عکس پروفایل python4financep

python4finance

۱,۷۵۰عضو
thumnail
پیش بینی قیمت طلا بر اساس مدل SARIMAXدر این مدل قیمت طلا برای 30 روز آینده پیش بینی و رسم شده است.پی نوشت: این پیش بینی صرفا برای نمایش پیش بینی سری زمانی با استفاده از ماژول statsmodels انجام شده است و عزیزان در صورتی که قصد سرمایه گذاری در طلا را دارند باید خودشان تحلیل انجام دهند.

undefined t.me/python4financeundefined ble.ir/python4finance

۱۸:۵۶

thumnail
لایف لیب (lifelib) یک ماژول بسیار خوب برای بیمهوقتی از صنعت مالی صحبت می کنیم در واقع از سه صنعت بورس، بانک و بیمه صحبت می کنیم. تنوع محصولات بیمه ای بسیار بالاست و به لحاظ گستردگی، با حجم بسیار گسترده تری از مردم در مقایسه با بورس ها در ارتباط است.لایف لیب یکی از ماژول های بسیار خوب برای صنعت بیمه است.اگر در بیمه مشغول کار هستید، حتما سری به این ماژول در این آدرس بزنید.#بیمه#lifelib
undefined t.me/python4financeundefined ble.ir/python4finance

۱۴:۱۱

thumnail
یک کتابخانه بسیار خوب برای معاملات الگوریتمی و بک تست(QSTrader)تا کنون چندین کتابخانه برای یک تست (#Backtest) را در کانال معرفی کردم. بک تست مهمترین قسمت برای آزمون مدل با داده های گذشته است. (مفهوم کلی بک تست این است که اگر مدلی اینقدر خوب است که برای پیش بینی آینده استفاده شود باید قابلیت توضیح دهندگی داده های گذشته را هم داشته باشد. البته این موضوع دقت هایی را هم نیاز دارد که قبلا مفصل توضیح داده ام)یکی از مسائل ما این است که با وجود اینکه ماژول ها بسیار خوب بودند اما در گذر زمان به روز رسانی نشده اند و با ورژن های جدیدتر پایتون سازگاری ندارند.ماژول QSTrader یکی از نمونه های به روز ماژول بک تست است که تا پایتون 3.12 سازگار شده است. کار با ماژول بسیار ساده است و برای آشنایی بیشتر می توانید سری به صفحه گیت هاب آن بزنید ( آدرس گیت هاب)در پست های آتی چند مثال از این ماژول را با هم بررسی می کنیم.
#بک_تست#معاملات_الگوریتمی#Backtest#QSTrader#Algorithmic_Trading
پایتون برای مالی
undefined t.me/python4financeundefined ble.ir/python4finance

۷:۵۳

thumnail
یک دستیار هوش مصنوعی فوق العاده برای برنامه نویسانواقعا هوش مصنوعی به یک جادو شبیه است و هر روز با ابزارهای جدیدی که ارائه می شود کار را برای افراد آسان تر و دلنشین تر می کند. قبلا ابزارهای مختلف دیگری را برای این موضوع معرفی کرده بودم (#دستیار_هوش_مصنوعی). امروز ابزاری رو به شما معرفی می کنم که واقعا بسیار کاربردی است. چه برای برنامه نویسان حرفه ای و چه برای برنامه نویسان مبتدی.اسم این ابزار بسیار زیبا zzzcode.ai است که بر پایه openai تولید شده است. امکانات این ابزار بسیار جالب که خوشبختانه از فارسی هم پشتیبانی کند به این شرح است:undefinedتولید کد با استفاده از توضیحاتی که به آن می دهیم.undefinedبررسی کد و توضیح بخش به بخش کد (مناسب برای وقتی که کارکرد بخشی از کد را در یک برنامه متوجه نمی شویم) undefinedتبدیل کدها از یک زبان برنامه نویسی به زبان دیگرundefinedپرسش و پاسخundefinedتولید داکیومنت و راهنما برای برنامه (این قسمت دغدغه بسیاری از برنامه نویسان حرفه ای است🥹)undefinedپیدا کردن باگ های موجود در کد
undefined سایت
#دستیار_هوش_مصنوعی#هوش_مصنوعی#برنامه_نویسی#AI
پایتون برای مالی
undefined t.me/python4financeundefined ble.ir/python4finance

۶:۳۳

thumnail
میلاد با سعادت حضرت زهرای اطهر؛ بر شما عزیزان مبارک باد.همچنین روز زن و روز مادر را به همه بانوان گروه تبریک و شادباش عرض می کنم.
#مناسبت
پایتون برای مالی
undefined t.me/python4financeundefined ble.ir/python4finance

۵:۵۱

_Algorithmic_Trading_Cookbook_Packt_Publishing.pdf

۹.۸۴ مگابایت

دانلود کتاب «راهنمای پایتون برای معاملات الگوریتمی» به انگلیسی «Python for Algorithmic Trading Cookbook»یک کتاب خوب و جامع برای یادگیری معاملات الگوریتمی از ابتداسال نشر ۲۰۲۴
#معرفی_کتاب #پایتون_مالی#معاملات_الگوریتمیپایتون برای مالی
undefined t.me/python4financeundefined ble.ir/python4finance

۶:۴۲

thumnail
معرفی کتاب «راهنمای پایتون برای معاملات الگوریتمی» به انگلیسی «Python for Algorithmic Trading Cookbook»یک کتاب خوب و جامع برای یادگیری معاملات الگوریتمی از ابتدافرض این کتاب آشنایی مخاطب با پایتون مقدماتی است اما باقی مطالب را با زبان بسیار ساده و مثال های کاربردی توضیح می دهد. سال نشر کتاب ۲۰۲۴ است و خیالتان را از بابت کارکردن ماژول ها راحت می کند. (برخی ماژول های استفاده شده در کتاب های قدیمی تر ممکن است با ورژن های اخیر پایتون سازگار نباشند)
مطالعه کتاب را به علاقه مندان معاملات الگوریتمی توصیه می کنم.
#معرفی_کتاب #پایتون_مالی#معاملات_الگوریتمی
پایتون برای مالی
undefined t.me/python4financeundefined ble.ir/python4finance

۶:۴۲

thumnail
میلاد با سعادت مولی الموحدین، امیر المومنین ، پادشاه کرم و جود و سخا، حضرت علی علیه السلام مبارک.
#مناسبت
پایتون برای مالی
undefined t.me/python4financeundefined ble.ir/python4finance

۲۰:۰۶

thumnail
کتابخانه investing-algorithm-framework یک کتابخانه کاربردی برای بک تست
در فرآیند معاملات الگوریتمی همیشه بعد از ساخت استراتژی نوبت بک تست (BackTest) است. بک تست به معنای آن است که استراتژی های خود را روی داده های قدیمی تست کنیم و اگر در داده های قبلی سودآور بود آن وقت وارد مرحله تست کاغذی (Paper Test) بشویم.
قبلا چندین ماژول را برای بک تست (# Backtest ) معرفی کرده بودیم. برای کسب اطلاعات بیشتر در خصوص این ماژول می توانید سری به گیت هاب آن به این آدرس بزنید.این ماژول هم اطلاعات خوبی را برای یک تست ارائه می دهد. در پست های آتی مثال هایی در خصوص این ماژول را با هم بررسی می کنیم.
#بک تست# Backtest
# Backtesting

عضویت در کانال پایتون برای مالی در تلگرام undefinedundefinedundefined
https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

۶:۳۸

undefined اطلاعیه پیش ثبت نام در دوره های آموزشی سال 1404
از سال 97 که آموزش پایتون مالی را شروع کردم تا کنون افتخار تدریس برای بیش از 3000 نفر دانشپذیر در دوره‌های مختلف حضوری و مجازی را داشته ام. اگر چه اکنون کمتر فرصت تدریس حاصل می شود اما قصد دارم به صورت محدود چند دوره حضوری و مجازی در سال جدید برگزار کنم. طبق هماهنگی های انجام شده با یکی از دانشگاه های مطرح کشور، امکان صدور گواهینامه دانشگاهی هم برای دوره ها فراهم شده است که در زمان ثبت نام اعلام می شود. (اولین دوره در شبهای عید نوروز برگزار خواهد شد)اگر علاقه مند به این دوره‌ها بودید می توانید فرم پیش ثبت نام را تکمیل بفرمایید که در زمان شروع ثبت نام دوره‌ها، اطلاعات برای شما ارسال شود. همچنین تکمیل فرم پیش ثبت نام به من این کمک را می کند که مطالب کانال را مطابق با ذائقه دنبال کنندگان کانال ارائه کنم.undefined لازم به ذکر است تنوع دوره ها از سطح مقدماتی تا پیشرفته بوده و با توجه به تعداد علاقه مندان دوره ها برگزار می شود.
undefined لینک پیش ثبت نام در دوره های آموزشی پایتون مالی
پایتون برای مالیundefined t.me/python4financeundefined ble.ir/python4finance

۱۸:۱۹

آشنایی با تابع ()compile - مقدمه ای بر JiTاگر از کاربران قدیمی پایتون باشید، یکی از مسائلی که همیشه به آن اشاره می شد کندی برنامه های پایتون به دلیل استفاده از مفسر بود. اگر چه استفاده از مفسر برای کارهای علم داده که عموما با آزمون و خطا به حل مسئله می پردازیم خیلی هم بد نبود و حتی سرعت توسعه نرم افزار را بالا می برد اما برای توسعه برنامه های تجاری راهکار بهینه ای نبود. خوشبختانه در نسخه های اخیر پایتون، JiT یا همان اجرای در لحظه (Just in Time) وارد ادبیات پایتون شده است.یکی از توابع معرفی شده در این خصوص تابع ()compile است. این تابع به نحو قابل قبولی باعث بهبود عملکرد برنامه می شود، چرا که بایت‌کد که توسط ()compile تولید می‌شود، سریعتر از سورس برنامه اصلی نوشته شده به زبان پایتون اجرا می‌شود زیرا قبلاً به یک فرم قابل اجرا توسط مفسر تبدیل شده است.
یک مثال
source_code = """
a=5
for i in range(a):
    print(i)
    if i==3:
        print("*")
"""
compiled_code = compile(source_code, filename="<string>", mode="exec")
exec(compiled_code)

#پایتون_پیشرفته#JiT#compile
پایتون برای مالیundefined t.me/python4financeundefined ble.ir/python4finance

۶:۰۶

آشنایی با تابع ()compile - مقدمه ای بر JiT - بخش دومیکی دیگر از ویژگی های هیجان انگیز تابع ()compile ، امکان توزیع برنامه بدون در اختیار گذاشتن سورس کد برنامه در اختیار استفاده کننده نهایی است. در حالت عادی مجبور بودیم که کل سورس برنامه را در اختیار استفاده کننده نهایی قرار دهیم که این موضوع باعث ایجاد نگرانی در دسترسی به کدها را داشت. به کمک تابع ()compile و ماژول marshal به راحتی می توان برنامه های پایتون را کامپایل کرد که علاوه بر سرعت بالاتر اجرای برنامه، امنیت فایل ها هم تا حدودی حفظ شود.
یک مثال

import marshal

source_code = """
a=5
for i in range(a):
    print(i)
    if i==3:
        print("*")
"""
compiled_code = compile(source_code, '<string>', 'exec')

with open('compiled_code.pyc', 'wb') as file:
    marshal.dump(compiled_code, file)

برای خواندن فایل کامپایل شده هم به صورت زیر عمل می کنیم:

with open('compiled_code.pyc', 'rb') as file:
    compiled_code = marshal.load(file)

exec(compiled_code)


#پایتون_پیشرفته#JiT#compile
پایتون برای مالیundefined t.me/python4financeundefined ble.ir/python4finance

۸:۰۳

ime_Series_Forecasting_with_Python_Cheat_Sheet.pdf

۹۷۴.۶۵ کیلوبایت

برگه خلاصه مرور سری های زمانی با پایتون
مطالعه این برگه، جهت یادآوری و مرور مطالب توصیه می شود.
#پایتون_مالی#خلاصه#برگه_تقلب#پایتون_عمومی#سری_زمانی #Time_Series_Forecasting

پایتون برای مالی
undefined @python4finance

۱۷:۲۲

thumnail
فیلم آموزشی مدیریت ریسک استراتژی های الگوریتمی
یکی از موارد بسیار مهمی که در مدیریت الگورتیمی باید در نظر بگیریم مدیریت ریسک است. در اینجا مفهوم ریسک به صورت اعم است، یعنی ریسک های مالی و اقتصادی، ریسک های فنی و ... .در این ویدئو مثل همیشه با نگاهی کاربردی به مبحث مدیریت ریسک در معملات الگوریتمی خواهیم پرداخت.

undefined برای مشاهده ویدئو اینجا کیک کنید [
](https://www.aparat.com/v/nhEHy)#پایتون_مالی#مدیریت_ریسک#معاملات_الگوریتمی#ویدئو
#Algorithmic_Trading#Risk
پایتون برای مالی
undefined t.me/python4financeundefined ble.ir/python4finance

