Python4Finance

حد ضرر متحرک (Trailing Stop Loss) کدهای پایتون پست قبلی #حدضرر #stop-loss #Trailing پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

حد ضرر متحرک (Trailing Stop Loss) مفهوم حد ضرر یکی از مفاهیم مهم در معاملات الگوریتمی است. در واقع این محدودیت حداکثر مقدار پولی است که یک استراتژی مجاز است از دست بدهد. حد ضرر معمولا به صورت ثابت یا متحرک محاسبه می شود. در حدضرر ثابت معامله‌گر درصد ثابتی را مشخص می‌کند که در صورت کاهش قیمت سهم به آن میزان، سهم را بفروشد. اما حد ضرر متحرک وقتی است که می خواهیم سود حاصله را نیز حفظ کنیم. فرض کنید پس از خرید یک سهم، قیمت آن افزایش پیدا کند. در این حالت بهتر است که حد ضرر نیز متناسب با افزایش قیمت سهم، افزایش پیدا کند تا در صورتی که قیمت سهم روند نزولی گرفت، سود کسب شده از دست نرود. به عنوان مثال تصور کنید قیمت سهمی ۱۰۰ تومان است. حال اگر قیمت سهم رشد کرده و به ۱۳۰ تومان برسد، بهتر است حد ضرر نیز بیشتر شده و عددی مثل ۱۲۰ شود. در مثال این پست داده های سهم اپل برای ۱۰ سال دریافت می شود و حد ضرر متحرک به میزان ۳% سهم در طول زمان محاسبه و رسم می شود. #حدضرر #stop-loss #Trailing پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

ماژول دریافت اطلاعات از بورس تهران (TSETMC) - نسخه 5.52 اگر در دریافت اطلاعات از بورس تهران دچار مشکل شده اید، نسخه جدید tsemodule را جایگزین نسخه قبلی نمایید. برای کسب اطلاعات بیشتر در خصوص tsemodule و نحوه دریافت اطلاعات از بورس تهران، به این لینک مراجعه نمایید. با استفاده از دستور tm5.ver مطمئن شوید که از ورژن 5.52 استفاده می کنید. پی نوشت: در ورژن جدید سایت tsetmc از یک روش جدید برای فراخوانی داده ها استفاده می شود که به زودی انشاء الله ماژول بر این اساس آپدیت می شود. #tsemodule پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

اَلسَّلامُ عَلَی الْحُسَیْن وَ عَلی عَلَیِ بْن الْحُسَین وَ عَلی اَوْلادِ الْحْسَیْن وَ عَلی اَصحابِ الْحُسَین فرا رسیدن ایام شهادت سید و سالار شهیدان امام حسین(ع) و یاران با وفایش تسلیت باد. التماس دعا #مناسبت پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

انواع خطاها در کار با داده ها - 2 مهمترین خطاهایی که در داده ها ممکن است وجود داشته باشد عبارت است: 1️⃣ ناقص بودن اطلاعات (incompleteness error): یعنی داده وجود نداشته باشد که در پایتون با NA یا NaN نمایش داده می شود. معمولا برای حل این موضوع از میانگین، میانه، مد و یا صفر (بسته به مسئله) برای پر کردن داده ها استفاده می شود. (ردیف2) 2️⃣ بی اعتبار بودن داده ها (invalidity error): یعنی زمانی که داده ها از محدوده معناداری خارج می شوند. برای مثال در ردیف 2 تاریخ تولد فرد مذکور سال 1300 ذکر شده است که خارج از محدوده است. 3️⃣ دقت پایین داده ها (inaccuracy error): وقتی که داده ها با مقادیر صحیح پر نشده باشند، این خطا عموما از ناحیه مسئولین داده ها اتفاق می افتد. برای مثال افراد یا کارت بانکی دارند یا ندارند، «بدون پاسخ» در ردیف 4 معنی ندارد. 4️⃣ ناسازگاری داده ها (inconsistency error): وقتی بخش های مختلف داده با هم ناسازگار باشند. در ردیف 5 نام فرد خانم ب است اما جنسیت مرد ذکر شده است. معمولا برای رفع این مشکل معمولا از داده های تکمیلی استفاده می کنند. 5️⃣ یکنواخت نبودن داده ها (non-uniformity error): برای راحتی محاسبه و افزایش دقت لازم است داده ها از یک الگو تبعیت کنند. راهکار این موضوع تبدیل داده ها به یک فرم یکنواخت است. برای مثال در همه ردیف ها سال تولد با الگوی 4 رقم ذکر شده است اما در ردیف 3 با الگوی دو رقم ذکر شده است. 6️⃣ تکراری بودن داده ها (duplication error): وجود داده های تکراری ممکن است باعث جابجایی میانگین، میانه و مد شود و تمرکز ما از جابجا کند. راه کار آن نیز حذف داده های تکراری است. در مثال ردیف 1و 4 تکراری هستند. #preprocessing #Data_Cleansing پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

انواع خطاها در کار با داده ها - 1 یکی از مهمترین کارها قبل از شروع تحلیل، علی الخصوص در تحلیل داده های بزرگ پاکسازی داده ها یا Data Cleansing است. پاکسازی داده ها یکی از مهمترین بخش های پیش پردازش داده ها (preprocessing) است. اهمیت این موضوع زمانی که شما داده ها را از منابع مختلف جمع آوری می کنید بیش از پیش نمایان می شود. در ادامه انواع خطاها در هنگام کار با داده ها را با هم بررسی می کنیم. #preprocessing #Data_Cleansing پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

سوالات متداول (به روزشده در 1402/01/12) از آنجایی که خیلی از عزیزان در خصوصی سوالات زیر را پرسیده اند و این سوالات قبلا در کانال پاسخ داده شده است، من عناوین سوالات و پاسخ آنها را جهت مرور خدمت شما قرار می دهم. 🔸چرا پایتون یاد بگیرم؟ پاسخ 🔸بهترین منابع زبان اصلی برای یادگیری پایتون کدام است؟ پاسخ 🔸چگونه میزان برنامه نویسی خود را با چالش های مختلف محک بزنم؟ پاسخ 🔸 آموزش پایتون مقدماتی در کانال #مقدمات 🔸سوالاتمان در خصوص پایتون را از کجا بپرسیم؟ پاسخ 🔸پایتون برای چه رشته هایی مناسب است؟ پاسخ 🔸متوسط درآمد یک مدلساز مالی چقدر است؟ پاسخ 🔸کاربردهای مدلسازی مالی چیست؟ پاسخ 🔸مسیر توسعه مدل چیست؟؟ پاسخ 🔸یادگیری ماشین چیست و کاربرد آن در مالی چگونه است؟ تعریف الگوریتم های یادگیری ماشین مفاهیم یادگیری ماشین #یادگیری_ماشین 🔸پایتون یا اکسل، کدام بهتر است؟ پاسخ 🔸پایتون یا R ، کدام یک را یاد بگیرم؟ پاسخ 🔸آیا پایتون جایگزین MQL می شود؟ پاسخ استفاده از اطلاعات متاتریدر در پایتون استفاده از پایتون در متاتریدر 🔸خروجی پایتون چیست؟ (پایتون در کجا اجرا می شود؟) پاسخ 🔸میزان استفاده از پایتون در حیطه های مختلف چگونه است؟ لینک 🔸پایتون برای اقتصاد سنجی مناسب است؟ پاسخ ، #اقتصاد_سنجی 🔸آیا امکان رسم نمودارهای کندل با پایتون وجود دارد؟ پاسخ 🔸آیا پایتون برای هوش تجاری مناسب است؟ پاسخ 🔸آیا روش های معاملات الگوریتمی همان روش های تحلیل تکنیکال است؟ پاسخ 🔸آیا در ایران امکان معاملات الگورتیمی وجود دارد؟ پاسخ نامه رئیس سازمان بورس در خصوص معاملات الگوریتمی 🔸دریافت اطلاعات نفت خام و ارزهای دیجیتال (رمز ارز)، ارزهای خارجی 1-نفت خام ، 2-ارز دیجیتال ، 3-رمز ارز و ارزهای خارجی در تایم فریم های کوتاه ، 4-قیمت رمز ارزها فقط با استفاده از Yahoo Finance 🔸چه موضوعاتی را برای پایان نامه و رساله خود انتخاب کنم؟ پاسخ1 . پاسخ 2 🔸از کدام IDE برای برنامه نویسی پایتون استفاده کنم؟ پاسخ ، #IDE 🔸مسیر تبدیل شدن به یک دانشمند علم داده در حیطه مالی و اقتصاد پاسخ ، از کجا شروع کنیم؟ ، مسیر یادگیری 🔸دریافت اطلاعات از TSETMC (بورس ایران) پاسخ 🔸راه آسان دریافت اطلاعات از بورس تهران چیست؟ (ماژول دریافت اطلاعات از بورس تهران) ماژول TseModule5 🔸کانال آپارت جهت مشاهده وبینارهای «مرور کتاب معاملات الگوریتمی»، «علم داده» و «یادگیری ماشین» و «جادوی سری های زمانی»، «کار با jupyter و زبان مارک دان» ، «خودکار سازی فرآیندها»، «دریافت اطلاعات بورس ایران با پایتون کتابخانه pandas» و ... لینک کانال آپارت 🔸مشاهده کتاب های معرفی شده در کانال #معرفی_کتاب 🔸مشاهده اسلایدهای آموزشی ارائه شده در کانال #اسلاید 🔸✅✅✅ چگونه از برگزاری دوره ها مطلع شوم؟ (پیش ثبت نام در دوره های آموزشی سال 1402) توضیح: برای مشاهده نمونه دوره ها می توانید به کانال آپارات مراجعه فرمایید. با پرکردن این فرم در زمان برگزاری رویداد ها (کلاس ها و وبینارها) از طریق پیامک یا ایمیل به شما اطلاع رسانی خواهد شد. #پایتون_مالی #پاسخ_سوالات #FAQ لینک عضویت در کانال پایتون برای مالی 👇👇👇 🆔 t.me/python4finance 🆔 ble.ir/python4finance 🆔 instagram.com/python4financeacademy

الْحَمْدُ لِلَّهِ الَّذِی جَعَلَنَا مِنَ الْمُتَمَسِّکِینَ بِوِلاَیَهِ أَمِیرِ الْمُؤْمِنِینَ عید سعید غدیر خم بر شما مبارک. #مناسبت پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

معرفی کتاب «راهنمای کاربردی هوش مصنوعی و داده های بزرگ در سرمایه گذاری» به انگلیسی «HANDBOOK OF ARTIFICIAL INTELLIGENCE AND BIG DATA APPLICATIONS IN INVESTMENTS» در ادامه مباحث قبلی در خصوص مطالب موسسه CFA در خصوص علم داده، کتاب راهنمای کاربردی هوش مصنوعی و داده های بزرگ در سرمایه گذاری را خدمت شما معرفی می کنم. این کتاب از چهار بخش اصلی تشکیل شده است. 1- کاربردهای یادگیری ماشین و علم داده در سرمایه گذاری 2- درک زبان طبیعی، پردازش و تولید: کاربردهای سرمایه گذاری 3- معامله با یادگیری ماشین و داده های بزرگ 4- چت بات، نمودارهای دانش، و زیرساخت هوش مصنوعی زبان کتاب ساده و روان است و مثال ها با پایتون حل شده است. #معرفی_کتاب #یادگیری_ماشین #هوش_مصنوعی #داده_های_بزرگ #CFA #Big_data #AI #Machine_learning پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

تغییرات CFA2023 نسبت به 2022 تقریبا در دنیای مالی، کسی نیست که CFA را نشناسد. CFA به عنوان یکی از مهم ترین آزمون های تعیین سطح متخصصین مالی، از سال 2020 بود که مباحث داده های بزرگ و یادگیری ماشین و کاربرد آنها به مباحث روش های کمی (Quantitative Methods) اضافه کرد. (این پست) در ویرایش 2023 CFA دو تغییر عمده در درس روش های کمی انجام شده است. یکی اینکه کدهای پایتون برای تحلیل مسائل به اضافه شده است. و دوم اینکه رگرسیون چندعاملی به مباحث اضافه شده است. برای آشنایی بیشتر شما، تغییرات کلی CFA 2023 را نسبت به 2022 قرار می دهم و در پست های آتی کتاب های روش های کمی مقدماتی و پیشرفته را تقدیم خواهم کرد. #CFA پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

رسم نرخ بازده بدون ریسک در بسیاری از شاخص های محاسبه ریسک، استفاده از نرخ بازده بدون ریسک یا همان Risk free return بسیار حائز اهمیت است. معمولا برای محاسبه نرخ بازده بدون ریسک، نرخ بازده اوراق خزانه دولتی به عنوان نرخ معیار در نظر گرفته می شود چرا که همواره کمترین ریسک نکول را دارد. در مثال این پست، نرخ بازده اوراق خزانه سه ماهه ایالات متحده، برای بازه 5 ساله رسم شده است. تغییر نرخ بازده در دو سال اخیر به نسبت دو سال گذشته و پیش از آن کاملا محسوس است که نشان از افزایش سطح عمومی قیمت ها در این مدت دارد. سایر نمادها: ^IRX 13 Week Treasury Bill ^FVX Treasury Yield 5 Years ^TNX Treasury Yield 10 Years ^TYX Treasury Yield 30 Years #نرخ_بازده_بدون_ریسک پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance

مایکروسافت فابریک (Microsoft Fabric) یک ابزار بی نظیر برای دانشمندان داده اخیرا مایکروسافت ابزار علم داده خود را با عنوان Microsoft Fabric رونمایی کرد. ادعای این ابزار مدیریت یکپارچه داده ها از مرحله جمع آوری داده تا تحلیل داده ها و هوش مصنوعی است. یکپارچگی کامل ابزارهای مایکروسافتی مانند SQLServer و PowerBI و پشتیبانی از Python و سایر ابزارهای تکمیلی فابریک را بسیار دوست داشتنی کرده است. فابریک به صورت Software as a Service (SaaS) ارائه می شود و در حال حاضر در مرحله نمایشی (Preview) است. اگر به این محصول علاقه مند شدید سری به این صفحه بزنید. در فیلم این پست با Microsoft Fabric بیشتر آشنا می شوید. #Microsoft_Fabric پایتون برای مالی 🆔 t.me/python4finance 🆔 ble.ir/python4finance