حل مدل های تعادل عمومی پویای تصادفی(DSGE) با پایتون
یکی از مشکلاتی که در مدلسازی های اقتصاد کلان کلاسیک با آن مواجه بودیم، ثابت در نظر گرفتن باقی متغیرها و اجرای مدل بود. این موضوع باعث می شد تا تحلیل ما تحلیل جامعی نباشد و بتوان به آن اشکالات زیادی وارد کرد. برای رفع این موضوع مدل های جدیدی در اقتصاد رایج شد که همزمان خانوار، بخش خصوصی، دولت و بخش خارجی را در نظر می گیرد و شوک های وارد به آن را محاسبه می کند. یکی از بهترین نرم افزارها برای این موضوع نرم افزار Dynare است که تحت نرم افزار Matlab مدل ها را اجرا می کند.
خوشبختانه به لطف پایتون شما می توانید مدل های DSGE خود را صرفا با پایتون و بدون نیاز به نرم افزار دیگری Run نمایید.
کتابخانه PyMacLab که کتابخانه آزمایشگاه اقتصاد کلان است به راحتی قادر است این مدل ها را برای شما حل نماید.(لینک)
در مباحث پیشرفته به معرفی مدل های DSGE و حل آن ها با پایتون خواهیم پرداخت.

#پایتون_اقتصاد
#DSGE

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

سری های زمانی در پایتون
خب، نوبت آن فرارسیده است که وارد بحث بسیار شیرین و پرکاربرد سری های زمانی در پایتون و کاربرهای عملی آن در مالی و اقتصاد بپردازیم.
اما قبل از آن لازم است تا توضیحات مختصری در این خصوص را خدمت شما عرض نماییم.
معمولا داده های آماری در سه گروه بررسی می شوند:
1- داده های سری زمانی(Time Series Data): همانطور که از نام آن بر می آید این داده ها مقادیر یک یا چند متغیر را طی یک دوره زمانی ارائه می کند. در واقع هدف اصلی در بررسی سری های زمانی ایجاد یک مدل آماری برای داده‌های وابسته به زمان براساس اطلاعات گذشته آن پدیده است.
برای پاسخ به سوالات زیر از سری های زمانی استفاده می کنیم:
الف- وضعیت تولید ناخالص داخلی ایران در مواجهه با تحریم ها چه تغییری داشته است.
ب- بهترین زمان برای خرید سهم A طی سه سال گذشته چه زمانی بوده است.
ج-چگونه ارزش شاخص سهام یک کشور با تغییر مولفه های اقتصادی کلان آن کشور تغییر می کند.
2- داده های مقطعی (Cross-Sectional Data): اگر مقادیر یک یا چند متغیر در یک برش زمانی مشخصجمع­­آوری می­شود داده های مقطعی ایجاد شده است. مثلا قیمت انواع نان در روز 28 شهریور 98 در کشور ایران
برای پاسخ به سوالات زیر از داده های مقطعی استفاده می کنیم:
الف- بازده متوسط سهام شرکت های پذیرفته شده در بورس ایران در سال 98
ب- مقایسه GDP کشورهای مختلف جهان در سال 98
3- داده های تابلویی، یا پنل یا ترکیبی (Panel Data): این نوع داده ترکیبی از دو نوع داده قبلی هستند و شامل مشاهداتی برای چندین بخش مختلف ( مثلا خانوار، بنگاه و...) هستند که در طی زمان‌های مختلف جمع‌آوری شده‌اند.
برای پاسخ به سوالات زیر از داده های پنل استفاده می کنیم:
الف- بررسی رابطه ماهیانه بین سود و بازده شرکتهای بورسی در طی 12 ماه سال 1398
ب- مقایسه GDP کشورهای مختلف از سال 1990 تا امروز

#پایتون_مالی
#انواع_داده_ها
#سری_زمانی

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

مقایسه انواع داده ها


#پایتون_مالی
#انواع_داده_ها
#سری_زمانی

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

سری های زمانی در پایتون
به طور کلی، ساختار سری های زمانی در چهار گروه قابل تفسیر است:
1- روند (Trend): تمایل سری زمانی به افزایش، کاهش یا حتی ثابت بودن را روند می گویند.
2- تناوب (Cyclic): تغییرات یکسان و تکراری در مقاطع میان‌مدت، تناوب در سری زمانی نامیده می‌شود.
3- فصل (Seasonal): در سری زمانی، تغییراتی که در دوره‌ای کوتاه‌تر از یک تناوب به صورت تکراری رخ می‌دهد، به تغییرات فصلی معروف است.
4- تغییرات پیش بینی نشده (Unexpected): اثر عامل تصادفی پیش بینی نشده بر سری زمانی را تغییرات پیش بینی نشده می نامیم. این تغییرات بعد از شناسایی توسط تحلیل گر از سری زمانی حذف می شوند در غیر اینصورت نتایج حاصل از تحلیل سری زمانی ممکن است گمراه کننده باشند. به این مورد باقیمانده یا residual هم گفته می شود.
#پایتون_مالی
#ساختار_سری_زمانی
#سری_زمانی

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

شما را به جمع متخصصین پایتون مالی ایران دعوت می کنیم.
+ آموزش پایتون، نکات ریز و ترفندها
+ کاربرد پایتون در اقتصاد و مالی
+ دانلود منابع و کتاب های آموزشی
+ آشنایی با آخرین مدل های مالی
+ استفاده از پایتون در تحلیل بورس داخل، خارج و رمز ارزها
و ...


عضویت در کانال پایتون برای مالی👇👇👇

https://t.iss.one/python4finance

مدلسازی گام تصادفی (Random Walk) در پایتون
فرضیه گام تصادفی (که به آن ولگشت هم گفته می شود) نمایانگر حالتی است که مقدار آتی یک متغیر وابسته به مقدار حال آن به اضافه یک مقدار تصادفی است. به عنوان مثال، مسیر طی شده توسط یک مولکول هنگام حرکت درون گاز یا مایع، مسیر حرکت یک حیوان علف‌خوار، نوسانات قیمت سهام و ...؛ مواردی است که می‌تواند با گام تصادفی مدل‌سازی شود.
xt=xt−1+wt
که wt بیانگر جزء تصادفی است که دارای خصوصیات وایت نویز است. (بعدا راجع به وایت نویز صحبت می کنیم.)
یک مدل گام تصادفی به صورت زیر در پایتون قابل پیاده سازی است.
import numpy as np
import matplotlib.pyplot as plt
x = w = np.random.normal(size=1000)
for t in range(1000):
x[t] = x[t-1] + w[t]
plt.plot(x)
plt.show()

#پایتون_مالی
#مدلسازی_سری_زمانی
#سری_زمانی

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

تفکیک بخش های یک سری زمانی
همانگونه که پیش از این اشاره شد، یکی از اهداف ما در سری های زمانی، شناخت روند، تناوب ها، تغییرات فصلی و موارد نامشخص است. یکی از کتابخانه های خوب پایتون برای کار با داده های سری زمانی کتابخانه Statsmodels است. برای مثال استخراج روند، تغییرات فصلی و موارد پیش بینی نشده در مثال فرض زیر به این صورت خواهد بود.

import numpy as np
from matplotlib import pyplot
from statsmodels.tsa.seasonal import seasonal_decompose
x = w = np.random.normal(size=100)
for t in range(100):
x[t] = x[t-1] + w[t]
result = seasonal_decompose(x, model='additive', freq=1)
result.plot()
pyplot.show()

#پایتون_مالی
#مدلسازی_سری_زمانی
#سری_زمانی

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

خود همبستگی(Auto correlation) سری زمانی
در داده هاي سري زماني، مشکل شايع خود همبستگي يا همبستگي پياپي است كه بر روي جملات اخلال در دوره هاي مختلف وجود دارد.
يکي از دلايل وجود همبستگي پياپي يا خود همبستگي اين است كه عوامل موثر از سري زماني حذف شده است، عواملي كه مانند متغيرهاي موجود در مدل مهم و با يکديگر ارتباط دارند.
import matplotlib.pyplot as plot
import numpy as np
# Time series data
data = np.array([24.40,10.25,20.05,22.00,16.90,7.80,15.00,22.80,34.90,13.30])
plot.acorr(data, maxlags=9)
plot.title('Autocorrelation of XYZ stock price data')
plot.xlabel('Lag')
plot.ylabel('Autocorrelation')
plot.show()
#پایتون_مالی
#همبستگی_سری_زمانی
#سری_زمانی

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

میانگین متجرک چیست؟ (فیلم آموزشی)

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

میانگین متحرک (Moving Average) چیست؟
از آنجایی که امکان پیش‌بینی برای سری‌های زمانی ناایستا (Non-stationary) به راحتی امکان پذیر نیست، بهتر است عواملی که باعث خارج شدن سری زمانی از حالت ایستایی هستند، حذف شوند. به این ترتیب باید مولفه‌های شناسایی شده در سری زمانی را حذف کنیم. به این کار «هموار سازی» (Smoothing) یا «صافی» (Filtering) می‌گویند. روش‌های مختلفی برای هموارسازی سری زمانی وجود دارد. عملگرهای میانگین متحرک، هموارسازی نمایی ساده، روش‌های تفاضل‌گیری و … به حذف مولفه‌های سری زمانی کمک می‌کنند.

نگاه اقتصادی و مالی:
میانگین متحرک یکی از اندیکاتورهای مهم و مورد استفاده فراوان در تحلیل تکنیکال است که با حذف نوسانات قیمتی کمک می‌کند تا سرمایه‌گذار بتواند تصویر بهتری از متوسط قیمت و روند قیمتی را ترسیم کند.
میانگین متحرک یکی از شاخص‌های قیمتی دنباله رو است، چراکه متوسط قیمت سهام در گذشته را نشان می‌دهد (برای مثال 50، 100 یا 200 روز گذشته). دو نوع میانگین متحرک وجود دارد:

1- میانگین متحرک ساده یا Simple Moving Average
2- میانگین متوسط تصاعدی یا Exponential Moving Average

میانگین متحرک ساده تنها متوسطی از قیمت سهام در بازه زمانی مورد نظر است، ولی نحوه محاسبه میانگین متحرک تصاعدی بصورتی است که هرچه قیمت به انتهای بازه زمانی (قیمت فعلی) نزدیک‌تر می‌شود، وزن سنگین‌تری را در محاسبه میانگین ایفا میکند.
به بیانی دیگر میانگین متحرک تصاعدی همان میانگین وزنی متوسط قیمت است که قیمت‌های اخیر وزن بیشتری را در محاسبه در بر‌دارند. هرچند که نحوه محاسبه این شاخص‌ها مهم نیستند چراکه بسیاری از سایت‌ها آن را برای شما فراهم می‌کنند.

#پایتون_مالی
#میانگین_متحرک
#سری_زمانی

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

میانگین متحرک ساده (SMA)
در پایتون روش های زیادی برای محاسبه میانگین متحرک ساده وجود دارد. در این درس تابعی برای این منظور نوشته شده است که به راحتی میانگین متحرک را برای داده های فرضی ما محاسبه می کند.

#پایتون_مالی
#میانگین_متحرک
#سری_زمانی

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

کتاب Python for Finance نگارش دوم. یک کتاب بسیار خوب برای علاقه مندان به یادگیری پایتون برای کاربردهای مالی


#پایتون_مالی
#معرفی_کتاب


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

کتاب Python for Finance نگارش دوم. یک کتاب بسیار خوب برای علاقه مندان به یادگیری پایتون برای کاربردهای مالی


#پایتون_مالی
#معرفی_کتاب


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

آشنایی با مدل autoregressive moving average)ARMA )

در خصوص میانگین متحرک پیش از این صحبت کردیم. برای ادامه بحث لازم است به این سوال پاسخ بدهیم که خود همبستگی (Autoregressive) جیست؟
اگر در یک سری زمانی، مقدار t ام یک متغیر به مقدار t-1 همان متغیر وابسته باشد به آن سری زمانی خود همبسته می گوییم.
معمولا برای بررسی سری زمانی ایستا از مدل اتورگرسیو مرتبه اول یا دوم استفاده می‌شود. مدل اتورگرسیو مرتبه اول به صورت زیر است:

X(t)=a0+a1X(t−1)+Z(t)
سری زمانی های AR مانا هستند و به راحتی می توان مقدار سری زمانی را در هر لحظه محاسبه کرد.
یکی از مدل هایی که برای پیش بینی در مالی استفاده می شود مدل ARMA است. مدل ARMA زمانی مناسب است که سیستم تابعی از شوک‌های مشاهده ناپذیر باشد. برای مثال قیمت سهام که علاوه بر شوکهای اطلاعاتی در بازار تحت تأثیر شوک‌های رفتاری آحاد نیز هست. در ادامه به بررسی مدل ARMA در مالی و شیوه استفاده از آن در پایتون خواهیم پرداخت.

#پایتون_مالی
#مدل_ARMA
#سری_زمانی

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

شما را به جمع متخصصین مالی ایران دعوت می کنیم.

+ آموزش کامل پایتون از مبتدی تا حرفه ای
+ دانلود منابع و کتاب های آموزشی
+ دانلود فیلم و صوت های آموزشی
+ آموزش کتابخانه های پایتون (Numpy،Scipy، Matplotlib و ...)
+ دانلود سورس کدهای مثال های آموزشی
+ استفاده از پایتون در تحلیل های اقتصادی و مالی
+ استفاده از کتابخانه های تخصصی پایتون برای بورس و تحلیل تکنیکال
+ تحلیل بازارهای بین المللی و جایگزینی برای MQL
+ تحلیل ارزهای دیجیتال و بلاک چین با پایتون

و ...


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

تمرین پایتون - تمرین 1
با توجه به درخواست برخی از دوستان عزیز در خصوص ارائه تمرین برای یادگیری بهتر، چندین تمرین به تناوب در کانال قرار خواهد گرفت.
برنامه ای با پایتون بنویسید که جدول ضرب را نمایش دهد.

#پایتون_مالی
#جدول_ضرب
#تمرین

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

پاسخ تمرین 1

#پایتون_مالی
#جدول_ضرب
#تمرین

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

تمرین پایتون - تمرین 2
برنامه فوق را به نحوی تکمیل کنید که جدول ضرب به صورت ردیف بندی شده و مرتب نمایش داده شود.

#پایتون_مالی
#جدول_ضرب
#تمرین

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

پاسخ تمرین 2


#پایتون_مالی
#جدول_ضرب
#تمرین