Python4Finance

برنامه نویسی غیر همزمان یا Asynchronous در پایتون (بخش دوم)

برای انجام دو کار به صورت غیر همزمان باید آنها را به عنوان تابع تعریف کنیم. برای تعریف یک تابع برای اجرای غیرهمزمان از کلمه کلیدی async در تعریف تابع استفاده می کنیم. کلمه await هم برای فراخوانی یک تابع غیر همزمان است.
خیلی بحث را پیچیده نکنیم و با یک مثال مفهوم را بررسی کنیم.
در مثال این پست یک تابع تعریف شده که عمل چاپ دو کمله one و two را انجام می دهد. چاپ این دو کلمه در یک تابع است و در حالت عادی، تابع زمانی که شروع می شود از ابتدا تا انتهای دستورات را انجام می دهد. اما می خواهیم تاخیری که در چاپ کلمه two وجود دارد روی عملکرد باقی تابع تاثیر نگذارد.
خروجی بسیار جالب است.

#برنامه_نویسی_غیر_همزمان
#پایتون_مالی

#Async_Features
#Asynchronous_programming

پایتون برای مالی در تلگرام
🆔 https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

بعضی پیام ها اینقدر زیبا هستند که ارزش چندین و چند باره خواندن را دارند. از تمام دوستان بزرگواری که با پیام های پر از مهر و محبت خود انرژی ویژه ای می دهند صمیمانه تشکر می کنم.
#پیام
عضویت در کانال پایتون برای مالی👇👇👇
🆔 t.me/python4finance

برنامه نویسی غیر همزمان یا Asynchronous در پایتون (بخش اول)

یکی از امکانات بسیار جالبی که از پایتون 3.7 به بعد اضافه شده است، برنامه نویسی غیر همزمان است.
فرض کنید به عنوان یک معامله گر می‌خواهیم اطلاعات مربوط به 100 سهم را از tsetmc دریافت کنیم و برای اطمینان همان اطلاعات را از منبع دیگری مثلا fipiran دریافت و اطلاعات را با هم تطبیق دهیم.
در حالت عادی لازم است تا اطلاعات مربوطه از tsetmc دریافت شود (این عمل برای حجم زیاد داده ممکن چندین ثانیه طول بکشد و ممکن است به دلیل کندی اینترنت یا دلایل دیگر بیشتر هم شود) و بعد مجددا همین زمان برای fipiran هم طی می شود. به کمک برنامه نویسی غیرهمزمان می توان این کار را همزمان انجام داد و زمان انجام کارها را تا حد زیادی پایین آورد.
این موضوع وقتی برنامه شما تعداد زیادی request داشته باشد بیش از پیش حائز اهمیت می شود.
در پست بعد، یک مثال در خصوص برنامه نویسی غیر همزمان را با هم بررسی خواهیم کرد.

#برنامه_نویسی_غیر_همزمان
#پایتون_مالی

#Async_Features
#Asynchronous_programming

پایتون برای مالی در تلگرام
🆔 https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

محاسبه همبستگی بازده چند سهم با ffn
یکی از بهترین ماژول‌های پایتون برای تحلیل گران مالی، ماژول ffn است. در واقع ماژول BT که برای بک تست استفاده می شود بر اساس این ماژول نوشته شده است.
در مثال این پست، بازده 4 سهم اپل، مایکروسافت، متا(فیسبوک) و گوگل محاسبه و نمودار همبستگی آن رسم می شود. کل این فرآیند تنها در 6 خط انجام شده است.

#بازده
#همبستگی
#پایتون_مالی
#بک_تست
#backtest
#ffn

پایتون برای مالی در تلگرام
🆔 https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

سال نو مبارک.
برایتان سالی سرشار از موفقیت، بهروزی و تندرستی آرزومندم.
ارادتمند شما- محمدصادق کریمی

نرخ رشد مرکب سالانه (CAGR)
معمولا برای محاسبه میزان بازدهی یک دارایی در طول زمان بسته به نیاز، از معیارهای مختلفی مانند نرخ بازده ساده، نرخ بازده لگاریتمی، میانگین حسابی، میانگین هندسی و ... استفاده می شود. یکی دیگر از معیارهای مقایسه بازدهی متوسط، میانگین نرخ رشد سالانه یا (CAGR) : Compound annual growth rate یک سرمایه‌گذاری است که در دوره‌های طولانی‌تر از یک سال انجام می‌پذیرد. از CAGR عموما برای مقایسه سرمایه‌گذاری های مختلف با یکدیگر استفاده می‌شود. برای محاسبه CAGR، نسبت ارزش سرمایه‌گذاری در پایان دوره به اول دوره‌ محاسبه می‌شود. س‍پس این نسبت به توان معکوس سال‌های سرمایه‌گذاری می‌رسد و در انتها مقدار ۱ از آن کسر می‌گردد.
در تصویر این پست مثالی برای محاسبه CAGR قرارداده شده است.

#بازده
#نرخ_رشد
#مدلسازی_مالی
#پایتون_مالی
#CAGR

پایتون برای مالی در تلگرام
🆔 https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

مفهوم YTD چیست؟
در بسیاری از ماژول‌های تحلیل و بک تست عبارت 1Year و YTD را در کنار هم می بینیم. در واقع YTD یا Year to Date به معنای محاسبه شاخص مورد نظر شما از ابتدای سال مالی جاری تا امروز است. برای مثال اگر شما بازده یک سهم را در نظر بگیرید بازده یکساله با 1Y و بازده از ابتدای سال مالی تا امروز با YTD نمایش داده می شود. عموما تحلیل گران و مدیران صنایع، برای مقایسه عملکرد شرکت با مدت زمان مشابه سال قبل از YTD استفاده می کنند. البته YTD می تواند گمراه کننده هم باشد خصوصا زمانی که از ابتدای سال زمان زیادی نگذشته باشد.

#مدلسازی_مالی
#پایتون_مالی

پایتون برای مالی در تلگرام
🆔 https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

دانلود کتاب «یادگیری ماشین برای مدیریت ریسک مالی در پایتون» به انگلیسی «Machine Learning for Financial Risk Management with Python»
آنچه در این کتاب می خوانید:
در فصل اول مفاهیم اصلی مدیریت ریسک برسی می شود.
فصل دوم به مفاهیم سری های زمانی می پردازد.
در فصل سوم مدلهای یادگیری عمیق برای سری های زمانی معرفی می شود.
فصل چهارم به پیش بینی تلاطم (volatility) اختصاص دارد.
در فصل پنجم به کمک مدلهای یاگیری ماشین، کارایی مدلهای ریسک سنتی بهبود می یابد.
در فصل ششم تلاش شده است تا رویکرد جامع یادگیری ماشین برای تخمین ریسک اعتباری معرفی شود.
فصل هفتم به معرفی مدل (Gaussian Mixture) برای نقدینگی می پردازد.
فصل هشتم ریسک عملیاتی را پوشش می دهد.
فصل نهم هم ریسک حاکمیت شرکتی را بررسی می کند.
و نهایتا در فصل دهم از داده های مصنوعی برای برآورد ریسک های مالی مختلف استفاده می شود.

پی نوشت: از تاخیر زیادی که این مدت در ارائه محتوا پیش آمد پوزش می خواهم و از عزیزانی که پیگیر این موضوع بودند متشکرم. ان شاء الله با سبک تر شدن حجم کارهای پایان سال بیشتر فعال خواهم بود 🤲.

عضویت در کانال پایتون برای مالی
t.me/python4finance

معرفی کتاب «یادگیری ماشین برای مدیریت ریسک مالی در پایتون» به انگلیسی «Machine Learning for Financial Risk Management with Python»

انتشارات oreilly یکی از انتشاراتی است که قدم های خوبی را در بحث های نوین مالی برداشته است. البته به نظر من کتابهای این انتشارات به لحاظ رنکینگ در سطح اول قرار ندارد اما مشاهده رویکرد فنی حاکم برای این کتاب ها خالی از لطف نیست.
یکی از کتاب های جدید این انتشارات که در دسامبر 2021 منتشر شده است کتاب «یادگیری ماشین برای مدیریت ریسک مالی در پایتون» است. این کتاب در ده فصل ارائه شده است و مفاهیم مختلف ریسک را با استفاده از زبان پایتون تحلیل می کند.



✅عضویت در کانال پایتون برای مالی
t.me/python4finance

پیش ثبت نام برای دوره های سال 1401
طی سه سال گذشته افتخار این را داشتم که بیش از 1500 نفر از فعالان اقتصادی و بازار سرمایه را با دنیای علم داده و تحلیل اطلاعات با پایتون آشنا کنم. در این مسیر دوستان بسیار خوبی پیدا کردم و از این عزیزان نکات بسیار زیادی را هم فرا گرفتم.
ان شاء الله در سال آینده هم مانند سه سال قبل در خدمت عزیزان خواهم بود.
اگر علاقه مند به شرکت در این دوره ها هستید، با تکمیل کردن کردن فرم زیر در زمان ثبت دوره ها، اطلاعات ثبت نام برای شما ارسال خواهد شد.

