معرفی کتاب «پایتون برای مالی و معاملات الگوریتمی (نگارش دوم): یادگیری ماشین، یادگیری عمیق، تحلیل های سری زمانی، مدیریت ریسک و پورتفولو با متاتریدر 5» به انگلیسی «Python for Finance and Algorithmic trading (2nd edition): Machine Learning, Deep Learning, Time series Analysis, Risk and Portfolio Management for MetaTrader™5»


در این کتاب به صورت عملیاتی با مفاهیم مالی و مدیریت پورتفولیو و معاملات الگوریتمی آشنا می شوید. نکته بارز کتاب، سبک کاربردی آن است. همچنین در این کتاب روش های اتصال پایتون به متاتریدر و معاملات زنده توضیح داده شده است.

#معرفی_کتاب
#معاملات_الگوریتمی
#Machine_Learning
#Algorithmic_Trading

پایتون برای مالی

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

دانلود کتاب «پایتون برای مالی و معاملات الگوریتمی (نگارش دوم): یادگیری ماشین، یادگیری عمیق، تحلیل های سری زمانی، مدیریت ریسک و پورتفولو با متاتریدر 5» به انگلیسی «Python for Finance and Algorithmic trading (2nd edition): Machine Learning, Deep Learning, Time series Analysis, Risk and Portfolio Management for MetaTrader™5»


#دانلود_کتاب
#معاملات_الگوریتمی
#Machine_Learning
#Algorithmic_Trading

پایتون برای مالی

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

دانلود سورس کدهای کتاب «پایتون برای مالی و معاملات الگوریتمی (نگارش دوم): یادگیری ماشین، یادگیری عمیق، تحلیل های سری زمانی، مدیریت ریسک و پورتفولو با متاتریدر 5» به انگلیسی «Python for Finance and Algorithmic trading (2nd edition): Machine Learning, Deep Learning, Time series Analysis, Risk and Portfolio Management for MetaTrader™5»


#دانلود_سورس
#معاملات_الگوریتمی
#Machine_Learning
#Algorithmic_Trading

پایتون برای مالی

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

سرمایه‌گذاری مبتنی بر عوامل (Factor Investing) چیست؟

سرمایه‌گذاری مبتنی بر عوامل یکی از رویکردهای مدرن در مدیریت سرمایه‌گذاری است که به‌جای انتخاب سهام بر اساس تحلیل‌های سنتی، از ویژگی‌های خاص و قابل اندازه‌گیری شرکت‌ها استفاده می‌کند. این ویژگی‌ها یا «عوامل» (Factors) می‌توانند بازدهی را در بلندمدت توضیح دهند.
عوامل رایج در این رویکرد:
ارزش (Value): خرید سهام‌هایی که نسبت قیمت به سود یا قیمت به ارزش دفتری پایینی دارند
اندازه (Size): تمرکز بر شرکت‌های کوچک‌تر که پتانسیل رشد بیشتری دارند
مومنتوم (Momentum): سرمایه‌گذاری در سهامی که عملکرد خوبی در گذشته داشته‌اند
کیفیت (Quality): انتخاب شرکت‌هایی با سودآوری پایدار، بدهی کم و مدیریت قوی
نوسان پایین (Low Volatility): سهام‌هایی با نوسان کمتر که معمولاً ریسک پایین‌تری دارند
ترکیب چند عامل می‌تواند عملکرد بهتری نسبت به استفاده از یک عامل داشته باشد. به این رویکرد «چندعاملی» (Multi-Factor Investing) گفته می‌شود.

در پست بعدی، یک مثال ساده با پایتون را با هم بررسی خواهیم کرد.

#Factor_Investing

پایتون برای مالی

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

سرمایه‌گذاری مبتنی بر عوامل (Factor Investing) - بخش دوم
در مثال این پست اطلاعات چند نماد از Yahoo Finance دریافت می شود و سهم هایی که شاخص P/E زیر 25 دارند نمایش داده می شود. عدد ۲۵ به ما اجازه می‌دهد شرکت‌هایی با رشد بالا که هنوز ارزش‌گذاری منطقی دارند را وارد پورتفوی کنیم—مثل برخی شرکت‌های تکنولوژی که سودآورند ولی رشدشان هم چشمگیر است.

