Python4Finance

شما را به جمع متخصصین پایتون مالی ایران دعوت می کنیم. + آموزش پایتون، نکات ریز و ترفندها + کاربرد پایتون در اقتصاد و مالی + دانلود منابع و کتاب های آموزشی + آشنایی با آخرین مدل های مالی + استفاده از پایتون در تحلیل بورس داخل، خارج و رمز ارزها و ... عضویت در کانال پایتون برای مالی👇👇👇 https://t.me/python4finance

سری های زمانی در پایتون به طور کلی، ساختار سری های زمانی در چهار گروه قابل تفسیر است: 1- روند (Trend): تمایل سری زمانی به افزایش، کاهش یا حتی ثابت بودن را روند می گویند. 2- تناوب (Cyclic): تغییرات یکسان و تکراری در مقاطع میان‌مدت، تناوب در سری زمانی نامیده می‌شود. 3- فصل (Seasonal): در سری زمانی، تغییراتی که در دوره‌ای کوتاه‌تر از یک تناوب به صورت تکراری رخ می‌دهد، به تغییرات فصلی معروف است. 4- تغییرات پیش بینی نشده (Unexpected): اثر عامل تصادفی پیش بینی نشده بر سری زمانی را تغییرات پیش بینی نشده می نامیم. این تغییرات بعد از شناسایی توسط تحلیل گر از سری زمانی حذف می شوند در غیر اینصورت نتایج حاصل از تحلیل سری زمانی ممکن است گمراه کننده باشند. به این مورد باقیمانده یا residual هم گفته می شود. #پایتون_مالی #ساختار_سری_زمانی #سری_زمانی پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

مقایسه انواع داده ها #پایتون_مالی #انواع_داده_ها #سری_زمانی پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

سری های زمانی در پایتون خب، نوبت آن فرارسیده است که وارد بحث بسیار شیرین و پرکاربرد سری های زمانی در پایتون و کاربرهای عملی آن در مالی و اقتصاد بپردازیم. اما قبل از آن لازم است تا توضیحات مختصری در این خصوص را خدمت شما عرض نماییم. معمولا داده های آماری در سه گروه بررسی می شوند: 1- داده های سری زمانی(Time Series Data): همانطور که از نام آن بر می آید این داده ها مقادیر یک یا چند متغیر را طی یک دوره زمانی ارائه می کند. در واقع هدف اصلی در بررسی سری های زمانی ایجاد یک مدل آماری برای داده‌های وابسته به زمان براساس اطلاعات گذشته آن پدیده است. برای پاسخ به سوالات زیر از سری های زمانی استفاده می کنیم: الف- وضعیت تولید ناخالص داخلی ایران در مواجهه با تحریم ها چه تغییری داشته است. ب- بهترین زمان برای خرید سهم A طی سه سال گذشته چه زمانی بوده است. ج-چگونه ارزش شاخص سهام یک کشور با تغییر مولفه های اقتصادی کلان آن کشور تغییر می کند. 2- داده های مقطعی (Cross-Sectional Data): اگر مقادیر یک یا چند متغیر در یک برش زمانی مشخصجمع­­آوری می­شود داده های مقطعی ایجاد شده است. مثلا قیمت انواع نان در روز 28 شهریور 98 در کشور ایران برای پاسخ به سوالات زیر از داده های مقطعی استفاده می کنیم: الف- بازده متوسط سهام شرکت های پذیرفته شده در بورس ایران در سال 98 ب- مقایسه GDP کشورهای مختلف جهان در سال 98 3- داده های تابلویی، یا پنل یا ترکیبی (Panel Data): این نوع داده ترکیبی از دو نوع داده قبلی هستند و شامل مشاهداتی برای چندین بخش مختلف ( مثلا خانوار، بنگاه و...) هستند که در طی زمان‌های مختلف جمع‌آوری شده‌اند. برای پاسخ به سوالات زیر از داده های پنل استفاده می کنیم: الف- بررسی رابطه ماهیانه بین سود و بازده شرکتهای بورسی در طی 12 ماه سال 1398 ب- مقایسه GDP کشورهای مختلف از سال 1990 تا امروز #پایتون_مالی #انواع_داده_ها #سری_زمانی پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

