تحلیل رگرسیون با پایتون
یکی از روش های مقدماتی و نسبتا متداول خصوصا در آمار، اقتصاد سنجی و تحلیل های مالی روش رگرسیون است. معمولا برای کشف مدل رابطه‌ی خطی بین متغیرها از رگرسیون (Regression) استفاده می‌شود.
محاسبه رگرسیون در پایتون به سادگی آب خوردن است 😏
معمولا در محاسبه برای داده های پیچیده از کتابخانه scikit-learn که مخصوص یادگیری ماشینی است برای تحلیل رگرسیون استفاده می شود اما در کارهای معمولی کتابخانه Scipy هم کار ما راه می اندازد. برای استفاده از رگرسیون به تصویر فوق مراجعه نمایید.

#پایتون_مالی
#رگرسیون


پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

تمرین 4
نقاط مربوط به مثال فوق و تابع رگرسیون حاصله را رسم نمایید.

#پایتون_مالی
#تمرین

https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

پاسخ تمرین 4
نقاط مربوط به مثال فوق و تابع رگرسیون حاصله را رسم نمایید.

#پایتون_مالی
#پاسخ_تمرین

https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

یک کتاب بسیار خوب برای یادگیری پایتون برای آمار، احتمال و یادگیری ماشین


#پایتون_مالی
#معرفی_کتاب


پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

یک کتاب بسیار خوب برای یادگیری پایتون برای آمار، احتمال و یادگیری ماشین


#پایتون_مالی
#معرفی_کتاب


پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

پایتون فقط یک ابزار نیست، یک مسیر است.

+ آموزش کامل زبان برنامه نویسی پایتون از مبتدی تا حرفه ای
+ دانلود منابع و کتاب های آموزشی
+ دانلود فیلم و صوت های آموزشی
+ آموزش کتابخانه های پایتون (Numpy،Scipy، Pandas،Matplotlib و ...)
+ دانلود سورس کدهای مثال های آموزشی
+ استفاده از پایتون در تحلیل های اقتصادی ،مالی و بورس
+ یادگیری ماشینی و کارکرد آن در تصمیم گیری های مدیریتی
+ تحلیل ارزهای دیجیتال و بلاک چین با پایتون
+ ارائه خروجی در قالب وب و نرم افزارهای موبایل
و ...


پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

یادگیری ماشین چیست؟
#یادگیری_ماشین
#پایتون_مالی

پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

یادگیری ماشین چیست؟
می‌توان گفت یادگیری ماشین، مابین هوش مصنوعی و تحلیل آماری قرار گرفته است. از طریق آموزش به کامپیوتر ها با استفاده از داده‌های موجود در اطرافمان، قادر خواهیم بود الگوریتم‌هایی ایجاد نماییم تا بتوانند پیش بینی‌های دقیق تری بر روی مسائل و چالش‌های پیش رویمان انجام دهند.
مثالِ کلاسیکِ زیر را در نظر بگیرید:
فرض کنید در یک فروشگاهِ بزرگِ خرده‌فروشی به صورت اینترنتی در حال خرید هستید. در زمان خرید، سه محصول مختلف را به سبد خرید خود اضافه می‌کنید. فرض کنید این سه محصول به صورت زیر است:
لپ تاپ سری N
موس بیسیم
یک عدد تمیز کننده مانیتور

حال، سیستم می‌خواهد به صورت هوشمند، به شما چند محصول دیگر را پیشنهاد دهد. مدل برنامه‌نویسی صریح، به این صورت است که برای مثال، سیستم، محصولاتی در یک دسته (مثلاً یک سری محصولاتی که مربوط به حوزه‌ی IT است) را به شما نمایش بدهد. در این حالت، هوشمندیِ خاصی در سیستم مشاهده نمی‌شود و در واقع سیستم، یادگیریِ خاصی انجام نمی‌دهد.

حال فرض کنید، سیستم از طریق الگوریتم‌های یادگیری‌ماشین، بتواند مشتریانِ قبلیِ خود را به گروه‌های مختلف تقسیم‌بندی کند (به این کار در اصطلاح خوشه بندی یا Clustering گفته می‌شود). با این کار، شما با تکمیلِ سبد خرید خود، به دسته‌ای از مشتریانِ قبلی متعلق می‌شوید. با تعلقِ شما به گروهِ خاصی از مشتریان، محصولاتی که آن‌ها قبلاً خریداری کرده‌اند و شما در سبد خرید خود ندارید، به شما پیشنهاد داده می‌شود.

