Python4Finance

سرمایه‌گذاری مبتنی بر عوامل (Factor Investing) - بخش دوم در مثال این پست اطلاعات چند نماد از Yahoo Finance دریافت می شود و سهم هایی که شاخص P/E زیر 25 دارند نمایش داده می شود. عدد ۲۵ به ما اجازه می‌دهد شرکت‌هایی با رشد بالا که هنوز ارزش‌گذاری منطقی دارند را وارد پورتفوی کنیم—مثل برخی شرکت‌های تکنولوژی که سودآورند ولی رشدشان هم چشمگیر است.

#code by @python4finance
import yfinance as yf
import pandas as pd
tickers = ['AAPL', 'MSFT', 'GOOGL', 'TSLA', 'AMZN']
data = []
for ticker in tickers:
    stock = yf.Ticker(ticker)
    info = stock.info
    try:
        pe_ratio = info['trailingPE']
        price = info['currentPrice']
        eps = info['trailingEps']
        data.append({
            'Ticker': ticker,
            'Price': price,
            'EPS': eps,
            'P/E': pe_ratio
        })
    except KeyError:
        print(f"Error on reading data!")
df = pd.DataFrame(data)
value_stocks = df[df['P/E'] < 25]
print("Stocks based on Value:")
print(value_stocks)

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

سرمایه‌گذاری مبتنی بر عوامل (Factor Investing) چیست؟ سرمایه‌گذاری مبتنی بر عوامل یکی از رویکردهای مدرن در مدیریت سرمایه‌گذاری است که به‌جای انتخاب سهام بر اساس تحلیل‌های سنتی، از ویژگی‌های خاص و قابل اندازه‌گیری شرکت‌ها استفاده می‌کند. این ویژگی‌ها یا «عوامل» (Factors) می‌توانند بازدهی را در بلندمدت توضیح دهند. عوامل رایج در این رویکرد: ارزش (Value): خرید سهام‌هایی که نسبت قیمت به سود یا قیمت به ارزش دفتری پایینی دارند اندازه (Size): تمرکز بر شرکت‌های کوچک‌تر که پتانسیل رشد بیشتری دارند مومنتوم (Momentum): سرمایه‌گذاری در سهامی که عملکرد خوبی در گذشته داشته‌اند کیفیت (Quality): انتخاب شرکت‌هایی با سودآوری پایدار، بدهی کم و مدیریت قوی نوسان پایین (Low Volatility): سهام‌هایی با نوسان کمتر که معمولاً ریسک پایین‌تری دارند ترکیب چند عامل می‌تواند عملکرد بهتری نسبت به استفاده از یک عامل داشته باشد. به این رویکرد «چندعاملی» (Multi-Factor Investing) گفته می‌شود. در پست بعدی، یک مثال ساده با پایتون را با هم بررسی خواهیم کرد. پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

معرفی کتاب «پایتون برای مالی و معاملات الگوریتمی (نگارش دوم): یاددگیری ماشین، یادگیری عمیق، تحلیل های سری زمانی، مدیریت ریسک و پورتفولو با متاتریدر 5» به انگلیسی «Python for Finance and Algorithmic trading (2nd edition): Machine Learning, Deep Learning, Time series Analysis, Risk and Portfolio Management for MetaTrader™5» در این کتاب به صورت عملیاتی با مفاهیم مالی و مدیریت پورتفولیو و معاملات الگوریتمی آشنا می شوید. نکته بارز کتاب، سبک کاربردی آن است. همچنین در این کتاب روش های اتصال پایتون به متاتریدر و معاملات زنده توضیح داده شده است. #معرفی_کتاب #معاملات_الگوریتمی #Machine_Learning #Algorithmic_Trading پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

این حسین کیست که عالم همه دیوانه اوست فرا رسیدن ماه محرم را به شما و تمام عاشقان حسینی، تسلیت عرض می‌نمایم. پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

