فینپای | FinPy
2.43K subscribers
498 photos
62 videos
13 files
259 links
گروه پرسش و پاسخ:
@FinPyGroup

حضور در گروه نیازمند کامل بودن نام، نام خانوادگی و آیدی تلگرامی شما قبل از ارسال درخواست عضویت است.
Download Telegram
This media is not supported in your browser
VIEW IN TELEGRAM
#نرخ_برابری_ارزها

دلار چند؟!

▫️این، سوالیه که همه، از مردم عادی کف کوچه و خیابون تا فعالان بازارهای مالی و کسب و کارها به دنبال جوابی براش هستند تا بتونن با اقداماتی، خودشون رو حداقل از آسیبهای ناشی از جهش قیمت دلار تا حدی مصون کنند. واقعیت اینه که رویکردهای مختلفی برای تعیین قیمت دلار وجود داره ولی چیزی که در بین تحلیلگران بازار ارز در ایران مرسومه، تعیین کران بالا و پایینی برای این نرخ با استفاده از مدل برابری قدرت خرید و مدل پولی هست. بعد از تعیین کران بالا و پایین، تحلیلگر سعی میکنه با سناریوسازی (مثل سناریو باقی ماندن تحریم و سناریو رفع تحریم) برآوردی از عرضه و تقاضای ارز داشته باشه و تعیین کنه که قیمت دلار به سمت کدوم کران اش متمایل خواهد شد. این رویکرد اگرچه ساده و تا حد قابل قبولی کارآمد هست ولی ایرادات مهمی بهش وارده که یکی از اونها سلیقه ای بودن تعیین سال پایه برای محاسبات هست. هر تحلیلگری بر اساس دیدی که به مساله داره، سال پایه متفاوتی رو ممکنه انتخاب کنه و تغییر سال پایه به نتایج متفاوتی منجر میشه. نمونه ای از این رویکرد رو که به همت آقای نوربخش تهیه شده، میتونید از اینجا دانلود و مطالعه کنید.

▫️نقص بزرگی که در رویکرد ذکر شده وجود داره، سلیقه ای بودن اثر رانت نفتی در مدلسازی، یعنی درآمد دولت به عنوان عرضه کننده اصلی ارز در ایران از محل اختلاف قیمت تمام شده نفت و قیمت فروش اش هست. در واقع اگر بشه رانت نفتی رو در رویکرد ذکر شده وارد کرد، شاید نتایج قابل اعتمادتری به دست بیاد. آقای همتی (رئیس پیشین بانک مرکزی) و جمعی از نویسندگان، در مقاله ای اثر رانت نفتی رو در قیمت دلار در کشورهای صادرکننده نفت و به ویژه ایران بررسی کردند. عنوان مقاله که از SSRN میتونید دانلودش کنید اینه:

Oil Rents and Exchange Rate in Oil-Exporting Countries: Re-Assessment of the Monetary Model of Exchange Rate Determination

▫️آقای مهدی دارابی به عنوان یکی از نویسندگان این مقاله، در برنامه ای تحت عنوان دمای دلاری اقتصاد ایران، نتایج بررسی موردی نرخ دلار در ایران بر اساس این ریسرچ رو به زبان ساده توضیح دادند که پیشنهاد میکنیم حتما در کنار مطالعه و پیاده سازی مقاله ببینیدش. اگر به بررسی تحلیلی جهش های ارزی در ایران و عواملش هم علاقه مند هستید، برنامه چرا ایران از تله بحران ارزی خارج نمیشود؟ با حضور آقای دکتر مسعود نیلی رو هم از دست ندید.

