#چالش_کدنویسی
#چالش_الگوریتم

چالش شماره ۵ - سورتینگ صندوق های سرمایه گذاری از بهتر به بدتر!

▫️فرض کنید داده ای مثل ماتریس فوق به دست شما رسیده که در اون یه تیم مجرب، بر اساس معیارهای مورد قبول و اعتماد صنعت سرمایه گذاری، با مقایسه دو به دو ۱۵ صندوق سرمایه گذاری (استراتژی، سهم یا ...) احتمالی برای برتری یکی بر دیگری مشخص کرده اند. به عنوان مثال صندوق ۱۰ با احتمال حدود ۹۶ درصد (باکس سبز)، عملکرد بهتری نسبت به صندوق شماره ۲ و با احتمال حدود ۳۴ درصد (باکس قرمز) عملکرد بهتری نسبت به صندوق شماره ۵، در افق مد نظر، خواهد داشت. تفسیر بقیه مقادیر این ماتریس هم به همین صورت که گفتم هست.

▫️از شما خواسته شده که بر اساس این ماتریس ارزیابی تهیه شده، این صندوق ها را از بهترین به بدترین سورت کنید. علاقه مندان میتونن الگوریتم، کد پیشنهادی و نتیجه سورتینگ خودشون رو در بخش کامنتها پست کنند.

▫️برای لود کردن دیتا میتوانید از دستور نشان داده شده در شکل استفاده کنید. ماتریس داده هم در بخش کامنتها قابل دانلود میباشد.


@FinPy

#معرفی_کتاب

Equity Smart Beta and Factor Investing for Practitioners

▫️در بازارهای سهام، Factor Investing یکی از مهمترین و جذاب ترین موضوعات برای دانشگاهیان و سرمایه گذاران فعال در صنعت هست که البته تو ایران خیلی بهش بها داده نمیشه. قبلا در خصوص اهمیت Factor Investing در چند پست صحبت و منابعی رو معرفی کردیم. مطالعه این کتاب به شما کمک میکنه که بازارهای سهام رو از دریچه جدیدی (متمایز از دریچه تحلیل تکنیکال و بنیادی) ببینید و شناخت بیشتری نسبت به اون کسب کنید. این شناخت به عنوان بخشی از دانش مالی شما، میتونه در ساخت مدل های کارآمدتر با استفاده از ابزارهای ماشین لرنینگ کمک بزرگی بکنه. در سایت CFA هم میتونید از طریق این لینک، Book Review کتاب رو مطالعه کنید.

@FinPy

#ML_for_Algo_Trading

▫️جلسه هفدهم ارائه کتاب:
Machine Learning for Algorithmic Trading

روز دوشنبه 16 خرداد (امشب) ساعت ۲۰، برگزار خواهد شد. موضوع جلسه:

Deep Learning for Trading

(فصل هفدهم 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

#لیبلینگ_مالی
#لیبلینگ_روند

▫️بعد از دریافت و پیش پردازش داده های مالی و قبل از مدلسازی با روش های Supervised Learning غالبا نیاز هست به این داده ها لیبل زده بشه. لیبل زدن در برخی کاربردها اگر چه توسط عامل انسانی انجام بشه، اما در کاربردهای مالی لیبل زدن به کمک ماشین، یا با یه الگوریتم بدون قابلیت یادگیری و یا به کمک الگوریتم های ماشین لرنینگ انجام میشه.

▫️تعیین روند یا نقاط چرخش قیمت (سوئینگ ها) ، یکی از مواردی هست که اکثر الگوریتم هایی که با قیمت کار میکنند، بهش نیاز دارند. اگرچه روند تغییرات قیمت یه رفتار غیر خطی داره، اما شما میتونید با مدل های خطی ML مثل رگرسیون خطی هم این کار رو انجام بدید. یه نمونه از این روش ها که به Trend Scanning معروف هست، در کتاب آقای دپرادا معرفی شده. ایده اون روش شبیه به چیزی هست که در این ویدیو کوتاه نشون داده شده. با محدود کردن نقاط مربوط به یه رگرسیون خطی، شما میتونید رفتار غیر خطی قیمت رو در بیارید و با توجه به شیب خط رگرس شده، صعودی یا نزولی بودن روند ها رو لیبل بزنید. وقتی هم که روند عوض میشه میتونید نقاط سوئینگ رو مشخص کنید.

@FinPy

#علم_داده_مالی_CFA

دوره اول:

Data and Statistics Foundation for Investment Professionals

جلسه اول، هفته سوم:

Discrete and Continuous Uniform Distributions and Basic Probabilities

@FinPy

#علم_داده_مالی_CFA

دوره اول:

Data and Statistics Foundation for Investment Professionals

جلسه دوم، هفته سوم:

Binomial Distribution

@FinPy

#معرفی_کتاب

Gradient Boosting with XGBoost and Scikit-Learn

▫️شاید یکی از قوی ترین ابزارهایی که ماشین لرنینگ در اختیار ما قرار میده Gradient Boosting باشه که در مسابقات Kaggle هم راه حل برنده در بسیاری از رقابت ها بوده و در حل مسایل مالی هم میتونه راهگشا باشه. این کتاب کمک میکنه که دانش خودتون رو در این خصوص عمق داده و بیشتر با جزیات این ابزار، نحوه پیاده سازی و تنظیم هایپرپارامترهاش آشنا بشید تا بتونید به طور موثرتری در حل مسایل تون ازش استفاده کنید.

▫️در فصل نهم کتاب در مورد ترفندها و تکنیک های Kaggle Master هایی که از XGBoost برای بردن رقابت ها استفاده کردن هم توضیح داده.

@FinPy

#معرفی_کتاب

▫️فایل EPUB کتاب:

Gradient Boosting with XGBoost and Scikit-Learn


@FinPy

#ارزیابی_عملکرد

▫️در این شکل بازدهی مازاد ماهانه دو تا مدیر پرتفو (یا استراتژی) رو نسبت به بنچ مارکی (مثلا شاخص کل) که برای ارزیابی شون در نظر گرفتیم، رو آوردیم. منظور از بازدهی مازاد ماهانه هم تفاضل بازدهی مدیر پرتفو در هر ماه با بازدهی بنچ مارک هست. به نظر شما کدوم مدیر پرتفو به اصطلاح Active Manager تر هست و سعی در تولید آلفا داشته؟ مدیر A یا مدیر B؟

@FinPy

#معرفی_دوره_آموزشی
#ماشین_لرنینگ
#کورسرا

▫️آقای Andrew Ng استاد دانشگاه استنفورد، یه دوره قدیمی ماشین لرنینگ در کورسرا داشتند که در اون از MATLAB/Octave برای کد نویسی استفاده شده بود. ایشون اخیرا یه Specialization برای ماشین لرنینگ در کورسرا منتشر کردند که مبتنی بر پایتون هست. فعلا دوره اول از این مجموعه ۳ کورسی قابل دسترسی هست و دوره های بعدی هم به مرور اضافه خواهد شد. دیدن این مجموعه رو به همه عزیزانی که در ابتدای راه یادگیری ماشین لرنینگ هستند، پیشنهاد میکنم. شما میتونید با ارسال درخواست کمک مالی به کورسرا، در این کورس ها رایگان ثبت نام کرده و پس از پاسخ به سوالات ارزیابی، مدرک دوره رو دریافت کنید یا اینکه میتونید بدون ثبت نام، کورس ها رو Audit کنید ولی دیگه امکان پاسخگویی به سوالات و اخذ مدرک دوره رو نخواهید داشت. برای اینکه چجوری برای کمک مالی اپلای کنید هم ویدیو زیر رو ببینید:

مدارک پولی کورسرا را رایگان بگیرید - Coursera Financial Aid

@FinPy

#ماکرو
#نرخ_بهره
#تورم

▫️به دلیل سیاست های پولی انبساطی بانک های مرکزی که در دروه کرونا انجام شد، تورم در همه جای دنیا اوج گرفته و اخیرا، اکثر بانک های مرکزی اقتصادهای پیشرفته دنیا در حال افزایش نرخ بهره برای کنترل تورم هستند. در واقع نرخ بهره یکی از ابزارهای بانک های مرکزی برای کنترل تورم هست. در این ویدیوی کوتاه که Economist تهیه کرده، رابطه بین نرخ بهره با تورم به خوبی توضیح داده شده و دیدنش به دوستانی که علاقه مند به تحلیل فضای ماکرو هستند پیشنهاد میشه.

@FinPy

#معرفی_کتاب

Markov Models with Python

▫️بدون شک، یکی از ابزارهای کاربردی در مدلسازی اقتصاد و بازار، مارکوف مدل ها هستند. مارکوف مدل ها در واقعا مدل های Probabilistic ای هستند که با توجه به توالی اتفاقاتی که در گذشته رخ داده سعی در یادگیری و پیشبینی رخدادهای آینده رو دارند. این کتاب کوتاه پس از معرفی مفاهیم این مدل ها، در خصوص ابعاد مختلف شون از یادگیری تا پیش بینی و پیاده سازی شون با پایتون مطالب مفیدی ارائه کرده. ممکنه استفاده از مارکوف مدل ها، راه حلی برای مساله ای که در حال حاضر باهاش دست و پنجه نرم میکنید باشه، پس بد نیست حداقل یه آشنایی با این مدل ها داشته باشید!

@FinPy

#ارزیابی_عملکرد
#ثبات_در_عملکرد

▫️فرض کنید شرکت شما لیستی از ۶۰ تا پرتفو منیجر (یا استراتژی) در دست داره که عملکرد اونها بر اساس یه معیاری (یا چند معیار) در دوره های مختلف ارزیابی شده و در هر دوره اون منیجر امتیازی بین Q4 تا Q1 بسته به اینکه بر اساس اون معیار در کدام چارک (Quartile) رده بندی قرار گرفته دریافت کرده باشه. مدیر شما قصد داره با نگاه به آخرین رده بندی این منیجرها چند نفر از بهترین ها رو استخدام کنه تا سرمایه شرکت رو مدیریت کنند، اما شما که خوش فکرتر و خلاق تر از مدیرتون هستید، رفتید و تاریخچه عملکرد و رده بندی اون منیجرها رو هم بررسی کرده و مصورسازی فوق (Markov Chain) رو در اختیار مدیرتون قرار دادید تا بتونه بفهمه هر منیجر چقدر در بهترین بودن ثبات داشته و تونسته خودش رو بالای جدول رده بندی در گذر زمان حفظ کنه. حالا به نظر شما کدوم یک از این دو منیجر قابل اعتماد تره؟ A یا B؟

اعداد، احتمال اینکه در بازه زمانی بعدی رده بندی مدیر در یک Qi دیگه باشه رو نشون میده.

@FinPy