حل مدل های تعادل عمومی پویای تصادفی(DSGE) با پایتون یکی از مشکلاتی که در مدلسازی های اقتصاد کلان کلاسیک با آن مواجه بودیم، ثابت در نظر گرفتن باقی متغیرها و اجرای مدل بود. این موضوع باعث می شد تا تحلیل ما تحلیل جامعی نباشد و بتوان به آن اشکالات زیادی وارد کرد. برای رفع این موضوع مدل های جدیدی در اقتصاد رایج شد که همزمان خانوار، بخش خصوصی، دولت و بخش خارجی را در نظر می گیرد و شوک های وارد به آن را محاسبه می کند. یکی از بهترین نرم افزارها برای این موضوع نرم افزار Dynare است که تحت نرم افزار Matlab مدل ها را اجرا می کند. خوشبختانه به لطف پایتون شما می توانید مدل های DSGE خود را صرفا با پایتون و بدون نیاز به نرم افزار دیگری Run نمایید. کتابخانه PyMacLab که کتابخانه آزمایشگاه اقتصاد کلان است به راحتی قادر است این مدل ها را برای شما حل نماید.(لینک) در مباحث پیشرفته به معرفی مدل های DSGE و حل آن ها با پایتون خواهیم پرداخت. #پایتون_اقتصاد #DSGE پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

کتاب تحلیل سری های زمانی در عمل با پایتون از آنجایی که در پست های بعدی مطالبی از این کتاب را بررسی خواهیم کرد، دانلود این کتاب را به همه دوستان توصیه می نماییم. پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

پایتون یا MQL، کدام را یادبگیرم؟ یکی از اهداف معامله گران حرفه ای، استفاده از سیستم هایی برای خودکار سازی فرآیندهای معاملاتی است. یکی از بهترین پلت فرم های معاملاتی که در ایران هم کاربرد زیادی دارد متاتریدر (MetaTrader) است. در این سامانه کاربران با استفاده از زبان MQL می توانند استراتژی های خود را ایجاد کرده و معاملات خودکار انجام دهند. اخیرا به واسطه گسترش محبوبت پایتون در میان معامله گران و کارگزاران، شرکت متاکوت (سازنده متاتریدر) کتابخانه ای را برای کار پایتون در PyPi منتشر کرده است که آخرین نسخه آن (MetaTrader5 5.0.6) را می توانید از لینک زیر دانلود کنید. لینک MetaTrader5 5.0.6 در PyPi به کمک این کتابخانه می توانید از تمام امکانات متاتریدر در پایتون استفاده کنید و به این صورت از یادگیری MQL بی نیاز خواهید شد. پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

مدل سازی مالی در صنعت مالی چگونه است؟ اگر صنعت مالی را به دو بخش بانکی و غیر بانکی تقیسم کنیم، کاربرد مدلسازی مالی در بخش های مختلف در شکل بالا تصویر شده است. در پست های آتی کاربرد پایتون در هر یک از بخش ها را به صورت مفصل توضیح خواهیم داد. پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

محاسبات آماری در پایتون پایتون یکی از خوش دست ترین زبان ها برای انجام محاسبات آماری است. به لطف پکیج هایی مانند scipy و statistics محاسبات آماری بسیار ساده و روان انجام می شوند. برای محاسبه میانگین، میانه ، نما ، انحراف معیار و واریانس یک نمونه از دستورات زیر استفاده می کنیم: import statistics as st my_data = [5,2,5,6,1,2,6,7,2,6,3,5,5] print("The mean is: " , st.mean(my_data)) #Miangin print("The median is: " , st.mean(my_data)) #Miane print("The mode is: " , st.mode(my_data)) #Nama print("The stdev is: " , st.stdev(my_data)) #Enhraf Meyar print("The variance is: " , st.variance(my_data)) #variance البته زیبایی کار وقتی است که محاسبات برای سری های زمانی بزرگ و معنی دار انجام شود. ان شاء الله در ادامه مفصل به این موضوع خواهیم پرداخت. #پایتون_مالی #محاسبات_آماری # statistics پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

آشنایی با کتابخانه Matplotlib مصور سازی نتایج تقریبا آخرین کاری است که در محاسباتی انجام می شود. ترسیم نمودارهای دو بعدی با قابلیت های فراوان کاری است که کتابخانه Matplotlib انجام می دهد. فرض کنید می خواهیم تابع x^2 را رسم کنیم. برای این منظور با استفاده از Numpy و Matplotlib کدی مانند زیر خواهیم داشت. import matplotlib.pyplot as plt import numpy as np a=np.linspace(1,100) plt.plot(a,a**2) plt.show() #پایتون_مالی #سری_زمانی # Matplotlib پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

روش های توزیع برنامه های پایتون خیلی از دوستان می پرسند که خروجی پایتون بالاخره چیست؟ یعنی برای اجرای برنامه هایی که نوشتیم و توزیع آنها چه روش هایی را می توانیم استفاده کنیم؟ 1- روش اول اینکه فایل های برنامه پایتون (py.*) خود را به صورت مستقیم به استفاده کننده بدهید. استفاده کننده باید پایتون را روی سیستم خود نصب کند و برنامه شما را اجرا کند، به همین سادگی! 😇 2- برنامه خود را در قالب یک نرم افزار به مخاطب تحویل بدهید. برای این منظور کتابخانه های مختلفی مانند PyQt وجود دارند که می توانید اپلیکیشن خود را مانند اپلیکیشن های ویندوزی یا لینوکسی طراحی و اجرا نمایید. 😚 3- برنامه خود را به عنوان یک وبسایت تحویل دهید. اگر کمی html و css بلد باشید به کمک ابزارهایی مانند جانگو می توانید یک وب سایت پرفکت بر پایه پایتون ایجاد کنید و برنامه خود را در آن قرار دهید. 4- امکان خروجی گرفتن از برنامه های پایتون در قالب اپ موبایل (اندروید و آی او اس) هم به سادگی مهیاست در پست های آتی راجع به هر یک از شیوه های توزیع مفصل صحبت خواهیم کرد. تلگرام https://t.me/python4finance بله https://ble.im/python4finance

آشنایی با کتابخانه SciPy سای پای یکی دیگر از کتابخانه های بی نظیر پایتون است. در واقع سای پای نسخه تکمیل شده Numpy است که در محاسباات ریاضی، اقتصادی و مالی بسیار کاربرد دارد. مسائلی مانند تحلیل رگرسیون، بهینه یابی، محاسبات آماری، محاسبات مالی و ... به راحتی با scipy قابل انجام است. فرض کنید می خواهیم IRR یک پروژه را با مقادیر (100 میلیون تزریق و به ترتیب 40،50 و 60 میلیون تومان بازده ) را محاسبه کنیم. حل این مسئله به راحتی با scipy قابل انجام است. import scipy as sp cashflows = [-100 , 40, 50 , 60] print (sp.irr(cashflows)) #پایتون_مالی #سری_زمانی # Scipy پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

از اینکه کانال پایتون برای مالی را به دوستان خود معرفی می کنید بسیار سپاسگزاریم. پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

آشنایی با کتابخانه Pandas برای ساخت Series از متد ()Series استفاده می‌کنیم. به دلیل تک بعدی بودنِ Series، مقادیری که می‌دهیم باید در یک بعد باشد. پس از لیست کمک می‌گیریم و آن را به عنوان اولین آرگومان به آن می‌دهیم. آرگومان دوم نام index-ها می‌باشد، که اگر مشخص نشود، به صورت پیشفرض از ۰ شروع می‌شود. بعد از تعریف کردن لیست مقادیر و index-ها، آن‌ها را به متد ()Series می‌دهیم و خروجی را دریافت می‌کنیم. import pandas as pd _inflation = ['10%', '30%', '40%', '15%'] _year = [1395, 1396, 1397, 1398] _df= pd.Series(_inflation,_year ) print(_df) البته این روش صرفا برای نمایش امکانات پانداس است و در عمل کارایی چندانی ندارد. در پست های آتی مفصل راجع به پانداس صحبت خواهیم کرد. با ما همراه باشید. #پایتون_مالی #سری_زمانی #Pandas پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

آشنایی با کتابخانه Pandas پانداس قوی ترین کتابخانه برای کار با داده هاست. به کمک این کتابخانه می توانید اطلاعات مربوط به سری های زمانی را از فایل های داده در قالب txt یا csv و یا منابع آنلاین دریافت کنید و بر روی آنها اعمالی چون Data mining ، Data cleaning ، اتصال داده ها ، گروه بندی داده ها، فیلتراسیون و ... را انجام داد. بخش‌های اصلی این کتابخانه در زبان Cython یا زبان C نوشته شده‌است و به همین دلیل از نظر عملکرد کارایی بالایی دارد. کارکرد پانداس تا حدی بالاست که برای کارهای حجیم ماشین لرنینگ ، بیگ دیتا و اینترنت اشیاء از آن استفاده می شود. #پایتون_مالی #سری_زمانی #Pandas پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