▫️به طور کلی کسب دانش در خصوص مدلهای برآورد نرخ برابری ارزها علاوه بر اینکه میتونه ایده های توسعه ای دربرآورد آینده نرخ دلار بده، برای فعالان بازار فارکس هم میتونه خیلی مفید باشه. برای اینکه یه دید کلی از رویکردهای موجود در تحلیل بازار جفت ارزها کسب کنید هم میتونید نگاهی به کتاب زیر بندازید:

Handbook of Exchange Rates

@FinPy
👍12👎1
#معرفی_کتاب

▫️یکی از روش های مدیریت ریسک سرمایه گذاری، متنوع سازی با تشکیل پرتفو هست. رویکردهای کیفی و کمی متعددی برای مدیریت پرتفو وجود داره به عنوان مثال چیزی که تو ایران خیلی رایج هست، اینه که مدیر پرتفو به دارایی هایی که فکر میکنه (بر اساس رانت اطلاعاتی، تصمیم به دستکاری یا بر اساس تحلیل) بازدهی بیشتری خواهند داشت، وزن بیشتری میده. این نوع مدیریت سبد، به نظر مبتنی بر روش های ابتکاری وزن دهی و تا حد زیادی کیفی هست. اما اگر بخواییم با روش های کمی و علمی تری مدیریت پرتفو رو انجام بدیم، مطالعه این کتاب که روشهای نسبتا به روزتر و نه خیلی پیچیده رو همراه با مفاهیم پایه ای و ریاضیات مربوطه کنار هم جمع کرده، گزینه مناسبی خواهد بود:

Quantitative Portfolio Management

▫️نکته مهمی که باید حواسمون بهش باشه، اینه که مدیریت ریسک از طریق تشکیل سبد، در مواقع کرش که همبستگی بین بازدهی دارایی ها زیاد میشه، ناکارآمده! اگه بازار ابزارهای مشتقه در ایران عمق و دارایی های پایه بیشتری رو در بر بگیره، قطعا یکی از ابزارهای کارآمد برای مدیریت ریسک در صورت وقوع چنین رخدادهایی خواهد بود. این ویدیو از نسیم طالب رو هم ببینید!

@FinPy
👍15
This media is not supported in your browser
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
#دوره_آموزشی
#CFA

▫️موسسه CFA یه مجموعه آموزشی تحت عنوان

Data Science for Investment Professionals

ارائه کرده که شامل درسهای زیر میشه (هر درس ۳۳۹ دلار آمریکا):

C1: Data and Statistics Foundation for Investment Professionals
C2: Statistics for Machine Learning for Investment Professionals
C3: Machine Learning for Investment Professionals
C4: Natural Language Processing for Investment Professionals
C5: Mitigating Biases in the Data Science Pipeline for Investment Professionals

▫️۳ درس اول این مجموعه که در کانال هم معرفی و برخی ویدئوهای اون شیر شد تا علاقه مندان خودشون بقیه کار رو دنبال کنند، قبلا در کورسرا به صورت رایگان در دسترس بود. اما ظاهرا الان امکان ثبت نام جدید و دریافت کمک مالی براش حذف شده و یه جورایی دیگه در دسترس نیست. ویدیوها و فایل های این ۳ درس که از کورسرا دانلود شده رو میتونید از لینکهای زیر دانلود کنید:

دانلود درس C1 - در ۶ پارت ۱۰۰ مگ
دانلود درس C2 - در ۱۳ پارت ۱۰۰ مگ
دانلود درس C3 - در ۱۱ پارت ۱۰۰ مگ

@FinPy
👍54
This media is not supported in your browser
VIEW IN TELEGRAM
#متغیرهای_کلان_اقتصادی

داده های متغیرهای کلان اقتصادی ایران رو از کجا بگیریم؟

▫️اقتصاد ایران در دهه های اخیر شرایط نابسامان و فلاکت باری رو تجربه میکنه که برای عوام هم به راحتی قابل لمس بوده و درکش نیازی به دانش خاص اقتصادی نداره. توضیحِ اینکه این وضعیت نتیجه چیه و اگه قطار پس رفت با همین فرمون و سرعت پیش بره به کجا خواهد رسید، نمک به زخم پاشیدنه و مشکلی از من و شما حل نمیکنه. بنابراین به جای رویکرد انتقادی که مصداق بارز آب در هاون کوبیدنه (چون گوش شنوایی وجود نداره) و روح و روان مون رو فرسوده میکنه، بهتره رویکرد عبرت آموزی داشته باشیم و از این مدیریت شکست خورده اقتصادی درس هایی بگیریم تا حداقل در زندگی شخصی از سوراخ بی کفایتی مسؤلین کشور چند باره گزیده نشیم!

▫️داستان این شکست های مکرر و عبرت آموز، تو متغیرهای کلان اقتصادی پنهانه و اگه نگاهی بهش بندازیم و به زبان زندگی خودمون بازنویسی کنیم، شاید بتونیم نردبانی برای خروج از چاهی که تحریم و مهمتر از اون سوء مدیریت اقتصادی کشور برامون کنده، پیدا کنیم. خوشبختانه علم داده ابزارهایی برای استخراج و نگارش این داستان در اختیارمون قرار داده و اگه به این ابزارها مجهز هستیم، باید دنبال خمیر مایه کار که همون داده های کلان اقتصادی هست باشیم.


▫️داده های متغیرهای کلان اقتصادی همه کشورها توسط بانک مرکزی و مرکز آمارشون منتشر میشه. ایران هم از این قاعده مستثنی نیست و اگرچه این روزها روایت هایی از دستکاری آمارهای اقتصادی توسط دولت به گوش میرسه، ولی باز هم این منابع قابل اتکا ترین منابع داده برای متغیرهای اقتصاد کلان ایران هستند. چرا که آلترناتیو دیگه ای وجود نداره و منابع خارجی مثل بانک جهانی و ... هم داده های خودشون رو از این منابع گرفته و حتی گاها اعداد ریالی رو با نرخ های دلار ۴۲۰۰۰ ریال تبدیل میکنن که منجر به استنباط های نادرست از شرایط اقتصاد ایران میشه.

▫️برای دسترسی به داده های متغیرهای کلان اقتصادی میتونید از منابع زیر استفاده کنید:

۱) درگاه ملی آمار مرکز آمار ایران
۲) بانک اطلاعات سری های زمانی اقتصادی بانک مرکزی برخی از آمارهای به روزتر هم در تب "آمارها و داده ها" سایت خود بانک مرکزی هست.
۳) بانک داده های اقتصادی و مالی وزارت اقتصاد که در واقع آمارهای مهم بانک مرکزی و مرکز آمار رو یه جا جمع کرده.


@FinPy
👍10
#معرفی_کتاب

▫️در علم داده ماهیت مسایل پیش رو همیشه از جنس پیش بینی نبوده و گاها نیاز هست تا روابط علت و معلولی کشف و بررسی بشه. این نوع از مدلسازی بسیار قابل اتکاتر و قابل تفسیرتر بوده و نتایج اون میتونه حتی در مدل های پیش بینی مورد استفاده قرار بگیره. اگه نمیدونید فرق مدلهای پیش بینی و مدلهایی که به دنبال کشف علیت هستند چیه این ویدیو کوتاه رو ببینید:

Enabling end-to-end Causal Inference at Scale

▫️ اگر مساله پیش روی شما نیاز به چنین مدلسازی ای داره مطالعه کتابهای زیر که هم به مفاهیم مربوطه پرداخته و هم نحوه استفاده از پکیج های پایتون مربوطه (DoWhy و EconML) رو تا حدی زیادی پوشش دادن، پیشنهاد میشه:

- Causal Inference and Discovery in Python
- Causal Inference in Python: Applying Causal Inference in the Tech Industry

@FinPy
👍9
This media is not supported in your browser
VIEW IN TELEGRAM
#finpy_tse

دسترسی به دیتای قراردادهای اختیار

▫️زیاد سوال پرسیده میشه که "چجوری میتونم دیتای قراردادهای اختیار رو بگیرم؟". جواب اینه که اگرچه فینپای برای قراردادهای اختیار طراحی نشده، اما اگه منظورتون از دیتا، سابقه قیمت و حقیقی-حقوقی هست، به همون روشی که دیتای سهم ها رو میگیرید!

