#ML_for_Algo_Trading
▫️جلسه هفدهم ارائه کتاب:
Machine Learning for Algorithmic Trading
روز دوشنبه 16 خرداد (امشب) ساعت ۲۰، برگزار خواهد شد. موضوع جلسه:
Deep Learning for Trading
(فصل هفدهم کتاب) خواهد بود. برای شرکت در جلسه از طریق زوم، از این لینک و مشخصات زیر (در صورت نیاز) استفاده کنید:
Meeting ID: 899 2864 0090
Passcode: 12345
در صورتی که ظرفیت زوم تکمیل شده باشد، میتوانید از طریق لایو اینستاگرام جلسه را مشاهده کنید.
▫️برای دانلود کتاب از این لینک و برای دانلود کدهای پایتون کتاب از این لینک میتونید استفاده کنید. جلسات قبل هم در این پلی لیست در یوتیوب بارگذاری شده است.
▫️برای اطلاعات بیشتر در مورد ارائه دهندگان، به وبسایت پرزنتها مراجعه کنید.
@machinelearningnet2
@FinPy
▫️جلسه هفدهم ارائه کتاب:
Machine Learning for Algorithmic Trading
روز دوشنبه 16 خرداد (امشب) ساعت ۲۰، برگزار خواهد شد. موضوع جلسه:
Deep Learning for Trading
(فصل هفدهم کتاب) خواهد بود. برای شرکت در جلسه از طریق زوم، از این لینک و مشخصات زیر (در صورت نیاز) استفاده کنید:
Meeting ID: 899 2864 0090
Passcode: 12345
در صورتی که ظرفیت زوم تکمیل شده باشد، میتوانید از طریق لایو اینستاگرام جلسه را مشاهده کنید.
▫️برای دانلود کتاب از این لینک و برای دانلود کدهای پایتون کتاب از این لینک میتونید استفاده کنید. جلسات قبل هم در این پلی لیست در یوتیوب بارگذاری شده است.
▫️برای اطلاعات بیشتر در مورد ارائه دهندگان، به وبسایت پرزنتها مراجعه کنید.
@machinelearningnet2
@FinPy
This media is not supported in your browser
VIEW IN TELEGRAM
#لیبلینگ_مالی
#لیبلینگ_روند
▫️بعد از دریافت و پیش پردازش داده های مالی و قبل از مدلسازی با روش های Supervised Learning غالبا نیاز هست به این داده ها لیبل زده بشه. لیبل زدن در برخی کاربردها اگر چه توسط عامل انسانی انجام بشه، اما در کاربردهای مالی لیبل زدن به کمک ماشین، یا با یه الگوریتم بدون قابلیت یادگیری و یا به کمک الگوریتم های ماشین لرنینگ انجام میشه.
▫️تعیین روند یا نقاط چرخش قیمت (سوئینگ ها) ، یکی از مواردی هست که اکثر الگوریتم هایی که با قیمت کار میکنند، بهش نیاز دارند. اگرچه روند تغییرات قیمت یه رفتار غیر خطی داره، اما شما میتونید با مدل های خطی ML مثل رگرسیون خطی هم این کار رو انجام بدید. یه نمونه از این روش ها که به Trend Scanning معروف هست، در کتاب آقای دپرادا معرفی شده. ایده اون روش شبیه به چیزی هست که در این ویدیو کوتاه نشون داده شده. با محدود کردن نقاط مربوط به یه رگرسیون خطی، شما میتونید رفتار غیر خطی قیمت رو در بیارید و با توجه به شیب خط رگرس شده، صعودی یا نزولی بودن روند ها رو لیبل بزنید. وقتی هم که روند عوض میشه میتونید نقاط سوئینگ رو مشخص کنید.
@FinPy
#لیبلینگ_روند
▫️بعد از دریافت و پیش پردازش داده های مالی و قبل از مدلسازی با روش های Supervised Learning غالبا نیاز هست به این داده ها لیبل زده بشه. لیبل زدن در برخی کاربردها اگر چه توسط عامل انسانی انجام بشه، اما در کاربردهای مالی لیبل زدن به کمک ماشین، یا با یه الگوریتم بدون قابلیت یادگیری و یا به کمک الگوریتم های ماشین لرنینگ انجام میشه.
