#پایتون_مالی

📎قبلاً در این پست و این پست با کتابخانه پانداس و نامپای آشنا شده بودیم.
همان طور که میدانید کتابخانه pandas نقشی اساسی و بزرگی در حوزه علوم داده دارد. pandas در اصل روی پکیج NumPy ساخته شده است. بنابراین بسیاری از ساختارهای NumPy در pandas نیز تکرار شده اند. داده های تولید شده یا محاسبه شده در pandas معمولا به پکیج هایی مانند SciPy پاس داده می شوند تا تحلیل های آماری پیشرفته تر روی آن ها انجام شود.
📎امروز میخواهیم با یکی از قابلیت های دیگر پانداس آشنا بشویم که به ما کمک میکند داده ها را binning نماییم.
شاید براتون سوال بشه که متد binning چیست؟
متدی هست که برای هموار سازی داده ها یا رسیدگی به داده های نویز به کار می رود. در این متد، اول داده ها مرتب می شن بعد همین داده هایی که مرتبشون کردیم، در تعدادی bin توزیع می شوند.
📎زمانی که می خواهیم مقادیر داده ها در binها را تقسیم بندی و مرتب سازی نماییم، از ()pd.cut استفاده می نماییم.

#finpy_tse
#pandas


@FinPy

#پایتون_مالی

📎برای مطالعه بیشتر در خصوص متد ()pd.cut می توانید به این لینک مراجعه نمایید.

#finpy_tse
#pandas


@FinPy

#جیمز_سایمون
#درسهایی_از_سایمون

▫️قبلا در چند کلیپ، نکاتی از آقای سایمون خدمتتان ارائه شد. در این سری از پست ها درس هایی از آقای سایمون در پنج قسمت به اشتراک گذاشته خواهد شد.

▫️درس اول، یک سیستم معاملاتی برای خود توسعه دهید - در این ویدیو آقای سایمون اشاره میکنه که شما باید یک سیستم معاملاتی به معنی قوانین از پیش تعیین شده ای برای ورود و خروج از پوزیشن های معاملاتی داشته باشید. این قوانین باید در گذشته بازار بررسی و با احتمال بالایی موفق به سودآوری شده باشند. پس از توسعه سیستم معاملاتی تست شده، تنها کاری که باید انجام دهید اجرای آن به دور از احساسات است. ممکن است نتایج یک سیستم معاملاتی مدتی نزولی یا درجا باشد، در چنین شرایطی نباید از سیستم خود نامید شده، آن را کنار گذاشته و به سراغ روش های دیگر بروید. استمرار در اجرای سیستم تست شده، لازمه کسب نتیجه از آن سیستم است. البته همان طور که قبلا در این پست اشاره شد، نباید سیستم شما آلوده به backtest overfit باشد.

@FinPy

#سری_زمانی

▫️اهمیت مطالعه سری های زمانی از این جهت می‌باشد که داده های جمع آوری شده از بازارهای مالی به صورت سری های زمانی هستند.

▫️بیشتر تحلیل‌های موجود در سری‌های زمانی مالی، بر روی "بازده دارایی" به جای "قیمت" آن متمرکز است.

▫️دو دلیل مهم برای این انتخاب وجود دارد:
1. "بازده دارایی" یک خلاصه جامع و بدون نیاز به مقیاس از فرصت سرمایه‌گذاری مورد نظر است.
2. سری زمانی "بازده دارایی" ویژگی‌های آماری جالب‌تری به منظور مطالعه دارد.
#finpy_tse
#Time_series
@FinPy

#سری_زمانی

▫️هدف اصلی تحلیل سری های زمانی توسعه مدل های ریاضی است که توصیف های درستی از داده های نمونه مورد نظر ارائه دهند

▫️مبحث Autocorrelation یا خودهمبستگی بعداً به عنوان ابزار پایه در مطالعه ایستایی سری‌های زمانی مورد استفاده قرار خواهد گرفت.

▫️نمودار موجود در شکل، خود همبستگی شاخص کل بورس تهران را براساس Lag یا تعداد فواصل زمانی قبل از آن بررسی می‌نماید

▫️به منظور به دست آوردن این نمودار میزان خودهمبستگی شاخص کل در زمان t با t-1، t-2 و ... به ترتیب محاسبه شده و از متصل نمودن این داده ها نمودار بالا حاصل می‌شود

▫️نواحی که توسط خطوط موازی و خط چین مشخص شده‌اند نشان دهنده Critical Value می‌باشند که میزان اعتبار خود همبستگی را نشان می‌دهد. اگر خود همبستگی خارج از این ناحیه باشد معتبر است.
#Time_Series
#Autocorrelation
@FinPy

#دیتا_NAV
#صندوقهای_سرمایه_گذاری
#در_سهام
#صدور_ابطال

▫️خیلی از دوستان پیام میدن و در مورد داده های مربوط به NAV صندوق های سرمایه گذاری صدور و ابطال سوال میپرسند. ما این دیتا رو برای 57 صندوق صدور و ابطال در سهام به اشتراک میزاریم تا اگر کسی نیاز داره استفاده کنه.

▫️این داده ها از ابتدای فعالیت هر صندوق رو شامل میشه و دیروز، از سایت خود صندوق ها و با استفاده از پایتون دانلود، تمیز و ذخیره شده اند.

@FinPy

#ML_for_Algo_Trading

📎 جلسه هشتم ارائه کتاب:
Machine Learning for Algorithmic Trading

روز دوشنبه 16 اسفند (امشب) ساعت 20، برگزار خواهد شد. موضوع جلسه:

From Models to Strategy Backtesting

(فصل هشتم 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

#اردر_بوک
#پیش_بینی_قیمت

▫️یکی از روش های پیش بینی قیمت در افق کوتاه مدت، تحلیل سفارشات خرید و فروش اردربوک یک سهم (یا هر ابزار قابل معامله دیگر) است. در این ویدیو، خلاصه ای از یک ایده مبتنی بر ماشین لرنینگ برای پیش بینی جهت حرکت قیمت با استفاده از تحلیل سفارشات خرید و فروش موجود در اردر بوک و تغییرات آن در طول زمان ارائه شده است. توضیحات بیشتر در خصوص این روش از اینجا، مقاله مربوطه از اینجا و کدهای مربوط به روش از اینجا در دسترس شما قرار دارد.

▫️آقای Sebastian Jaimungal استاد دانشگاه تورنتو هم تحقیقات مشابهی با استفاده از RL انجام داده که برای کسب اطلاعات بیشتر میتوانید به صفحه شخصی ایشان مراجعه کنید. در این پست هم کتابی از ایشان معرفی شد که در آن، توضیحات جامعی در خصوص نحوه مدلسازی اردربوک ارائه شده است.

▫️برای پیاده سازی چنین مدل هایی در بازار ایران، به داده های اردر بوک سهم ها نیاز دارید که با استفاده از ماژول finpy-tse و توابع زیر، میتوانید به این داده ها دسترسی داشته باشید:

Get_IntradayOB_History() = تاریخچه اطلاعات اردربوک
Get_MarketWatch() = دریافت اردربوک لایو بازار

@machinelearningnet2
@FinPy

#اردر_بوک
#پیش_بینی_قیمت

▫️روشی که در پست قبلی برای تحلیل اردر بوک به منظور پیش بینی قیمت معرفی شد، از نظر محاسباتی، چه در ترین و چه در اجرا در لایو بازار نیاز به سخت افزار قوی داره و در این ریسرچ هم از سخت افزار خاصی برای پیاده سازی سریع تر این الگوریتم استفاده شده. توی گیتهاب و کد مربوط به این کار هم که در پست قبل آدرس داده شد، هم کد برای GPU و هم کد برای IPU (همون معماری سخت افزاری خاصی که سرعت بیشتری به ترین و اجرای این الگوریتم میده) قرار داده شده. در این ویدیو کوتاه در خصوص موانع سخت افزاری مربوط به الگوریتم صحبت شده.

▫️از نظر ما اگرچه میشه این سیستم رو برای بازار ایران پیاده کرد، اما با توجه به نیاز به سرعت بالا و سخت افزار سریع، این راهکار نمیتونه در لایو بازار با سیستم هایی که ما در اختیار داریم عملیاتی بشه. قطع و وصلی های هسته بازار هم مانع دیگری هست که در مسیر موفقیت این الگوریتم در بازار ایران وجود داره. به علاوه هزینه بالای معاملات در ایران و نبود اهرم یکی دیگه از موانعی هست که حتی در صورت امکان پیاده سازی این الگوریتم، از ارزش معاملاتی اون کم میکنه!

@FinPy

#نظرسنجی
#تقریب_زدن_شاخص_هم_وزن

📎 در نظرسنجی قبل در خصوص تقریب زدن شاخص کل صحبت شد. به نظر شما اگه بخواییم ❌ با تعداد محدودی سهم ❌ یه پرتفو درست کنیم که رفتار شاخص هم وزن رو با تقریب قابل قبولی تقلید کنه، انتخاب اون سهم ها و وزن دهی بهشون چجوری باید انجام بشه؟ دوستان علاقه مند، میتونن نظرشون رو کامنت کنند.

@FinPy

#سری_زمانی

▫️به منظور تحلیل بهتر سری‌های زمانی و همینطور کشف الگوهای موجود در آن‌ها، همواره سعی می‌شود تا یک سری زمانی به اجزا آن تقسیم شود.

▫️هرکدام از اجزا سری زمانی دارای الگوها و همینطور اطلاعاتی هستند که به ما در درک بهتر داده‌ها و همینطور پیش‌بینی آن‌ها کمک می‌کند.

▫️تمام سری‌های زمانی دارای جزء "تراز" بوده، بیشترشان دارای "نویز" هستند و وجود "روند" و "فصلی بودن" در داده ها بستگی به ذات پدیده مورد نظر دارد.

▫️اجزا اصلی که در تحلیل‌ها بسیار استفاده می‌شوند شامل "روند" و "فصلی بودن" هستند.
#Time_Series
#Decomposition
@FinPy

#دیتا_ترکیب_دارایی
#صندوقهای_سرمایه_گذاری
#در_سهام
#صدور_ابطال

▫️قبلا در این پست داده های مربوط به NAV برای 57 صندوق صدور و ابطال در سهام به اشتراک گذاشته شد. در این پست دیتای مربوط به ترکیب دارایی های این صندوق ها در همان بازه زمانی دیتای پست قبل، به اشتراک گذاشته میشه تا اگر کسی نیاز داشت استفاده کنه.

▫️این داده ها که رزولوشن روزانه دارند، از سایت خود صندوق ها و با استفاده از پایتون دانلود، تمیز و ذخیره شده اند. به علاوه ما ترکیب دارایی ها رو در 5 ستون آخر برای هر صندوق در قالب سهام، 5 سهم برتر، بانک و نقد، اوراق و سایر دارایی ها به این دیتا اضافه کردیم تا استفاده ازش راحت تر باشه. به عنوان مثال شما ممکنه علاقه مند به بررسی تغییر ترکیب دارایی صندوق ها در شرایط مختلف بازار باشید که در این صورت می تونید از همون 5 ستون آخر استفاده کنید.

@FinPy

#سری_زمانی

▫️یکی از مهمترین قسمتهایی که برای تحلیل سری‌های زمانی در داده های مالی به کار گرفته می شود، روند است.

▫️جدا نمودن روند و همچنین تشخیص روند همواره برای تحلیل سری های زمانی حائز اهمیت است.

▫️در مباحث آینده مبحث روند به بحث ایستایی سری های زمانی نیز مرتبط می‌شود.

▫️حذف روند در بیشتر اوقات به عنوان روشی برای پاکسازی داده ها استفاده می شود. ( باید دقت داشت که استفاده از داده های مربوط به روند و حذف آن ها بسته به نوع مسئله و میزان اطلاعاتی که در آن موجود است، متفاوت می باشد)

▫️در 3 کتابخانه پایتون روش هایی به منظور تشخیص و حذف روند از داده ها وجود دارد.

#Trend
#Time_Series
@FinPy