▫️همون طور که شما در سایت TSE سهمی رو سرچ میکنید، فینپای هم به همون طریق، اول نماد درخواستی شما رو در سایت TSE جستجو و از نتایج حاصل، مواردی که با عبارت وارد شده برای stock مچ باشه رو جدا میکنه تا صفحه مربوط به نماد رو پیدا کنه. بعد، داده درخواستی (مثلا قیمت یا حقیقی-حقوقی) رو از صفحه یافت شده، استخراج و در اختیار شما قرار میده. بنابراین اهمیتی نداره که نماد وارد شده متعلق به سهم، قرارداد اختیار، اوراق درآمد ثابت یا ... باشه و تنها چیزی که مهمه اینه که نام نماد به درستی وارد و البته دیتا هم داشته باشه. حتی اهمیت نداره که اون قرارداد سررسید شده باشه یا نه.

▫️اگر به دیتایی خارج از این موارد، مثل لیست قراردادهای اختیار یا موقعیت های باز و ... نیاز دارید، فعلا روی فینپای حساب نکنید.

@FinPy
👍17
This media is not supported in your browser
VIEW IN TELEGRAM
#معرفی_کتاب

▫️استفاده از دیتا ساینس برای حل مسایل مربوط به بازارهای مالی به سر راستی مسایل سایر حوزه ها نیست و پیچیدگی ها و ظرافت های خاص خودش رو داره. این کتاب که به طور خاص به برخی از کاربردهای دیتا ساینس در بازارهای مالی پرداخته یکی از جدیدترین ها تو این حوزه هست. هر چند متن سنگینی داره و خوندن و درک مطالب اش ممکنه ماه ها طول بکشه، اما میشه با توجه به نیاز و علاقه مندی، بخش های خاصی از این کتاب رو مطالعه و ازش یاد گرفت.

Machine Learning and Data Sciences for Financial Markets

@FinPy
👍9
#معرفی_ریپو

Forecasting Economic and Market Regimes

▫️بر خلاف تصور عمومی، ماشین لرنینگ تو فایننس فقط برای پیش بینی قیمت استفاده نمیشه و در واقع این کاربرد جایی هست که شواهد کمتری از موفقیت اش نسبت به حوزه های دیگه فایننس وجود داره! تو این ویدیو آقای دپرادا علاوه بر اینکه کاربردهای ماشین لرنینگ تو فایننس رو بر شمرده، دلایل این ادعا رو هم توضیح داده:

Ten Financial Applications of Machine Learning

▫️یکی از کاربردهای ماشین لرنینگ در فایننس پیش بینی رکودهای اقتصادیه که از زندگی افراد عادی جامعه تا بیزنس ها و بازارهای مالی رو تحت تاثیر قرار میده. برای درک اهمیت این موضوع، یه پروژه تو گیتهاب قرار دادیم تا علاقه مندان بتونن به عنوان یه کار پایلوت ازش استفاده کرده و پروسه کار رو از جمع آوری دیتا با پایتون تا تفسیر مدل انتخابی ببینند. اگرچه هسته پروژه بر پایه مقالات معتبر هست و نتایج ادعایی بازتولید شدن، اما آرمانشهر نیست و بیشتر با هدف آموزشی باهاتون به اشتراک گذاشته شده.

