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

#code by @python4finance
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


🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

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:

1️⃣ 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 است😳)

2️⃣ 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.

3️⃣ 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.

4️⃣ 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.
5️⃣ 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
#AI
پایتون برای مالی


🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

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

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

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

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

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

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

همکاری با کارگزاری مفید
عنوان شغل: مالک محصول در حوزه معاملات الگوریتمی

برای اطلاعات بیشتر به این لینک مراجعه نمایید.

#استخدام
پایتون برای مالی

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

ثبت نام سی و نهمین دوره مدلسازی مالی با python مقدماتی آغاز شد
📌 سرفصل:
➖آموزش مبانی برنامه نویسی به زبان پایتون
➖آموزش مبانی مدلسازی مالی
➖معادله نویسی در پایتون
➖مصورسازی داده ها
➖مبانی آمار توصیفی
➖ارزش زمانی پول
➖بهینه سازی
➖محاسبه بازده و ریسک سهم
➖دریافت داده های مالی بین المللی
➖بررسی موردی بازار سرمایه ایران

📌اطلاعات دوره :
➖مدرس: دکتر محمد صادق کریمی مهرآبادی
➖طول دوره :21 ساعت + رفع اشکال
➖از 28 فروردین ماه 1404 ، روزهای 5 شنبه

✅به پذیرفته شدگان در پایان دوره، گواهی مرکز آموزش های آزاد و مجازی دانشگاه خوارزمی اعطا خواهد شد.
✅ این دوره پیشنیاز ندارد و همه موارد لازم در دوره گفته می شود.
✅ این دوره برای علاقه مندان جهت یادگیری مفاهیم مالی و اقتصادی با پایتون توصیه می شود.
✅ این دوره پیشنیاز سایر دوره های پیشرفته مانند مدلسازی مالی پیشرفته، یادگیری ماشین و ... است. .

اطلاعات بیشتر و ثبت نام:
🌐 khu.zarsuntadbir.ir


#ثبت_نام
پایتون برای مالی

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

برخی تحلیل ها نشان دهنده این است که سال آینده سال کامودیتی‌هاست. علاوه بر فلزات گرانبها که نقش بسیار مهمی در پوشش ریسک دارند، سال آینده احتمالا شاهد تحرکات زیادی در فلزات کاربردی مانند مس خواهیم بود.
در مثال این پست قیمت مس و طلا برای 4 ماه گذشته رسم می شود.

#code by @python4finance
import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt
plt.style.use("ggplot")

gold_data = yf.download("GC=F",period="4Mo", multi_level_index=False)
copper_data = yf.download("HG=F" ,period="4Mo", multi_level_index=False)

gold_data['Close'].plot(label='Gold', color='gold' , figsize=(16, 6))
copper_data['Close'].plot( secondary_y=True, label='Copper', color='brown')
copper_data['Close'].rolling(10).mean().plot( secondary_y=True, label='Copper MA', color='green', style='--')
plt.xlabel('Date')
plt.ylabel('Price')
plt.title('Gold and Copper Prices')
plt.legend()
plt.show()

پایتون برای مالی

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

ضمن گرامیداشت ایام شبهای پرفضیلت قدر و التماس دعا در این ایام، سال جدید را خدمت شما تبریک عرض می کنم و سالی سرشار از موفقیت و به‌روزی زیر سایه رحمت حضرت حق و الطاف امیرالمومنین (ع) برای شما خواستارم.
ارادتمند، کریمی

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

معرفی کتاب «تحلیلگر مالی: راهنمای کاربردی جامع برای مالی کمی در سال 2024: راهنمای جامع پایتون برای امور مالی» به انگلیسی «Financial Analyst: A Comprehensive Applied Guide to Quantitative Finance in 2024: A Holistic Guide to: Python for Finance»

این کتاب، راهنمای جامع و کاربردی برای تحلیلگران مالی است که به دنبال تسلط بر مفاهیم پیچیده و ابزارهای پیشرفته در دنیای مالی مدرن هستند. این کتاب به شما کمک می‌کند تا دانش تئوری را به کاربردهای عملی تبدیل کنید.

