معرفی سه سایت بسیار خوب برای تمرین برنامه نویسی
اگر شما از جمله برنامه نویسان علاقه مند به یادگیری پایتون به کمک مثال های جذاب و کاربردی هستید، این سه سایت برای شما بسیار کاربردی هستند، (البته به جز پایتون برای سایر زبان های برنامه نویسی هم مفید هستند):
1️⃣ سایت leetcode.com
بیشتر از 3000 سوال برنامه نویسی برای ارتقاء برنامه نویسی شما دارد. در خود سایت هم می توانید کدهای پایتون خود را بنویسید
2️⃣ سایت hackerrank.com
این سایت بر اساس دسته بندی های مختلف، سطح برنامه نویسی شما را محک می زند.
3️⃣ سایت exercism.org
این سایت هم سوالات متعددی برای آموزش و یادگیری دارد.

#معرفی_سایت
#تمرین

لینک عضویت در چالش های پایتون برای مالی:
t.iss.one/python4finance_challenge

معرفی کتاب «مصورسازی داده ها در پایتون 3 به کمک ChatGPT / GPT-4» به انگلیسی «Python 3 Data Visualization Using ChatGPT / GPT-4»

تعامل با هوش مصنوعی به کمک چت جی‌پی‌تی بسیار کاربردی و جذاب است. در این کتاب می‌توانید کار با داده‌ها و مصورسازی داده‌ها را با کمک چت جی‌پی‌تی به راحتی انجام دهید. ابتدا در 6 فصل اول کتاب، توضیحات کاملی از پایتون، Numpy ، Pandas، Matplotlib ، Seaborn داده می‌شود و بعد از آن فرآیند کار با داده‌ها و مصورسازی با ChatGPT توضیح داده می شود.


#معرفی_کتاب
#چت_جی‌پی‌تی

#ChatGPT
#GPT-4
پایتون برای مالی
🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

دانلود کتاب «مصورسازی داده ها در پایتون 3 به کمک ChatGPT / GPT-4» به انگلیسی «Python 3 Data Visualization Using ChatGPT / GPT-4»


#دانلود_کتاب
#چت_جی‌پی‌تی

#ChatGPT
#GPT-4
پایتون برای مالی
🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

میلاد با سعادت مولی الموحدین، امیر المومنین حضرت علی علیه السلام مبارک.
@python4finance

یکی از اصلی ترین نیازهای سخت افزاری در پردازش های هوش مصنوعی، پردازنده های قوی است. معمولا برای پردازش های سنگین از GPU استفاده می شود. در تصویر زیر مقایسه ای بین نرخ رشد سهام شرکت مایکروسافت ، گوگل و NVDIA (اصلی ترین تولید کننده کارت های گرافیکی) را مشاهده می نمایید. رشد بی سابقه قیمت سهام این شرکت در مقایسه با قول های نرم افزاری دنیا مانند مایکروسافت و گوگل نشان دهنده اقبال بسیار زیاد به هوش مصنوعی است.

#code by @Python4finance
import yfinance as yf
import matplotlib.pyplot as plt
plt.style.use('ggplot')
df=yf.download("NVDA GOOG MSFT",start="2023-01-01", progress=False)["Adj Close"]
df=df/df.iloc[0]
df.plot(figsize=(16,6))
plt.show()

پایتون برای مالی
🆔 @python4finance

سامانه جدید بانک اطلاعات سری‌های زمانی اقتصادی کشور
معمولا بانک مرکزی کشورها، متناوبا اطلاعات جامعی را در خصوص متغیرهای اصلی اقتصادی منتشر می کنند. در ایران هم بانک مرکزی متصدی این موضوع بود و از سال 85 سامانه ای را برای این موضوع راه اندازی کرده بود. خوشبختانه از چند روز پیش نسخه جدید این سامانه بارگذاری شده است.
این سامانه مشتمل بر بیش از یک هزار و پانصد متغیر مهم اقتصادی است که لازمه‌ی انجام بسیاری از کارهای تحقیقاتی و پژوهشی کشور می‌باشند. این اطلاعات در ۱۳ سرفصل کلی شامل عناوین ذیل طبقه بندی شده‌اند.
- بخش خارجی
- متغیرهای پولی و اعتباری
- بورس
- شاخص‌های قیمت
- انرژی
- صنعت و معدن
- ساختمان و مسکن
- حمل و نقل
- کشاورزی
- امور اجتماعی
- نیروی انسانی و اشتغال
- حساب‌های ملی
- وضعیت مالی دولت

اساتید، دانشجویان و محققین می توانند به اطلاعات هر یک از متغیرهای اقتصادی در عناوینی که بیان شد با تواترهای سالانه، فصلی و ماهانه در بازه های زمانی طولانی دسترسی داشته باشند.

🌐 آدرس سامانه: tsdview.cis.cbi.ir

پایتون برای مالی
🆔 @python4finance

اگر به موضوعات اقتصاد و تحول دیجیتال علاقه مند هستید، گاه نوشته های خودم در این خصوص رو در این کانال با شما به اشتراک می گذارم. خیلی خوشحال می شوم اگر اون رو هم دنبال کنید...

عضویت در کانال تحول دیجیتال 👇👇👇👇👇👇
t.iss.one/DigitalTransformation4all

میلاد با سعادت امام حسین (ع)،حضرت عباس(ع) و حضرت امام سجاد(ع) مبارک.

#مناسبت

🆔 t.iss.one/python4finance

ایجاد نقشه حرارتی در دیتافریم
بسیاری از اوقات می خواهیم با یک نگاه رابطه بین متغیرها رو بررسی کنیم. یکی از بهترین نماگرها برای این موضوع، نقشه حرارتی است. به کمک پانداس به راحتی می توان نقشه حرارتی را تشکیل داد.
در مثال این پست، رابطه همبستگی بین بازدهی سهام چند شرکت از ابتدای 2024 بررسی و نقشه حرارتی آنها نیز مشخص می شود.

import pandas as pd
import yfinance as yf
df=yf.download(["GOOG","META","MSFT","AMZN","AAPL"],start="2024-01-01")["Adj Close"].pct_change().corr()
df.sort_values("AAPL",axis=0).style.format().background_gradient()

#پانداس
#همبستگی
#نقشه حرارتی
#pandas
#heatmaps

🆔 t.iss.one/python4finance

او خواهد آمد و جهان را پر از عدل و داد خواهد کرد ...
میلاد مسعود امام عصر، حضرت مهدی موعود (عج) مبارک.

#مناسبت

🆔 t.iss.one/python4finance

یک ماژول بسیار سریع برای بک تست، vectorbt
یکی از دغدغه های معامله گران الگوریتمی، سرعت پردازش داده ها است که بعضا نیازمند استفاده از سیستم های بسیار قدرتمند و یا پردازش با استفاده از GPU است. vectorbt یک ماژول پایتون برای تجزیه و تحلیل کمی است که رویکرد جدیدی را برای بک تست اعمال می کند، در واقع این ماژول، داده‌های پیچیده را به‌عنوان آرایه‌های NumPy (ساخت‌یافته) در نظر می گیرد تا هر داده‌ای را با سرعت و مقیاس تجزیه و تحلیل کند. این امکان، بررسی و تحلیل هزاران استراتژی را در چند ثانیه فراهم می کند.
ماژول vectorbt متن باز، سریع و راحت است و در حال حاضر کامیونیتی خوبی هم دارد. اگر شما هم از جمله معامله گران الگوریتمی هستید سری به سایت آن به نشانی vectorbt.dev و مخزن دریافت آن به این آدرس بزنید.

#بک_تست
#معاملات_الگوریتمی
#Backtest
#vectorbt
#Algorithmic_Trading

🆔 t.iss.one/python4finance

معرفی کتاب «یادگیری عمیق برای مالی: ایجاد مدلهای یادگیری ماشین و یادگیری عمیق برای ترید در پایتون» به انگلیسی «Deep Learning for Finance: Creating Machine & Deep Learning Models for Trading in Python»

در این کتاب که مشتمل بر 12 فصل است، مباحث یادگیری ماشین و یادگیری عمیق همراه با مثال های کاربردی پایتون بیان می شود. تاریخ چاپ این کتاب 2024 است.


#معرفی_کتاب
#یادگیری_عمیق

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

دانلود کتاب «یادگیری عمیق برای مالی: ایجاد مدلهای یادگیری ماشین و یادگیری عمیق برای ترید در پایتون» به انگلیسی «Deep Learning for Finance: Creating Machine & Deep Learning Models for Trading in Python»

#دانلود_کتاب
#یادگیری_عمیق

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

حلول سال نو و بهار پرطراوت که مقارن با بهار قرآن شده است را خـدمت شمـا و خانواده محترم تبریک و تهنیت عرض نموده و سالی سرشار از برکت و معنویت را ازدرگاه خداوند متعال و سبحان برای شما مسئلت می نمایم.
ارادتمند، محمدصادق کریمی مهرآبادی

#مناسبت

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

ماژول دریافت اطلاعات از بورس تهران (TSETMC) - نسخه 5.60

خیلی از عزیزان درخواست داشتند امکان دریافت اطلاعات شاخص کل هم به ماژول اضافه شود. در این نسخه اطلاعات شاخص کل هم قابل دستیابی است. برای استفاده از نسخه جدید tsemodule، کافی است فایل جدید را جایگزین نسخه قبلی نمایید. (اگر در خصوص نحوه نصب ماژول پست های قبلی را نخوانده اید می توانید به راحتی این فایل را در مسیری که پایتون نصب شده است کپی کنید.)
برای کسب اطلاعات بیشتر در خصوص tsemodule و نحوه دریافت اطلاعات از بورس تهران، به این لینک مراجعه نمایید.
با استفاده از دستور tm5.ver مطمئن شوید که از ورژن 5.6 استفاده می کنید.
تغییرات اخیر ماژول:
- دریافت اطلاعات شاخص کل
- نصب خودکار ماژول های مورد نیاز
- بهبودهای جزئی در عملکرد برنامه

گیت هاب: لینک
#tsemodule


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

دریافت اطلاعات شاخص کل و مقایسه همبستگی شاخص کل با نماد شستا (مثال)
در مثال این پست که بر اساس ماژول tsemodule5 نوشته شده است، اطلاعات شاخص و نماد شستا برای 50 روز اخیر دریافت و رسم می شود و همبستگی میان آنها نمایش داده می شود.

#code by @python4finance
import tsemodule5 as tm5
import matplotlib.pyplot as plt
import pandas as pd
plt.style.use("ggplot")
tehranindex=tm5.index(value=50,progress=False)
shasta = tm5.stock("شستا",value=50,progress=False,standard=True,newfile=True)
df=pd.DataFrame({"tehranindex":tehranindex["Close"],"shasta":shasta["Close"]},index=tehranindex.index)
df["tehranindex"].plot(figsize=(15,6),label="Tehran Index")
df["shasta"].plot(secondary_y=True,label="Shasta Stock")
print("Correlation is:",round(df.corr().iloc[0,1],2)*100,"%")
plt.legend()
plt.show()

#tsemodule


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

وقتی سرمایه گذاری می کنی اما سرمایه گذار بدشانسی هستی!

#طنز

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

انتخاب داده، نمونه گیری و بازنمونه گیری در یادگیری ماشین
انتخاب داده ها، نمونه گیری (Sampling) و بازنمونه گیری (Resampling) داده ها از مباحث بسیار ضروری در یاگیری ماشین است. در این ویدئو مثل همیشه با نگاهی کاربردی (و نه آماری تخصصی) به موارد زیر خواهیم پرداخت:
🖊شیوه صحیح انتخاب داده های Train و Test
🖊شیوه نمونه گیری (Sampling)
🖊روش های نمونه گیری مجدد (Resampling)
🖊جایگشت (Permutation)
🖊اعتبار سنجی متقابل Cross-validation (CV)
🖊جک نایف (Jackknife)
🖊بوت استرپ (Bootstrap)

➖ برای مشاهده ویدئو اینجا کیک کنید

#پایتون_مالی
#انتخاب_داده
#نمونه_گیری
#یادگیری_ماشین
#ویدئو
#Algorithmic_Trading
#Sampling
#Reampling
#Machine_Learning
پایتون برای مالی در تلگرام
🆔 t.iss.one/python4finance
🆔 ble.ir/python4finance

ضمن آرزوی قبولی طاعات و عبادات شما در این ایام، از همه عزیزان در این شب های عزیز التماس دعا دارم.

#مناسبت


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