@FinPy
👍22
This media is not supported in your browser
VIEW IN TELEGRAM
پاسخ به سوالاتی مهم و پرکاربرد در حوزه تحلیل سری های زمانی

▫️داده هایی که ما باهاش در فایننس سر و کار داریم غالبا ماهیت سری زمانی دارند. در مواجه با این سری های زمانی مالی گاها سوالاتی مثل آنچه در شکل هست برامون پیش میاد که نمیدونیم راهکار اصولی برای یافتن جوابش چیه. آقای Eamonn Keogh و رفقاش به این سوالات پاسخ دادن و کدهای متلب اش رو هم به اشتراک گذاشتن:

100 Time Series Data Mining Questions with Answers

▫️ اگر چه کدها تو متلب نوشته شدن، ولی میشه نمونه کدهای پایتون این تکنیک ها رو گاها حتی در قالب پکیج های آماده پایتون مثل STUMPY که اینجا معرفی شد رو هم پیدا کرد.

@FinPy
👍7
چت جی پی تی (ChatGPT) کد نویس چندان خوبی نیست!

▫️توجه دوستانی که دارن کدهای خودشون رو با ChatGPT مینویسن یا اساتیدی که در کلاس آموزشی از ChatGPT میخوان براشون کد بنویسه و (انشالله ناخواسته) این عادت اشتباه رو بین دانشجویانشون جا میندازن، به این پست Valeriy Manokhin جلب میکنم!

#ChatGPT

@FinPy
👍10👎7
This media is not supported in your browser
VIEW IN TELEGRAM
👍1
#معرفی_پکیج_پایتون

انتظارات از تصمیمات آتی نرخ بهره - PyFedWatch

▫️فعالان بازارهای جهانی از اهمیت و تاثیرگذاری نرخ بهره آمریکا بر بازارها، اقتصادها، نرخ برابری ارزها نسبت به دلار و حتی شرایط آینده کسب و کارها به خوبی مطلع هستند. بنابراین وجود ابزاری که بتونه برآوردی از این تصمیمات به این دسته از فعالان بده، میتونه بسیار راهگشا باشه. PyFedWatch که یک پیاده سازی از ابزار FedWatch هست، میتونه با استفاده از قیمت زنجیره ای از قراردادهای آتی، چنین دیدی رو برای کاربرانش فراهم کنه.

▫️اگرچه متدولوژی پیاده سازی شده در این پکیج، با متدولوژی منتشر شده توسط CME (بورس کالای شیکاگو) متفاوته، ولی عینا همون مقادیری رو که خود FedWatch تولید میکنه رو در اختیارتون قرار میده، به شرطی که داده های قیمت قراردادهای آتی رو بهش بدید! اطلاعات بیشتر رو میتونید تو ریپو پیدا کنید.

پست تکمیلی: آیا میتوان از اطلاعات موجود در ابزارهای مشتقه مالی برای پیش بینی بازار استفاده کرد؟

@FinPy
👍13
#بکتست

قسمت اول - آیا نتایج بک تست قابل اتکاست؟!

▫️خیر، چون بیشتر بک تست ها صحت شون مخدوشه و حتی اگر صحیح هم باشن، تضمینی برای تکرار نتایج به ما نمیده. موارد متعددی وجود داره که صحت بک تست رو مخدوش میکنه اما ضربه اصلی اتکا به نتایج بک تست، زمانی به پیکر دارایی ما وارد میشه که با تغییر پارامترهای استراتژی در بازه بک تست، سعی در پیدا کردن بهینه ترین مقادیر داشته باشیم. اگر همین یک مورد رو ازش اجتناب کنیم، ضربه کمتری از ناحیه اتکا به بک تست خواهیم دید.

▫️بک تست فقط به درد تشخیص و کنار گذاشتن مدل های ناکارآمد میخوره، به این معنی که بعد از توسعه استراتژی میتونید عملکردش رو در گذشته بازار چک کرده در صورت نامطلوب بودن نتایج، کنار بزاریدش. هرگز از نتایج بک تست برای تغییر پارامترهای استراتژی در راستای بهبود عملکردش استفاده نکنید چون منجر به یک یافته غلط از رفتار بازار خواهد شد.

@FinPy
👍23👎1