▫️تعیین روند یا نقاط چرخش قیمت (سوئینگ ها) ، یکی از مواردی هست که اکثر الگوریتم هایی که با قیمت کار میکنند، بهش نیاز دارند. اگرچه روند تغییرات قیمت یه رفتار غیر خطی داره، اما شما میتونید با مدل های خطی ML مثل رگرسیون خطی هم این کار رو انجام بدید. یه نمونه از این روش ها که به Trend Scanning معروف هست، در کتاب آقای دپرادا معرفی شده. ایده اون روش شبیه به چیزی هست که در این ویدیو کوتاه نشون داده شده. با محدود کردن نقاط مربوط به یه رگرسیون خطی، شما میتونید رفتار غیر خطی قیمت رو در بیارید و با توجه به شیب خط رگرس شده، صعودی یا نزولی بودن روند ها رو لیبل بزنید. وقتی هم که روند عوض میشه میتونید نقاط سوئینگ رو مشخص کنید.
@FinPy
👍10
Media is too big
VIEW IN TELEGRAM
#علم_داده_مالی_CFA
دوره اول:
Data and Statistics Foundation for Investment Professionals
جلسه اول، هفته سوم:
Discrete and Continuous Uniform Distributions and Basic Probabilities
@FinPy
دوره اول:
Data and Statistics Foundation for Investment Professionals
جلسه اول، هفته سوم:
Discrete and Continuous Uniform Distributions and Basic Probabilities
@FinPy
👍10
Media is too big
VIEW IN TELEGRAM
#علم_داده_مالی_CFA
دوره اول:
Data and Statistics Foundation for Investment Professionals
جلسه دوم، هفته سوم:
Binomial Distribution
@FinPy
دوره اول:
Data and Statistics Foundation for Investment Professionals
جلسه دوم، هفته سوم:
Binomial Distribution
@FinPy
👍9
#معرفی_کتاب
Gradient Boosting with XGBoost and Scikit-Learn
▫️شاید یکی از قوی ترین ابزارهایی که ماشین لرنینگ در اختیار ما قرار میده Gradient Boosting باشه که در مسابقات Kaggle هم راه حل برنده در بسیاری از رقابت ها بوده و در حل مسایل مالی هم میتونه راهگشا باشه. این کتاب کمک میکنه که دانش خودتون رو در این خصوص عمق داده و بیشتر با جزیات این ابزار، نحوه پیاده سازی و تنظیم هایپرپارامترهاش آشنا بشید تا بتونید به طور موثرتری در حل مسایل تون ازش استفاده کنید.
▫️در فصل نهم کتاب در مورد ترفندها و تکنیک های Kaggle Master هایی که از XGBoost برای بردن رقابت ها استفاده کردن هم توضیح داده.
@FinPy
Gradient Boosting with XGBoost and Scikit-Learn
▫️شاید یکی از قوی ترین ابزارهایی که ماشین لرنینگ در اختیار ما قرار میده Gradient Boosting باشه که در مسابقات Kaggle هم راه حل برنده در بسیاری از رقابت ها بوده و در حل مسایل مالی هم میتونه راهگشا باشه. این کتاب کمک میکنه که دانش خودتون رو در این خصوص عمق داده و بیشتر با جزیات این ابزار، نحوه پیاده سازی و تنظیم هایپرپارامترهاش آشنا بشید تا بتونید به طور موثرتری در حل مسایل تون ازش استفاده کنید.
▫️در فصل نهم کتاب در مورد ترفندها و تکنیک های Kaggle Master هایی که از XGBoost برای بردن رقابت ها استفاده کردن هم توضیح داده.