🌐 لینک پیش ثبت نام

عناوین دوره ها:
➖ مدلسازی مالی مقدماتی با پایتون (پیشنیاز سایر دوره ها)
➖ مدلسازی مالی پیشرفته با پایتون
➖ الگوریتم تریدینگ با پایتون
➖ آمار و احتمال علم داده
➖ سری های زمانی با پایتون و کاربرد آن در صنعت مالی
➖ تحلیل‌گر داده های اقتصادی و مالی با پایتون
➖ یادگیری ماشین با پایتون
➖ دوره جامع علم داده و کاربرد آن در کسب وکار
➖ تحلیل ابزار مشتقه در پایتون
➖ تحلیل سبد سرمایه گذاری ارزهای دیجیتال در پایتون
➖ اقتصاد سنجی کاربردی با پایتون
➖ مروری بر داده های بزرگ اقتصادی در پایتون


✅عضویت در کانال پایتون برای مالی
t.me/python4finance

ضریب سورتینو (Sortino Ratio) چیست؟
ضریب شارپ و ضریب سورتینو هر دو شاخص هایی برای محاسبه بازده تعدیل شده بر اساس ریسک هستند. در ضریب شارپ ریسک به طور کلی در نظر گرفته می شود اما در سورتینو صرفا ریسک نامطلوب لحاظ می شود.
همانند نسبت شارپ هرچه نسبت سورتینو یک سرمایه گذاری بالاتر باشد مناسب تر خواهد بود.
در این ویدئوی آموزشی مفهوم ضریب سورتینو به زبان ساده توضیح داده می شود.
#سورتینو
#ریسک
#بازده
#مدلسازی_مالی
#پایتون_مالی
#ویدئو
#Sortino_Ratio
#python4finance


✅عضویت در کانال پایتون برای مالی
t.me/python4finance

دستورات جادویی در Jupyter Notebook

دستورات جادویی، دستوراتی هستند که امکانات ویژه ای را خارج از چارچوب پایتون به ژوپیتر می دهند. در واقع این دستورات جادویی در IPython تعریف شده اند و چون کرنل ژوپیتر از IPython استفاده می کند در ژوپیتر هم قابل استفاده هستند.
دستورات جادویی با % شروع می شوند.
برای دریافت اطلاعات بیشتر می توانید به این لینک مراجعه نمایید.
کاربردی ترین دستورات جادویی در تصویر این پست نمایش داده شده است.

#دستورات_جادویی
#ژوپیتر
#پایتون_مالی

#IPython
#Jupyter_Notebook
#magic_commands


t.me/python4finance

عرض تبریک به مناسبت میلاد با سعادت مولی الموحدین، امیر المومنین، اسد الله الغالب، حضرت علی ابن ابیطالب (ع).

t.me/python4finance

دانلود کتاب «مالی کمی کاربردی: استفاده از پایتون برای تحلیل مالی » به انگلیسی «Applied Quantitative Finance: Using Python for Financial Analysis »




#معرفی_کتاب
#تئوری_مالی
#پایتون_مالی

#Quantitative_Finance
#Financial_Theory


t.me/python4finance

معرفی کتاب «مالی کمی کاربردی: استفاده از پایتون برای تحلیل مالی » به انگلیسی «Applied Quantitative Finance: Using Python for Financial Analysis »

خیلی وقت بود دنبال یک کتاب برای معرفی به دانشجویان کارشناسی و ارشد مالی می گشتم. این کتاب یک کتاب نسبتا ساده است که مفاهیم پایه مالی را به زبان ساده و البته مثال های کاربردی در پایتون بیان می کند.



#معرفی_کتاب
#تئوری_مالی
#پایتون_مالی

#Quantitative_Finance
#Financial_Theory


t.me/python4finance

دانلود کامل جلسات
مرور کتاب «يادگيري معاملات الگوريتمي با پايتون- Learn Algorithmic Trading»

در این سلسله جلسات یک دوره مفاهیم پایه ای معاملات الگوریتمی را تدریس شده است.
جلسه اول(مقدمه)
جلسه دوم (مفاهیم)
جلسه سوم (تحلیل تکنیکال)
جلسه چهارم (یادگیری ماشین 1)
جلسه پنجم (یاگیری ماشین 2)
جلسه ششم (مدیریت ریسک)
جلسه هفتم (بک تست)

✅ دریافت آموزش های پایتون و کاربرد آن در اقتصاد، مالی و بازار سرمایه👇👇👇
#مرور_کتاب
پایتون برای مالی در تلگرام
🆔 https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

4 نمودار کاربردی برای یادگیری ماشین
4- نمودار scatter_matrix

و اما آخرین نمودار، نمودار ماتریس پراکنش که به آن Pair Plot هم گفته می شود رابطه چند متغیر کمی را با هم در نمودارهای پراکنش نمایش دهند. این نمودار برای کشف همبستگی بین متغیرها بسیار کارآمد است و دید بسیار خوبی به کاربر پیش از شروع مدلسازی می دهد.

#یادگیری ماشین
#نمودار ماتریس پراکنش
#نمودار scatter_matrix

#Machine_learning

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

4 نمودار کاربردی برای یادگیری ماشین
3- نمودار lag_plot
وقتی صحبت از سری زمانی می کنیم، همیشه مفهوم خود همبستگی به ذهن متبادر می شود. قضیه از این قرار است که می خواهیم متوجه شویم مقدار متغیر جدید آیا کاملا تصادفی است یا به نوعی با مقدار قبلی خود ارتباط دارد. این موضوع علاوه بر اینکه دید خوبی در خصوص سری زمانی به ما می دهد، پیشنیاز اجرای بسیاری از مدلهاست.
در مثال این پست، قیمت سهم خساپا برای 300 روز اخیر دریافت می شود. یکبار نمودار قیمت پایانی، یکبار lag_plot برای یک روز و یکبار برای 5 روز در سه نمودار نمایش داده می شود.

#یادگیری ماشین
#نمودار lag_plot

#Machine_learning

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

خیلی از دوستان در خصوصی می پرسند که چطور برنامه خود را بهینه کنیم و آیا اصولا برنامه ما بهینه است.
پاسخ این سوال بسیار مشکل است و عمده بهینه سازی علاوه بر شم برنامه نویسی به تجربه شما بستگی دارد. اما مسیری که می توانید کدهای خود را بهینه کنید این است:
«کد بزنید و همواره کدهای دیگران را ببینید و از آن ایده بگیرید »
کانال چالش ها با این هدف شکل گرفت که در مسائل مختلف از سخت و آسان، پیشرفته یا ساده کدهایمان را با هم به اشتراک بگذاریم.
➖تا کنون 10 چالش مطرح شده است و به طور متوسط در هر چالش حدود 20 نفر مشارکت کرده اند.
➖ مشاهده سبک کد نویسی شرکت کنندگان در چالش ها، به شما در نوشتن برنامه ایده جدید می میدهد.

شما را هم به جمع برنامه نویسان چالشی دعوت می کنم.
از آنجایی که کدها همیشه باقی مانند، می توانید در چالش های قبلی هم شرکت کنید.
عضویت در کانال چالش های پایتون:
🌐 https://t.me/joinchat/ShPXE4sMCpg5ZWQ0

4 نمودار کاربردی برای یادگیری ماشین
2- نمودار Bootstrap
قبل از توضیح نمودار، ابتدا مفهوم بوت استرپینگ را با هم بررسی کنیم. بوت‌استرپ تکنیکی برای بهبود مکرر عملکرد یک الگوریتم است. در حالتی که بتوان فرض کرد مجموعه‌ای از مشاهده‌ها از جمعیتی مستقل و به‌طور مساوی توزیع شده می‌باشد، بوت استرپینگ می‌تواند با ساخت تعدای بازنمونه پیاده‌سازی شود، که هرکدام از این بازنمونه‌ها، در واقع نمونه‌هایی تصادفی با جایگذاری از مجموعه داده‌های اصلی هستند.
در حالت عالی، جامعه ما یک میانگین و میانه (و بالتبع واریانس) واحدی دارد اما نمونه های مختلفی که از جامعه می گیریم دارای مقادیر مختلف میانگین، میانه و واریانس هستند.
در نمودار Bootstrap مقادیر مختلف میانگین، میانه و میدرنج و همچنین نمودار هیستوگرام آنها نمایش داده می شود که دید بسیار خوبی به تحلیل گر در خصوص نمونه های مختلف می دهد. طبعیتا اختلاف زیاد در نمودارها نشان دهنده وجود داده های پرت و عدم همگن بودن نمونه های مختلف است.

#یادگیری ماشین
#نمودار بوت استرپ
#Bootstrap
#Machine_learning

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