#معرفی_دوره_آموزشی
#یودمی
📎 دوره آموزشی:
Time Series Analysis and Forecasting using Python
در یودمی به مدت محدود رایگان شده که از لینک زیر میتونید ثبت نام کنید:
https://www.udemy.com/course/machine-learning-time-series-forecasting-in-python/?couponCode=TMSO1PY
📎 مدرس دوره هندی هست و انگلیسی ساده و نسبتا روانی داره. تقریبا 13 ساعت محتوای آموزشی هست.
📎 تحلیل و پیش بینی سری های زمانی در اقتصاد، فایننس و بازارهای مالی کاربرد زیادی دارند.
@FinPy
#یودمی
📎 دوره آموزشی:
Time Series Analysis and Forecasting using Python
در یودمی به مدت محدود رایگان شده که از لینک زیر میتونید ثبت نام کنید:
https://www.udemy.com/course/machine-learning-time-series-forecasting-in-python/?couponCode=TMSO1PY
📎 مدرس دوره هندی هست و انگلیسی ساده و نسبتا روانی داره. تقریبا 13 ساعت محتوای آموزشی هست.
📎 تحلیل و پیش بینی سری های زمانی در اقتصاد، فایننس و بازارهای مالی کاربرد زیادی دارند.
@FinPy
#پایتون_مقدماتی
#آشنایی_با_متغیرها
📚 در اکثر الگوریتمها نیازمند ذخیرهکردن مقادیری هستیم که برای این کار روی آن مقادیر اسم میگذاریم، مثلاً در قسمت آموزش #ورودی_و_خروجی_گرفتن از s برای نام گذاری متغیر ورودی استفاده نمودیم.
این مقادیر در طول الگوریتم قابل تغییر و دستکاریاند و به آنها متغیر گفته میشود.
📎 در واقع متغیرها ظرفهایی هستند حاوی مقادیر مختلف و میتوان هر از چندگاهی آن ظروف را خالی کرد و با چیزهای دیگری جایگزین کرد. این روند تغییر مقادیر داخل متغیرها باعث میشود الگوریتم کارش را به درستی انجام دهد.
@FinPy
#آشنایی_با_متغیرها
📚 در اکثر الگوریتمها نیازمند ذخیرهکردن مقادیری هستیم که برای این کار روی آن مقادیر اسم میگذاریم، مثلاً در قسمت آموزش #ورودی_و_خروجی_گرفتن از s برای نام گذاری متغیر ورودی استفاده نمودیم.
این مقادیر در طول الگوریتم قابل تغییر و دستکاریاند و به آنها متغیر گفته میشود.
📎 در واقع متغیرها ظرفهایی هستند حاوی مقادیر مختلف و میتوان هر از چندگاهی آن ظروف را خالی کرد و با چیزهای دیگری جایگزین کرد. این روند تغییر مقادیر داخل متغیرها باعث میشود الگوریتم کارش را به درستی انجام دهد.
@FinPy
👍2
#پایتون_مقدماتی
#تبدیل_متغیرها
📚در هنگام کار با متغیر ها باید همیشه نوع آن ها در نظر بگیریم و در صورت نیاز به نوع مد نظر خودمان تبدیل کنیم.
@FinPy
#تبدیل_متغیرها
📚در هنگام کار با متغیر ها باید همیشه نوع آن ها در نظر بگیریم و در صورت نیاز به نوع مد نظر خودمان تبدیل کنیم.
@FinPy
#گزارش_روزانه_بازار_سرمایه
#بازدهی_پرتفو_هم_وزن_به_تفکیک_صنایع
📎 همان طور که مشاهده میکنید، امروز اکثریت صنایع بازار، بازدهی منفی داشتند.
@FinPy
#بازدهی_پرتفو_هم_وزن_به_تفکیک_صنایع
📎 همان طور که مشاهده میکنید، امروز اکثریت صنایع بازار، بازدهی منفی داشتند.
@FinPy
#گزارش_روزانه_بازار_سرمایه
#بازدهی_پرتفو_هم_وزن_به_تفکیک_صنایع
📎 گروه منسوجات تو این روز های اخیر منفی بازار، بازدهی مثبت داشته!
@FinPy
#بازدهی_پرتفو_هم_وزن_به_تفکیک_صنایع
📎 گروه منسوجات تو این روز های اخیر منفی بازار، بازدهی مثبت داشته!
@FinPy
#گزارش_روزانه_بازار_سرمایه
#ارزش_صفهای_خرید_به_تفکیک_صنایع
📎 دلیل اختلافی که در این گزارش برای نهادهای مالی واسط با روند ارزش صف خرید طی روز مشاهده میکنید اینه که این گزارش 15 دقیقه بعد از بسته شدن بازار گرفته شده و تو اون فاصله نماد "انرژی 3" حدود 190 میلیارد تومان سفارش خرید نشسته رو تابلوش در قیمت صف خرید! هر دو گزارش صحیح و برمبنای دیتای TSE هستند و منشا اختلاف از نماد "انرژی 3" از نمادهای نورچشمی هست!
@FinPy
#ارزش_صفهای_خرید_به_تفکیک_صنایع
📎 دلیل اختلافی که در این گزارش برای نهادهای مالی واسط با روند ارزش صف خرید طی روز مشاهده میکنید اینه که این گزارش 15 دقیقه بعد از بسته شدن بازار گرفته شده و تو اون فاصله نماد "انرژی 3" حدود 190 میلیارد تومان سفارش خرید نشسته رو تابلوش در قیمت صف خرید! هر دو گزارش صحیح و برمبنای دیتای TSE هستند و منشا اختلاف از نماد "انرژی 3" از نمادهای نورچشمی هست!
@FinPy
#معرفی_کتاب
Machine Learning for Algorithmic Trading
سطح: متوسط تا پیشرفته
📎 کدهای این کتاب رو میتونید در گیتهاب کتاب به آدرس زیر پیدا کنید:
https://github.com/PacktPublishing/Hands-On-Machine-Learning-for-Algorithmic-Trading
یا از پست زیر داخل کانال دانلود کنید:
https://news.1rj.ru/str/FinPy/177
@FinPy
Machine Learning for Algorithmic Trading
سطح: متوسط تا پیشرفته
📎 کدهای این کتاب رو میتونید در گیتهاب کتاب به آدرس زیر پیدا کنید:
https://github.com/PacktPublishing/Hands-On-Machine-Learning-for-Algorithmic-Trading
یا از پست زیر داخل کانال دانلود کنید:
https://news.1rj.ru/str/FinPy/177
@FinPy
👍2