منحنی یادگیری (Learning Curves) در پست های قبل در خصوص بیش برازش صحبت کردیم. سوال مهمی که در یادگیری ماشین همیشه با آن مواجهیم این است که آیا متغیرهای (ویژگی ها) زیادتری را به مدل اضافه کنیم یا مدل را ساده کرده و از متغیرهای کمتری استفاده کنیم. استفاده از متغیرهای کمتر علاوه بر اینکه باعث صرفه جویی در منابع (مانند CPU و...) می شود سرعت رسیدن به نتیجه را افزایش می دهد اما باعث ایجاد اُریبی (Bias) می شود در حالی که استفاده از متغیرهای زیاد باعث بهبود عملکرد مدل در داده های آزمایشی می شود اما احتمال زیاد باعث بیش برازش (Over Fitting) می شود. برای درک این منظور از منحنی های یادگیری استفاده می کنیم. منحنی یادگیری، یک نمودار است که نشان می‌دهد عملکرد مدل ما (مثلا دقت یا خطا) با افزایش تعداد داده‌های آموزشی چگونه تغییر می‌کند. این منحنی به ما کمک می کند تا مدلهای بهینه ای که همزمان هم اُریبی کمتری دارند و هم واریانس کمتری دارد را شناسایی کنیم. در پست‌های آتی مثال عملی در این خصوص را بررسی خواهیم کرد. #منحنی_یادگیری #یادگیری_ماشین #Learning_Curves پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

نمونه‌گیری در داده های سری زمانی- بخش دوم برای نمونه گیری از سری های زمانی در ماژول scikit-learn از تابع TimeSeriesSplit در کلاس model_selection استفاده می کنیم. در مثال این پست، نمونه های مختلفی از جامعه برای آموزش و آزمون انتخاب می شود.

#code by @python4finance
import numpy as np
from sklearn.model_selection import TimeSeriesSplit
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4], [1, 2], [3, 4]])
y = np.array([1, 2, 3, 4, 5, 6])
tscv = TimeSeriesSplit()
for i, (train_index, test_index) in enumerate(tscv.split(X)):
    print(f"Fold {i}:")
    print(f"  Train: index={train_index}")
    print(f"  Test:  index={test_index}")

#پایتون_مالی #انتخاب_داده #نمونه_گیری #سری_زمانی #Time_series #Sampling پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

نمونه گیری در داده های سری زمانی عموما در بازارهای مالی با داده های سری زمانی سر و کار داریم. قبلا در این پست (لینک) در خصوص انتخاب داده، نمونه گیری و بازنمونه گیری در یادگیری ماشین صحبت شد. در نمونه گیری های متقاطع رایج، نمونه ها به صورت تصادفی از هر بخش جامعه انتخاب می شدند. اما در داده های سری های زمانی، روش‌های اعتبارسنجی متقاطع (cross-validation) مناسب نیستند، چرا که منجر به آموزش روی داده‌های آینده و ارزیابی روی داده‌های گذشته می‌شوند. برای اطمینان از قابل‌مقایسه‌بودن معیارها در بین بخش‌ها (folds)، نمونه‌ها باید با فواصل زمانی مساوی انتخاب شوند. وقتی این شرط برقرار باشد، هر مجموعه آزمون بازه‌ی زمانی یکسانی را پوشش می‌دهد و اندازه مجموعه آموزش با انباشت داده‌ها از تقسیمات قبلی افزایش می‌یابد. این نوع اعتبارسنجی متقاطع، نوعی تغییر یافته از KFold است. در تقسیم kام، k بخش اول را به‌عنوان مجموعه آموزش و بخش (k+1)ام را به‌عنوان مجموعه آزمون برمی‌گرداند. #پایتون_مالی #انتخاب_داده #نمونه_گیری #سری_زمانی #Time_series #Sampling پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

امام علي عليه السلام :اَلْحـَذَرَ مـِنْ عَدُوِّكَ بَعْدَ صُلْحِهِ، فَإِنَّ الْعَدُوَّ رُبَّما قارَبَ لِيَتَغَفَّلَ، فَخُذْ بِالْحَزْمِ وَاتَّهِمْ فى ذلِكَ حُسْنَ الظَّنِّ. [مالك] از دشمن خود پس از آشتى بپرهيز چرا که دشمن [با وعده و وعید] خود را به تو نزدیک می کند تا غفلتى يابد ـ پس دور انديش باش! و به دشمن گمان خوب نبر. قدردان زحمات نیروهای نظامی و انتظامی کشور هستیم. ضمن تشکر از همه عزیزان، و با آرزوی ایرانی سربلند و آباد، ان شاء الله از امروز روند آموزشی کانال مجددا شروع می شود.

فیلم دستگیری عامل موساد جنگ بد است، اما دفاع، در هر مسلک و مذهبی، مقدس است. دفاع از عزت و شرف و مملکت، در مقابل بی همه چیز ترین دشمن، مقدس است. تعجب می کنم از کسانی که به راحتی سر معامله وطن با رژیم غاصب کودک کش صحبت می کنند، دست سربازان جان برکفی که در حال مبارزه با دشمن سفاک هستند را می بوسم. پی نوشت: ان شاء الله روال آموزشی کانال بعد از عادی شدن شرایط ادامه پیدا خواهد کرد.

عید سعید غدیر مبارک. ان شاء الله به مدد عنایات امیرالمومنین (ع)، شاهد نابودی رژیم خبیت صهیونی باشیم.

آشنایی با کاربرد هوش مصنوعی و یادگیری ماشین در بازارهای سرمایه در این گزارش 29 صفحه ای که توسط بورس اوراق بهادار تهران تهیه شده است به معرفی کاربردهای هوش مصنوعی در بازارهای مالی به زبان ساده پرداخته می شود. گزارش حاضر، از جنس گردآوری مطلب است و برای علاقه مندانی که جدیدا به این موضوع علاقه مند شده اند مفید خواهد بود. #هوش_مصنوعی #یادگیری_ماشینی #معاملات_الگوریتمی پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

معرفی کتاب «یادگیری ماشین تفسیرپذیر با پایتون: ساخت مدل‌های قابل توضیح، منصفانه و قوی با کارایی بالا» به انگلیسی «Interpretable Machine Learning with Python: Build explainable, fair and robust high-performance models» این کتاب ضمن بررسی کاربردی یادگیری ماشین به معرفی ابزارهایی برای پیاده‌سازی هوش مصنوعی تفسیرپذیر با روش‌های کارآمد، مانند SHAP و LIME پرداخته و خواننده را با پیچیدگی مدل‌های ML و محدودیت‌های هوش مصنوعی تفسیرپذیر آشنا می‌کند. #معرفی_کتاب #هوش_مصنوعی #هوش_مصنوعی_تفسیرپذیر #Machine_Learning #Interpretable_Machine_Learning #Explainable_Artificial_Intelligence پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

هوش مصنوعی تفسیر پذیر چیست؟ طی چند سال اخیر مدلهای هوش مصنوعی توسعه بسیاری پیدا کرده اند و در بسیاری از تصمیم گیری ها همراه ما هستند. از اینکه چه تبلیغی در هنگام وب گردی مشاهده کنیم، اینکه چه کالایی در فروشگاه آنلاین به ما نمایش داده شود تا اینکه حد اعتباری ما در بانک چقدر است و چقدر باید حق بیمه پرداخت کنیم. هر چقدر مدلها پیشرفته تر می شوند شیوه عملکرد آنها پیچیده تر می شود و کم کم به جعبه سیاه (Black Box) تصمیم گیری تبدیل می شوند که داده را دریافت و نتایج را اعلام می کنند. تا اینجای کار خیلی هیجان انگیز به نظر می رسد. اما فرض کنید در برابر هوش مصنوعی هستیم که میزان احتمال یک بیماری را اعلام می کند. اگر دلیل این تصمیمات مشخص نباشد، چگونه می‌توان به سیستم اعتماد کرد یا در صورت بروز اشتباه، آن را اصلاح نمود؟ هدف از هوش مصنوعی تفسیر پذیر، ایجاد مدلهایی است که دلایل تصمیم‌گیری آن‌ها برای انسان قابل درک باشد. این شفافیت نه‌تنها اعتماد کاربران را جلب می‌کند، بلکه شناسایی خطاها، کشف سوگیری‌های پنهان و رعایت مقررات حقوقی را نیز تسهیل می‌کند. به‌ویژه در حوزه‌هایی چون پزشکی، حقوق، حمل‌ونقل و مالی، نبود تفسیرپذیری می‌تواند پیامدهای فاجعه‌باری به‌دنبال داشته باشد. برای تفسیر پذیر کردن هوش مصنوعی ابزارهای بسیار جالبی تولید شده است که در پست های آتی معرفی می شود. #هوش_مصنوعی #هوش_مصنوعی_تفسیرپذیر #Machine_Learning #Interpretable_Machine_Learning #Explainable_Artificial_Intelligence پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

یک ویدئوی کوتاه برای معرفی همه مدلهای یادگیری ماشین در این ویدئوی کوتاه و جذاب، همه مدلهای یادگیری ماشین به اختصار و با بیانی ساده توضیح داده می شوند. اگر با یادگیری ماشین آشنا نیستید یا می خواهید نکات اصلی مدلها را یکبار مرور کنید این ویدئو می تواند برای شما مفید باشد. زبان ویدئو انگلیسی روان است. #یادگیری_ماشین #هوش_مصنوعی #ویدئو #Machine_Learning #Video پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

بعضی سوالات متداول در خصوص دوره مدلسازی مالی با python : 1️⃣ من اصلا برنامه نویسی بلد نیستم، آیا شرکت در این دوره برای من مناسب است؟ در این دوره همه پیش نیازهای برنامه نویسی پایتون گفته می شود و نیاز به دانش مقدماتی نیست. 2️⃣ شروع کلاس ها از کی است؟ از ۲۸ فروردین روزهای ۵شنبه از ساعت ۹ تا ۱۲ 3️⃣ آیا رفع اشکال هم وجود دارد؟ علاوه بر گروه هایی که در شبکه های اجتماعی برای این موضوع ایجاد می شود و پاسخگوی سوالات عزیزان است، جلساتی برای حل تمرین در نظر گرفته شده است و از اساتید حل تمرین برای این موضوع استفاده می شود. 4️⃣ آیا گواهینامه پایان دوره هم اعطا می شود؟ بله، در پایان دوره به عزیزانی که در جلسات حضور منظم داشته باشند و نیز در آزمون نهایی موفق شوند گواهینامه معتبر از دانشگاه خوارزمی اعطا می شود. 5️⃣ دوره های تخصصی مانند یادگیری ماشین یا معاملات الگوریتمی برگزار نمی کنید؟ از آنجایی که برای بهره مندی بهتر از مطالب دوره های تخصصی، داشتن پایه قبلی بسیار مهم است، عموما دوره های تخصصی به صورت خاص و برای دانشپذیران دوره های مقدماتی برگزار می شود. همچنین با تکمیل فرم پیش ثبت نام (🌐 لینک) زمان کلاس ها به شما اطلاع رسانی می شود. 🟢 همچنین می توانید سوالات خود را در خصوص این دوره از طریق شبکه های اجتماعی (شماره 09203057420 ) با کارشناسان در میان بگذارید. لینک ثبت نام در دوره: 🌐 Khu.zarsuntadbir.ir ادامه دارد ...

ابزارهای متداول یادگیری ماشین خودکار - بخش دوم انواع مختلفی از فریم‌و‌رک‌های AutoML وجود دارد که هر کدام ویژگی های منحصر به فردی دارند. هر یک از آنها چند مرحله از یک گردش کار کامل یادگیری ماشین، از پیش پردازش تا توسعه مدل را خودکار کرده اند. در جدول این پست برخی از معروف ترین این فریم‌ورک ها بیان شده است. #یادگیری_ماشین_خودکار #AutoML #Automated_Machine_Learning پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance