در IDEهای معروف مثل VSCode و محصولات JetBrains هم وجود دارد. خیلی راحت می توانید درخواست خود را با زبان ساده بیان کنید و هوش مصنوعی گوگل ادامه کار را انجام می دهد. در فیلم این پست با امکانات اصلی این هوش مصنوعی آشنا می شوید. #دستیار_هوش_مصنوعی #هوش_مصنوعی #برنامه_نویسی #AI #Colab #Google_Colab پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

ثبت نام سی و نهمین دوره مدلسازی مالی با python مقدماتی آغاز شد 📌 سرفصل: ➖آموزش مبانی برنامه نویسی به زبان پایتون ➖آموزش مبانی مدلسازی مالی ➖معادله نویسی در پایتون ➖مصورسازی داده ها ➖مبانی آمار توصیفی ➖ارزش زمانی پول ➖بهینه سازی ➖محاسبه بازده و ریسک سهم ➖دریافت داده های مالی بین المللی ➖بررسی موردی بازار سرمایه ایران 📌اطلاعات دوره : ➖مدرس: دکتر محمد صادق کریمی مهرآبادی ➖طول دوره :21 ساعت + رفع اشکال ➖از 28 فروردین ماه 1404 ، روزهای 5 شنبه ✅به پذیرفته شدگان در پایان دوره، گواهی مرکز آموزش های آزاد و مجازی دانشگاه خوارزمی اعطا خواهد شد. ✅ این دوره پیشنیاز ندارد و همه موارد لازم در دوره گفته می شود. ✅ این دوره برای علاقه مندان جهت یادگیری مفاهیم مالی و اقتصادی با پایتون توصیه می شود. ✅ این دوره پیشنیاز سایر دوره های پیشرفته مانند مدلسازی مالی پیشرفته، یادگیری ماشین و ... است. . اطلاعات بیشتر و ثبت نام: 🌐 khu.zarsuntadbir.ir #ثبت_نام پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

آیا هوش مصنوعی جایگزین برنامه نویسان می شود؟ به عبارت دیگر آیا با وجود هوش مصنوعی لازم است یک زبان برنامه نویسی یاد بگیریم؟ پاسخ به این سوال را در ویدئوی زیر با هم بررسی می کنیم: 🌐 لینک ویدئو پی نوشت: این ویدئو بخشی از دوره مدلسازی مالی مقدماتی با پایتون است. (لینک) #ویدئو #هوش_مصنوعی #AI #Video پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

کتابخانه Dash ، یک کتابخانه بسیار عالی دیگر برای تحویل سریع پروژه ها یکی از دغدغه های اصلی کاربران بعد از آماده کردن مدل و اجرای آن، تحویل پروژه در قالبی زیبا و قابل فهم است. اگرچه ابزارهای حرفه ای مانند Flask یا Django برای این موضوع وجود دارد اما اغلب به دنبال ابزاری هستیم که بتواند بسیار سریع به ما خروجی مناسبی تحویل دهد. قبلا در این پست در خصوص کتابخانه Streamlit صحبت کرده بودیم. کتابخانه Dash یکی دیگر از ابزارهای تخصصی برای این موضوع است. خبر خوب اینکه دش توسط تیم توسعه دهنده plotly ایجاد شده است که خیال شما را برای پشتیبانی و سازگاری با سایر کتابخانه ها علی الخصوص خود plotly راحت می کند. 🌐 لینک سایت #plotly #Dash پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

معرفی کتاب «تحلیلگر مالی: راهنمای کاربردی جامع برای مالی کمی در سال 2024: راهنمای جامع پایتون برای امور مالی» به انگلیسی «Financial Analyst: A Comprehensive Applied Guide to Quantitative Finance in 2024: A Holistic Guide to: Python for Finance» این کتاب، راهنمای جامع و کاربردی برای تحلیلگران مالی است که به دنبال تسلط بر مفاهیم پیچیده و ابزارهای پیشرفته در دنیای مالی مدرن هستند. این کتاب به شما کمک می‌کند تا دانش تئوری را به کاربردهای عملی تبدیل کنید. اگر به دنبال ارتقای مهارت‌های تحلیلی، بهبود استراتژی‌های سرمایه‌گذاری و درک عمیق‌تر از بازارهای مالی هستید، این کتاب برای شما است. با مثال‌های واقعی، مطالعات موردی و تکنیک‌های عملی، این کتاب نه تنها به شما آموزش می‌دهد، بلکه شما را برای تبدیل شدن به یک تحلیلگر مالی پیشرو آماده می‌کند. سطح کتاب متوسط است و هم برای مبتدیان قابل درک است و هم برای قدیمی تر ها نکات جدیدی دارد. #معرفی_کتاب #پایتون_مالی #معاملات_الگوریتمی پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

دانلود کتاب «تحلیلگر مالی: راهنمای کاربردی جامع برای مالی کمی در سال 2024: راهنمای جامع پایتون برای امور مالی» به انگلیسی «Financial Analyst: A Comprehensive Applied Guide to Quantitative Finance in 2024: A Holistic Guide to: Python for Finance» سال نشر کتاب 2024 #معرفی_کتاب #پایتون_مالی #معاملات_الگوریتمی پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

ضمن گرامیداشت ایام شبهای پرفضیلت قدر و التماس دعا در این ایام، سال جدید را خدمت شما تبریک عرض می کنم و سالی سرشار از موفقیت و به‌روزی زیر سایه رحمت حضرت حق و الطاف امیرالمومنین (ع) برای شما خواستارم. ارادتمند، کریمی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

برخی تحلیل ها نشان دهنده این است که سال آینده سال کامودیتی‌هاست. علاوه بر فلزات گرانبها که نقش بسیار مهمی در پوشش ریسک دارند، سال آینده احتمالا شاهد تحرکات زیادی در فلزات کاربردی مانند مس خواهیم بود. در مثال این پست قیمت مس و طلا برای 4 ماه گذشته رسم می شود.

#code by @python4finance
import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt
plt.style.use("ggplot")

gold_data = yf.download("GC=F",period="4Mo", multi_level_index=False)
copper_data = yf.download("HG=F" ,period="4Mo", multi_level_index=False)

gold_data['Close'].plot(label='Gold', color='gold' , figsize=(16, 6))
copper_data['Close'].plot( secondary_y=True, label='Copper', color='brown')
copper_data['Close'].rolling(10).mean().plot( secondary_y=True, label='Copper MA', color='green', style='--')
plt.xlabel('Date')
plt.ylabel('Price')
plt.title('Gold and Copper Prices')
plt.legend()
plt.show()

پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

ثبت نام سی و نهمین دوره مدلسازی مالی با python مقدماتی آغاز شد 📌 سرفصل: ➖آموزش مبانی برنامه نویسی به زبان پایتون ➖آموزش مبانی مدلسازی مالی ➖معادله نویسی در پایتون ➖مصورسازی داده ها ➖مبانی آمار توصیفی ➖ارزش زمانی پول ➖بهینه سازی ➖محاسبه بازده و ریسک سهم ➖دریافت داده های مالی بین المللی ➖بررسی موردی بازار سرمایه ایران 📌اطلاعات دوره : ➖مدرس: دکتر محمد صادق کریمی مهرآبادی ➖طول دوره :21 ساعت + رفع اشکال ➖از 28 فروردین ماه 1404 ، روزهای 5 شنبه ✅به پذیرفته شدگان در پایان دوره، گواهی مرکز آموزش های آزاد و مجازی دانشگاه خوارزمی اعطا خواهد شد. ✅ این دوره پیشنیاز ندارد و همه موارد لازم در دوره گفته می شود. ✅ این دوره برای علاقه مندان جهت یادگیری مفاهیم مالی و اقتصادی با پایتون توصیه می شود. ✅ این دوره پیشنیاز سایر دوره های پیشرفته مانند مدلسازی مالی پیشرفته، یادگیری ماشین و ... است. . اطلاعات بیشتر و ثبت نام: 🌐 khu.zarsuntadbir.ir #ثبت_نام پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

همکاری با کارگزاری مفید عنوان شغل: مالک محصول در حوزه معاملات الگوریتمی برای اطلاعات بیشتر به این لینک مراجعه نمایید. #استخدام پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

ولادت باسعادت یگانه منجی عالم بشریت، امام منتظران و یاور مظلومان، حضرت مهدی موعود عجّل‌الله‌تعالی‌فرجه‌الشّریف بر تمام مشتاقان و منتظران آن حضرت مبارک باد. #مناسبت پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

معرفی کتاب «تحلیل داده های مالی با پایتون» به انگلیسی «Financial Data Analysis Using Python» این کتاب یکی از کتاب های بسیار خوب و روان برای کسانی است که می خواهند تحلیل داده های مالی را یاد بگیرند. علاوه بر مطالب متداولی که در تمام کتاب های مشابه ذکر می شود این کتاب یک فصل خود را به تحلیل بنیادی اختصاص داده است که شاید برای خیلی ها جذاب باشد. به کمک این کتاب، می‌توانید به درک پویایی بازارهای مالی، برآورد سودآوری دارایی‌ها، پیش‌بینی روندها، ارزیابی استراتژی‌ها، بهینه‌سازی پرتفوی‌ها و مدیریت ریسک‌های مالی بپردازید. همچنین، تکنیک‌های تحلیل داده با پایتون را برای آماده‌سازی، مصورسازی و دستکاری داده‌های مالی یاد خواهید گرفت. مطالعه کتاب را به دانشجویان اقتصاد و مالی و علاقه مندان بازارهای مالی توصیه می کنم. #معرفی_کتاب #پایتون_مالی #معاملات_الگوریتمی #پایتون_مالی پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

مقایسه Copilot و DeepSeek (تجربه کاربری من در استفاده از دو هوش مصنوعی Copilot و DeepSeek ) با اینکه تخصص من در زمینه مدل‌های زبانی بزرگ (LLM) نیست، اما به عنوان کاربری که در این مدت از ابزارهای مختلف هوش مصنوعی استفاده کرده‌ام، تجربیاتم را از کار با Copilot (که مبتنی به OpenAi است) و DeepSeek (هوش مصنوعی متن‌باز چینی که اخیراً معرفی شده) با شما به اشتراک می‌گذارم: 1️⃣ هوش مصنوعی DeepSeek متن باز و رایگان است و شما به راحتی می توانید آن را روی لپ تاپ خود داشته باشید! و همه جا از آن استفاده کنید. (اگر به این موضوع علاقه‌مند شدید LM Studio را نصب کنید و بعد هر هوش مصنوعی رایگانی که خواستید روی آن نصب کنید و با خود هوش مصنوعی داشته باشید! بسیار هیجان انگیز است😳) 2️⃣ به‌طور کلی DeepSeek آفلاین عمل می‌کند، یعنی به اینترنت دسترسی ندارد. این در حالی است که Copilot می‌تواند در لحظه به اینترنت متصل شود و داده‌های آنلاین را برای شما تحلیل کند. این ویژگی Copilot را برای کارهایی که نیاز به اطلاعات به‌روز دارند، بسیار مفید می‌سازد. 3️⃣ به دلیل آفلاین بودن DeepSeek، حتی در نسخه تحت وب آن نیز داده‌ها تنها تا اکتبر ۲۰۲۳ به‌روز شده‌اند و پس از آن آپدیت نشده‌اند. این موضوع ممکن است برای کاربرانی که به اطلاعات به‌روز نیاز دارند، کمی محدودیت ایجاد کند. 4️⃣ لازم به ذکر است که DeepSeek به بهره‌وری بالا و استفاده کم از منابع محاسباتی شناخته شده است. این ویژگی‌ها باعث می‌شود که DeepSeek برای محاسبات ریاضی و تحلیل‌های منطقی بسیار مناسب باشد. 5️⃣ نسخه وب DeepSeek از منابع سخت‌افزاری کمی استفاده می‌کند و بسیاری از مواقع با خطای مشغول بودن سرور مواجه می‌شوید. این موضوع می‌تواند تجربه کاربری را تحت تأثیر قرار دهد. #DeepSeek #Copilot #AI پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

یک مثال ساده برای آشنایی با ماژول Alphalens در مثال این پست خروجی‌های Alphalens کمک می کند تا عملکرد فاکتور تفاوت میانگین متحرک کوتاه‌مدت و بلندمدت را از جنبه‌های مختلف ارزیابی کنیم. قبل از اجرای برنامه مطمئن شوید تمامی ماژول های نصب شده اند یا آنها را از این طریق تصب کنید:

pip install yfinance alphalens-reloaded pandas numpy matplotlib

سورس برنامه

#code by @python4finance
import yfinance as yf
import pandas as pd
import numpy as np
from alphalens.utils import get_clean_factor_and_forward_returns
from alphalens.tears import create_full_tear_sheet
import warnings
warnings.filterwarnings("ignore")

# ---------------------------------------------
# 1. دریافت داده‌های تاریخی از Yahoo Finance
# ---------------------------------------------
tickers = ["AAPL", "MSFT", "GOOG", "AMZN", "META"]  # مثال: ۵ سهم بزرگ فناوری
start_date = "2020-01-01"
end_date = "2023-01-01"

# دریافت داده‌های قیمتی
data = yf.download(tickers, start=start_date, end=end_date)
prices = data["Adj Close"]  # استفاده از قیمت تعدیل‌شده

# تبدیل ایندکس به DateTimeIndex و تنظیم فرکانس
prices = prices.asfreq('B').ffill()  # تبدیل به فرکانس روزانه و پر کردن مقادیر خالی

# ---------------------------------------------
# 2. محاسبه فاکتور (مثال: Moving Average Crossover)
# ---------------------------------------------
def calculate_factor(prices, short_window=10, long_window=50):
    """
    محاسبه فاکتور تفاوت میانگین متحرک کوتاه‌مدت و بلندمدت
    """
    short_ma = prices.rolling(window=short_window).mean()
    long_ma = prices.rolling(window=long_window).mean()
    factor = short_ma - long_ma
    return factor

factor = calculate_factor(prices)

# ---------------------------------------------
# 3. آماده‌سازی داده‌ها برای Alphalens
# ---------------------------------------------
# تبدیل فاکتور به فرمت MultiIndex (Date, Asset)
factor = factor.stack().reset_index()
factor.columns = ['date', 'asset', 'factor']
factor = factor.set_index(['date', 'asset'])['factor']

# اطمینان از هماهنگی ایندکس قیمت و فاکتور
common_index = prices.index.intersection(factor.index.get_level_values(0).unique())
prices = prices.loc[common_index]
factor = factor.loc[common_index]

# ---------------------------------------------
# 4. تحلیل عملکرد فاکتور با Alphalens
# ---------------------------------------------
# محاسبه بازده‌های آینده و پاک‌سازی داده‌ها
factor_data = get_clean_factor_and_forward_returns(
    factor,
    prices,
    quantiles=5,  # تقسیم داده به ۵ کوانتایل
    periods=(1, 5, 10)  # بازه‌های بازدهی (1 روز، 5 روز، 10 روز)
)

# ایجاد گزارش کامل
create_full_tear_sheet(factor_data)

#پایتون_مالی #معاملات_الگوریتمی #بک_تست #Algorithmic_Trading #Back_Test #Alphalens پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

آشنایی با ماژول Alphalens ، یک ماژول بسیار خوب برای بک تست در معاملات الگوریتمی همیشه بک تست یکی از دغدغه های اصلی مدلسازی مالی و معاملات الگورتیمی است. (اگر با مفهوم #بک_تست آشنایی ندارید این ویدئو از سلسله جلسات معاملات الگوریتمی را مشاهده نمایید.) Alphalens یک کتابخانه پایتون است که برای تحلیل عملکرد فاکتورهای مالی در معاملات الگوریتمی طراحی شده است. این کتابخانه به شما کمک می‌کند تا بفهمید آیا یک فاکتور (مثلاً یک اندیکاتور تکنیکال یا یک معیار بنیادی) می‌تواند بازدهی آینده سهام را پیش‌بینی کند یا خیر. خروجی‌های Alphalens کمک می کند تا عملکرد فاکتورهای مختلف مثلا تفاوت میانگین متحرک کوتاه‌مدت و بلندمدت را از جنبه‌های مختلف ارزیابی کنید. دقت داشته باشید که ماژول alphalens مدتی است که به روز نشده و با نسخه های جدید پایتون سازگاری ندارد و به جای آن باید از ماژول alphalens-reloaded استفاده کنید. در پست های آتی مثالی در این خصوص را با هم بررسی می کنیم. #پایتون_مالی #معاملات_الگوریتمی #بک_تست #Algorithmic_Trading #Back_Test #Alphalens پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

فیلم آموزشی مدیریت ریسک استراتژی های الگوریتمی یکی از موارد بسیار مهمی که در مدیریت الگورتیمی باید در نظر بگیریم مدیریت ریسک است. در اینجا مفهوم ریسک به صورت اعم است، یعنی ریسک های مالی و اقتصادی، ریسک های فنی و ... .در این ویدئو مثل همیشه با نگاهی کاربردی به مبحث مدیریت ریسک در معملات الگوریتمی خواهیم پرداخت. ➖ برای مشاهده ویدئو اینجا کیک کنید #پایتون_مالی #مدیریت_ریسک #معاملات_الگوریتمی #ویدئو #Algorithmic_Trading #Risk پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance