فینپای | FinPy

#Quant_Insights_Conference
#Portfolio_Management

▫️پنج روز دیگه، کنفرانس مدیریت پرتفو Quant Insights که موسسه CQF اون رو میزبانی میکنه، برگزار خواهد شد. سال قبل، کنفرانس سالانه رو پوشش دادیم و ویدیو پرزنتهای درخواستی مخاطبان رو در کانال به اشتراک گذاشتیم. انشاالله، این کنفرانس رو هم به همون روال براتون پوشش خواهیم داد.

▫️اسلایدها و ویدیوهای کنفرانس سالانه، سال قبل رو میتونید از اسلایدهای روز اول و اسلایدهای روز دوم دانلود کنید. فیلم ارائه های درخواستی مخاطبان رو هم میتونید از پست های زیر دانلود کنید:

Decentralized Finance, Central Bank Digital Coins, Automated Market Makers and Forex of the Future, Professor Alexander Lipton

Using Machine Learning Algorithms to Estimate the Functional Form of Optimal Trading Strategies, Graham Giller

Alternatives to Deep Neural Networks for Function Approximations in Finance, Dr. Alexandre Antonov

@FinPy

#علم_داده_مالی_CFA

دوره اول:

Data and Statistics Foundation for Investment Professionals

جلسه دوم، هفته دوم:

Quantiles

@FinPy

#علم_داده_مالی_CFA

دوره اول:

Data and Statistics Foundation for Investment Professionals

جلسه اول، هفته دوم:

Calculate and Interpret Measures of Dispersion and Explain Deviations from a Normal Distribution

@FinPy

#finpy_tse

▫️عمده هدف ما از انتشار ماژول فینپای، کمک به دانشجویان و محققان بازار سرمایه بوده و هست. در کتابچه ماژول هم، این کار تقدیم شده به محققان بازار سرمایه ایران و بازخوردهای خوب و پیامهای محبت آمیزی از برخی اساتید و دانشجویان تحصیلات تکمیلی امیرکبیر، تهران، خوارزمی و خاتم که از دیتای ماژول در پایان نامه هاشون استفاده میکنند رو داشتیم که دلگرمی بزرگی برامون هست. خوشحالیم که سهم کوچکی در تسهیل پژوهش های بازار سرمایه و خدمت به این کامیونیتی خاص و پیشران توسعه، داریم.

▫️دوست داریم بیشتر از این عزیزان بشنویم و اگر علاقه مند بودند و معذوریت نداشتند، بعد از دفاع، مقاله یا متن پایان نامه شون رو هم در کانال شیر کنیم یا حتی میزبان این عزیزان در پروژه های دیگر فینپای باشیم. اگر شما هم جزء این دسته هستید، به ما پیام بدید.

@FinPy

#اعتبار_اهرمی

قسمت اول

▫️تا حالا براتون سوال پیش اومده که چرا یه بروکر، اهرم مثلا ۱۰۰ یا ۵۰۰ به مشتری هاش میده و هر چی بروکر فشل تر باشه اهرم های بزرگتری در اختیار مشتری هست؟ شاید اولین جوابی که در پاسخ به این سوال به ذهن میرسه، اینه که خوب هر چه پوزیشن ما به کمک اهرم بزرگتر باشه، کمسیون و اسپرد بیشتری نصیب بروکر میشه و بروکر درآمدش از این محل هست. این پاسخ درست هست اما همه ماجرا نیست! در ادامه هر جا اسم بروکر استفاده شده منظور بروکرهایی هستند که به تریدرهای خرد سرویس میدن یعنی به اصطلاح Ratail Broker های OTC. این واژه OTC هم به این معنی هست که بازار مثل بازار مثلا سهام ایران، متمرکز نیست و هسته ای وجود نداره که بروکر ملزم باشه اردرها رو برای مچ و اجرا بفرسته اونجا.

▫️درآمد اصلی بروکرها از محل زیان من و شماست! منظورم این نیست که بروکر کاری میکنه که ما ضرر کنیم و از محل ضرر ما اون سود کنه، نه بروکرها غالبا چنین کاری نمیکنند. این ما هستیم که بازی رو به بازار واگذار کرده و ضرر میکنیم و چون بروکر از این موضوع آگاه هست، اون رو به محل درآمد اصلی خودش تبدیل کرده. در واقع نه همه ما، بلکه ۹۰ درصد ما بازنده هستیم و تریدرهای خرد طبق مطالعات فقط ۱۰ درصدشون سود ده هستند.

▫️بروکرها مشتری هاشون رو به دو دسته تقسیم میکنند، مشتری های بازنده توی A Book و مشتری های برنده توی B Book قرار میگیرند و بروکر در پشت صحنه به طرز متفاوتی سفارشات ارسالی این دو دسته مشتری رو هندل میکنه. در دسته بازنده ها، وقتی یه مشتری سفارشی ارسال میکنه، این سفارش عملا در بازار اجرا نمیشه و بروکر سمت مقابل سفارش شما رو میگیره، یعنی اگر شما خریدار باشید، بروکر فروشنده هست به شما و سفارش خرید شما رو در بازار واقعی اجرا نمیکنه. در نهایت وقتی پوزیشن در ضرر بسته میشه، بروکر علاوه بر کمسیون و اسپرد، ضرر شما رو هم به عنوان سود خودش از معامله شما شناسایی میکنه که بهش میگن OTC Gain. انگار یه جورایی شرطی که با مشتری بسته بود بر بازنده بودنش رو برده و عددی که روش شرط بندی شده بود هم مقدار ضرر مشتری هست! وقتی بروکر به مشتری اهرم میده، در واقع داره به خودش کمک میکنه که کمسیون، اسپرد و OTC Gain بیشتری رو به واسطه امکان گرفتن پوزیشن بزرگتر توسط مشتری، نصیب خودش بکنه. به علاوه اگر مشتری پوزیشن اش رو در طول شب باز نگه داره، برای اون پولی که به عنوان اعتبار اهرمی به مشتری داده، میتونه بهره شبانه هم بگیره و این بهره هر چه اهرم و پوزیشن بزرگتر باشه، بیشتر خواهد بود. به این بهره شبانه swap ،carry و rollover هم میگن که البته میتونه مثبت یا منفی باشه ولی غالبا بازار جوری هست که این بهره از مشتری گرفته میشه.

ادامه دارد ...

@FinPy

#finpy_tse

نسخه جدید finpy_tse با باگ های رفع شده و یک ویژگی جدید!

▫️در نسخه جدید finpy_tse، باگ های مربوط به توابع سابقه ریز معاملات و اردربوک حل شده. علاوه بر این برای تابع پنل هم یک ویژگی جدید اضافه شده که علاوه بر قیمت تعدیل شده، بتونید امکان ساخت پنل قیمت تعدیل نشده رو هم با تغییر پارامتر ورودی param داشته باشید. مقادیر مجاز برای این متغیر Final و Adj Final هستند.

Build_PricePanel(..., param = 'Final', ....)

▫️نسخه جدید 1.0.1 - برای نصب نسخه جدید (1.0.1) ، اگر تا الان finpy_tse رو نصب نکرده بودید از این دستور:
pip install finpy-tse

و اگر نسخه قبلی رو نصب دارید، از یکی از دستورات زیر برای upgrade کردن به نسخه جدید استفاده کنید:
pip install --upgrade finpy-tse
pip install finpy-tse==1.0.1

▫️سورس ماژول هم در گیتهاب در دسترس علاقه مندان هست. در پایان از دوستانی که فکر میکنند، میتونن ویژگی های جدیدی به ماژول اضافه کنند یا پرفرومنس و سرعت ویژگی ها و توابع فعلی ماژول رو بهبود بدن، دعوت میکنم که پیشنهاداتشون رو به این آیدی بفرستند تا بررسی و امکانت مشارکت در توسعه کدهای مربوط به پیشنهاداتشون براشون ایجاد بشه:
@rahimiautomation

@FinPy

#finpy_tse

مروری بر finpy_tse و باگ های آن!

▫️بهمن ماه سال ۱۴۰۰، نسخه 1.0.0 ماژول پایتونی finpy_tse به منظور تسهیل در دسترسی به داده های بورس تهران منتشر شد. در همین مدت کوتاه حدود ۳ ماهه، این ماژول تقریبا توسط ۹۰۰ نفر نصب و مورد استفاده قرار گرفته که آمار مربوطه رو میتونید از اینجا ببینید. همون طور که میدونید هیچ پروژه ای بدون عیب و نقص نیست و حتی سیستم های عامل هم هر از چند گاهی آپدیت هایی برای رفع باگ های موجود در نسخه های قبلی شون ارائه میدن. طبیعتا finpy_tse هم از این قاعده مستثنی نبوده و باگ های جزئی در نسخه 1.0.0 داشت.

▫️باگ های نسخه 1.0.0 - باگ اصلی ماژول مربوط به تابع سابقه ریز معاملات سهم بود و در صورتی که در بازه مورد نظر کاربر، اگر سابقه ریز معاملات یک روز معاملاتی روی سایت TSE وجود نداشت، اجرای تابع با خطا مواجه میشد.

در ۱۰ روز اخیر هم، این تابع و تابع مربوط به جمع آوری سابقه اردربوک سهم به دلیل تغییراتی در سیاست سایت TSE به کل دیتا نمیداد و با خطا مواجه میشد. این مشکلات مربوط به دو تابع زیر بودند و سایر توابع باگی نداشتند.

Get_IntradayTrades_History()
Get_IntradayOB_History()

@FinPy

#معرفی_کتاب

Data Analysis with Pandas

▫️قبلا در مورد اهمیت تسلط بر Pandas مطالبی ارایه شد. در این پست هم آقای دپرادا در خصوص برتری ای که ساختار دیتا فریم Pandas ایجاد میکنه صحبت کرده. این کتاب تمرکز اش بر آموزش این ماژول پایتون هست هر چند در خصوص مصورسازی و ماشین لرنیگ هم صحبت کرده و کتاب جذابی هست. دیتایی هم که استفاده کرده دیتای مالی هست و مطالعه اش به ویژه به دوستانی که در ابتدای راه هستند پیشنهاد میشه.

@FinPy

#ML_for_Algo_Trading

▫️جلسه سیزدهم ارائه کتاب:
Machine Learning for Algorithmic Trading

روز دوشنبه 19 اردیبهشت (امشب) ساعت ۲۰، برگزار خواهد شد. موضوع جلسه:

Data-Driven Risk Factors and Asset Allocation with Unsupervised Learning

(فصل سیزدهم کتاب) خواهد بود. برای شرکت در جلسه از طریق زوم، از این لینک و مشخصات زیر (در صورت نیاز) استفاده کنید:
Meeting ID: 899 2864 0090
Passcode: 12345
در صورتی که ظرفیت زوم تکمیل شده باشد، میتوانید از طریق لایو اینستاگرام جلسه را مشاهده کنید.

▫️برای دانلود کتاب از این لینک و برای دانلود کدهای پایتون کتاب از این لینک میتونید استفاده کنید. جلسات قبل هم در این پلی لیست در یوتیوب بارگذاری شده است.

▫️برای اطلاعات بیشتر در مورد ارائه دهندگان، به وبسایت پرزنتها مراجعه کنید.

@machinelearningnet2
@FinPy

#معرفی_کتاب

Machine Learning for Factor Investing

▫️قبلا در مورد اهمیت Factor Investing مطالبی خدمتتان ارائه شد. این کتاب در خصوص به کارگیری روش های ماشین لرنینگ در Factor Investing بوده و اگرچه زبان مورد استفاده در این کتاب R هست، ولی ایده های توضیح داده شده به راحتی قابل پیاده سازی با پایتون میباشد. برای دوستانی که علاقه مند به این حوزه هستند، مطالعه این کتاب پیشنهاد میشود.

@FinPy

#ماشین_لرنینگ_IBM

دوره اول:

Exploratory Data Analysis for Machine Learning

جلسه پنجم، هفته اول:

Retrieving Data

▫️جلسه در مورد دریافت و خواندن داده مورد نیاز بوده و مباحث مربوط به برنامه نویسی پایتون از این جلسه شروع میشود. ژوپیتر نوتبوک های مربوط به این جلسه هم در بخش کامنت ها قابل دانلود است.

@FinPy

#ماشین_لرنینگ_IBM

دوره اول:

Exploratory Data Analysis for Machine Learning

جلسه چهارم، هفته اول:

Machine Learning Workflow


@FinPy

#معرفی_کانال

▫️دوست عزیزم محمد طلایی یکی از بچه های خوب و با سواد در حوزه کوانت فایننس هست. محمد، ویس های خوب و کاربردی ای در زمینه استفاده از ماشین لرنینگ در بازارهای مالی تهیه میکنه که این یه لیست منتخبی از اونهاست و میتونید در صورت تمایل از کانال خودش دانلود کرده و گوش بدید:

همه رکوردها را پیشبینی نکن! معرفی روش ۲ لایه مبتنی بر دیتاساینس در مدلسازی بازار مالی

چند نکته از مسابقات ماشین لرنینگ برای پیشبینی بازار مالی

در مورد روابط بین متغیرها در سری زمانی و اینکه چرا همبستگی اکثر اوقات بدرد نخور است

مطالب و ویس های جالب دیگری هم در این کانال وجود داره که پیشنهاد میکنم حتما دنبال کنید. اسم کانالشون هم هست:
Deep Time
آیدی کانالشون هم هست:

@deeptimeai

#علم_داده_مالی_CFA

دوره اول:

Data and Statistics Foundation for Investment Professionals

جلسه هفتم، هفته اول:

Intro to Measures of Central Tendency - Weighted, Geometric and Harmonic Mean

@FinPy

#علم_داده_مالی_CFA

دوره اول:

Data and Statistics Foundation for Investment Professionals

جلسه ششم، هفته اول:

Measures of Central Tendency - Median and Mode

▫️این جلسه، جلسه آخر هفته اول کورس اول بود. دوستانی که دنبال میکنند، تا شنبه جلسات و مفاهیم رو مرور کنند و اگر ابهامی داشتند در گروه با سایر دوستان مطرح و بحث کنند. از شنبه هفته بعد، جلسات هفته دوم کورس آپلود خواهد شد. یه نظر سنجی هم خواهیم داشت که اگر دنبال کنندگان از حدی بیشتر باشند، کدها و تمرینات کورس رو هم به اشتراک خواهیم گذاشت!

@FinPy