#لیبلینگ_مالی

▫️ بعد از دریافت و پیش پردازش داده های مالی و قبل از مدلسازی با روش های Supervised Learning گاها نیاز هست به این داده ها لیبل زده بشه. روش های مختلفی برای لیبل زدن به داده های مالی وجود داره که شرکت Hudson and Tames در این پرزنتیشن کوتاه به معرفی اونا پرداخته. بخشی از این روش ها برگرفته از کتاب آقای دپرادا و بخش دیگری از مقالات و کتب دیگر گرفته و در این پرزنتیشن کوتاه معرفی شدند. البته روش های لیبل زدن فقط به اینها محدود نمیشه و شما میتونید بسته به نیاز، به داده هاتون لیبل بزنید!

▫️ویدیو این ارائه رو میتونید از اینجا در یوتیوب ببینید.

فایل پرزنتیشن:

Labeling (Hudson and Tames Presentation)

@FinPy

#لیبلینگ_مالی
#شاخص_کل
#رژیم_نرمال_کرش

▫️یه نمونه از کاربردهای لیبلینگ، لیبل زدن رژیمهای نرمال و کرش بازار هست. قبلا در پستهای مختلف اشاره کردیم که در رژیم کرش نمیشه با دایورسیفای کردن و ... جلو ضرر رو گرفت و مطالبی در این خصوص ارائه کردیم. در این شکل ما با استفاده از روش Trend Filtering اومدیم و شاخص کل رو برای شناسایی رژیمهای نرمال و کرش (نواحی قرمز) لیبل زدیم تا بعد با استفاده از فیچرهایی که درست کردیم، سعی در پیش بینی رژیم های کرش و خروج از بازار قبل از وقوع اش داشته باشیم. در واقع کاری که لیبلینگ انجام میده، پیش بینی نیست بلکه آماده کردن داده برای مدلی هست که پیش بینی میکنه! روش Trend Filtering هم یه روش مبتنی بر ماشین لرنینگ هست و با Trend Scanning آقای دپرادا فرق داره!

@FinPy

#پیر_تریدینگ

▫️برای دوستانی که علاقه مند به حوزه pair trading و statistical arbitrage هستند، این کتابچه آموزشی که توسط شرکت Hudson and Tames تهیه شده، میتونه منبع و نقطه شروع خوبی برای یادگیری شون باشه. تو کانال یوتیوب این شرکت هم تعداد زیادی ویدیو در خصوص این موضوع وجود داره که هنگام مطالعه کتابچه میتونید با یه کلیک ساده به صفحه مربوط به اون ویدیو در یوتیوب هدایت بشید.

▫️فایل کتابچه آموزشی:

The Definitive Guide to Pair Trading



#pair_trading

@FinPy

#ماژول_فینپای
#دامنه_نوسان
#صف_خرید_فروش

▫️همون طور که میدونید، سازمان بورس قصد داره دامنه نوسان رو به مرور و به صورت پله ای افزایش بده. کاربران ماژول finpy_tse توجه داشته باشند که این موضوع تاثیری در عملکرد توابعی از ماژول که صف خرید و فروش رو محاسبه میکنند نداره چون این توابع قیمت حد بالا و پایین مجاز روز هر سهم رو برای محاسبات صف خرید و فروش استفاده میکنند و با درصد نوسان مجاز کاری ندارن. در نتیجه همچنان میتونید با خیال راحت داده های مربوط به صف خرید و فروش رو استفاده کنید.

#finpy_tse

@FinPy

#معرفی_کتاب

Advanced Portfolio Management (A Quant's Guide for Fundamental Investors)

سطح: متوسط

▫️این کتاب پیشنهاد یک دوست (همکار آقای دپرادا در ADIA) هست که بخشی از متن معرفی کتاب رو که در وبلاگش گذاشته براتون عینا نقل قول میکنم:

This book won’t teach you anything about how to source and develop trade ideas; It will simply assume that you have an edge in predicting future excess returns (for stocks), or at least selecting a basket of stocks that have high chance to beat the market. Given this predictive edge, still many things can go wrong between the trade ideas and the portfolio performance: poor sizing and timing, unrealistic returns/risk targets, unsuitable leverage, and ultimately hitting stop-losses before the realization of your edge. The book aims at giving fundamental investors some heuristics (based on quant methods) to avoid these pitfalls.

@FinPy

#رویداد

▫️به اطلاع دوستانی که علاقه مند به گپ و گفت حضوری با آقای دکتر براک هستند میرساند که ایشون روز یکشنبه هفته آینده یه سخنرانی در دانشگاه تهران خواهند داشت. حضور در این رویداد برای عموم آزاد بوده و در صورت تمایل میتونید شرکت کنید.

"سلام دوستان،
فرصتی فراهم شد بصورت حضوری در دانشکده اقتصاد دانشگاه تهران، میزبان شما باشم. برنامه به صورت سخنرانی در زمینه استفاده از ماشین لرنینگ در فاینانس و استارت آپ های مالی خواهد بود ، اما بیشتر هدف سوال و جواب و بحث آزاد و ملاقات حضوری شماست.

زمان: یکشنبه ۲۸ فروردین ساعت ۳
مکان: سالن شهید جوزی دانشکده اقتصاد دانشگاه تهران

جلسه حضوری می باشد و حضور برای عموم آزاد هست"

ویدیو این سخنرانی را از اینجا ببینید!

@machinelearningnet2
@FinPy

#چالش_کدنویسی

چالش شماره ۱ - محاسبه تایم فریم ماهانه شمسی با استفاده از اطلاعات تایم فریم روزانه

▫️با استفاده از ماژول finpy_tse اطلاعات تایم فریم روزانه شاخص کل را خوانده (صفحه ۳۵ و ۳۶ کتابچه راهنما، شکل ۱۹ نحوه دسترسی به این اطلاعات را نشان می دهد) و آن را به تایم فریم ماهانه برای ماه های شمسی تبدیل کنید.

▫️خروجی باید به صورت دیتافریمی با index به فرمت YYYY-MM شمسی و شامل ستون های High, Low, Open, Close و Volume شاخص کل در هر ماه شمسی باشد. علاقه مندان میتوانند، کدهای خود را به همراه تصویر دیتا فریم خروجی کامنت کنند.

@FinPy

#رابرت_شیلر
#توصیه

▫️در این ویدیو کوتاه آقای شیلر نوبلیست ۲۰۱۳ اقتصاد، به اقتصاددان های جوان توصیه میکنه که به جای تقلید کسل کننده از ایده های موجود و ارائه آنها در پوسته متفاوت، به سمت ارائه ایده های جدیدتر حرکت کنند. مشکلی که در پژوهش های داخلی ما بسیار پر رنگتر بوده و غالبا یک کپی از ایده خارجی برای بازار یا اقتصاد ایران هست! در این ویدیو هم آقای امانوئل درمن در مورد اینکه:

There's Enough Math in Finance Already. What's Missing is Imagination.

صحبت میکنه، مشکلی که به نظر میرسه در عصر حاضر، در حال تشدید هست!

@FinPy

#چالش_کدنویسی

چالش شماره ۲ - محاسبه تایم فریم هفتگی شمسی با استفاده از اطلاعات تایم فریم روزانه

▫️با استفاده از ماژول finpy_tse اطلاعات تایم فریم روزانه شاخص کل را خوانده (صفحه ۳۵ و ۳۶ کتابچه راهنما، شکل ۱۹ نحوه دسترسی به این اطلاعات را نشان می دهد) و آن را به تایم فریم هفتگی برای هفته های شمسی تبدیل کنید.

▫️خروجی باید به صورت دیتافریمی با index به فرمت YYYY-MM-DD شمسی برای اولین روز هفته (تاریخ اولین روز باز بودن بازار در هفته، آن هفته را نمایندگی میکند) و شامل ستون های High, Low, Open, Close و Volume شاخص کل در هر هفته شمسی باشد. علاقه مندان میتوانند، کدهای خود را به همراه تصویر دیتا فریم خروجی کامنت کنند.

@FinPy

#سری_زمانی

▫️کتابخانه Scipy یکی از کتابخانه های پایتون می باشد که برای مباحث پردازش های علمی و مهندسی مورد استفاده قرار می گیرد.

▫️باید در نظر داشت که Signal به عنوان یک Sub-Package در Scipy برای محاسبات مربوط به پردازش سیگنال تعبیه شده است.

▫️از تابع detrend به منظور تشخیص و جداسازی روندهای خطی در داده ها استفاده می شود.

▫️خروجی تابع detrend آرایه ای از داده های سری زمانی است که روند از آنها حذف شده است.

#Trend
#Detrending
#Time_Series
@FinPy

#چالش_کدنویسی

چالش شماره ۳ - تحلیل بازدهی ماهانه شاخص هم وزن بورس تهران

▫️با استفاده از ماژول finpy_tse اطلاعات شاخص هم وزن را در بازه ۱۳۹۴/۰۱/۰۱ تا ۱۴۰۱/۰۱/۳۱ خوانده (صفحه ۳۷ کتابچه راهنما، شکل ۲۱) و با استفاده از راه حل ارائه شده برای چالش شماره ۱، آن را به تایم فریم ماهانه برای ماه های شمسی تبدیل کنید.

▫️سپس با استفاده از داده های ماهانه، بازدهی را در هر ماه و سال محاسبه و به صورت دیتافریمی با ایندکس به فرمت YYYY شمسی و شامل ستون های شماره ماه های شمسی از ۱ تا ۱۲ درآوردید. مقادیر دیتا فریم هم، بازدهی ماهانه شاخص هم وزن در سال و ماه مربوطه، به صورت درصد باشد. پس از محاسبه این مقادیر، میانگین بازدهی ماهانه برای هر ماه (مثلا میانگین بازدهی همه مهر ماه های موجود در دیتا) را محاسبه و به عنوان ردیف جدیدی با نام "Avg" به انتهای دیتا فریم قبلی اضافه و در نهایت heatmap ای برای این دیتا فریم رسم نمایید که اعداد بازدهی را هم در داخل خود داشته باشد.

▫️علاقه مندان میتوانند تصویر کد، دیتا فریم و هیت مپ خروجی را کامنت کنند.

@FinPy

#معرفی_کتاب

Deep Learning Algorithms with Python

سطح: متوسط

▫️برای دوستانی که علاقه مند به یادگیری و استفاده از روش های Deep Learning در مسایل و مدلسازی های مالی هستند، این کتاب میتونه مرجع تکمیلی خوبی برای کتاب Machine Learning for Algorithmic Trading که انشاالله از دوشنبه هفته آینده پرزنت آن ادامه خواهد یافت، باشه. میتونید برای درک بهتر و بیشتر مفاهیم کتاب در حال پرزنت که به زودی وارد مدل های دیپ لرنینگ خواهد شد، ازش استفاده کنید.

@FinPy

#ML_for_Algo_Trading

▫️جلسه یازدهم ارائه کتاب:
Machine Learning for Algorithmic Trading

روز دوشنبه 5 اردیبهشت (امشب) ساعت 21، برگزار خواهد شد. موضوع جلسه:

Random Forests – A Long-Short Strategy for Japanese Stocks

(فصل یازدهم 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

#ترفند_پایتون

رفع مشکل به هم ریختگی عناوین فارسی در مصورسازی با پایتون

▫️امروز یه مشکلی در گروه مطرح شد در خصوص نمایش به هم ریخته عناوین فارسی در مصورسازی هایی که در پایتون انجام میشه و چون ممکنه افراد دیگری هم مشکل مشابه ای داشته باشند، راه حل اش رو در کانال قرار میدیم که سایر عزیزان هم استفاده کنند. نکته مهم اینه که مصورسازی هایی که در plotly انجام میشه، این مشکل رو نداره اما در matplotlib (یا هر ماژول دیگری که از matplotlib استفاده میکنه) این مشکل وجود داره. برای حل این مشکل باید عناوین فارسی رو reshape کرده و بعد پلات کنید. برای reshape کردن هم میتونید از ماژول arabic_reshaper و bidi استفاده کنید. البته این یک راه حل ساده برای حل مشکل هست و تنها راه حل ممکن نیست!

▫️در قسمت ۱ شکل، یه دیتا فریم با نام ستون فارسی درست کردیم و پلات اش کردیم. همون طور که میبینید نام ستون دیتا فریم (کلمه عنوان) در داخل پلات، به هم ریختگی داره. برای حل مشکل باید نام ستون رو به طریقی که در قسمت ۲ شکل نشون داده شده reshape کرده و بعد دوباره دیتا فریم رو پلات کنید.

@FinPy