اگر به دنبال ارتقای مهارت‌های تحلیلی، بهبود استراتژی‌های سرمایه‌گذاری و درک عمیق‌تر از بازارهای مالی هستید، این کتاب برای شما است. با مثال‌های واقعی، مطالعات موردی و تکنیک‌های عملی، این کتاب نه تنها به شما آموزش می‌دهد، بلکه شما را برای تبدیل شدن به یک تحلیلگر مالی پیشرو آماده می‌کند.

سطح کتاب متوسط است و هم برای مبتدیان قابل درک است و هم برای قدیمی تر ها نکات جدیدی دارد.

#معرفی_کتاب
#پایتون_مالی
#معاملات_الگوریتمی

پایتون برای مالی

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

دانلود کتاب «تحلیلگر مالی: راهنمای کاربردی جامع برای مالی کمی در سال 2024: راهنمای جامع پایتون برای امور مالی» به انگلیسی «Financial Analyst: A Comprehensive Applied Guide to Quantitative Finance in 2024: A Holistic Guide to: Python for Finance»

سال نشر کتاب 2024

#دانلود_کتاب
#پایتون_مالی
#معاملات_الگوریتمی

پایتون برای مالی

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

کتابخانه Dash ، یک کتابخانه بسیار عالی دیگر برای تحویل سریع پروژه ها

یکی از دغدغه های اصلی کاربران بعد از آماده کردن مدل و اجرای آن، تحویل پروژه در قالبی زیبا و قابل فهم است. اگرچه ابزارهای حرفه ای مانند Flask یا Django برای این موضوع وجود دارد اما اغلب به دنبال ابزاری هستیم که بتواند بسیار سریع به ما خروجی مناسبی تحویل دهد.
قبلا در این پست در خصوص کتابخانه Streamlit صحبت کرده بودیم. کتابخانه Dash یکی دیگر از ابزارهای تخصصی برای این موضوع است. خبر خوب اینکه دش توسط تیم توسعه دهنده plotly ایجاد شده است که خیال شما را برای پشتیبانی و سازگاری با سایر کتابخانه ها علی الخصوص خود plotly راحت می کند.

🌐 لینک سایت

#plotly
#Dash


پایتون برای مالی

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

آیا هوش مصنوعی جایگزین برنامه نویسان می شود؟
به عبارت دیگر آیا با وجود هوش مصنوعی لازم است یک زبان برنامه نویسی یاد بگیریم؟

پاسخ به این سوال را در ویدئوی زیر با هم بررسی می کنیم:

🌐 لینک ویدئو

پی نوشت: این ویدئو بخشی از دوره مدلسازی مالی مقدماتی با پایتون است. (لینک)
#ویدئو
#هوش_مصنوعی
#AI
#Video

پایتون برای مالی

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

ثبت نام سی و نهمین دوره مدلسازی مالی با python مقدماتی آغاز شد
📌 سرفصل:
➖آموزش مبانی برنامه نویسی به زبان پایتون
➖آموزش مبانی مدلسازی مالی
➖معادله نویسی در پایتون
➖مصورسازی داده ها
➖مبانی آمار توصیفی
➖ارزش زمانی پول
➖بهینه سازی
➖محاسبه بازده و ریسک سهم
➖دریافت داده های مالی بین المللی
➖بررسی موردی بازار سرمایه ایران

📌اطلاعات دوره :
➖مدرس: دکتر محمد صادق کریمی مهرآبادی
➖طول دوره :21 ساعت + رفع اشکال
➖از 28 فروردین ماه 1404 ، روزهای 5 شنبه

✅به پذیرفته شدگان در پایان دوره، گواهی مرکز آموزش های آزاد و مجازی دانشگاه خوارزمی اعطا خواهد شد.
✅ این دوره پیشنیاز ندارد و همه موارد لازم در دوره گفته می شود.
✅ این دوره برای علاقه مندان جهت یادگیری مفاهیم مالی و اقتصادی با پایتون توصیه می شود.
✅ این دوره پیشنیاز سایر دوره های پیشرفته مانند مدلسازی مالی پیشرفته، یادگیری ماشین و ... است. .

اطلاعات بیشتر و ثبت نام:
🌐 khu.zarsuntadbir.ir


#ثبت_نام
پایتون برای مالی

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

هوش مصنوعی گوگل در خدمت برنامه نویسان

قبلا چند تا مطلب در خصوص #دستیار_هوش_مصنوعی برای برنامه نویسی گذاشته بودم. خوشبختانه گوگل، Gemini هوش مصنوعی خود را با Google Colab ترکیب کرده و در اختیار گذاشته است. (اگر Colab را نمی شناسید Colab یک ابزار رایگان است که در فضای Jupyter Notebook ابری، امکان برنامه نویسی پایتون را فراهم می کند.) البته امکان استفاده از این هوش مصنوعی در IDEهای معروف مثل VSCode و محصولات JetBrains هم وجود دارد.
خیلی راحت می توانید درخواست خود را با زبان ساده بیان کنید و هوش مصنوعی گوگل ادامه کار را انجام می دهد.
در فیلم این پست با امکانات اصلی این هوش مصنوعی آشنا می شوید.

#دستیار_هوش_مصنوعی
#هوش_مصنوعی
#برنامه_نویسی

#AI
#Colab
#Google_Colab

پایتون برای مالی

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

یادگیری ماشین خودکار (Automated Machine Learning)- بخش اول
یکی از دغدغه های اصلی ما در استفاده از مدلهای یادگیری ماشین، انتخاب مدلی است که بهترین شاخص های ارزیابی را داشته باشد. اگرچه با تجربه می توان مدلهای پیشنهادی را برای داده های بخصوص مشخص کرد اما در بیشتر اوقات ناگزیر هستیم چندین مدل را اجرا کنیم تا بتوانیم بهترین مدل را انتخاب کنیم.
یکی از راهکارها برای این موضوع AutoML است. AutoML یک حوزه نوپا است. در واقع با AutoML یک جریان کاری خودکار ایجاد می کنیم که بتواند داده‌های خام را به‌عنوان ورودی دریافت کرده و به‌طور خودکار یک پیش‌بینی تولید کند.

این جریان کاری باید به‌طور خودکار پیش‌پردازش داده‌ها، انتخاب مدل، تنظیم پارامترها، و تمامی مراحل دیگر فرایند یادگیری ماشین را انجام دهد. در واقع AutoML ابزار بسیار کاربردی برای دانشمندان داده می شود و می تواند سرعت تحلیل داده ها را تا حد زیادی افزایش دهد.
در پست های بعدی برخی از ابزارهای AutoML را با هم بررسی خواهیم کرد.

#یادگیری_ماشین_خودکار
#AutoML
#Automated_Machine_Learning

پایتون برای مالی

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

ابزارهای متداول یادگیری ماشین خودکار - بخش دوم
انواع مختلفی از فریم‌و‌رک‌های AutoML وجود دارد که هر کدام ویژگی های منحصر به فردی دارند. هر یک از آنها چند مرحله از یک گردش کار کامل یادگیری ماشین، از پیش پردازش تا توسعه مدل را خودکار کرده اند. در جدول این پست برخی از معروف ترین این فریم‌ورک ها بیان شده است.

#یادگیری_ماشین_خودکار
#AutoML
#Automated_Machine_Learning

پایتون برای مالی

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

بعضی سوالات متداول در خصوص دوره مدلسازی مالی با python :

1️⃣ من اصلا برنامه نویسی بلد نیستم، آیا شرکت در این دوره برای من مناسب است؟
در این دوره همه پیش نیازهای برنامه نویسی پایتون گفته می شود و نیاز به دانش مقدماتی نیست.
2️⃣ شروع کلاس ها از کی است؟
از ۲۸ فروردین روزهای ۵شنبه از ساعت ۹ تا ۱۲
3️⃣ آیا رفع اشکال هم وجود دارد؟
علاوه بر گروه هایی که در شبکه های اجتماعی برای این موضوع ایجاد می شود و پاسخگوی سوالات عزیزان است، جلساتی برای حل تمرین در نظر گرفته شده است و از اساتید حل تمرین برای این موضوع استفاده می شود.
4️⃣ آیا گواهینامه پایان دوره هم اعطا می شود؟
بله، در پایان دوره به عزیزانی که در جلسات حضور منظم داشته باشند و نیز در آزمون نهایی موفق شوند گواهینامه معتبر از دانشگاه خوارزمی اعطا می شود.
5️⃣ دوره های تخصصی مانند یادگیری ماشین یا معاملات الگوریتمی برگزار نمی کنید؟
از آنجایی که برای بهره مندی بهتر از مطالب دوره های تخصصی، داشتن پایه قبلی بسیار مهم است، عموما دوره های تخصصی به صورت خاص و برای دانشپذیران دوره های مقدماتی برگزار می شود.
همچنین با تکمیل فرم پیش ثبت نام (🌐 لینک) زمان کلاس ها به شما اطلاع رسانی می شود.

🟢 همچنین می توانید سوالات خود را در خصوص این دوره از طریق شبکه های اجتماعی (شماره 09203057420 ) با کارشناسان در میان بگذارید.

لینک ثبت نام در دوره:
🌐 Khu.zarsuntadbir.ir

ادامه دارد ...

یک ویدئوی کوتاه برای معرفی همه مدلهای یادگیری ماشین

در این ویدئوی کوتاه و جذاب، همه مدلهای یادگیری ماشین به اختصار و با بیانی ساده توضیح داده می شوند. اگر با یادگیری ماشین آشنا نیستید یا می خواهید نکات اصلی مدلها را یکبار مرور کنید این ویدئو می تواند برای شما مفید باشد.
زبان ویدئو انگلیسی روان است.

#یادگیری_ماشین
#هوش_مصنوعی
#ویدئو
#Machine_Learning
#Video

پایتون برای مالی

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

هوش مصنوعی تفسیر پذیر چیست؟

طی چند سال اخیر مدلهای هوش مصنوعی توسعه بسیاری پیدا کرده اند و در بسیاری از تصمیم گیری ها همراه ما هستند. از اینکه چه تبلیغی در هنگام وب گردی مشاهده کنیم، اینکه چه کالایی در فروشگاه آنلاین به ما نمایش داده شود تا اینکه حد اعتباری ما در بانک چقدر است و چقدر باید حق بیمه پرداخت کنیم. هر چقدر مدلها پیشرفته تر می شوند شیوه عملکرد آنها پیچیده تر می شود و کم کم به جعبه سیاه (Black Box) تصمیم گیری تبدیل می شوند که داده را دریافت و نتایج را اعلام می کنند. تا اینجای کار خیلی هیجان انگیز به نظر می رسد. اما فرض کنید در برابر هوش مصنوعی هستیم که میزان احتمال یک بیماری را اعلام می کند. اگر دلیل این تصمیمات مشخص نباشد، چگونه می‌توان به سیستم اعتماد کرد یا در صورت بروز اشتباه، آن را اصلاح نمود؟
هدف از هوش مصنوعی تفسیر پذیر، ایجاد مدلهایی است که دلایل تصمیم‌گیری آن‌ها برای انسان قابل درک باشد. این شفافیت نه‌تنها اعتماد کاربران را جلب می‌کند، بلکه شناسایی خطاها، کشف سوگیری‌های پنهان و رعایت مقررات حقوقی را نیز تسهیل می‌کند. به‌ویژه در حوزه‌هایی چون پزشکی، حقوق، حمل‌ونقل و مالی، نبود تفسیرپذیری می‌تواند پیامدهای فاجعه‌باری به‌دنبال داشته باشد.
برای تفسیر پذیر کردن هوش مصنوعی ابزارهای بسیار جالبی تولید شده است که در پست های آتی معرفی می شود.

#هوش_مصنوعی
#هوش_مصنوعی_تفسیرپذیر
#Machine_Learning
#Interpretable_Machine_Learning
#Explainable_Artificial_Intelligence

پایتون برای مالی

🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance