Python4Finance

9 الگوریتم اصلی یادگیری ماشین #یادگیری_ماشین عضویت در کانال 👇👇👇 تلگرام t.me/python4finance بله ble.ir/python4finance

بهینه یابی خطی اینبار با PuLP در پست های قبل در خصوص بهینه یابی با استفاده از کتابخانه Scipy صحبت کردیم. البته الگوریتم Scipy به گونه ای است که صرفا مسائل را از طریق minimize کردن حل می کند و برای حل مسائل حداکثر سازی باید به گونه ای مسئله را به حداقل سازی تبدیل کنیم. یکی دیگر از کتابخانه های بسیار جالب برای حل مسائل بهینه یابی خطی کتابخانه PuLP است. این کتابخانه امکانات بسیار جالبی را برای حل مسائل بهینه یابی بدون قید و مقید در اختیار ما قرار می دهد. در پست بعد یک مدل بهینه یابی مقید با استفاده از کتابخانه PuLP را با یکدیگر بررسی خواهیم کرد. برای کسب اطلاعات بیشتر در این خصوص می توانید به صفحه گیت هاب این ماژول مراجعه فرمایید. ** پی نوشت: بهینه یابی یکی از پرکاربردترین روش های حل مسائل است و در مواردی مانند حداکثر سازی سود، حداقل کردن هزینه ها، انتخاب بهترین سبدسهام با استفاده مدل CAPM و ... استفاده می شود. #بهینه_یابی #بهینه سازی خطی #پایتون_مالی #optimization #PuLP #python_for_finance عضویت در کانال 👇👇👇 تلگرام t.me/python4finance بله ble.ir/python4finance

معرفی کتاب «دستور العمل تمیزکردن داده ها» به انگلیسی «Python Data Cleaning Cookbook» داده مهمترین دارایی ما در دنیای اطلاعات است و دریافت داده و پاکسازی آن اولین قدم در مدلسازی و ارائه تحلیل است. در این کتاب کلیه فرآیندهای تبدیل داده های کثیف به داده های قابل استفاده در مدلسازی را به زبان پایتون توضیح داده می شود. دانستن موضوعات این کتاب برای همه علاقه مندان علم داده و نیز مدلسازی مالی ضروری است. #معرفی_کتاب #تمیز_کردن_داده_ها #داده_های_کثیف #پایتون_مالی #Data_cleaning t.me/python4finance

به بهانه تولد 2 سالگی کانال و 6 هزارتایی شدن تقریبا اواخر مرداد 98 بود که نوشتن در کانال python4finance رو شروع کردم. هدفم به اشتراک گذاشتن دانشی بود که فکر می کردم شاید برای دیگران نیز مفید باشد. در این مدت عزیزان زیادی با پیام های پر مهر خود انگیزه بخشیدند و دوستان زیادی به دایره دوستانم اضافه شد. خدای متعال را به خاطر این نعمت شاکرم و از همه شما عزیزانی که در جمع دنبال کنندگان کانال هستید صمیمانه تشکر می کنم. ارادتمند شما: محمدصادق کریمی مهرآبادی

حل دستگاه معادلات (چند معادله چند مجهول) در Numpy یکی از روش های حل سیستم‌های معادلات خطی، استفاده از روش ماتریسی است به این صورت که ضرایب متغیرها را در یک ماتریس و نتیجه را در ماتریس دیگر می نویسیم و به وسیله جبر ماتریس ها، متغیرها را محاسبه می کنیم. در مثال این پست، یک دستگاه معادلات با سه متغیر و سه مجهول توسط Numpy حل شده است. #دستگاه معادلات #معادلات خطی #مدلسازی_مالی #پایتون_مالی #Numpy ✅عضویت در کانال پایتون برای مالی t.me/python4finance

قابل توجه علاقه مندان دوره MBA علم داده و معاملات الگوریتمی به اطلاع می رساند، زمان مصاحبه شفاهی دوره، روز سه شنبه مورخ 23 شهریورماه خواهد بود. همچنین عزیزانی که هنوز موفق به ثبت نام نشده اند صرفا تا پایان وقت اداری دوشنبه فرصت باقیست. کانال دوره های MBA و DBA دانشگاه الزهرا (س): t.me/Alzahra_MBA_DBA

قابل توجه دانشپذیران دوره MBA علم داده و معاملات الگوریتمی به اطلاع می رساند، زمان مصاحبه شفاهی دوره، روز سه شنبه مورخ 23 شهریورماه خواهد بود. همچنین عزیزانی که هنوز موفق به ثبت نام نشده اند صرفا تا پایان وقت اداری دوشنبه فرصت باقیست. کانال دوره های MBA و DBA دانشگاه الزهرا (س): t.me/Alzahra_MBA_DBA

دوره MBA علم داده و معاملات الگوریتمی 🔅دوره ای متمایز، برای آنهایی که می خواهند متمایز باشند. ✅مزایای دوره: اعطای گواهینامه MBA مورد تایید دانشگاه الزهرا (س) با قابلیت ترجمه رسمی به پذیرفته شدگان ارائه دروس به صورت کاربردی و مطابق با دانش روز دنیا بهره گيري از اساتيد برجسته بازار سرمایه و علم داده ایران ✅هدف کلان دوره: آشنا سازی دانش پذیران با شیوه های نوین معاملاتی و کاربردهای علم داده در اقتصاد و مالی و توانایی تولید الگوریتم‌های اختصاصی در بازار سرمایه داخل و خارج و اجرای موفق آنها ✅فرصت های شغلی: علاوه بر اینکه شرکت کنندگان در این دوره، با مفاهیم تخصصی سرمایه‌گذاری، روش‌های تحلیل و امکان ساخت ربات‌های معامله‌گر برای کارهای روزانه خود آشنا می‌شوند، از فرصتی بی نظیر برای حضور در شرکت های مختلف به عنوان دانشمند داده برخوردار می شوند. 🌐 اطلاعات بیشتر در خصوص دوره MBA علم داده و معاملات الگوریتمی 📌 عضویت در کانال و دریافت اطلاعات بیشتر👇👇👇 t.me/Alzahra_MBA_DBA

رسم نمودارهای مالی برای بازار ایران قبلا در این پست، طریق رسم انواع نمودارهای مالی مانند OHLC، Candle و ... را با استفاده از کتابخانه mplfinance توضیح داده بودم. خیلی از دوستان، در خصوص رسم نمودارهای مالی برای بازار ایران سوال پرسیده بودند. برای این کار کافی است نام ستون ها را به نام های استاندارد تبدیل کنیم. در مثال این پست، اطلاعات 100 روز اخیر سهم شبندر با استفاده از ماژول tsemodule4 دریافت و رسم شده است. #نمودارهای_مالی #نمودار_کندل #مدلسازی_مالی #پایتون_مالی #mplfinance #tsemodule ✅عضویت در کانال پایتون برای مالی t.me/python4finance

🔸لیستی از برترین کانال‌های آموزشی در زمینه های هوش‌مصنوعی, پایتون و یادگیری ماشین ‏❯ هوش مصنوعی: 1️⃣ @Ai_Tv 2️⃣ @ArmanbehnamAI 3️⃣ @HomeAI ‏❯ یادگیری ماشین و یادگیری عمیق : 1️⃣ @Machine_learn ‏❯ آموزش پایتون : 1️⃣ @pythony 2️⃣ @Programming4all_0to100 3️⃣ @raspberry_python 4️⃣ @python4finance 5️⃣ @pythonchallenge

ماژول دریافت اطلاعات از بورس تهران (TSETMC) - نسخه 4 قبلا در پست نسخه 1 و پست نسخه 2 و پست نسخه 3 در خصوص شیوه دریافت اطلاعات از بورس تهران و ماژول TseModule صحبت کرده بودم. تغییرات این نسخه عبارتند از: 1️⃣ با استفاده از تابع help می توانید راهنمای ماژول را درون برنامه مشاهده نمایید. 2️⃣ شیوه دریافت اطلاعات باز هم بهینه شده است. 3️⃣ تابع stocklist برای نمایش نام نمادها اضافه شده است. 4️⃣در این ورژن امکان استفاده تمام اطلاعات نماد وجود دارد. ✅این ماژول برای کارهای آموزشی نوشته شده است و هدف آن رعایت سادگی و خوانایی برای علاقه مندان است در عین اینکه برای کارهای تجاری هم قابل استفاده است. ✅اگر با شیوه فراخوانی ماژول آشنا نیستید، پست های قبلی را مشاهده بفرمایید. برای استفاده لازم است تابع زیر را فراخوانی کنید: stock(stockname="",value=100,newfile=False) نام نماد: stockname تعداد روزهای فراخوانی شده: value فایل جدید: newfile (اگر این مقدار برابر با True باشد، فایل جدید دانلود شده و فایل های قبلی نادیده گرفته می شود) #tsemodule @python4finance

تبدیل رشته به عدد با ویرگول اضافه تبدیل رشته به عدد را همه ما بارها و بارها استفاده کرده ایم. برای تبدیل یک عدد با فرمت رشته ای به فرمت عددی از تابع int استفاه می کنیم. اما گاهی پیش می آید که عدد با ویرگول به صورت سه رقم سه رقم جدا شده است. برای این منظور یکبار از تابع replace استفاده و بعد مجدد با int عملیات کست را انجام می دهیم. پایتون برای مالی در تلگرام t.me/python4finance

بخشی از نظرات دانشپذیرانی که در دوره های مدلسازی مالی با پایتون دانشگاه الزهرا(س) شرکت کرده اند. ممنون از حس خوبی که منتقل کردید.🌹🌹🌹 پایتون برای مالی در تلگرام t.me/python4finance

توضیحات آقای محمدرضا ابوحمزه در خصوص دوره مدلسازی مالی با پایتون #نظرات_شرکت_کنندگان مرکز آموزش های آزاد و مجازی t.me/azvclc

توضیحات آقای محمود اسدی در خصوص دوره مدلسازی مالی با پایتون #نظرات_شرکت_کنندگان مرکز آموزش های آزاد و مجازی t.me/azvclc

توضیحات آقای امیرحسین کلاهدوز در خصوص دوره مدلسازی مالی با پایتون #نظرات_شرکت_کنندگان مرکز آموزش های آزاد و مجازی t.me/azvclc

توضیحات خانم سپیده درخشان در خصوص دوره مدلسازی مالی با پایتون #نظرات_شرکت_کنندگان مرکز آموزش های آزاد و مجازی t.me/azvclc

استفاده از ماژول Dtale برای تحلیل داده ها در پست قبل در خصوص ویژگی های ماژول Dtale صحبت کردیم. برای استفاده از امکانات این ماژول لازم است دیتافریم خود را با تابع show باز کنید. در تصویر این پست داده های سهم اپل، از ابتدای سال 2021 با استفاده از ماژول Dtale باز شده است. برای استفاده از امکانات ماژول، کافی است بر روی علامت مثلث سمت چپ تصویر کلیک کنید تا کلیه امکانات تحلیلی ماژول برای شما باز شود. با استفاده از این ماژول تقریبا بیشتر کارهای متداول نرم افزهای آماری مانند spss و eviews را می توانید انجام دهید. #Data_table #Data_farme #pandas #dtale #python پایتون برای مالی در تلگرام t.me/python4finance