Python4Finance

آشنایی با رگرسیون Theil-Sen یکی از مسائلی که در رگرسیون به روش حداقل مربعات معمولی یا همان OLS خودمان وجود دارد، تاثیر پذیری از دادهای پرت است. به طوری یک وجود داده های پرت به شدت در نتیجه مدل تاثیر مخرب می گذارد. یکی از راهکارهای حل این موضوع استفاده از تخمین زن Theil-Sen است. در این روش تا حد زیادی تاثیر مخرب داده های پرت حذف می شود. در مثال این پست 2 سری داده در نظر گرفته شده است که دیتاست دوم مانند دیتاست1 است ولی چند داده پرت در آن در نظر گرفته شده است. تفاوت خط تخمینی توسط OLS و Theil-Sen در دو سری داده کاملا مشخص است. از آنجایی که کدهای این پست طولانی شد، آن را در پست بعدی به صورت مجزا قرار خواهم داد. #رگرسیون #داده_پرت #OLS #Theil_Sen #Outlier ✅عضویت در کانال پایتون برای مالی t.me/python4finance

یک مثال عملی برای بک تست با ffn قبلا در این پست در خصوص ماژول ffn صحبت کردیم. اگر پیش از این وبینارهای کتاب معاملات الگوریتمی را دنبال کرده باشید احتمالا علاقه مند به انجام یک مثال عملی با ffn هستید. در این ویدئو یک مثال در خصوص تحلیل سهم با استفاده از ffn بررسی خواهد شد. ➖ برای مشاهده ویدئو اینجا کیک کنید #پایتون_مالی #بک_تست #معاملات_الگوریتمی #Algorithmic_Trading #ffn پایتون برای مالی در تلگرام https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

عید سعید غدیر خم مبارک. @python4finance

عید سعید غدیر خم مبارک. @python4finance

فرا رسیدن عید سعید قربان، بر شما مبارک. @python4finance

اسنورکل (Snorkel) چیست؟ یکی از ویژگی های سیستم های امروزی، تولید و نگهداری حجم بالای اطلاعات است. ویژگی این داده ها، سرعت بالای ایجاد شدن آنها و سرعت بالای بلااستفاده شدن آنهاست! برای مثال حسگری را در نظر بگیرید که در هر دقیقه صدها رکورد مربوط به وضعیت جغرافیایی و دمای یک محموله را ثبت می کند ولی این اطلاعات تنها زمان کوتاهی بعد از آن، بلا استفاده شده و هیچگاه به آنها رجوع نمی شود. یا مثلا داده های خرید مشتریان از یک فروشگاه زنجیره ای و ... . به داده هایی که توسط سازمان ها ثبت می شوند ولی از آنها در فرآیند جاری سازمان استفاده نمی شود داده تاریک (Dark Data) گفته می شود. این داده ها علی رغم اینکه می توانند منابع خوبی برای تحلیل آتی باشند، به دلیل هزینه مالی و زمانی بسیار بالا برای برچسب گذاری، در مدلسازی نادیده گرفته می شوند. برای رفع این مشکل از snorkeling استفاده می شود. snorkel سیستمی است که فرآیند ساخت و مدیریت مجموعه داده های آموزشی را بدون برچسب گذاری دستی تسهیل می کند. به عبارت دیگر با ساخت توابعی، فرآیند برچسب گذاری توسط سیستم انجام می شود. snorkeling در تحلیل داده هایی که تنوع زیادی دارند بسیار راهگشا است و به این روش برچسب گذاری به جای انسان، توسط ماشین انجام می شود. این روزها Snorkel سروصدای زیادی در یادگیری ماشین ایجاد کرده است و بد نیست سری به منابع دست اول آن بزنید. #Snorkel ✅عضویت در کانال پایتون برای مالی t.me/python4finance

اسنورکل (Snorkel) چیست؟ این روزها Snorkel سروصدای زیادی در یادگیری ماشین ایجاد کرده است، در پست بعدی به توضیح مختصری راجع به آن خواهیم پرداخت. ✅عضویت در کانال پایتون برای مالی t.me/python4finance

کارگاه رایگان «معاملات خودکار در متاتریدر 5 با پایتون» متاتریدر یکی از بهترین پلتفرم‌های معاملاتی است و اتصال آن با پایتون ترکیب بی نظیری را برای معاملات الگوریتمی ایجاد می‌کند. قصد دارم در اواخر مردادماه (البته ان شاء الله) دو جلسه کارگاه برای علاقه مندان این حوزه برگزار کنم. این کارگاه خصوصا برای کسانی که دنبال اجرای استراتژی های خود در محیط واقعی هستند جذاب خواهد بود. ➖ برای استفاده بهتر از این کارگاه حتما باید با مفاهیم پایتون و مدلسازی مالی (در سطح مقدماتی) آشنا باشید. ➖ به علت محدود بودن ظرفیت، اولویت حضور با افرادی است که زودتر ثبت نام کرده باشند. ➖ زمان دقیق کارگاه یک هفته قبل از شروع، از طریق ایمیل و پیامک به اطلاع ثبت نام کنندگان رسانده خواهد شد. 👈 لینک ثبت نام در کارگاه رایگان «معاملات خودکار در متاتریدر 5 با پایتون» ✅عضویت در کانال پایتون برای مالی t.me/python4finance

معرفی کتاب «چالش های پایتون، 100 تمرین برنامه نویسی اثبات شده که برای آماده کردن شما برای هر انجام کاری طراحی شده اند» به انگلیسی «Python Challenges, 100 Proven Programming Tasks Designed to Prepare You for Anythin» مدت زیادی بود که کتاب آموزشی عمومی پایتون در کانال معرفی نکرده بودم. این کتاب یکی از کتاب های بسیار خوب برای یادگیری پایتون با مثال های کاربردی است که هم برای کاربران جدید و هم کاربران قدیمی پایتون بسیار مفید و کاربردی است. #معرفی_کتاب #پایتون_عمومی #پایتون_مالی #Python ✅عضویت در کانال پایتون برای مالی t.me/python4finance

در صورتی که برای دسترسی به کانال پایتون برای مالی در تلگرام دچار مشکل هستید می توانید از صفجه اینستاگرام و بله کانال نیز استفاده بفرمایید. 🔸اینستاگرام: لینک 🔸بله: لینک

نمودار جعبه ای (Boxplot) یک نمودار بسیار خوب برای کارهای آماری یکی از خصوصیات متخصصین علم داده، توجه به داده هاست. شناخت داده و به اصلاح پیدا کردن شم شناخت داده ها، برای انتخاب مدل صحیح بسیار حائز اهمیت است. یکی از نمودارهای بسیار خوب برای شناخت داده ها، نمودار جعبه ای است. این نمودار؛ مقادیر حداقل، حداکثر، چارک اول و چارک سوم، میانه و حتی داده های پرت را هم نمایش می دهد و به راحتی می توانید میزان تمرکز داده ها و چولگی آنها را مشاهده کنید. در تصویر این پست داده های مربوط به دو سهم بین المللی به کمک نمودار جعبه ای رسم می شود. #آمار #نمودار_جعبه_ای #پایتون_مالی #box_plot ✅عضویت در کانال پایتون برای مالی t.me/python4finance

آیا علم داده مالی داریم؟ برای پاسخ به این سوال، ابتدا زیر بنای علم داده را با هم بررسی کنیم: 1-علوم کامپیوتر: بدیهی است که اصولا علم داده به دلیل گسترش دانش کامپیوتر و توانایی انجام محاسبات گسترده و حل معادلات پیچیده توسط رایانه ها توسعه پیدا کرده است. 2-ریاضیات و آمار: زیر بنای تحلیل علمی مسائل، آمار و ریاضیات است. اگر چه نگاه ما در علم داده با نگاه سنتی به آمار متفاوت است اما به هر حال زیربنای ریاضیاتی و آماری قابلیت اتکای نتایج را به شدت افزایش می دهد. 3-تخصص در یک کسب و کار: بدون شناخت یک کسب و کار تحلیل های ما، تحلیل های کاربردی نبوده و صرفا تشخیص یکسری روابط بین متغیرهای مربوط و نامربوط است. جمع بندی: علوم کامپیوتر+ریاضیات و آمار = یادگیری ماشین علوم کامپیوتر+شناخت کسب وکار= توسعه نرم افزارهای سنتی ریاضی و آمار+شناخت کسب وکار= تحلیل داده علوم کامپیوتر+ریاضیات و آمار+شناخت کسب وکار = علم داده پس به طور کلی در علم داده، شناخت کسب و کار و استفاده از دانش آن جزء لاینفک کار است. بنابراین اگر فردی صرفا ریاضیات و آمار و دانش کامپیوتر را مسلط باشد، دانشمند داده نیست بلکه تحلیل گر داده است. 🆔 @python4finance

آیا علم داده مالی داریم؟ چند وقت پیش یکی از دوستان سوالی از من پرسید که آیا علم داده مالی داریم یا خیر؟ برای پاسخ به این سوال، ابتدا زیر بنای علم داده را با هم بررسی کنیم: 1- علوم کامپیوتر: بدیهی است که اصولا علم داده به دلیل گسترش دانش کامپیوتر و توانایی انجام محاسبات گسترده و حل معادلات پیچیده توسط رایانه ها توسعه پیدا کرده است. 2- ریاضیات و آمار: زیر بنای تحلیل علمی مسائل، آمار و ریاضیات است. اگر چه نگاه ما در علم داده با نگاه سنتی به آمار متفاوت است اما به هر حال زیربنای ریاضیاتی و آماری قابلیت اتکای نتایج را به شدت افزایش می دهد. 3- تخصص در یک حیطه یا کسب و کار: بدون شناخت یک کسب و کار تحلیل های ما، تحلیل های کاربردی نخواهد بود و صرفا تشخیص یکسری روابط بین متغیرهای مربوط و نامربوط خواهد بود. جمع بندی: ➖ علوم کامپیوتر + ریاضیات و آمار = یادگیری ماشین ➖علوم کامپیوتر + شناخت کسب وکار= توسعه نرم افزارهای سنتی ➖ریاضی و آمار+ شناخت کسب وکار= تحلیل داده ➖علوم کامپیوتر + ریاضیات و آمار + شناخت کسب وکار = علم داده پس به طور کلی در علم داده، شناخت کسب و کار و استفاده از دانش آن جزء لاینفک کار است. بنابراین اگر

میلاد با سعادت شمس الشموس، انیس النفوس، سلطان طوس حضرت علی ابن موسی الرضا(ع) بر شما مبارک. پایتون برای مالی 🆔 @python4finance

معرفی کتاب «یادگیری عمیق برای مالی، به کارگیری تکنیکها و الگوریتم های یادگیری عمیق برای ایجاد استراتژی های قدرتمند معاملاتی» به انگلیسی «Hands-On Deep Learning for Finance , Implement deep learning techniques and algorithms to create powerful trading strategies » یادگیری عمیق زیر مجموعه هوش مصنوعی و یادگیری ماشین است و عمدتا برای تحلیل، از روش شبکه های عصبی استفاده می کند و به نوعی سعی می کند ساختار پردازشی مغز انسان را شبیه سازی کند. با توجه به حجم بسیار زیاد داده ها در اقتصاد و مالی ، استفاده از این مدل ها بسیار متداول شده است. در این کتاب ضمن معرفی یادگیری عمیق، به کاربردهای مالی آن پرداخته شده است. #معرفی_کتاب #یادگیری_عمیق #مالی_کمی #پایتون_مالی #deep_learning #trading_strategies ✅عضویت در کانال پایتون برای مالی t.me/python4finance