#code by @python4finance
import yfinance as yf
import pandas as pd
tickers = ['AAPL', 'MSFT', 'GOOGL', 'TSLA', 'AMZN']
data = []
for ticker in tickers:
    stock = yf.Ticker(ticker)
    info = stock.info
    try:
        pe_ratio = info['trailingPE']
        price = info['currentPrice']
        eps = info['trailingEps']
        data.append({
            'Ticker': ticker,
            'Price': price,
            'EPS': eps,
            'P/E': pe_ratio
        })
    except KeyError:
        print(f"Error on reading data!")
df = pd.DataFrame(data)
value_stocks = df[df['P/E'] < 25]
print("Stocks based on Value:")
print(value_stocks)

#Factor_Investing
پایتون برای مالی

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

رسم نمودارهای جذاب با Pygal
یکی از جذابیت های پایتون، وجود کتابخانه های متنوعی است که هر کدام ویژگی های جالبی را ایجاد می کنند. کتابخانه Pygal به شما امکان ایجاد نمودارهای متنوعی را می دهد که می توانید آنها را به صورت پویا در قالب فایل های Svg ذخیره نمایید. نکته جالب دیگر پشتیبانی این کتابخانه از زبان فارسی است.
در مثال این پست، اطلاعات مربوط به 5 سهم از یاهو فراخوانی شده و بر اساس روش سرمایه‌گذاری مبتنی بر عوامل (Factor Investing) نمایش داده می شوند.
سورس برنامه در پست بعدی ارسال می شود.

#نمودار
#pygal
#Factor_Investing

پایتون برای مالی

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

رسم نمودارهای جذاب با Pygal- بخش دوم

#code by @python4finance
import yfinance as yf
import pandas as pd
import numpy as np
import pygal
from IPython.display import SVG

tickers = ['AAPL', 'MSFT', 'GOOGL', 'TSLA', 'AMZN']
factors = ['Value (P/E)', 'Momentum (6M)', 'Quality (ROE)']

data = []
for ticker in tickers:
    stock = yf.Ticker(ticker)
    info = stock.info
    hist = stock.history(period='6mo')

    try:
        pe = info['trailingPE']
        roe = info['returnOnEquity']
        momentum = (hist['Close'].iloc[-1] - hist['Close'].iloc[0]) / hist['Close'].iloc[0]
        data.append({'Ticker': ticker, 'P/E': pe, 'Momentum': momentum, 'ROE': roe})
    except:
        print(f"Error on reading data")

df = pd.DataFrame(data)

# Normalizing
for col in ['P/E', 'Momentum', 'ROE']:
    col_norm = col + '_norm'
    values = df[col].values
    values = np.nan_to_num(values, nan=np.nanmean(values))
    df[col_norm] = (values - np.min(values)) / (np.max(values) - np.min(values))

radar_chart = pygal.Radar(fill=True)
radar_chart.title = 'Factor Investing مقایسه سهام مختلف بر اساس'
radar_chart.x_labels = factors

for i, row in df.iterrows():
    radar_chart.add(row['Ticker'], [1 - row['P/E_norm'], row['Momentum_norm'], row['ROE_norm']])

radar_chart.render_to_file('multi_factor_radar.svg')
SVG(filename='multi_factor_radar.svg')

#نمودار
#pygal

پایتون برای مالی

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

گزارش تحلیلی 2025 سایت stackoverflow منشتر شد، پایتون اولین زبان محبوب تازه واردین به برنامه نویسی!
در این گزارش که بر مبنای بیش از 49.000 پرسشنامه از 177 کشور انجام شده است، اطلاعات بسیار جذابی در خصوص محبوبیت زبان های برنامه نویسی، ابزارها و کاربردها منتشر شده است که دید بسیار خوبی را به علاقه مندان این حوزه می دهد.

🌐 لینک گزارش

#گزارش
#stackoverflow

پایتون برای مالی

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

دانلود کتاب CFA 2025 Level 2 Volume 1 (Quantitative Methods)
یکی از منابع بسیار عالی برای یادگیری مفاهیم آماری و استفاده از یادگیری ماشین و داده های بزرگ (Big Data) با تمرکز بر مفاهیم مالی

پی نوشت: CFA یا Chartered Financial Analyst معتبرترین مدرک بین‌المللی در حوزه تحلیل مالی و سرمایه‌گذاری است که تخصص و دانش حرفه‌ای فرد را در بازارهای مالی تأیید می‌کند.


#دانلود_کتاب
#روشهای_کمی
#Level2
#CFA
#Quantitative_Methods

پایتون برای مالی
🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

هوش مصنوعی را جدی بگیرید:
بر اساس آخرین اطلاعات سالانه Google Cloud، هوش مصنوعی به صورت محسوسی به رشد کسب و کارها کمک می کند:
• افزایش درآمد: ۵۶٪ سازمان‌ها رشد مستقیم درآمد با GenAI داشته‌اند؛ برخی تا بیش از ۱۰٪ افزایش سالانه.
• افزایش بهره‌وری: ۷۰٪ شرکت‌ها جهش چشمگیر بهره‌وری کارمندان را گزارش کرده‌اند؛ ۴۰٪ گفتند خروجی کارکنان حداقل دو برابر شده.
در گزارش دیگری می خواندم که در حال حاضر در مایکروسافت، حدود 30% از کدها توسط هوش مصنوعی نوشته می شود.

#AI

پایتون برای مالی
🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

میلاد با سرسعادت قطب عالم امکان، خاتم پیامبران، حضرت محمد مصطفی (ص) و پرچم دار شاهراه ولایت علوى امام جعفر صادق (ع) مبارک باد.

@python4finance

برگه خلاصه مرور مقایسه مدلهای یادگیری ماشین

مطالعه این برگه، جهت یادآوری و مرور مطالب توصیه می شود.

#پایتون_مالی
#خلاصه
#برگه_تقلب
#یادگیری_ماشین
#سری_زمانی
#Machine_Learning


پایتون برای مالی

🆔 @python4finance

گزارش جهانی هوش مصنوعی ۲۰۲۵ منتشر شد
این گزارش بیانگر آن است که هوش مصنوعی به یکی از ارکان اساسی تحول دیجیتال و محرک اصلی رشد اقتصادی در سطح جهانی تبدیل شده است. بر اساس داده‌های این گزارش، ۸۷ درصد از سازمان‌ها هوش مصنوعی را در برنامه‌ریزی‌های راهبردی خود لحاظ کرده‌اند، ۷۶ درصد به‌طور فعال از این فناوری بهره‌برداری می‌کنند و ۶۹ درصد از نسخه‌های مولد آن استفاده می‌نمایند. هوش مصنوعی در حوزه‌هایی نظیر سلامت، تولید صنعتی، حمل‌ونقل، و خدمات مالی نقش‌آفرینی کرده و با فناوری‌های نوظهوری همچون اینترنت اشیاء، بلاک‌چین و رایانش کوانتومی هم‌افزایی یافته است. پیش‌بینی می‌شود ارزش بازار جهانی هوش مصنوعی تا سال ۲۰۳۰ از مرز یک تریلیون دلار فراتر رود. با وجود این رشد چشمگیر، چالش‌هایی از جمله مصرف بالای انرژی، آثار زیست‌محیطی، و دغدغه‌های اخلاقی و حقوقی نیز مطرح شده‌اند که نیازمند توجه جدی و سیاست‌گذاری‌های جامع در سطح بین‌المللی هستند

منبع : مؤسسه بین‌المللی توسعه زیرساخت‌های دیجیتال (IDCA)

@DigitalTransformation4all

یک ماژول بسیار خوب برای نمایش سریع داده ها در پایتون - pandasgui
برای عموم ما که بیشتر دنبال تحلیل داده ها هستیم، مشاهده سریع داده ها و بصری سازی آنها بسیار مهم است. قبلا در این پست (لینک) در خصوص ماژول Dtale یکی دیگر از ماژول های نمایش سریع داده ها صحبت کرده بودیم. ماژول pandasgui هم یکی از ماژول های بسیار خوب برای نمایش سریع داده ها و بصری سازی آنهاست. برای کاربران اکسل این ماژول بسیار جذاب است. به کمک این ماژول می توانید دیتافریم های خود را به راحتی بررسی کرده، فیلترهای خاص را در لحظه اعمال و مشاهده و نتیجه را رسم نمایید.

#pandasgui

پایتون برای مالی
🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance