Python4Finance

فیلتر کردن مقادیر در پایتون با تابع filter امروزه پایتون به یکی از محبوبترین زبان های برنامه نویسی برای علم داده و مدلسازی مالی تبدیل شده است و واقعا این اتفاقی نیست! پایتون حجم زیادی از توابع مفید را به صورت پیشفرص در درون خود جای داده است. برای مقال فرض کنید به صورت روزانه میزان رشد سهام سبد پورتفوی خود را محاسبه می کنید. (قبلا در این خصوص صحبت کرده ایم) حالا می خواهید بازده سهامی که بیش از 10 درصد رشد داشته اند را مشخص کنید. برای این منظور از یکی از توابع داخلی پایتون به نام فیلتر استفاده می کنیم. تابع فیلتر دو مقدار را دریافت می کند. یکی تابع شرط ما، یعنی تابعی که می خواهیم محاسباتی را انجام دهد و مقادیر حائز شرایط را مشخص کند. دیگر مقدار ورودی است یعنی همان مقادیری که می خواهیم شرط مورد نظر روی آن ها استفاده شود. برنامه نمونه در تصویر این پست نشان داده شده است. #فیلتر_داده #پایتون_مالی #filter پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

کار با مقادیر از دست رفته در پایتون، ماژول Pandas- بخش پنجم (پایانی) در پست های قبل در خصوص داده های از دست رفته صحبت کردیم. پانداس امکانات بسیار خوبی را برای کار با توابع از دست رفته در اختیار قرار می دهد. معمولا یا داده های از دست رفته را حذف می کنیم (dropna) یا آنها را با یک مقدار ثابت جابجا می کنیم (replace و fillna) یا آنها را با نزدیک ترین مقدار قبلی یا بعدی پر می کنیم (fillna). البته می توانیم با استفاده از توابع شرطی تصمیم خاصی روی آنها بگیریم (notnull و isnull) در تصویر این پست، نحوه عملکرد برخی توابع کار با داده های از دست رفته نشان داده شده است. پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

دوستان سلام، زبان جولیا، زبان جدیدی است که کم کم در حال باز کردن جای پای خود در میان سایر زبان های برنامه نویسی است. ساختار این زبان به پایتون بسیار شبیه است. قصد دارم در خصوص Julia هم نکاتی را تقدیم کنم. اگر علاقه مند بودید خوشحال می شوم در آن کانال هم میزبان شما باشم. عضویت در کانال جولیا برای مالی 👇👇👇 t.me/Julia4finance

چرا باید جولیا ( Julia ) را یاد بگیرید- بخش اول اگر شما تا کنون برنامه نویسی نکرده اید که هیچ ! اما اگر به یک زبان برنامه نویسی مسلط هستید یا حداقل با یک زبان برنامه نویسی کار کرده اید، ممکن است بپرسید چرا باید یک زبان برنامه نویسی دیگر را یاد بگیرم؟ البته سوال درستی است، اما در خصوص جولیا ( Julia ) ماجرا کمی فرق می کند. یکی از مشکلاتی که برنامه نویسان با آن روبرو هستند، مشکل دو زبانی است. (Two Language Problem)😫 یعنی زبان های سطح بالا که برای نوشتن برنامه اولیه استفاده می شود انقدر در محاسبات با حجم بالا، کند عمل می کنند که لازم است برای فضای واقعی از یکی از زبان های نزدیک به زبان ماشین استفاده کرد. در واقع جولیا آمده است تا علاوه بر اینکه امکانات یک زبان برنامه نویسی سطح بالا را در اختیار کاربر قرار می دهد آنقدر سریع باشد که نیازی به نوشتن مجدد برنامه در زبان هایی مانند C نباشد. واقعا هم همینطور است. جولیا واقعا به خوش دستی پایتون (python) و سرعت بالای سی (C) است. در پست های بعد در خصوص مزایای زبان جولیا و استفاده از آن در فضای مالی اقتصادی با هم صحبت می کنیم #مقدمه #جولیا_برای_مالی t.me/Julia4finance

چگونه کدهایی تمیز و خوانا بنویسیم؟ یک ویدئو بسیار خوب جهت آشنایی با Pep8 برنامه نویسان حرفه ای علاوه بر اینکه به دنبال نوشتن برنامه ای هستند که منطق برنامه را به خوبی اجرا کند، می خواهند برنامه آنها خوانایی بالایی داشته باشد و اصلاحا برنامه تمیز نوشته شود. خوشبختانه پایتون برای بالابردن کیفیت برنامه های نوشته و استاندارد شدن آنها یکسری استانداردهایی با تحت عنوان (PEP-Python Enhancement Proposal) منشتر کرده است. pep8 یکی از این استانداردهاست که در واقع پیشنهاد و دستورالعمل هایی برای نوشتن کدهای تمیز و خوانایی در زبان پایتون است. در فیلم این پست، برخی از دستور العمل های استاندارد pep8 ذکر شده است. #pep8 #پایتون_مالی #ویدئو @python4finance

کار با مقادیر از دست رفته در پایتون، ماژول Pandas- بخش چهارم پانداس مهمترین کتابخانه پایتون برای کار با داده هاست. در پانداس هم None و هم np.nan‌ به عنوان مقادیر nan در نظر گرفته می شوند و در محاسبات بدون خطا ظاهر می شوند. البته همانطور که گفته شد حاصل هر عمل ریاضی با مقادیر nan مقدار nan خواهد بود. پانداس برای کار با داده های nan‌ توابع زیر را درنظر گرفته است. isnull() notnull() dropna() fillna() replace() interpolate() در مثال این پست که تصویر آن ضمیمه شده است، تعداد مقادیر nan در یک دیتافریم محاسبه و نمایش داده می شود. ان شاء الله در پست های آتی در خصوص سایر توابع صحبت خواهیم کرد. #missing_values #داده_ازدست_رفته #پایتون_مالی @python4finance

کار با مقادیر از دست رفته در پایتون، ماژول Numpy - بخش سوم احتمالا Numpy رایجترین کتابخانه پایتون است که در همه کارکردهای پایتون از آن استفاده می شود. البته در Numpy مقادر None با nan متفاوت هستند. nan نشان دهنده not a number است، یعنی یک مقدار غیر عددی. برای مثال در حالت هایی که پاسخ به طور کلی تعریف نشده باشد با nan مواجه می شویم. برای مثال اگر جذر یک عدد منفی را بخواهید محاسبه کنید یا از یک عدد منفی لگاریتم بگیرید نتیجه یک مقدار nan خواهد بود. البته در محاسبات اگر یک مقدار nan‌ را مثلا با عددی جمع یا از عددی کسر کنید پیام خطا دریافت نمی کنید اما نتیجه همیشه nan خواهد بود. در صورتی که وجود مقادیر None در محاسبات باعث ایجاد خطای Run time می شود. #missing_values #داده_ازدست_رفته #پایتون_مالی @python4finance

کار با مقادیر از دست رفته در پایتون - بخش دوم در پایتون داده های از دست رفته با عبارت None مشخص می شود. عمده موارد None هنگامی است خود ما در جمع آوری داده مشکل داشته باشیم. یا اینکه بخواهیم یک متغیری را درست کنیم و بعدا به آن مقدار بدهیم.(چون در برنامه های بزرگ دادن مقدار به متغیرهایی که استفاده نمی شوند ممکن است باعث بالارفتن مصرف حافظه در برنامه شده و رایانه را کند یا با خطا مواجه کند) در تصویر این پست مثالی از کار با داده های None در پایتون نشان داده شده است. در پست های آتی در خصوص مقادیر از دست رفته در Numpy و Pandas صحبت خواهیم کرد. #missing_values #داده_ازدست_رفته #پایتون_مالی @python4finance

آشنایی با ActivePython احتمالا همه شما نام آناکوندا را شنیده اید. آناکوندا (Anaconda) یک ابزار بسیار مناسب برای متخصصین علم داده و مدلسازان مالی است که ابزارهای اصلی کار را به صورت خودکار نصب می کند و کاربر را از نصب مجزا آنها بی نیاز می کند. یکی دیگر از این ابزارها، نرم افزار ActivePython است. این ابزار، 303 پکیج از پکیج هایی که برای کار با داده ها و به طور کلی علم داده استفاده می شود را با خود نصب می کند. لازم به ذکر است ActivePython محصول شرکت activestate است و علاوه بر پایتون ابزارهای بسیار خوبی را برای Perl، Ruby،Go و چند زبان دیگر توصعه داده است. برای دانلود این ابزار می توانید به سایت ActivePython مراجعه فرمایید. #ActivePython #Anaconda #پایتون_مالی @python4finance

کار با مقادیر از دست رفته در پایتون - بخش اول احتمالا عنوان این پست کمی برای شما عحیب باشد. آیا مگر داده ای از دست می رود؟ (🧐) برای روشن شدن بحث اجازه بدهید مثالی بزنم. فرض کنید در شرکتی کار می کنید که هر روز صبح باید اول وقت ساعت ورود خود را ثبت کنید. از قضا چند روز در ماه به علت عجله ای که داشتید فراموش کردید ساعت ورود خود را ثبت کنید. ساعت ورود شما در این چند روز نه False است، نه 0 (صفر) و نه خالی ( ) است بلکه هیچ است، یعنی هیچ مقداری برای آن ثبت نشده است. در پایتون مقدار هیچ با عبارت None نشان داده می شود.اگر بخواهم یک مثال مالی زده باشم می توانم به میانگین متحرک اشاره کنم.یک سری زمانی با 20 متغیر را در نظر بگیرد. اگر یک میانگین متحرک 3 روزه را روی این داده ها اجرا کنیم، برای سه روز اول طبیعی است که هیچ مقداری نداریم. هنگامی که با داده های بزرگ کار می کنیم داده های از دست رفته ممکن است باعث بروز خطا در محاسبات و یا محاسبه ناصحیح شوند. از این رو آشنایی با شیوه صحیح کار با داده های از دست رفته بسیار حائز اهمیت است. در پست های آتی مفصل در این خصوص صحبت می کنیم. #missing_values #پایتون_مالی @python4finance

ثبت نام دوره MBA علم داده و معاملات الگوریتمی آغاز شد. 1️⃣ مزایای دوره اعطای گواهینامه MBA دوره های کوتاه مدت دانشگاه الزهرا (س) ارائه دروس به صورت کاربردی و مطابق با دانش روز دنیا بهره گيري از اساتيد برجسته علم داده و مطرح بازار سرمایه ایران 🔅بعد از این دوره دانشپذیران می توانند با استفاده از داده‌های مختلف، سناریوهای مختلفی را بررسی و با استفاده از الگورتیم ها نسبت به تحلیل و خرید و فروش سهام و دارایی های مالی اقدام نمایند. 2️⃣شرایط تخفیف: ثبت نام گروهی (حداقل 3 نفر): 10% ثبت نام زود هنگام (تا 10 شهریور) و نقد : 20% 3️⃣تعداد واحد : 27 واحد + پایان نامه 4️⃣شیوه برگزاری: همانند سایر دوره های دانشگاه 5️⃣سایر الزامات دوره: حداقل مدرک کارشناسی 🌐اطلاعات بیشتر در خصوص دوره @Alzahra_MBA_DBA

بیش برازش یا Overfitting چیست؟ یکی از ویژگی های یک مدلسازی خوب، برازش مناسب آن است. یعنی مدل بتواند تا حدود زیادی داده ها را تخمین بزند. اما گاهی پیش می آید که مدل برازش خوبی برای داده های نمونه (Training) دارد اما توفیق چندانی در برازش داده های جدید ندارد. یعنی مدل روی داده استفاده شده برای یادگیری بسیار خوب نتیجه می‌دهد، اما بر روی داده جدید دارای خطای زیاد است. این اتفاق زمانی ممکن است بیفتد که مجموعه داده ها خیلی کوچک یا خیلی بزرگ و پیچیده باشد و همچنین شامل داده های نویزی نیز باشد ( البته کوچک بودن نیز به تنهایی می تواند مشکل ساز باشد حتی بدون داده های نویزی ). #پایتون_مالی #بیش_برازش #Over_fitting پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

شروع دوره «مدلسازی اقتصادی و مالی با پایتون مقدماتی» از فردا ثبت نام: bit.ly/3gVvL8Y https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

ایجاد یک خروجی(GUI) مانند برنامه های ویندوز - آشنایی با کتابخانه Tkinter یکی از مزیت های پایتون؛ توانایی ارسال خروجی به شیوه های مختلف است. برای مثال می خواهیم خروجی برنامه را در قالب یک برنامه مانند برنامه های ویندوز (یا سایر سیستم عامل ها) ایجاد کنیم. برای این منظور کتابخانه بسیار جذابی به نام Tkinter وجود دارد که به صورت پیش فرض در هنگام نصب پایتون نصب می شود. در برنامه نمونه که تصویر آن در این پست ضمیمه شده است یک برنامه برای محاسبه FV با استفاده از کتابخانه Tkinter نوشته شده است. #پایتون_مالی #خروجی #GUI #Tkinter پایتون برای مالی در تلگرام https://t.me/python4finance پایتون برای مالی در بله https://ble.im/python4finance

پانزدهمین دوره مدلسازی اقتصادی و مالی با پایتون مقدماتی-آنلاین چرا باید مفاهیم مدلسازی مالی را یادبگیریم؟ 1️⃣برای استخراج داده ها، تشخیص داده های صحیح از ناصحیح، انتخاب داده های مناسب و پیدا کردن یک الگوی مشترک صحیح از داده های گذشته و تعمیم آن برای پیش بینی های آینده نیازمند مدلسازی هستیم 2️⃣برای بررسی اعتبار مدلهای پیشنهادی و انتخاب مدل بهینه از میان حجم گسترده مدل ها نیازمند مدلسازی هستیم 3️⃣انتخاب بازار مناسب، معامله گری هوشمند در بازار، انتخاب پروژه صحیح، انتخاب زمان مناسب ورود و خروج و نهایتا انجام فعالیت های هدفمند، کسب سود و پیشرفت، نیازمند مدلسازی مالی است سرفصل مبانی پایتون کتابخانه های پایتون مبانی مدل سازی ارزش زمانی پول محاسبه بازده و ریسک سهم بهینه سازی واکشی داده ها از بورس تهران مطالعه موردی در بازار سرمایه ✅برای شرکت در دوره نیاز به پیش نیاز خاصی نیست و همه مباحث در دوره گفته می شود ✅شرکت برای عموم افراد (آقایان و خانم ها) آزاد است ✅به پذیرفته شدگان در آزمون پایانی گواهی مرکز آموزش های آزاد و مجازی دانشگاه الزهرا(س) اعطا خواهد شد ثبت نام: bit.ly/3gVvL8Y t.me/azvclc

اَلسَّلامُ عَلَی الْحُسَیْنِ وَ عَلی عَلِیِّ بْنِ الْحُسَیْنِ وَ عَلی اَوْلادِ الْحُسَیْنِ وَ عَلی اَصْحابِ الْحُسَیْنِ پایتون برای مالی در تلگرام https://t.me/python4finance

پرکردن نقایص داده ها (interpolate) یکی از مشکلاتی که در کار با سری های زمانی و دیتافریم ها داریم، داده های ناقص است. برای مثال یک سهم ممکن است در زمان های خاصی بسته باشد یا داده های یک متغیر در زمان های خاصی در دسترس نباشد. این موارد باعث به هم خوردن محاسبات و بعضا error های حین برنامه می شود. پانداس برای مدیریت کردن داده های خالی یا اصطلاحا NaN روش های متنوعی را ارائه می دهد. یکی از این روش ها پر کردن داده ها بر اساس داده های قبلی و بعدی است. به این معنا که پانداس داده های قبلی و بعدی را در نظر می گیرد و جای خالی را با میانگین آنها پر می کند. این کار در هموار سازی داده ها بسیار تاثیر گذار است. در تصویر این پست، نمونه ای این روش با استفاده از تابع interpolate در پانداس نشان داده شده است. #پانداس #سری_زمانی #پایتون_مالی #داده #interpolate #pandas پایتون برای مالی در تلگرام https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug