پایتون مالی
Відкрити в Telegram
این کانال برای یادگیری پایتون با رویکرد مالی ایجاد شده است. در اینجا مطالب آموزشی علم داده، هوش مصنوعی، پایتون مالی و معاملات الگوریتمی به اشترک گذاشته خواهد شد. سپاس بابت همراهیتان Admin: علی رئوفی - دکتری اقتصاد مالی و اقتصادسنجی @raoofiali
Показати більше
Сітка:4 907
Підписники
Немає даних24 години
-107 днів
-3830 день
Триває завантаження даних...
Схожі канали
Хмара тегів
Вхідні та вихідні згадування
---
---
---
---
---
---
Залучення підписників
листопад '25
листопад '25
+16
в 1 каналах
жовтень '25
+39
в 0 каналах
Get PRO
вересень '25
+39
в 0 каналах
Get PRO
серпень '25
+83
в 1 каналах
Get PRO
липень '25
+42
в 0 каналах
Get PRO
червень '25
+28
в 0 каналах
Get PRO
травень '25
+55
в 3 каналах
Get PRO
квітень '25
+48
в 0 каналах
Get PRO
березень '25
+116
в 2 каналах
Get PRO
лютий '25
+74
в 4 каналах
Get PRO
січень '25
+67
в 0 каналах
Get PRO
грудень '24
+94
в 2 каналах
Get PRO
листопад '24
+104
в 1 каналах
Get PRO
жовтень '24
+80
в 0 каналах
Get PRO
вересень '24
+116
в 1 каналах
Get PRO
серпень '24
+122
в 3 каналах
Get PRO
липень '24
+86
в 5 каналах
Get PRO
червень '24
+135
в 3 каналах
Get PRO
травень '24
+137
в 4 каналах
Get PRO
квітень '24
+409
в 7 каналах
Get PRO
березень '24
+327
в 3 каналах
Get PRO
лютий '24
+51
в 3 каналах
Get PRO
січень '24
+154
в 2 каналах
Get PRO
грудень '23
+100
в 0 каналах
Get PRO
листопад '23
+177
в 2 каналах
Get PRO
жовтень '23
+33
в 0 каналах
Get PRO
вересень '23
+33
в 0 каналах
Get PRO
серпень '23
+72
в 0 каналах
Get PRO
липень '23
+94
в 0 каналах
Get PRO
червень '23
+119
в 0 каналах
Get PRO
травень '23
+241
в 0 каналах
Get PRO
квітень '23
+180
в 0 каналах
Get PRO
березень '23
+271
в 0 каналах
Get PRO
лютий '23
+633
в 0 каналах
Get PRO
січень '23
+190
в 0 каналах
Get PRO
грудень '22
+43
в 0 каналах
Get PRO
листопад '22
+51
в 0 каналах
Get PRO
жовтень '22
+29
в 0 каналах
Get PRO
вересень '22
+66
в 0 каналах
Get PRO
серпень '22
+736
в 0 каналах
Get PRO
липень '22
+48
в 0 каналах
Get PRO
червень '22
+109
в 0 каналах
Get PRO
травень '22
+232
в 0 каналах
Get PRO
квітень '22
+28
в 0 каналах
Get PRO
березень '22
+39
в 0 каналах
Get PRO
лютий '22
+30
в 0 каналах
Get PRO
січень '22
+24
в 0 каналах
Get PRO
грудень '21
+806
в 0 каналах
| Дата | Залучення підписників | Згадування | Канали | |
| 16 листопада | 0 | |||
| 15 листопада | +2 | |||
| 14 листопада | 0 | |||
| 13 листопада | 0 | |||
| 12 листопада | +2 | |||
| 11 листопада | +2 | |||
| 10 листопада | +2 | |||
| 09 листопада | +1 | |||
| 08 листопада | 0 | |||
| 07 листопада | +1 | |||
| 06 листопада | +1 | |||
| 05 листопада | +2 | |||
| 04 листопада | 0 | |||
| 03 листопада | +2 | |||
| 02 листопада | +1 | |||
| 01 листопада | 0 |
Дописи каналу
✨ آگهی استخدام: دستیار اجرایی و پشتیبانی
شرکت #دیتاوست با سه محور اصلی مشاوره، آموزش و سرمایهگذاری فعالیت میکند.