#یادگیری_ماشین
#پایتون_مالی


پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

بهترین کتابخانه های یادگیری ماشین

۱- کتابخانه‌ی scikit-learn بر پایه‌ی NumPy و SciPy شکل گرفته است و با افزودن مجموعه‌ای از الگوریتم‌های یادگیری ماشین، برای انجام امور یادگیری ماشین و داده کاوی رایج (مانند طبقه بندی، خوشه بندی و رگرسیون) مورد استفاده قرار می‌گیرد. scikit-learn بسیار وسیع است. توابع و قابلیت‌های موجود در این کتابخانه بصورت دقیق مستند شده است و همچنین توسعه دهندگان این کتابخانه از افراد حرفه‌ای و خبره‌ در زمینه‌ی یادگیری ماشین می‌باشند.

۲- کتابخانه‌ی Theano از سینتکسی شبیه به NumPy، برای بهینه سازی و ارزیابی عبارت‌های ریاضی استفاده می‌کند. این کتابخانه برای کارایی بهتر از GPU ِ کامپیوتر به منظور انجام محاسبات فشرده، در کنار CPU کمک می‌گیرد که این امر باعث افزایش سرعتی نزدیک به ۱۰۰ برابر می‌شود. سرعتِ Theano، این کتابخانه را برای زمینه‌هایی چون یادگیری عمیق (deep learning) و سایر محاسبات پیچیده ارزشمند ساخته است.

۳-کتابخانه TensorFlow یکی دیگر از کتابخانه‌های موجود در زمینه‌ی یادگیری ماشین است. این کتابخانه توسط Google بصورت متن باز توسعه داده می‌شود و به عنوان جایگزینی برای DistBelief، به منظور آموزش شبکه‌های عصبی در نظر گرفته شده است. TensorFlow از سیستمی با گره‌های چند لایه استفاده می‌کند که ما را قادر می‌سازد تا بتوانیم به راه اندازی، آموزش و گسترش شبکه‌های عصبی مصنوعی، بر روی مجموعه داده‌های عظیم بپردازیم. Google با استفاده از همین ابزار است که می‌تواند اشیاء مختلف را درون یک عکس شناسایی کرده و همچنین در ابزار تشخیص صدا، صدا‌های مختلف را شناسایی کند.

در پست های آتی به کاربرد یادگیری ماشینی در اقتصاد و مالی خواهیم پرداخت.

#یادگیری_ماشین
#پایتون_مالی

پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

کاربردهای یادگیری ماشین در اقتصاد و مالی

فرض کنید شما به عنوان یک سیاست گذار اقتصادی مسئول تنظیم بازارها هستید. هر روزه مجبورید هزاران خبر و تحلیل رسمی و غیر رسمی را بخوانید تا بتوانید تصمیم بگیرید در هر بازاری چه باید کرد.
یا فرض کنید شما مسئول خرید شرکت هستید. قرار است 1000 تن فولاد آلیاژی را از طریق واردات خرید کنید. تا زمانی که موجودی انبار شرکت به سطح هشدار برسد یکماه باقیست. با توجه به نوسانات نرخ ارز، نوسانات نرخ فولاد ، هزینه انبار داری، ریسک خوابیدن خط بهترین زمان خرید چه موقع است؟ یا فرض کنید شما چندین نوع فولاد آلیاژی باید خرید کنید که هر کدام شرایط مختلفی دارند. اینها مواردی است که می توانید با یادگیری ماشین به راحتی انجام دهید.
یادگیری ماشین، در معاملات بورس همان کاری را برای سرمایه گذاران می‌کند که آتش برای غارنشینان انجام داد.یعنی توانایی انتخاب بهترین سهم با بهترین قیمت در بهترین زمان. به زبانی دیگر یادگیری ماشین و هوش مصنوعی تکنولوژی‌ای است که بازی بازار بورس را بر هم خواهد زد.
در حالی که نقش نیروی انسانی همچنان در معاملات پررنگ است، نقش یادگیری ماشین روز به روز پررنگ تر می‌شود.
در پست های آتی به بررسی چند مثال خواهیم پرداخت.

#یادگیری_ماشین
#پایتون_مالی

پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

یک کتاب بسیار خوب برای یادگیری ماشین و کاربردهای آن در الگوریتم تردینگ


#پایتون_مالی
#معرفی_کتاب


پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

یک کتاب بسیار خوب برای یادگیری ماشین و کاربردهای آن در الگوریتم تردینگ


#پایتون_مالی
#معرفی_کتاب


پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

پایتون یا R ، مساله این است
یکی از سئوالاتی که خیلی از دوستان طی این چند وقت از من پرسیده اند این است که پایتون بهتر است یا R و کدام را یادبگیریم؟

در ادامه به این سوال پاسخ خواهیم داد.

#پایتون_مالی
#پایتون_R

پایتون برای مالی در تلگرام https://t.iss.one/python4finance
پایتون برای مالی در بله https://ble.im/python4finance

پایتون 🆚 R
پاسخ این سوال بیشتر بستگی به نوع استفاده و هدف شما از به کار گیری این زبان ها دارد. در ادامه به معرفی مزایای هر کدام از این زبان ها می پردازیم.
مزایای پایتون و R:
1️⃣ هر دو رایگان و متن باز هستند.
2️⃣هر دو دارای کامیونیتی گسترده ای هستند. (اگر معنی کامیونیتی را نمی دانید به پست های اول مراجعه نمایید.)
3️⃣هر دو دارای کتابخانه های متعددی هستند.

💪مزایای R:
1️⃣در فضای آمار و ریاضیات استفاده های گسترده ای از R شده است.
2️⃣اگر شما با داده‌های گردآوری و پاک‌سازی شده سر و کار دارید، پس تمرکز اصلی روی تحلیل داده‌ها است و بنابراین، R گزینه مناسبی محسوب می‌شود.


💪مزایای پایتون:
1️⃣پایتون یک زبان برنامه نویسی عمومی است، یعنی استفاده آن محدود به آمار و ریاضیات نمی شود.
2️⃣پایتون یک زبان با خروجی ها متفاوت است. نرم افزار موبایل، خروجی وب، برنامه های تحت ویندوز و ... از جمله خروجی های پایتون هستند.
3️⃣پایتون در تمیز کردن داده ها امکانات بسیار زیادی را در اختیار شما می گذارد. در صورتی که فرد نیاز به کار با داده‌های نامرتب و کثیف داشته باشد، یا نیاز به اسکرپ کردن داده‌ها از صفحات وب و فایل‌ها باشد، پایتون تقریبا بهترین انتخاب شماست.
4️⃣سینتکس (قواعد برنامه نویسی) پایتون بسیار ساده و یادگیری آن بسیار آسان و سریع است.
5️⃣برای پایتون IDE های بسیار زیاد و حرفه ای وجود دارد که استفاده از پایتون را تقریبا برای هر سلیقه ای لذت بخش می سازد.
6️⃣پایتون از R محبوب تر و استفاده آن بیشتر است.

✅جمع بندی نهایی:
کتابخانه های بسیار زیادی در پایتون وجود دارد که به وسیله آنها می توانید کدهای R را درون برنامه های پایتون خود اجرا نمایید و برعکس. (مانند PypeR، pyRserve، rpy2 و ... ) پس بنابر این هر دوی این زبان ها قابل قبول هستند ، اما توصیه شخصی من:
من شخصا پایتون را بیشتر ترجیح می دهم. به عنوان یک برنامه نویس تجربی (منظور برنامه نویسانی است که رشته اصلی آنها نرم افزار نبوده است و نرم افزار ابزار کمکی آنها محسوب می شود) ترجیح می دهم ابزاری داشته باشم که بتوانم در تمام زمینه ها از آن استفاده کنم. علاوه بر آن اگر یک کار گروهی انجام می دهید احتمال اینکه سایر همگروهی های شما به پایتون مسلط باشند بسیار زیاد است. و نکته آخر اینکه بازار کار پایتون در حال حاضر بسیار گسترده تر از R است.

#پایتون_مالی
#پایتون_R

پایتون برای مالی در تلگرام https://t.iss.one/python4finance
پایتون برای مالی در بله https://ble.im/python4finance

یک مثال ساده از یادگیری ماشین در پایتون

همانطور که پیش از این گفته شد، یادگیری ماشین یکی از جذاب ترین های برنامه نویسی است. یعنی کامپیوتر از فرایندهایی که رخ می دهد یاد بگیرد و بهترین تصمیم را اتخاذ نماید، یعنی چیزی شبیه مغز ما البته با سرعت بیشتر و خطای کمتر . عالیه نه؟!
مثلا فرض کنید تصویر 100 مرد را به رایانه نشان دهیم و بعد از آن رایانه هر کسی را که مشاهده کرد، اگر مردی در آن وجود داشت نشان دهد. یا مثلا بتوان با مشاهده قیمت 100 سهم طی سه ماه، روند افزایشی یا کاهشی سهم ها را پیش بینی کرد.
خب بریم سراغ یک مثال عملی. یکی از بهترین کتابخانه های یادگیری ماشین scikit-learn است. ابتدا آن را نصب می کنیم:
pip install numpy scipy scikit-learn
(اگر دستور فوق را نمی شناسید به پست های اول مراجعه نمایید.)
یک مثال معروف در این رابطه مثال تشخیص نوع گل بر اساس سایز کاسبرگ آن است.(petal_sizeاندازه گلبرگ، flower_type نوع گل)
petal_size flower_type
1 a
2 b
1 a
2 b
3 c
4 d
3 c
2 b
5 a
حالا یک گل جدید با اندازه گلبرگ 2.5 به دست ما رسیده است. می خواهیم نوع آن را تشخیص دهیم. برای این موضوع اعداد نزدیک به 2.5 یعنی 2 و 3 را در نظر می گیریم. تعداد تکرار 2 و 3 به ترتیب 3 بار و 2 بار است، بنابرین احتمال زیاد نوع این گل باید از جنس b باشد.
در مثال زیر از دیتاست نمونه iris با حدود 50 داده فرضی استفاده شده است.
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
from sklearn.model_selection import train_test_split

iris_dataset=load_iris()

X_train, X_test, y_train, y_test = train_test_split(iris_dataset["data"], iris_dataset["target"], random_state=0)

kn = KNeighborsClassifier(n_neighbors=1)
kn.fit(X_train, y_train)

x_new = np.array([[5, 2.9, 1, 0.2]])
prediction = kn.predict(x_new)

print("Predicted target value: {}\n".format(prediction))
print("Predicted feature name: {}\n".format
(iris_dataset["target_names"][prediction]))
print("Test score: {:.2f}".format(kn.score(X_test, y_test)))

از آنجایی که کدهای فوق گویا هستند، توضیح اضافه ای نمی دهم و با تست کردن کدهای فوق نتیجه را مشاهده نمایید.

#یادگیری_ماشین
#پایتون_مالی

پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

در پست آینده، مطالب بسیار جذاب و مفیدی در خصوص خودکار سازی فرآیندها (مثلا خودکار سازی معاملات و ... ) را ان شاء الله قرار خواهم داد. پست های آینده را از دست ندهید 😊

پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

اسلایدهای مربوط به درس «مدلسازی مالی با پایتون» دوره تمدید گواهینامه های حرفه ای سازمان بورس

#اسلاید_آموزشی
#پایتون_مالی

پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug
پایتون برای مالی در بله
https://ble.im/python4finance

اسلایدهای مربوط به درس «مدلسازی مالی با پایتون» دوره تمدید گواهینامه های حرفه ای سازمان بورس، جلسه دوم

#اسلاید_آموزشی
#پایتون_مالی

پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug
پایتون برای مالی در بله
https://ble.im/python4finance

یک کتاب بسیار خوب برای «تحلیل ابزارهای مشتقه با پایتون»


#پایتون_مالی
#معرفی_کتاب


پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

یک کتاب بسیار خوب برای «تحلیل ابزارهای مشتقه با پایتون»


#پایتون_مالی
#معرفی_کتاب


پایتون برای مالی در تلگرام
https://t.iss.one/joinchat/AAAAAFGMkouqbsb86Vfzug

از اینکه کانال پایتون برای مالی را به دوستان خود معرفی می کنید بسیار سپاسگزاریم.

پایتون برای مالی در تلگرام https://t.iss.one/python4finance
پایتون برای مالی در بله https://ble.im/python4finance