@FinPy
👍9
فینپای | FinPy
#معرفی_کتاب Gradient Boosting with XGBoost and Scikit-Learn ▫️شاید یکی از قوی ترین ابزارهایی که ماشین لرنینگ در اختیار ما قرار میده Gradient Boosting باشه که در مسابقات Kaggle هم راه حل برنده در بسیاری از رقابت ها بوده و در حل مسایل مالی هم میتونه راهگشا…
@FinPy_Hands_On_Gradient_Boosting_with_XGBoost_and_scikit_learn.epub
6 MB
👍5
#ارزیابی_عملکرد
▫️در این شکل بازدهی مازاد ماهانه دو تا مدیر پرتفو (یا استراتژی) رو نسبت به بنچ مارکی (مثلا شاخص کل) که برای ارزیابی شون در نظر گرفتیم، رو آوردیم. منظور از بازدهی مازاد ماهانه هم تفاضل بازدهی مدیر پرتفو در هر ماه با بازدهی بنچ مارک هست. به نظر شما کدوم مدیر پرتفو به اصطلاح Active Manager تر هست و سعی در تولید آلفا داشته؟ مدیر A یا مدیر B؟
@FinPy
▫️در این شکل بازدهی مازاد ماهانه دو تا مدیر پرتفو (یا استراتژی) رو نسبت به بنچ مارکی (مثلا شاخص کل) که برای ارزیابی شون در نظر گرفتیم، رو آوردیم. منظور از بازدهی مازاد ماهانه هم تفاضل بازدهی مدیر پرتفو در هر ماه با بازدهی بنچ مارک هست. به نظر شما کدوم مدیر پرتفو به اصطلاح Active Manager تر هست و سعی در تولید آلفا داشته؟ مدیر A یا مدیر B؟
@FinPy
👍10
برای پاسخ به سوال فوق، گزینه مد نظر خود را انتخاب و در صورت تمایل، دلیل خود را در کامنت ها توضیح دهید.
Final Results
49%
A
51%
B
This media is not supported in your browser
VIEW IN TELEGRAM
#معرفی_دوره_آموزشی
#ماشین_لرنینگ
#کورسرا
▫️آقای Andrew Ng استاد دانشگاه استنفورد، یه دوره قدیمی ماشین لرنینگ در کورسرا داشتند که در اون از MATLAB/Octave برای کد نویسی استفاده شده بود. ایشون اخیرا یه Specialization برای ماشین لرنینگ در کورسرا منتشر کردند که مبتنی بر پایتون هست. فعلا دوره اول از این مجموعه ۳ کورسی قابل دسترسی هست و دوره های بعدی هم به مرور اضافه خواهد شد. دیدن این مجموعه رو به همه عزیزانی که در ابتدای راه یادگیری ماشین لرنینگ هستند، پیشنهاد میکنم. شما میتونید با ارسال درخواست کمک مالی به کورسرا، در این کورس ها رایگان ثبت نام کرده و پس از پاسخ به سوالات ارزیابی، مدرک دوره رو دریافت کنید یا اینکه میتونید بدون ثبت نام، کورس ها رو Audit کنید ولی دیگه امکان پاسخگویی به سوالات و اخذ مدرک دوره رو نخواهید داشت. برای اینکه چجوری برای کمک مالی اپلای کنید هم ویدیو زیر رو ببینید:
مدارک پولی کورسرا را رایگان بگیرید - Coursera Financial Aid
@FinPy
#ماشین_لرنینگ
#کورسرا
▫️آقای Andrew Ng استاد دانشگاه استنفورد، یه دوره قدیمی ماشین لرنینگ در کورسرا داشتند که در اون از MATLAB/Octave برای کد نویسی استفاده شده بود. ایشون اخیرا یه Specialization برای ماشین لرنینگ در کورسرا منتشر کردند که مبتنی بر پایتون هست. فعلا دوره اول از این مجموعه ۳ کورسی قابل دسترسی هست و دوره های بعدی هم به مرور اضافه خواهد شد. دیدن این مجموعه رو به همه عزیزانی که در ابتدای راه یادگیری ماشین لرنینگ هستند، پیشنهاد میکنم. شما میتونید با ارسال درخواست کمک مالی به کورسرا، در این کورس ها رایگان ثبت نام کرده و پس از پاسخ به سوالات ارزیابی، مدرک دوره رو دریافت کنید یا اینکه میتونید بدون ثبت نام، کورس ها رو Audit کنید ولی دیگه امکان پاسخگویی به سوالات و اخذ مدرک دوره رو نخواهید داشت. برای اینکه چجوری برای کمک مالی اپلای کنید هم ویدیو زیر رو ببینید:
مدارک پولی کورسرا را رایگان بگیرید - Coursera Financial Aid
@FinPy
👍14
Media is too big
VIEW IN TELEGRAM
#ماکرو
#نرخ_بهره
#تورم
▫️به دلیل سیاست های پولی انبساطی بانک های مرکزی که در دروه کرونا انجام شد، تورم در همه جای دنیا اوج گرفته و اخیرا، اکثر بانک های مرکزی اقتصادهای پیشرفته دنیا در حال افزایش نرخ بهره برای کنترل تورم هستند. در واقع نرخ بهره یکی از ابزارهای بانک های مرکزی برای کنترل تورم هست. در این ویدیوی کوتاه که Economist تهیه کرده، رابطه بین نرخ بهره با تورم به خوبی توضیح داده شده و دیدنش به دوستانی که علاقه مند به تحلیل فضای ماکرو هستند پیشنهاد میشه.
@FinPy
#نرخ_بهره
#تورم
▫️به دلیل سیاست های پولی انبساطی بانک های مرکزی که در دروه کرونا انجام شد، تورم در همه جای دنیا اوج گرفته و اخیرا، اکثر بانک های مرکزی اقتصادهای پیشرفته دنیا در حال افزایش نرخ بهره برای کنترل تورم هستند. در واقع نرخ بهره یکی از ابزارهای بانک های مرکزی برای کنترل تورم هست. در این ویدیوی کوتاه که Economist تهیه کرده، رابطه بین نرخ بهره با تورم به خوبی توضیح داده شده و دیدنش به دوستانی که علاقه مند به تحلیل فضای ماکرو هستند پیشنهاد میشه.
@FinPy
👍13
#معرفی_کتاب
Markov Models with Python
▫️بدون شک، یکی از ابزارهای کاربردی در مدلسازی اقتصاد و بازار، مارکوف مدل ها هستند. مارکوف مدل ها در واقعا مدل های Probabilistic ای هستند که با توجه به توالی اتفاقاتی که در گذشته رخ داده سعی در یادگیری و پیشبینی رخدادهای آینده رو دارند. این کتاب کوتاه پس از معرفی مفاهیم این مدل ها، در خصوص ابعاد مختلف شون از یادگیری تا پیش بینی و پیاده سازی شون با پایتون مطالب مفیدی ارائه کرده. ممکنه استفاده از مارکوف مدل ها، راه حلی برای مساله ای که در حال حاضر باهاش دست و پنجه نرم میکنید باشه، پس بد نیست حداقل یه آشنایی با این مدل ها داشته باشید!
@FinPy
Markov Models with Python
▫️بدون شک، یکی از ابزارهای کاربردی در مدلسازی اقتصاد و بازار، مارکوف مدل ها هستند. مارکوف مدل ها در واقعا مدل های Probabilistic ای هستند که با توجه به توالی اتفاقاتی که در گذشته رخ داده سعی در یادگیری و پیشبینی رخدادهای آینده رو دارند. این کتاب کوتاه پس از معرفی مفاهیم این مدل ها، در خصوص ابعاد مختلف شون از یادگیری تا پیش بینی و پیاده سازی شون با پایتون مطالب مفیدی ارائه کرده. ممکنه استفاده از مارکوف مدل ها، راه حلی برای مساله ای که در حال حاضر باهاش دست و پنجه نرم میکنید باشه، پس بد نیست حداقل یه آشنایی با این مدل ها داشته باشید!
@FinPy
👍12
#ارزیابی_عملکرد
#ثبات_در_عملکرد
▫️فرض کنید شرکت شما لیستی از ۶۰ تا پرتفو منیجر (یا استراتژی) در دست داره که عملکرد اونها بر اساس یه معیاری (یا چند معیار) در دوره های مختلف ارزیابی شده و در هر دوره اون منیجر امتیازی بین Q4 تا Q1 بسته به اینکه بر اساس اون معیار در کدام چارک (Quartile) رده بندی قرار گرفته دریافت کرده باشه. مدیر شما قصد داره با نگاه به آخرین رده بندی این منیجرها چند نفر از بهترین ها رو استخدام کنه تا سرمایه شرکت رو مدیریت کنند، اما شما که خوش فکرتر و خلاق تر از مدیرتون هستید، رفتید و تاریخچه عملکرد و رده بندی اون منیجرها رو هم بررسی کرده و مصورسازی فوق (Markov Chain) رو در اختیار مدیرتون قرار دادید تا بتونه بفهمه هر منیجر چقدر در بهترین بودن ثبات داشته و تونسته خودش رو بالای جدول رده بندی در گذر زمان حفظ کنه. حالا به نظر شما کدوم یک از این دو منیجر قابل اعتماد تره؟ A یا B؟
اعداد، احتمال اینکه در بازه زمانی بعدی رده بندی مدیر در یک Qi دیگه باشه رو نشون میده.
@FinPy
#ثبات_در_عملکرد
▫️فرض کنید شرکت شما لیستی از ۶۰ تا پرتفو منیجر (یا استراتژی) در دست داره که عملکرد اونها بر اساس یه معیاری (یا چند معیار) در دوره های مختلف ارزیابی شده و در هر دوره اون منیجر امتیازی بین Q4 تا Q1 بسته به اینکه بر اساس اون معیار در کدام چارک (Quartile) رده بندی قرار گرفته دریافت کرده باشه. مدیر شما قصد داره با نگاه به آخرین رده بندی این منیجرها چند نفر از بهترین ها رو استخدام کنه تا سرمایه شرکت رو مدیریت کنند، اما شما که خوش فکرتر و خلاق تر از مدیرتون هستید، رفتید و تاریخچه عملکرد و رده بندی اون منیجرها رو هم بررسی کرده و مصورسازی فوق (Markov Chain) رو در اختیار مدیرتون قرار دادید تا بتونه بفهمه هر منیجر چقدر در بهترین بودن ثبات داشته و تونسته خودش رو بالای جدول رده بندی در گذر زمان حفظ کنه. حالا به نظر شما کدوم یک از این دو منیجر قابل اعتماد تره؟ A یا B؟
اعداد، احتمال اینکه در بازه زمانی بعدی رده بندی مدیر در یک Qi دیگه باشه رو نشون میده.
@FinPy
👍8
برای پاسخ به سوال فوق، گزینه مد نظر خود را انتخاب و در صورت تمایل، دلیل خود را در کامنت ها توضیح دهید.
Final Results
73%
A
28%
B
👍5
#معرفی_کتاب
Interpretable Machine Learning with Python
▫️خروجی های هر مدل ماشین لرنینگ ای باید قابل تفسیر و توجیه باشند، در غیر این صورت با یه جعبه سیاه مواجه خواهیم بود که اتکا به نتایج آن میتونه فاجعه بار باشه. این کتاب با مجموعه روش ها و تکنیک هایی که آموزش میده سعی در پاسخ به چرایی خروجی ها و نتایج مدل های ماشین لرنینگ داره و مطالعه اون به عزیزانی که قصد دارند به صورت حرفه ای این حوزه رو دنبال کنند پیشنهاد میشه.
@FinPy
Interpretable Machine Learning with Python
▫️خروجی های هر مدل ماشین لرنینگ ای باید قابل تفسیر و توجیه باشند، در غیر این صورت با یه جعبه سیاه مواجه خواهیم بود که اتکا به نتایج آن میتونه فاجعه بار باشه. این کتاب با مجموعه روش ها و تکنیک هایی که آموزش میده سعی در پاسخ به چرایی خروجی ها و نتایج مدل های ماشین لرنینگ داره و مطالعه اون به عزیزانی که قصد دارند به صورت حرفه ای این حوزه رو دنبال کنند پیشنهاد میشه.
@FinPy
👍10