کاربرد پایتون در اقتصاد سنجی پایتون یکی از بی نظیرتین زبان های برنامه نویسی در این زمان است. کاربرد پایتون در محاسبات اقتصادی به حدی است که می توان عموم محاسبات اقتصاد سنجی را در آن انجام داد. به دلیل قدرت و محبوبیت این زبان، Eviews که یکی از پرچمداران اقتصاد سنجی است، در آخرین آپدیت خود کتابخانه اختصاصی برای کار با پایتون را ارائه کرده است. فیلم حاضر نگاهی معرفی pyeviews برای اتصال پایتون به Eviews است. لینک راهنمایی #پایتون_مالی #سری_زمانی #Eviews پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

آشنایی با کتابخانه Numpy برای تعریف یک آرایه در Numpy به شیوه زیر عمل می کنیم. import numpy as np a = np.array([2,3,4]) در این مثال فوق یک بردار یک در سه تشکیل می شود. دقت داریم که همه عناصر همگن هستند. در مثال فوق همه اعضا int هستند. در مثال زیر، یک ماتریس 2 در 3 تشکیل می شود. چون یکی از اعضا اعشاری است ؛ نوع عناصر آرایه اعشار Float خواهد بود. import numpy as np b = np.array([(1.5,2,3), (4,5,6)]) با استفاده از متد dtype می توانیم نوع عناصر ماتریس را دریافت کنیم. #پایتون_مالی #سری_زمانی #NumPy پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

آشنایی با کتابخانه Numpy خب، تا اینجا با کتابخانه های پایتون آشنا شدیم. یکی از مهترین کتابخانه های پایتون نام پای است. این کتابخانه که بخش های مختلفی از آن با C و ++C نوشته است، در مقایسه با پایتون خالص، سرعت عمکلرد بسیار بهتری برای کار با ماتریس ها و بردارها دارد. از آنجایی که سری های زمانی یک بردار چند در یک هستند (داده های پنل هم ماتریس چند در چند هستند) استفاده از Numpy برای ما بسیار حیاتی است. هدف اصلی NumPy فراهم ساختن امکان کار با آرایه‌های چندبعدی همگن است. این آرایه‌ها جدولی از عناصر (معمولاً اعداد) هستند که همگی از یک نوع می‌باشند و با یک چندتایی، از اعداد صحیح مثبت اندیس‌گذاری می‌شوند. توجه داریم که در پایتون آرایه ها به معنی سایر زبان های برنامه نویسی پشتیبانی نمی شوند و فقط لیست ها را داریم. به کمک Numpy امکان استفاده از آرایه ها و اعمال مرتبط با آن در پایتون فراهم می شود. #پایتون_مالی #سری_زمانی #NumPy پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

نصب کتابخانه های اساسی برای کار با سری های زمانی در پایتون، به برنامه های از قبل نوشته شده که شما می توانید آن ها را فراخوانی کرده و از توابع، کلاس ها و متدهای آن ها استفاده کنید کتابخانه یا ماژول گفته می شود. این کتابخانه ها ممکن است با پایتون نوشته شده باشند یا با C و++ C . فراخوانی این کتابخانه ها باعث افزایش سرعت برنامه نویسی و سهولت استفاده از قابلیت های پایتون می شود. خوشبختانه مدیریت کتابخانه ها در پایتون، امروز خیلی آسان است (تا قبل از نسخه 3.4 اینگونه نبود) و به راحتی و با استفاده از مدیر پکیج PIP امکان پذیر است. ابتدا مطمئن شوید که PIP شما آپدیت است. (دستور زیر را در CMD یا ترمینال اجرا کنید) python -m pip install --upgrade pip و حالا به راحتی پکیج های زیر را نصب کنید: pip install numpy pip install pandas pip install scipy pip install matplotlib در ادامه به شیوه استفاده از این کتابخانه ها می پردازیم. #پایتون_مالی #سری_زمانی #نصب_کتابخانه #مقدمات پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance