TGViewer
Channel Public Channel
فینپای | FinPy

فینپای | FinPy

@finpy

گروه پرسش و پاسخ:
@FinPyGroup

حضور در گروه نیازمند کامل بودن نام، نام خانوادگی و آیدی تلگرامی شما قبل از ارسال درخواست عضویت است.
Open in Telegram
Subscribers
2.33K
Photos
498
Videos
62
Links
259

Showing posts older than #809 · Back to latest

Older Posts 20 shown
Post #808 1.35K
فینپای | FinPy #معرفی_کتاب Gradient Boosting with XGBoost and Scikit-Learn ▫️شاید یکی از قوی ترین ابزارهایی که ماشین لرنینگ در اختیار ما قرار میده Gradient Boosting باشه که در مسابقات Kaggle هم راه حل برنده در بسیاری از رقابت ها بوده و در حل مسایل مالی هم میتونه راهگشا…
@FinPy_Hands_On_Gradient_Boosting_with_XGBoost_and_scikit_learn.epub6 MB
#معرفی_کتاب

▫️فایل EPUB کتاب:

Gradient Boosting with XGBoost and Scikit-Learn


@FinPy
  • 👍 5
Post #806 1.26K
#معرفی_کتاب

Gradient Boosting with XGBoost and Scikit-Learn

▫️شاید یکی از قوی ترین ابزارهایی که ماشین لرنینگ در اختیار ما قرار میده Gradient Boosting باشه که در مسابقات Kaggle هم راه حل برنده در بسیاری از رقابت ها بوده و در حل مسایل مالی هم میتونه راهگشا باشه. این کتاب کمک میکنه که دانش خودتون رو در این خصوص عمق داده و بیشتر با جزیات این ابزار، نحوه پیاده سازی و تنظیم هایپرپارامترهاش آشنا بشید تا بتونید به طور موثرتری در حل مسایل تون ازش استفاده کنید.

▫️در فصل نهم کتاب در مورد ترفندها و تکنیک های Kaggle Master هایی که از XGBoost برای بردن رقابت ها استفاده کردن هم توضیح داده.

@FinPy
  • 👍 9
Post #805 1.09K
#علم_داده_مالی_CFA

دوره اول:

Data and Statistics Foundation for Investment Professionals

جلسه دوم، هفته سوم:

Binomial Distribution

@FinPy
  • 👍 9
Post #804 1.13K
#علم_داده_مالی_CFA

دوره اول:

Data and Statistics Foundation for Investment Professionals

جلسه اول، هفته سوم:

Discrete and Continuous Uniform Distributions and Basic Probabilities

@FinPy
  • 👍 10
Post #802 1.49K
#لیبلینگ_مالی
#لیبلینگ_روند

▫️بعد از دریافت و پیش پردازش داده های مالی و قبل از مدلسازی با روش های Supervised Learning غالبا نیاز هست به این داده ها لیبل زده بشه. لیبل زدن در برخی کاربردها اگر چه توسط عامل انسانی انجام بشه، اما در کاربردهای مالی لیبل زدن به کمک ماشین، یا با یه الگوریتم بدون قابلیت یادگیری و یا به کمک الگوریتم های ماشین لرنینگ انجام میشه.

▫️تعیین روند یا نقاط چرخش قیمت (سوئینگ ها) ، یکی از مواردی هست که اکثر الگوریتم هایی که با قیمت کار میکنند، بهش نیاز دارند. اگرچه روند تغییرات قیمت یه رفتار غیر خطی داره، اما شما میتونید با مدل های خطی ML مثل رگرسیون خطی هم این کار رو انجام بدید. یه نمونه از این روش ها که به Trend Scanning معروف هست، در کتاب آقای دپرادا معرفی شده. ایده اون روش شبیه به چیزی هست که در این ویدیو کوتاه نشون داده شده. با محدود کردن نقاط مربوط به یه رگرسیون خطی، شما میتونید رفتار غیر خطی قیمت رو در بیارید و با توجه به شیب خط رگرس شده، صعودی یا نزولی بودن روند ها رو لیبل بزنید. وقتی هم که روند عوض میشه میتونید نقاط سوئینگ رو مشخص کنید.

@FinPy
  • 👍 10
Post #800 1.38K
#ML_for_Algo_Trading

▫️جلسه هفدهم ارائه کتاب:
Machine Learning for Algorithmic Trading

روز دوشنبه 16 خرداد (امشب) ساعت ۲۰، برگزار خواهد شد. موضوع جلسه:

Deep Learning for Trading

(فصل هفدهم 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
Post #796 1.28K
#معرفی_کتاب

Equity Smart Beta and Factor Investing for Practitioners

▫️در بازارهای سهام، Factor Investing یکی از مهمترین و جذاب ترین موضوعات برای دانشگاهیان و سرمایه گذاران فعال در صنعت هست که البته تو ایران خیلی بهش بها داده نمیشه. قبلا در خصوص اهمیت Factor Investing در چند پست صحبت و منابعی رو معرفی کردیم. مطالعه این کتاب به شما کمک میکنه که بازارهای سهام رو از دریچه جدیدی (متمایز از دریچه تحلیل تکنیکال و بنیادی) ببینید و شناخت بیشتری نسبت به اون کسب کنید. این شناخت به عنوان بخشی از دانش مالی شما، میتونه در ساخت مدل های کارآمدتر با استفاده از ابزارهای ماشین لرنینگ کمک بزرگی بکنه. در سایت CFA هم میتونید از طریق این لینک، Book Review کتاب رو مطالعه کنید.

@FinPy
  • 👍 7
Post #795 1.19K
#چالش_کدنویسی
#چالش_الگوریتم

چالش شماره ۵ - سورتینگ صندوق های سرمایه گذاری از بهتر به بدتر!

▫️فرض کنید داده ای مثل ماتریس فوق به دست شما رسیده که در اون یه تیم مجرب، بر اساس معیارهای مورد قبول و اعتماد صنعت سرمایه گذاری، با مقایسه دو به دو ۱۵ صندوق سرمایه گذاری (استراتژی، سهم یا ...) احتمالی برای برتری یکی بر دیگری مشخص کرده اند. به عنوان مثال صندوق ۱۰ با احتمال حدود ۹۶ درصد (باکس سبز)، عملکرد بهتری نسبت به صندوق شماره ۲ و با احتمال حدود ۳۴ درصد (باکس قرمز) عملکرد بهتری نسبت به صندوق شماره ۵، در افق مد نظر، خواهد داشت. تفسیر بقیه مقادیر این ماتریس هم به همین صورت که گفتم هست.

▫️از شما خواسته شده که بر اساس این ماتریس ارزیابی تهیه شده، این صندوق ها را از بهترین به بدترین سورت کنید. علاقه مندان میتونن الگوریتم، کد پیشنهادی و نتیجه سورتینگ خودشون رو در بخش کامنتها پست کنند.

▫️برای لود کردن دیتا میتوانید از دستور نشان داده شده در شکل استفاده کنید. ماتریس داده هم در بخش کامنتها قابل دانلود میباشد.


@FinPy
  • 👍 8
Post #793 1.14K
فینپای | FinPy #ارزیابی_عملکرد ▫️دو استراتژی سرمایه گذاری A و B با مشخصات زیر را در نظر بگیرید. داده ها مربوط به توزیع بازدهی ماهانه این دو استراتژی هستند. کدام استراتژی، گزینه بهتری برای سرمایه گذاری است؟ A: mean = 0, volatility = 1, skewness = -0.75, kurtosis = 6.06…
#ارزیابی_عملکرد

▫️استراتژی B بهتر از استراتژی A هست. هر دو استراتژی mean و volatility یکسانی دارند اما برای استراتژی A به دلیل fat-tail بودن، بازدهی های اکستریم مثبت و منفی بزرگتری نسبت به استراتژی B که توزیع اش نرماله، وجود داره و اگر به skewness منفی استراتژی A هم توجه کنیم، متوجه میشیم که بازدهی های اکستریم منفی (نسبت به مثبت) برای این استراتژی، بزرگتر اند.

▫️اگر توضیحات بالا رو یه بار مرور کنیم، متوجه میشیم که استراتژی A بازدهی های ماهانه کوچکتری (چه مثبت و چه منفی) حول میانگین، نسبت به استراتژی B داره و به دلیل skewness منفی احتمال اینکه یه بازدهی منفی بزرگ در این استراتژی رخ بده که اون بازدهی های مثبت کوچک رو از بین ببره خیلی بیشتره! به زبان نسیم طالب بخواییم بگیم، استراتژی A بیشتر در معرض وقوع پدیده قوی سیاه بوده! قوی سیاهی که با یه بار وقوع اش بازدهی های مثبت کوچک رو از بین برده و برآیند استراتژی رو منفی میکنه (مثل شکل فوق)!

@FinPy
  • 👍 11
Post #792 1.42K
#مقالات

▫️بخش بزرگی از ایده های افرادی که از ML در توسعه استراتژی های معاملاتی یا سرمایه گذاری استفاده میکنند، از خواندن مقالات مربوطه به دست میاد. خواندن مقالات میتونه زمانبر و گاها خسته کننده باشه. آقای کیان کتان فروش که مدرس علم داده در دانشگاه استنفورد و از هم بنیان گذاران Coursera و Workera هست، در این پست اش به خوبی توضیح داده که فرآیند بررسی و انتخاب مقالات باید به چه شکل باشه.

▫️در خصوص مقالات، پیشنهاد ما بررسی مقالات مرتبط به حوزه علاقه مندی تون در این ژورنال هاست، نه به این معنی که خودتون رو فقط محدود به این ژورنال ها کنید! همچنین به تجربه، ایده هایی که در بازار سهام چین پیاده شده اند، اکثرا در بازار ایران هم ثمربخش هستند.

@FinPy
  • 👍 15
Post #789 1.12K
  • 👍 4
Post #788 1.14K
#ارزیابی_عملکرد

▫️دو استراتژی سرمایه گذاری A و B با مشخصات زیر را در نظر بگیرید. داده ها مربوط به توزیع بازدهی ماهانه این دو استراتژی هستند. کدام استراتژی، گزینه بهتری برای سرمایه گذاری است؟

A: mean = 0, volatility = 1, skewness = -0.75, kurtosis = 6.06

B: mean = 0, volatility = 1, skewness = 0, kurtosis = 3

▫️در صورتی که با مفهوم skewness و kurtosis آشنا نیستید، این ویدیو را مشاهده کنید.

@FinPy
  • 👍 3
Post #787 1.06K
#علم_داده_مالی_CFA

دوره اول:

Data and Statistics Foundation for Investment Professionals

جلسه چهارم، هفته دوم:

Skew and Kurtosis

@FinPy
  • 👍 3
Post #786 1.01K
#علم_داده_مالی_CFA

دوره اول:

Data and Statistics Foundation for Investment Professionals

جلسه سوم، هفته دوم:

Measures of Dispersion

@FinPy
  • 👍 2
Older posts →
Threads Profile ViewerView any public Threads profile without an account.Open ThreadLook →Writing with AI? Make it sound human.Metric37 rewrites AI drafts so they read naturally. Free AI detector, 1,500 words free.Try Metric37 →