ما به دنبال فردی پرانرژی، منظم و با انگیزه هستیم که دوست دارد در کنار کار، یادگیری و رشد فردی را هم تجربه کند.
🔹 وظایف و مسئولیتها
- همکاری مستقیم با تیم مدیریت و یادگیری از فضای تصمیمگیری و مدیریت
- مشارکت در سازماندهی جلسات و پروژهها و دیدن فرآیندهای اجرایی از نزدیک
- تعامل و ارتباط مؤثر با مشتریان و مخاطبین و تقویت مهارتهای ارتباطی
- پیگیری امور محوله و هماهنگی بین اعضای تیم
- انجام امور اداری و پشتیبانی روزانه (مستندسازی، بایگانی و …)
🔹 شرایط و توانمندیها
- توانایی برقراری ارتباط حرفهای و مؤثر
- روحیه یادگیری، مسئولیتپذیری و پیگیری امور تا حصول نتیجه
- آشنایی با نرمافزارهای آفیس و ابزارهای آنلاین (ایمیل، تقویم، شبکههای اجتماعی)
- نظم و مدیریت زمان بالا
- تجربه قبلی در زمینههای مرتبط مزیت محسوب میشود
🔹 مزایا
- دسترسی رایگان به آموزشهای مالی (علم داده، معاملات الگوریتمی با پایتون و...)
- همکاری در محیطی پویا و یادگیرنده در حوزه بازارهای مالی
- امکان رشد و ارتقای شغلی متناسب با توسعه شرکت
🏢 نوع همکاری: #حضوری
محل کار: #تهران
📩 نحوه درخواست
در صورت تمایل به همکاری، لطفاً رزومه خود را به آیدی تلگرامی زیر ارسال کنید:
👉 @datavest_info
➖➖➖➖➖
🌐@ecoraoofi
اینستاگرام | تلگرام | وبسایت
| 2 |  مشاغلی که انتظار میرود تا ۲۰۳۰ سریعترین رشد تقاضا را داشته باشند. | 2 585 |
| 3 | 📍تحول در صنعت بیمه با هوشمصنوعی
هوشمصنوعی قراره صنعت بیمه رو زیر و رو کنه. مثلاً با کمک هوش مصنوعی، شرکتهای بیمه میتونن خیلی راحتتر و سریعتر خسارتها رو بررسی کنن، تقلبها رو تشخیص بدن و حتی قیمت بیمهنامهها رو دقیقتر محاسبه کنن. اینجوری هم هزینهها کم میشه، هم مشتریها راضیتر میشن چون دیگه نیازی نیست کلی مدارک بفرستن و ماهها منتظر جواب بمونن.
یه نکته جالب دیگه اینه که هوش مصنوعی میتونه پیشبینی کنه کدوم مشتریها بیشتر احتمال داره بیمه بخوان یا حتی چه خطرهایی ممکنه در آینده براشون پیش بیاد. اینطوری شرکتهای بیمه میتونن پیشنهادهای شخصیسازی شده به مشتریها بدن و کلی فرصتهای جدید برای فروش ایجاد کنن.
خلاصه که هوش مصنوعی نه تنها کارها رو آسونتر میکنه، بلکه میتونه سود شرکتهای بیمه رو هم بیشتر کنه، البته اگه درست ازش استفاده بشه!
▫️گزارش مکنزی از آینده هوشمصنوعی در صنعت بیمه
➖➖➖➖➖
هوشمصنوعی در صنعت مالی
✅@pyfinance | 2 859 |
| 4 | 📌 هوش مصنوعی در انتخاب پرتفوی
در سمینار ریاضیات مالی UCL، پژوهشهایی درباره کاربرد مدلهای زبانی بزرگ (LLMها) در ساخت پرتفوی ارائه شد—ترکیبی نوآورانه از هوش مصنوعی و مالی.
این ارائه بر پایه سه پژوهش شکل گرفته که دو مورد از آنها در arXiv منتشر شدهاند:
🔹 مقاله اول | Your AI, Not Your View
این مقاله نشان میدهد LLMها فقط ابزار تحلیل نیستند؛ بلکه میتوانند خودشان دیدگاه سرمایهگذاری داشته باشند—مثلاً علاقه به صنایع خاص، سهام بزرگ یا استراتژیهایی مثل مومنتوم.
برای بررسی این موضوع، به مدلها دادههای متناقض داده شد تا ببینند چقدر به نظر اولیهشان پایبند میمانند. نتیجه: مدلهایی مثل GPT و Gemini متعادلتر بودند؛ LLaMA و DeepSeek گرایش قویتری نشان دادند.
🔹 مقاله دوم | Integrating LLM Views into Mean‑Variance Optimization
در این مقاله، چارچوبی معرفی شده که دیدگاههای LLMها (مثلاً پیشبینی رشد یک سهم) را با مدل بلک‑لیترمن ترکیب میکند تا پرتفوی بهینهتری ساخته شود.
نتایج، عملکرد بهتر این روش نسبت به پرتفویهای سنتی و شاخص S&P 500 را در یک دوره آزمایشی نشان میدهند.
📎 ارائه پیوست شده است.
✅@pyfinance | 2 826 |
| 5 |  رونالد کوز، اقتصاددان معروف، میگه اگه دیتا رو به اندازه کافی شکنجه کنی، به هر چیزی اعتراف خواهد کرد.
این روزها هم هر کسی شلاق دستش گرفته و در حد وسع خودش داره دیتا رو شکنجه میکنه تا نتیجه دلخواهش رو ازش دربیاره.
➖➖➖➖➖
هوشمصنوعی در صنعت مالی
✅@pyfinance | 2 203 |
| 6 |  ✅ دادههای هر وبسایتی رو به راحتی استخراج کن!
پیشتر برای جمعآوری داده از چندین وبسایت، نیازمند کدنویسی گسترده با ابزارهایی مثل BeautifulSoup یا Scrapy بود. این روش مستلزم تحلیل دستی ساختار HTML هر سایت و تطبیق مستمر کدها با کوچکترین تغییرات در طراحی وبسایتها بود.
امروزه با استفاده از FireCrawl، این فرآیند بهطور چشمگیری ساده شده است. کافیست لیستی از URLها به ابزار داده شود و نیازهای دادهای بهصورت خلاصه تعریف گردد. سپس بهطور خودکار:
۱. سایتها کراول میشوند،
۲. دادههای موردنیاز استخراج میگردند،
۳. خروجی بهصورت یک دیتاستِ تمیز و آمادهٔ تحلیل ارائه میشود.
در FireCrawl بدون اینکه نیاز باشه حتی یه خط کد بنویسی، دیتاهای مرتب و ساختار یافته رو بهت تحویل میده. انگار داری یه سایت رو به یه API زنده تبدیل میکنی! دادهها رو هر جوری بخوای پردازش میکنی و توی هر پروژهای که داری استفاده میکنی.
پن: البته نسخه رایگان محدودیت داره و اگر نیاز دارید که در پروژههای جدی ازش استفاده کنید باید اشتراک تهیه کنید.
➖➖➖➖➖
هوشمصنوعی در صنعت مالی
✅@pyfinance | 2 852 |
| 7 |  ❗️ همبستگی بین فروش بستنی و حملات کوسهها ؛ وقتی R² (ضریب تعیین در رگرسیون) بالاست، اما منطق تحلیل پایین است…
نمودار بالا، همبستگی کامل بین فروش بستنی و حملات کوسهها را نشان میدهد. قانعکننده بهنظر میرسد، نه؟
اما وقتی دقت کنیم، میفهمیم عامل اصلی نه لبنیات است، نه بالهی پشتی کوسهها ،بلکه فصلها (یعنی «فصل تابستان») دلیل این همبستگیاند.
برای کسانی که در حوزه دادهها کار میکنند:
• همیشه متغیرهای بیرونی (external variables) را کنترل کنید
• به دنبال مکانیزم واقعی علت و معلولی باشید
• عاشق خروجی رگرسیونتان نشوید
همبستگی میتواند نقطهی شروع خوبی باشد.
اما علیت؟
آنجاست که کار واقعی آغاز میشود.
کنجکاو بمانیم، دقیق بمانیم | 2 658 |
| 8 | 🎯 فرصت کارآموزی در دیتاوست
فرصتی برای یادگیری، تجربه، و ساختن روایتی دقیق و حرفهای از دنیای داده و اقتصاد
ما در #دیتاوست به دنبال جذب افراد مستعد و علاقهمند برای کارآموزی در حوزههای زیر هستیم:
✔️ تولید محتوای مالی
✔️ سناریونویسی و کپیرایتینگ تخصصی
✔️ سئو و بهینهسازی وبسایت
📌 شرایط همکاری:
▫️ نوع همکاری: حضوری
▫️ محل: تهران، جردن
▫️ زمان: پارهوقت (حداقل ۲۰ ساعت در هفته)
▫️ سن: ۱۸ تا ۲۵ سال
🎁 مزایای دوره کارآموزی:
تجربه واقعی در یک تیم حرفهای در حوزه داده، فناوری و بازارهای مالی
دسترسی رایگان به دورههای آموزشی دیتاوست (اکسل، پایتون، تحلیل داده، مالی و...) به ارزش بیش از ۱۰۰ میلیون تومان
پاداش ماهانه بین ۲ تا ۴ میلیون تومان (بسته به میزان حضور و عملکرد)
امکان استخدام پس از پایان دوره، در صورت رضایت متقابل
اگر به تولید محتوای تخصصی در فضای دادهمحور علاقهمندید و بهدنبال محیطی برای یادگیری، رشد و اثبات تواناییهای خود هستید، خوشحال میشویم شما را در تیم دیتاوست داشته باشیم. 😊
📩 برای ارسال درخواست، لطفاً چند خط دربارهی خودتان و علاقهمندیتان به ایدی تلگرامی @datavest_info ارسال نمایید.
➖➖➖➖➖
هوشمصنوعی در صنعت مالی
✅@pyfinance | 2 896 |
| 9 | 💭 آیا ماشینها میتوانند فکر کنند؟
این سؤالی بود که ۷۵ سال پیش برای اولین بار، به ذهن آلن تورینگ رسید.
❓ چه کسی#هوش_مصنوعی را ابداع کرد؟
❓ دلیل شکست پروژههای تحقیقاتی هوش مصنوعی در دهه ۷۰ و ۸۰ میلادی چه بود؟
❓ انقلاب هوش مصنوعی در چه سالی اتفاق افتاد؟ کدام شرکتها پیشرو بهرهبرداری از آن بودند؟
➖➖➖➖➖
🟠دوره علمداده و هوشمصنوعی با پایتون
🪙(۵۰ درصد تخفیف نوروزی)
➖➖➖➖➖
هوشمصنوعی در صنعت مالی
✅@pyfinance | 1 442 |
| 10 |  این تصویر از Visual Capitalist و Hinrich Foundation یک نمایش گرافیکی از میزان دادههای تولید، ثبت، یا تکثیرشده در جهان بین سالهای ۲۰۱۰ تا ۲۰۲۶ (پیشبینیشده) را نشان میدهد.:
• در سال ۲۰۱۰، حجم کل دادههای جهان ۲ زتابایت ( یک زتابایت برابر با ۱ میلیارد ترابایت است )بود، اما این مقدار به ۱۰۱ زتابایت در ۲۰۲۲ و پیشبینی شده به ۲۲۱ زتابایت در ۲۰۲۶ خواهد رسید.
• طی سه سال آینده، مقدار دادههای تولیدشده از تمام تاریخ بشریت فراتر خواهد رفت.
نقش هوش مصنوعی:
• ۲۰۱۴: اولین مدل هوش مصنوعی مولد (Generative Adversarial Network) راهاندازی شد.
•اوپن ا ای سال ۲۰۱۸ چی پی تی وان را منتشر کرد.
سال ۲۰۲۲ چت جی پی تی منتشر شد و در ۵ روز اول ۱ میلیون کاربر جذب کرد.
• دادههای جهانی در ۲۰۲۶ به ۲۲۱ زتابایت خواهد رسید، که بیش از ۱۰۰ برابر مقدار ۲۰۱۰ است.
• افزایش نمایی دادهها نتیجه پیشرفتهای فناوری، دیجیتالی شدن اقتصاد، و رشد هوش مصنوعی است.
• نقش مدلهای زبانی و سیستمهای مولد هوش مصنوعی در این افزایش بسیار پررنگ است.
• این رشد میتواند چالشهایی مانند نیاز به زیرساختهای ذخیرهسازی، امنیت دادهها، و مدیریت مصرف انرژی ایجاد کند.
➖➖➖➖➖
🟠دوره علمداده و هوشمصنوعی با پایتون
🪙(۵۰ درصد تخفیف نوروزی)
➖➖➖➖➖
هوشمصنوعی در صنعت مالی
✅@pyfinance | 2 176 |
| 11 |  ✔️من بعد از یک مدت طولانی برگشتم و راجع به درک آزمون های آماری صحبت میکنم.
میدونم که بار ها و بار ها آزمون ها آماری رو یاد گرفتیم اما شاید این ویدئو کمک بکنه که عمیق تر به این مسئله فکر بکنیم و سنگ اول باشه برای درک مباحث خیلی پیشرفته تر مثل درک مدل سازی های مالی، کوانت، معاملات الگوریتمی، مدل های ارزش گذاری و پیش بینی و ...
➖➖➖➖➖➖
🔖 هوشمصنوعی در صنعت مالی
✅@pyfinance | 2 478 |
| 12 |  +2🔴تخفیفهای تکرار نشدنی دورههای پر مخاطب مالی
در تعطیلات نوروز در کنار شما هستیم تا مهارت جدیدی یاد بگیرید
📉 تا ۵۰ درصد تخفیف دورههای آنلاین و ۷۰ درصد تخفیف ویدئوهای آموزشی
📅 تا ۵ فروردین ماه، ثبتنام اقساطی!
✔️ ارائه مدرک معتبر و قابل ترجمه
برای دریافت جزئیات و لیست کامل دورهها:
✈️@datavest_info
🌐 www.datavest.ir
📞 ۰۲۱-۹۱۶۹۴۱۱۲
❗️پن: تمام دورههای آنلاین به صورت #ویدئوی_آموزشی و تا ۷۰ درصد تخفیف! قابل تهیه است. شما میتوانید در ایام نوروز یک مهارت جدید در حوزه #هوش_مصنوعی یاد بگیرید!
➖➖➖➖➖
هوشمصنوعی در صنعت مالی
✅@pyfinance | 3 996 |
| 13 | ✔️بازار آپشن را در پایتون تحلیل کن!
🟡کتابخانه tseopt یک ابزار پایتونی است که برای تعامل با دادههای بورس اوراق بهادار تهران (TSE) و فرابورس ایران توسعه یافته است. این کتابخانه امکان دسترسی به دادههای مربوط به بازار اختیار معامله را فراهم میکند و برای تحلیلگران مالی و توسعهدهندگان ابزارهای مالی مفید است.
🟡نصب کتابخانه: برای نصب tseopt میتوانید از مدیر بسته pip استفاده کنید:
pip install tseopt
استفاده از کتابخانه: پس از نصب، میتوانید با استفاده از توابع موجود در این کتابخانه به دادههای مورد نیاز دسترسی پیدا کنید. به عنوان مثال، برای دریافت تمام دادههای بازار اختیار معامله:
from tseopt import get_all_options_data
entire_option_market_data = get_all_options_data()
print(entire_option_market_data.head(5))
همچنین، میتوانید با استفاده از کلاسهای موجود در این کتابخانه، بازار را بر اساس معیارهای مختلف فیلتر کنید:
import pandas as pd
from tseopt.use_case.screen_market import OptionMarket, convert_to_billion_toman
option_market = OptionMarket(entire_option_market_data=entire_option_market_data)
print(f"total_trade_value: {option_market.total_trade_value / 1e10:.0f} B Toman")
این کتابخانه با ارائه توابع و کلاسهای متنوع، امکان تحلیل و بررسی دقیقتر دادههای بازار اختیار معامله را برای کاربران فراهم میکند.
➖➖➖➖➖
🟠ابزار هوشمند سرمایهگذاری دیتاوست
🪙(۳۰ درصد تخفیف نوروزی)
➖➖➖➖➖
هوشمصنوعی در صنعت مالی
✅@pyfinance | 2 390 |
| 14 | در کدام بازارها فعال هستید (لطفا برای ارائه محتوای بهتر با دقت پاسخ دهید) | 2 038 |
| 15 | گزارش بسیار عالی موسسه BCG در مورد کاربرد هوش مصنوعی در صنعت مدیریت دارایی
آمار بسیار خوبی هم در خصوص صنعت مدیریت دارایی و نقش AI در توسعه این صنعت ارائه میدهد.
فرصت کردید بخوانید و به این فکر کنید که سبدگردانها و شرکتهای سرمایهگذاری در ایران چقدر با ادبیات هوش مصنوعی و اهمیتش آشنا هستند؟
🔴دوره مدیریت سبد دارایی با استفاده از هوشمصنوعی
🔻کسب اطلاعات بیشتر:
🔻@data_vest
➖➖➖➖➖➖
هوشمصنوعی در صنعت مالی
✅@pyfinance | 2 260 |
| 16 |  دوره جامع
مدلسازی و پیشبینی با هوشمصنوعی
🟠۳۵% تخفیف جشنواره نوروزی
🔴پرداخت اقساطی
🇮🇷 ارائه #مدرک معتبر و قابل ترجمه
کسب اطلاعات بیشتر پیام دهید. 👇
🔖 @data_vest
🔖 @datavest_info
➖➖➖➖➖➖
✅@pyfinance | 2 116 |
| 17 |  گریگوری پرلمان، ریاضیدان برجسته روس، یکی از افرادی است که در دنیای ریاضیات، بیشتر از آن که شناخته شده باشد، مورد احترام است. شاید بسیاری از شما نام او را نشنیده باشید، اما به جرات میتوان گفت که یکی از بزرگترین دستاوردهای ریاضی در قرن اخیر نتیجه کارهای او است. در سال ۲۰۰۶، پرلمان زمانی که فقط ۴۰ سال داشت، مدال فیلدز را که به نوعی «نوبل ریاضیات» شناخته میشود، دریافت کرد. اما او این جایزه را نپذیرفت! بله، او مدال فیلدز را رد کرد!
پرلمان معتقد بود که شهرت و پول برایش اهمیت ندارد. او گفته بود: «من نمیخواهم مثل یک حیوان در باغوحش به نمایش گذاشته شوم»، و به خبرنگاران نیز گفته بود: «من تمام چیزی که میخواهم، دارم». شاید برای شما هم این سوال پیش بیاید که چه چیزی میخواهد که تا این حد از دنیای بیرون بینیاز است؟
او حتی جایزه یک میلیون دلاری مؤسسه کلی برای حل مسئله پوانکاره را هم رد کرد. در سال ۲۰۱۰، پس از حل این مسئله، معیارهای لازم برای دریافت این جایزه را کسب کرد، اما باز هم تصمیم هیئت داوران را غیرمنصفانه دانست و گفت که سهم خودش در حل این معما بیشتر از ریچارد همیلتون است، همکار معروفش.
پرلمان نه تنها جوایز را رد کرده، بلکه پیشنهادهای شغلی از دانشگاههای پرینستون و استنفورد را هم به دلیل علاقه نداشتن به پیوستن به آکادمیهای بزرگ رد کرد و ترجیح داد تا در دنیای خارج از جمع، زندگی آرام و دور از هیاهو داشته باشد.
همه اینها سوالات زیادی به ذهن میآورد. چطور یک فرد میتواند به چنین دستاوردهایی برسد و همچنان از شهرت و شناخته شدن دوری کند؟ شاید او واقعا به چیزهایی دست یافته که ما در دنیای پر از توقعات و رقابتها از آن بیخبریم.
➖➖➖➖➖➖
هوشمصنوعی در صنعت مالی
✅@pyfinance | 2 041 |
| 18 | ✔️کتابخانه Facebook Prophet
یک ابزار قدرتمند برای پیشبینی سریهای زمانی
🟡کتابخانه Prophet یک کتابخانه متنباز است که توسط فیسبوک (Meta) توسعه یافته و برای پیشبینی سریهای زمانی طراحی شده است. این کتابخانه بهطور خاص برای دادههای مالی، اقتصادی و کسبوکارها که دارای روندها و الگوهای فصلی هستند، بسیار مناسب است.
نصب:
pip install prophet
کد نمونه؛ پیش بینی قیمت اپل:
import yfinance as yf
from prophet import Prophet
import pandas as pd
import matplotlib.pyplot as plt
# دریافت دادههای تاریخی سهام اپل
df = yf.download('AAPL', start='2020-01-01', end='2025-03-02')
df = df[['Close']].reset_index()
df.columns = ['ds', 'y'] # Prophet نیاز به ستونهای ds (تاریخ) و y (قیمت) دارد
# ایجاد مدل و آموزش
model = Prophet()
model.fit(df)
# پیشبینی برای ۶ ماه آینده
future = model.make_future_dataframe(periods=180)
forecast = model.predict(future)
# رسم نمودار
plt.figure(figsize=(10, 6))
plt.plot(df['ds'], df['y'], label="قیمت واقعی")
plt.plot(forecast['ds'], forecast['yhat'], label="پیشبینی", linestyle="dashed")
plt.xlabel("تاریخ")
plt.ylabel("قیمت سهام (دلار)")
plt.title("پیشبینی قیمت سهام اپل با Facebook Prophet")
plt.legend()
plt.show()
➖➖➖➖➖➖
هوشمصنوعی در صنعت مالی
✅@pyfinance | 2 638 |
| 19 |  💸 دوره معاملات الگوریتمی با پایتون
انجام معاملات هوشمند و خودکار در بازارهای #کریپتو، #فارکس، #بورس و…
🙅♀️ ۴۰% تخفیف + پرداخت اقساطی
🇮🇷 ارائه #مدرک معتبر و قابل ترجمه
💻نمونه آنچه قرار است یاد بگیرید: (+)
💻نمونه تدریس : طراحی استراتژی(+)
کسب اطلاعات بیشتر پیام دهید. 👇
🔖 @datavest_info
➖➖➖➖➖➖
افزایش دانش مالی با دکتر علی رئوفی
✅@ecoraoofi | 1 966 |
| 20 |  💸 نمودار کندلاستیک تعاملی بیتکوین با Python
✔️آشنایی با کتابخانه ccxt
در دنیای کریپتو و فارکس، داشتن ابزارهای حرفهای برای تحلیل بازار یک برگ برنده است. بهخصوص اگر بتوانیم قیمتها را بهصورت زنده از صرافیها دریافت کنیم و در قالب نمودارهای تعاملی و حرفهای نمایش دهیم. احتمالا پیش از این با کتابخانههایی نظیر matplotlib برای موارد ترسیمی آشنایی داشتهاید، یا کتابخانههایی که دادههای بازار فارکس و کریپتو را در اختیار کاربر قرار میدهند. اما توصیه میکنم حتما ادامه پست را بخوانید!
📊 در این پست، میخواهیم با کمک دو تا از قویترین کتابخانههای Python یعنی ccxt و Plotly، دادههای زنده بایننس را دریافت کنیم و یک نمودار کندلاستیک فوقالعاده و تعاملی را بکشیم.
💡 در کد زیر، قیمتهای بیتکوین (BTC/USDT) از صرافی بایننس گرفته و به شکل نمودار کندلاستیک نمایش داده شده است. این روش، یک راه عالی برای مشاهده روندهای قیمتی و تحلیل رفتار بازار است.
پن: برای استفاده از کد زیر ابتدا کتابخانههای معرفی شده را نصب نمایید.
import ccxt
import pandas as pd
import plotly.graph_objects as go
exchange = ccxt.binance()
ohlcv = exchange.fetch_ohlcv('BTC/USDT', timeframe='1h', limit=50)
df = pd.DataFrame(ohlcv, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ms')
fig = go.Figure(data=[go.Candlestick(
x=df['timestamp'],
open=df['open'],
high=df['high'],
low=df['low'],
close=df['close']
)])
fig.update_layout(title='نمودار کندلاستیک بیتکوین', xaxis_title='زمان', yaxis_title='قیمت (USDT)')
fig.show() | 2 776 |