۱۴:۴۸

thumnail
آشنایی با ماژول Alphalens ، یک ماژول بسیار خوب برای بک تست در معاملات الگوریتمی
همیشه بک تست یکی از دغدغه های اصلی مدلسازی مالی و معاملات الگورتیمی است. (اگر با مفهوم #بک_تست آشنایی ندارید این ویدئو از سلسله جلسات معاملات الگوریتمی را مشاهده نمایید.) Alphalens یک کتابخانه پایتون است که برای تحلیل عملکرد فاکتورهای مالی در معاملات الگوریتمی طراحی شده است. این کتابخانه به شما کمک می‌کند تا بفهمید آیا یک فاکتور (مثلاً یک اندیکاتور تکنیکال یا یک معیار بنیادی) می‌تواند بازدهی آینده سهام را پیش‌بینی کند یا خیر.
خروجی‌های Alphalens کمک می کند تا عملکرد فاکتورهای مختلف مثلا تفاوت میانگین متحرک کوتاه‌مدت و بلندمدت را از جنبه‌های مختلف ارزیابی کنید. دقت داشته باشید که ماژول alphalens مدتی است که به روز نشده و با نسخه های جدید پایتون سازگاری ندارد و به جای آن باید از ماژول alphalens-reloaded استفاده کنید.در پست های آتی مثالی در این خصوص را با هم بررسی می کنیم.
#پایتون_مالی#معاملات_الگوریتمی#بک_تست
#Algorithmic_Trading#Back_Test#Alphalens
پایتون برای مالی

undefined t.me/python4financeundefined ble.ir/python4finance

۵:۴۳

یک مثال ساده برای آشنایی با ماژول Alphalens
در مثال این پست خروجی‌های Alphalens کمک می کند تا عملکرد فاکتور تفاوت میانگین متحرک کوتاه‌مدت و بلندمدت را از جنبه‌های مختلف ارزیابی کنیم. قبل از اجرای برنامه مطمئن شوید تمامی ماژول های نصب شده اند یا آنها را از این طریق تصب کنید:
pip install yfinance alphalens-reloaded pandas numpy matplotlib
سورس برنامه
import yfinance as yf
import pandas as pd
import numpy as np
from alphalens.utils import get_clean_factor_and_forward_returns
from alphalens.tears import create_full_tear_sheet
import warnings
warnings.filterwarnings("ignore")

# ---------------------------------------------
# 1. دریافت داده‌های تاریخی از Yahoo Finance
# ---------------------------------------------
tickers = ["AAPL", "MSFT", "GOOG", "AMZN", "META"]  # مثال: ۵ سهم بزرگ فناوری
start_date = "2020-01-01"
end_date = "2023-01-01"

# دریافت داده‌های قیمتی
data = yf.download(tickers, start=start_date, end=end_date)
prices = data ["Adj Close"]  # استفاده از قیمت تعدیل‌شده

# تبدیل ایندکس به DateTimeIndex و تنظیم فرکانس
prices = prices.asfreq('B').ffill()  # تبدیل به فرکانس روزانه و پر کردن مقادیر خالی

# ---------------------------------------------
# 2. محاسبه فاکتور (مثال: Moving Average Crossover)
# ---------------------------------------------
def calculate_factor(prices, short_window=10, long_window=50):
    """
    محاسبه فاکتور تفاوت میانگین متحرک کوتاه‌مدت و بلندمدت
    """
    short_ma = prices.rolling(window=short_window).mean()
    long_ma = prices.rolling(window=long_window).mean()
    factor = short_ma - long_ma
    return factor

factor = calculate_factor(prices)

# ---------------------------------------------
# 3. آماده‌سازی داده‌ها برای Alphalens
# ---------------------------------------------
# تبدیل فاکتور به فرمت MultiIndex (Date, Asset)
factor = factor.stack().reset_index()
factor.columns = ['date', 'asset', 'factor']
factor = factor.set_index( ['date', 'asset']) ['factor']

# اطمینان از هماهنگی ایندکس قیمت و فاکتور
common_index = prices.index.intersection(factor.index.get_level_values(0).unique())
prices = prices.loc [common_index]
factor = factor.loc [common_index]

# ---------------------------------------------
# 4. تحلیل عملکرد فاکتور با Alphalens
# ---------------------------------------------
# محاسبه بازده‌های آینده و پاک‌سازی داده‌ها
factor_data = get_clean_factor_and_forward_returns(
    factor,
    prices,
    quantiles=5,  # تقسیم داده به ۵ کوانتایل
    periods=(1, 5, 10)  # بازه‌های بازدهی (1 روز، 5 روز، 10 روز)
)

# ایجاد گزارش کامل
create_full_tear_sheet(factor_data)

#پایتون_مالی#معاملات_الگوریتمی#بک_تست
#Algorithmic_Trading#Back_Test#Alphalens
پایتون برای مالی

undefined t.me/python4financeundefined ble.ir/python4finance

۱۸:۰۳

مقایسه Copilot و DeepSeek (تجربه کاربری من در استفاده از دو هوش مصنوعی Copilot و DeepSeek )
با اینکه تخصص من در زمینه مدل‌های زبانی بزرگ (LLM) نیست، اما به عنوان کاربری که در این مدت از ابزارهای مختلف هوش مصنوعی استفاده کرده‌ام، تجربیاتم را از کار با Copilot (که مبتنی به OpenAi است) و DeepSeek (هوش مصنوعی متن‌باز چینی که اخیراً معرفی شده) با شما به اشتراک می‌گذارم:
undefined هوش مصنوعی DeepSeek متن باز و رایگان است و شما به راحتی می توانید آن را روی لپ تاپ خود داشته باشید! و همه جا از آن استفاده کنید. (اگر به این موضوع علاقه‌مند شدید LM Studio را نصب کنید و بعد هر هوش مصنوعی رایگانی که خواستید روی آن نصب کنید و با خود هوش مصنوعی داشته باشید! بسیار هیجان انگیز استundefined)
undefined به‌طور کلی DeepSeek آفلاین عمل می‌کند، یعنی به اینترنت دسترسی ندارد. این در حالی است که Copilot می‌تواند در لحظه به اینترنت متصل شود و داده‌های آنلاین را برای شما تحلیل کند. این ویژگی Copilot را برای کارهایی که نیاز به اطلاعات به‌روز دارند، بسیار مفید می‌سازد.
undefined به دلیل آفلاین بودن DeepSeek، حتی در نسخه تحت وب آن نیز داده‌ها تنها تا اکتبر ۲۰۲۳ به‌روز شده‌اند و پس از آن آپدیت نشده‌اند. این موضوع ممکن است برای کاربرانی که به اطلاعات به‌روز نیاز دارند، کمی محدودیت ایجاد کند.
undefined لازم به ذکر است که DeepSeek به بهره‌وری بالا و استفاده کم از منابع محاسباتی شناخته شده است. این ویژگی‌ها باعث می‌شود که DeepSeek برای محاسبات ریاضی و تحلیل‌های منطقی بسیار مناسب باشد.undefined نسخه وب DeepSeek از منابع سخت‌افزاری کمی استفاده می‌کند و بسیاری از مواقع با خطای مشغول بودن سرور مواجه می‌شوید. این موضوع می‌تواند تجربه کاربری را تحت تأثیر قرار دهد.

#DeepSeek#Copilot#AIپایتون برای مالی

undefined t.me/python4financeundefined ble.ir/python4finance

۱۲:۴۴

thumnail
معرفی کتاب «تحلیل داده های مالی با پایتون» به انگلیسی «Financial Data Analysis Using Python»
این کتاب یکی از کتاب های بسیار خوب و روان برای کسانی است که می خواهند تحلیل داده های مالی را یاد بگیرند. علاوه بر مطالب متداولی که در تمام کتاب های مشابه ذکر می شود این کتاب یک فصل خود را به تحلیل بنیادی اختصاص داده است که شاید برای خیلی ها جذاب باشد. به کمک این کتاب، می‌توانید به درک پویایی بازارهای مالی، برآورد سودآوری دارایی‌ها، پیش‌بینی روندها، ارزیابی استراتژی‌ها، بهینه‌سازی پرتفوی‌ها و مدیریت ریسک‌های مالی بپردازید. همچنین، تکنیک‌های تحلیل داده با پایتون را برای آماده‌سازی، مصورسازی و دستکاری داده‌های مالی یاد خواهید گرفت.
مطالعه کتاب را به دانشجویان اقتصاد و مالی و علاقه مندان بازارهای مالی توصیه می کنم.
#معرفی_کتاب #پایتون_مالی#معاملات_الگوریتمی#پایتون_مالی
پایتون برای مالی
undefined t.me/python4financeundefined ble.ir/python4finance

۱۸:۰۰

e- Financial Data Analysis Using Python (2024).pdf

۱۲.۴۹ مگابایت

دانلود کتاب «تحلیل داده های مالی با پایتون» به انگلیسی «Financial Data Analysis Using Python»
سال نشر ۲۰۲۴
#دانلود_کتاب #پایتون_مالی#معاملات_الگوریتمی#پایتون_مالی
پایتون برای مالی
undefined t.me/python4financeundefined ble.ir/python4finance

۱۸:۳۸

thumnail
ولادت باسعادت یگانه منجی عالم بشریت، امام منتظران و یاور مظلومان، حضرت مهدی موعود عجّل‌الله‌تعالی‌فرجه‌الشّریف بر تمام مشتاقان و منتظران آن حضرت مبارک باد.

#مناسبت
پایتون برای مالی
undefined t.me/python4financeundefined ble.ir/python4finance

۱۵:۵۵