#پایتون_مقدماتی
#پانداس
#pandas


@FinPy

#پایتون_مقدماتی
#پانداس
#pandas

📎دوستان گرامی از هفته آینده نحوه کار با دیتای سهام رو شروع میکنیم.

@FinPy

#معاملات_رفتاری
#پاسخ_قسمت_سوم

📎 این سناریو، تلفیقی از سناریوی اول و دوم است و بنابراین احتمالا فقط Kris با توجه به اینکه قیمت حوالی حد ضرر اوست، حاضر به فروش سهام خود باشد. بقیه افراد یا در ضرر سنگینی هستند و به اصطلاح locked-in شده اند و یا اینکه قیمت در حوالی قیمت خرید آنهاست و هنوز نتیجه خاصی از سرمایه گذاری خود ندیده اند.

📎 برای مشاهده سایر قسمت ها و پاسخ آنها میتوانید از لینک های زیر استفاده کنید:
قسمت اول
پاسخ قسمت اول
قسمت دوم
پاسخ قسمت دوم

@FinPy

#معاملات_رفتاری
#قسمت_چهارم

📎 بیایید یک بار دیگر شرایطی که یک سهامدار را فروشنده میکند مرور کنیم:
1. سهامدار در سود خوبی باشد، میفروشد تا سیو سود کند و در فرصتی دیگر اقدام به سرمایه گذاری نماید.
2. قیمت سهم به حد ضرر سهامدار نزدیک باشد، میفروشد تا ضرر اش بزرگتر نشده و در سهم گیر نکند.

در شرایط زیر سهامدار به فروش سهم فکر نمیکند:
1. قیمت نزدیک به قیمت خرید سهامدار باشد و به اصطلاح سود یا زیان اندکی وجود داشته باشد.
2. سهامدار در ضرر سنگینی باشد، ترجیح میدهد سهام خود را به امید رشد مجدد قیمت و کم شدن ضرر اش نگه داری کند. (شرایطی که اکثریت مردم الان تو بازار دارن)

📎 حالا یک بار دیگر به 3 سناریوی مطرح شده در قسمتهای قبلی نگاه کنید. این بار به جای اینکه به افراد به صورت تک تک نگاه کنید، سعی کنید به میانگین سود یا ضرر همه سهامدارن توجه کنید. در کدام سناریو تعداد فروشندگان بیشتری داریم؟ هدف ما به عنوان خریدار بررسی میزان عرضه توسط سهامدارن فعلی است و طبیعتا هر چقدر میزان عرضه و فروشندگان بیشتر باشد، خرید برای ما راحت تر خواهد بود. در شکل فروشندگان احتمالی و میانگین سود و ضرر همه سهامداران مشخص است.

@FinPy

#معرفی_کتاب

Machine Learning for Asset Management
سطح: پیشرفته

📎 این کتاب برای دوستانی که در مقاطع تحصیلات تکمیلی هستند و یا بحث های معاملات و سبدگردانی الگوریتمی رو به صورت حرفه ای دنبال میکنند، مرجع خوبی هست برای ایده گرفتن جهت تعریف رساله یا حتی پیاده سازی روش های معرفی شده جهت استفاده در بازار. در واقع کتاب توسط جمعی از نویسندگان تدوین شده و از لحاظ محتوایی بسیار غنی هست. مرجع خیلی خوبی هست و شاید نتونید به راحتی پیداش کنید در اینترنت!

@FinPy

#پایتون_مقدماتی
#پانداس

📎برای مطالعه در خصوص نحوه خواندن فایل های دیگر می توانید به لیک زیر مراجعه نمایید:
https://pandas.pydata.org/pandas-docs/stable/user_guide/io.html

📎برای مطالعه در خصوص کار با کتابخانه سلنیوم نیز می توانید به لینک زیر مراجعه نمایید:
https://selenium-python.readthedocs.io/


📎برای مطالعه در خصوص کتابخانه اسکرپی نیز می توانید به لینک زیر مراجعه نمایید:
https://docs.scrapy.org/en/latest/intro/tutorial.html

📎 برای مطالعه در خصوص کتابخانه BeautifulSoup می توانید به کتابخانه زیر مراجعه نمایید:
https://www.crummy.com/software/BeautifulSoup/bs4/doc/

@FinPy

#پایتون_مقدماتی
#کار_با_فایل
#pandas


@FinPy

#پایتون_مقدماتی
#پایتون_مالی
#کار_با_فایل
#pandas


@FinPy

#ماشین_مطلع_از_دینامیک_بازار

📎 چند وقت قبل، با یه مبحثی به نام Physics Informed Neural Network مواجه شدم که ایده جالبی داشت. یعنی شما یه جورایی به ماشین تون یه سر نخ از دینامیک سیستمی که میخوایید پیش بینی کنید میدید تا بتونه پیش بینی های بهتری انجام بده. قبلا هم با یه سری از دوستانم در مورد نحوه استفاده از ابزارهای هوش مصنوعی در بازار بحثی داشتیم که دوستان با نظر من مخالف و معتقد بودن ماشین باید بتونه خودش الگوهای موجود در بازار رو کشف کنه. اما نظر من این بود که باید ماشین رو از یه سری ویژگی ها و دینامیک بازار مطلع کرد و به عبارتی بهش سرنخی داد تا بتونه پیش بینی های بهتری انجام بده. به عبارتی من طرفدار یه چیزی هستم که شاید بشه بهش گفت ماشین مطلع از دینامیک و قوانین حاکم بر بازار که خیلی شبیه به این ایده شبکه عصبی مطلع از فیزیک هست! شما اگر مدلهای موفق ماشین لرنینگ در مالی رو ببینید، تو همه این مدل ها این سر نخ ها از دینامیک بازار به ماشین داده میشه برای پیش بینی مثل مدلی که آقای دپرادا برای پیش بینی فلش کرش استفاده کرده بودند.
@FinPy

#پایتون_مالی
ادامه مثال تحلیل سهام
همان طور که در اسلاید بالا ملاحظه می نماییم، بوسیله آمار توصیفی می توانیم درک نسبتا خوبی نسبت به داده ها پیدا کنیم و در تحلیل های خودمان از آن استفاده کنیم. به عنوان مثال در اسلاید بالا دیتای فروردین 1399 تا فرودرین 1400 ارائه شده است و به خوبی با مشاهده خروجی آمار توصیفی می توانیم مشاهده کنیم که بیشترین و کمترین بازدهی سهم به چه صورت بوده و میانگین ریسک و بازده آن در طول زمان چطور بوده است. در قسمت بعدی با رسم نمودار بازده و قیمت به مصور سازی داده ها در طول زمان نیز می پردازیم.
#pandas
@FinPy

#پایتون_مالی

📎یکی از کتابخانه هایی که به وسیله آن می توان تاریخ میلادی را به شمسی تبدیل کرد کتابخانه jdatetime است که برای اطلاعات بیشتر در خصوص این کتابخانه می توانید به لینک زیر مراجعه نمایید:
https://pypi.org/project/jdatetime/

#pamsas
@FinPy