Python4Finance

باسلام، میلاد با سرسعادت قطب عالم امکان، خاتم پیامبران، حضرت محمد مصطفی (ص) و پرچم دار شاهراه ولایت علوى امام جعفر صادق (ع) مبارک باد. @python4finance

هوش مصنوعی را جدی بگیرید: بر اساس آخرین اطلاعات سالانه Google Cloud، هوش مصنوعی به صورت محسوسی به رشد کسب و کارها کمک می کند: • افزایش درآمد: ۵۶٪ سازمان‌ها رشد مستقیم درآمد با GenAI داشته‌اند؛ برخی تا بیش از ۱۰٪ افزایش سالانه. • افزایش بهره‌وری: ۷۰٪ شرکت‌ها جهش چشمگیر بهره‌وری کارمندان را گزارش کرده‌اند؛ ۴۰٪ گفتند خروجی کارکنان حداقل دو برابر شده. در گزارش دیگری می خواندم که در حال حاضر در مایکروسافت، حدود 30% از کدها توسط هوش مصنوعی نوشته می شود. #AI پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

گزارش تحلیلی 2025 سایت stackoverflow منشتر شد، پایتون اولین زبان محبوب تازه واردین به برنامه نویسی! در این گزارش که بر مبنای بیش از 49.000 پرسشنامه از 177 کشور انجام شده است، اطلاعات بسیار جذابی در خصوص محبوبیت زبان های برنامه نویسی، ابزارها و کاربردها منتشر شده است که دید بسیار خوبی را به علاقه مندان این حوزه می دهد. 🌐 لینک گزارش #گزارش #stackoverflow پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

رسم نمودارهای جذاب با Pygal- بخش دوم

#code by @python4finance
import yfinance as yf
import pandas as pd
import numpy as np
import pygal
from IPython.display import SVG

tickers = ['AAPL', 'MSFT', 'GOOGL', 'TSLA', 'AMZN']
factors = ['Value (P/E)', 'Momentum (6M)', 'Quality (ROE)']

data = []
for ticker in tickers:
    stock = yf.Ticker(ticker)
    info = stock.info
    hist = stock.history(period='6mo')

    try:
        pe = info['trailingPE']
        roe = info['returnOnEquity']
        momentum = (hist['Close'].iloc[-1] - hist['Close'].iloc[0]) / hist['Close'].iloc[0]
        data.append({'Ticker': ticker, 'P/E': pe, 'Momentum': momentum, 'ROE': roe})
    except:
        print(f"Error on reading data")

df = pd.DataFrame(data)

# Normalizing
for col in ['P/E', 'Momentum', 'ROE']:
    col_norm = col + '_norm'
    values = df[col].values
    values = np.nan_to_num(values, nan=np.nanmean(values))
    df[col_norm] = (values - np.min(values)) / (np.max(values) - np.min(values))

radar_chart = pygal.Radar(fill=True)
radar_chart.title = 'Factor Investing مقایسه سهام مختلف بر اساس'
radar_chart.x_labels = factors

for i, row in df.iterrows():
    radar_chart.add(row['Ticker'], [1 - row['P/E_norm'], row['Momentum_norm'], row['ROE_norm']])

radar_chart.render_to_file('multi_factor_radar.svg')
SVG(filename='multi_factor_radar.svg')

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

رسم نمودارهای جذاب با Pygal یکی از جذابیت های پایتون، وجود کتابخانه های متنوعی است که هر کدام ویژگی های جالبی را ایجاد می کنند. کتابخانه Pygal به شما امکان ایجاد نمودارهای متنوعی را می دهد که می توانید آنها را به صورت پویا در قالب فایل های Svg ذخیره نمایید. نکته جالب دیگر پشتیبانی این کتابخانه از زبان فارسی است. در مثال این پست، اطلاعات مربوط به 5 سهم از یاهو فراخوانی شده و بر اساس روش سرمایه‌گذاری مبتنی بر عوامل (Factor Investing) نمایش داده می شوند. سورس برنامه در پست بعدی ارسال می شود. #نمودار #pygal پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/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.