Telegram Web Link
دریافت اطلاعات شاخص کل و مقایسه همبستگی شاخص کل با نماد شستا (مثال)
در مثال این پست که بر اساس ماژول tsemodule5 نوشته شده است، اطلاعات شاخص و نماد شستا برای 50 روز اخیر دریافت و رسم می شود و همبستگی میان آنها نمایش داده می شود.

#code by @python4finance
import tsemodule5 as tm5
import matplotlib.pyplot as plt
import pandas as pd
plt.style.use("ggplot")
tehranindex=tm5.index(value=50,progress=False)
shasta = tm5.stock("شستا",value=50,progress=False,standard=True,newfile=True)
df=pd.DataFrame({"tehranindex":tehranindex["Close"],"shasta":shasta["Close"]},index=tehranindex.index)
df["tehranindex"].plot(figsize=(15,6),label="Tehran Index")
df["shasta"].plot(secondary_y=True,label="Shasta Stock")
print("Correlation is:",round(df.corr().iloc[0,1],2)*100,"%")
plt.legend()
plt.show()


#tsemodule


پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
Python4Finance pinned «سوالات متداول (به روزشده در 1403/01/03) از آنجایی که خیلی از عزیزان در خصوصی سوالات زیر را پرسیده اند و این سوالات قبلا در کانال پاسخ داده شده است، من عناوین سوالات و پاسخ آنها را جهت مرور خدمت شما قرار می دهم. 🔸چرا پایتون یاد بگیرم؟ پاسخ 🔸بهترین منابع زبان…»
This media is not supported in your browser
VIEW IN TELEGRAM
وقتی سرمایه گذاری می کنی اما سرمایه گذار بدشانسی هستی!

#طنز

پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
انتخاب داده، نمونه گیری و بازنمونه گیری در یادگیری ماشین
انتخاب داده ها، نمونه گیری (Sampling) و بازنمونه گیری (Resampling) داده ها از مباحث بسیار ضروری در یاگیری ماشین است. در این ویدئو مثل همیشه با نگاهی کاربردی (و نه آماری تخصصی) به موارد زیر خواهیم پرداخت:
🖊شیوه صحیح انتخاب داده های Train و Test
🖊شیوه نمونه گیری (Sampling)
🖊روش های نمونه گیری مجدد (Resampling)
🖊جایگشت (Permutation)
🖊اعتبار سنجی متقابل Cross-validation (CV)
🖊جک نایف (Jackknife)
🖊بوت استرپ (Bootstrap)

برای مشاهده ویدئو اینجا کیک کنید

#پایتون_مالی
#انتخاب_داده
#نمونه_گیری
#یادگیری_ماشین
#ویدئو
#Algorithmic_Trading
#Sampling
#Reampling
#Machine_Learning
پایتون برای مالی در تلگرام
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
ضمن آرزوی قبولی طاعات و عبادات شما در این ایام، از همه عزیزان در این شب های عزیز التماس دعا دارم.

#مناسبت


🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
کار با مقادیر از دست رفته در پایتون، ماژول Pandas - بخش ششم (توابع جدید)
قبلا در این پست در خصوص تمیز کردن داده ها و کار با مقادیر از دست رفته (None و NAN) صحبت کرده بودیم. در به روزرسانی های اخیر پانداس، توابع ffill و bfill جایگزین fillna(method='ffill') و fillna(method='bfill') شده اند و از نسخه 2.1.0 این تغییر اتفاق افتاده است. در صورتی که در کدهای خود از این توابع استفاده کرده اید، هر چه سریعتر نسبت به بروزرسانی اقدام نمایید.
#pandas
#fillna
#bfill
#ffill
پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
فهرست فارسی مطالب جهت مرور
جهت استفاده از مطالب کانال می توانید از فهرست زیر، مطلب مورد نظر خود را پیدا کنید.

#ابزار_مشتقه
#اجرای_پایتون
#احتمال
#ارزش در معرض خطر
#ارزش_زمانی_پول
#ارزیابی_مدل
#استاندارد_سازی
#استراتژی
#اسلاید
#اسلاید_آموزشی
#اطلاعات_بورس_تهران
#اطلاعات_سیستم
#اعمال_تابع
#افت_سرمایه
#اقتصاد
#اقتصاد سنجی
#اقتصاد_سنجی
#اکسل
#الگوریتم
#انتخاب_داده
#انتخاب_موضوع
#انحراف_معیار
#اندرسون_دارلینگ
#اندیس_تکراری
#انواع_داده_ها
#ایستایی
#اینفوگرافی
#اینفوگرافیک
#ایویوز
#آرایه
#آریما
#آزمون_فرضیه
#آشنایی با پایتون
#آمار
#آمار_توصیفی
#آموزش
#آموزش پایتون
#آموزش_پایتون
#بازده
#بازده_سهم
#بازدهی_تجمعی
#بازدهی_سهام
#باندهای_بولینگر
#بتا
#بخش_اول
#برگه_تقلب
#برگه_تقلب_1
#برگه_تقلب_2
#برنامه_نویسی
#برنامه_نویسی_غیر_همزمان
#بک تست
#بک_تست
#بورس تهران
#بورس_بین_الملل
#بورس_خارجی
#بهینه سازی خطی
#بهینه_سازی
#بهینه_یابی
#بیت_کوین
#بیش_برازش
#پادکست
#پاسخ_سوالات
#پانداس
#پایان_نامه
#پایتون
#پایتون_R
#پایتون_اقتصاد
#پایتون_برای_اقتصاد_و_مالی
#پایتون_عمومی
#پایتون_محاسباتی
#پایتون_مقدماتی
#پایتون3.10
#پایتون3.11
#پایتون3.12
#پایتون3.9
#پایتونیک
#پیش_پردازش_داده
#پیش_نمایش_زنده
#پیوت
#تابع
#تایم_فریم
#تبدیل_به_exe
#تحلیل داده
#تحلیل_تکنیکال
#تست
#تشخیص_روند
#تعادل_عمومی_پویای_تصادفی
#تفاضل_گیری
#تکنیکال
#تلاطم
#تمرین
#تمیز_کردن_داده
#تمیز_کردن_داده_ها
#تنسورفلو
#توابع_توکار
#توزیع_نرمال
#توزیغ_فراوانی
#توصیف_داده ها
#توضیحات
#تولید_ناخالص_داخلی
#تئوری_مالی
#جامعه
#جان_هال
#جدول_ضرب
#چت_جی‌پی‌تی
#چرخه
#چرخه_فعالیت
#چند_جمله ای
#چولگی
#حداکثر_افت_سرمایه
#حدضرر
#حرکت_براونی
#خروجی
#خطای_زنده_ماندن
#خلاصه
#خلاصه_مرور
#خودکار_سازی
#خودهمبستگی
#داده
#داده_ازدست_رفته
#داده_بزرگ
#داده_پرت
#داده_پویا
#داده_های_بزرگ
#داده_های_کثیف
#دانشگاه_استنفورد
#دانشمند_داده
#دانلود
#دانلود_کتاب
#در_کجا_کد_بنویسیم
#در_کجا_کد_بنویسیم؟
#درجه_آزادی
#درصد_تغییرات
#دریافت_اطلاعات
#دریافت_اطلاعات_از_کاربر
#دستگاه معادلات
#دستور_جادویی
#دستورات_جادویی
#دکوراتور
#دلار
#دوره_آموزشی
#دوره_های_آزاد
#دیتا_فریم
#دیتافریم
#دیکشنری
#دیکی_فولر
#راهنمای_شغلی
#رتبه_بندی
#رساله
#رسم_نمودار
#رگرسیون
#رمز_ارز
#روش های کمی
#روشهای_کمی
#روند
#ریسک
#ریسک_اعتباری
#زبان_برنامه_نویسی_محبوب
#ژوپیتر
#ساختار_سری_زمانی
#ساختار_شرطی
#سری_زمانی
#سوالات_متداول
#سورتینو
#سورس_کد
#سوگیری
#سه رقم سه
#سه_نقطه
#سیگنال
#شاپیرو -ویلک
#شاخص
#شاخص‌های_اقتصادی
#شارپ
#شروع
#شیء_گرایی
#ضریب_همبستگی
#طنز
#عبارت_شرطی
#علم داده
#علم_داده
#علوم کامپیوتر
#عملگرها_در_پایتون
#فایل_اجرایی
#فایلهای_تکمیلی
#فراخوانی_فایل
#فیزیک_اقتصاد
#فیلتر_داده
#فیلم_آموزشی
#قضیه_حد_مرکزی
#قیمت_ارز
#کامپایلر_مفسر
#کتاب
#کشیدگی
#کگل
#کواریانس
#کوواریانس
#گام_تصادفی
#گرافانا
#گروه_بندی
#گزارش
#گزارش2022
#ماژول
#ماژول_اطلاعات_بورس
#مالی_کمی
#مانایی
#مبارزه_با_پولشویی
#مت_پلات_لیب
#متاتریدر
#مثال
#محاسبات
#محاسبات_آماری
#محاسبات_ریاضی
#محاسبات_سیمبولیک
#محبوبیت
#محور_دوم
#محیط مجازی
#مدل
#مدل_ARMA
#مدلسازی
#مدلسازی_آماری
#مدلسازی_سری_زمانی
#مدلسازی_مالی
#مدیریت_دارایی
#مدیریت_ریسک
#مرتب_سازی
#مرور_کتاب
#مستهلک_کردن_وام
#مسیر_یادگیری
#مسیر_یادگیری_پیشرفته
#مسیر_یادگیری_مقدماتی
#مصاحبه
#مصور_سازی
#مصورسازی_داده_ها
#معادلات خطی
#معاملات_الگورتیمی
#معاملات_الگوریتمی
#معرفی_سایت
#معرفی_کتاب
#معرفی_ماژول
#معکوس_سازی
#مقاله
#مقایسه_دستورات
#مقدمات
#مقیاس های مختلف
#مناسبت
#مناسبت ها
#مهارت
#میانگین
#میانگین_متحرک
#نام_پای
#نامپای
#نرخ_بازده_بدون_ریسک
#نرخ_بهره_بدون_ریسک
#نرخ_رشد
#نرم_افزار_موبایل
#نرمال
#نرمال_سازی
#نصب_کتابخانه
#نصب_ماژول
#نظرات
#نظرات_شرکت_کنندگان
#نظریه_بازی
#نقشه حرارتی
#نماد_علمی
#نمودار
#نمودار lag_plot
#نمودار scatter_matrix
#نمودار بوت استرپ
#نمودار چند بعدی
#نمودار ماتریس پراکنش
#نمودار_پویا
#نمودار_جعبه_ای
#نمودار_کندل
#نمودار_میله_ای
#نمودارهای_تعاملی
#نمودارهای_مالی
#نمونه
#نمونه_گیری
#نیکویی_برازش
#واریانس
#وبینار
#ویدئو
#ویژگی_جدید
#همبستگی
#همبستگی_سری_زمانی
#هوش_تجاری
#هوش_مصنوعی
#یادگیری عمیق
#یادگیری ماشین
#یادگیری_آماری
#یادگیری_تقویتی
#یادگیری_عمیق
#یادگیری_ماشین
#یاهو_فایننس

پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
This media is not supported in your browser
VIEW IN TELEGRAM
گیت هاب کوپایلوت یک دستیار بسیار عالی برای برنامه نویسی
اخیرا مایکروسافت دستیار هوش مصنوعی خود را برای برنامه نویسان در vscode ارائه کرد. گیت هاب کوپایلوت (GitHub Copilot) یک دستیار بسیار عالی برای برنامه نویسی است که واقعا به عنوان یک دستیار و یا حتی یک استاد خبره برنامه نویسی به شما کمک خواهد کرد تا سریعتر و بهتر برنامه بنویسید.
کارهایی که گیت هاب کوپایلوت برای شما انجام می دهد عبارتند از:
تکمیل کدها در IDE
پاسخ به سوالات شما در خصوص دستورات زبان برنامه نویسی
بازنویسی و بهبود کدها
رفع مشکلات کدها
انجام یونیت تست
تولید اسناد مربوط به کدها (راهنمای کد)

اگر به این دستیار هوش مصنوعی علاقه مند شدید، سری به این آدرس و این آدرس بزنید.
با گیت هاب کوپایلوت:
74 درصد از توسعه دهندگان می توانند روی کار رضایت بخش تر تمرکز کنند
88 درصد احساس بهره وری بیشتری می کنند
96 درصد از توسعه دهندگان در انجام کارهای تکراری سریعتر عمل می کنند

واقعا با این ابزارهای جدید برنامه نویسی هر روز جذاب و جذاب تر می شود.🤩
#vscode
#GitHub_Copilot
#Microsoft
#IDE

پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
GitHub Copilot in VSCode- Top 10 Features Explained.mkv
14 MB
10 ویژگی گیت هاب کوپایلوت در عمل
در فیلم این پست 10 ویژگی بسیار جذاب دستیار هوش مصنوعی برنامه نویسی مایکروسافت، توضیح داده می شود.

#پی_نوشت: زبان فیلم انگلیسی روان است.

#ویدئو
#vscode
#GitHub_Copilot
#Microsoft
#IDE

پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
کاهش ارزش ارزهای مهم بین المللی نسبت به دلار طی سه سال گذشته
در مثال این پست سه ارز مهم بین المللی یعنی یورو، پوند انگلیس و دلار استرالیا در مقایسه با دلار آمریکا با مبدأ واحد از ابتدای 2021 مقایسه می شوند.

#code by @python4finance
import yfinance as yf
import matplotlib.pyplot as plt
plt.style.use("ggplot")
df=yf.download(["EURUSD=X","GBPUSD=X","AUDUSD=X"],start="2021-01-01")["Adj Close"]
df=df/df.iloc[0]
df.plot(figsize=(16,6))
plt.legend(["Euro","Pound sterling","Australian Dollar"])


پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
عید سعید فطر، روز چیدن میوه‌های شاداب استجابت مبارک باد.

#مناسبت
پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
معرفی کتاب «آموزش مقدماتی تشخیص ناهنجاری با استفاده از یادگیری عمیق مبتنی بر پایتون» به انگلیسی «Beginning Anomaly Detection Using Python-Based Deep Learning»

تشخیص ناهنجاری (Anomaly Detection) یکی از مفاهیم اصلی آمار برای درک صحیح جامعه و تفاوت اعضای آن است. کتاب حاضر که با ادبیاتی بسیار ساده و مقدماتی نوشته است کمک می‌کند تا با یادگیری تکنیک‌های یادگیری ماشینی و یادگیری عمیق، تشخیص ناهنجاری را آموخته و آنها را در کارهای روزمره خود پیاده کنید. نگارش دوم این کتاب به یادگیری نظارت شده، نیمه نظارت شده و بدون نظارت برای تشخیص ناهنجاری تمرکز دارد. در طول این کتاب، نحوه استفاده از Keras و PyTorch را به صورت عملی فرا خواهید گرفت.
این کتاب ابتدا با ارائه مفهومی دقیق از ناهنجاری و روش های شناخت آن آغاز می شود و سپس با استفاده از روش های یادگیری ماشین به استراتژی های کشف آنها می پردازد.

#معرفی_کتاب
#یادگیری_عمیق
#یادگیری_ماشین
#تشخیص_ناهنجاری

#Deep_Learning
#Anomaly_Detection
پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
@Python4finance_Beginning_Anomaly_Detection_Using_Python_Based_Deep.pdf
18.9 MB
دانلود کتاب «آموزش مقدماتی تشخیص ناهنجاری با استفاده از یادگیری عمیق مبتنی بر پایتون» به انگلیسی «Beginning Anomaly Detection Using Python-Based Deep Learning»


#دانلود_کتاب
#یادگیری_عمیق
#یادگیری_ماشین
#تشخیص_ناهنجاری

#Deep_Learning
#Anomaly_Detection
پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
شهادت رئیس جمهور ، حضرت آیت الله سیّد ابراهیم رئیسی را به مردم شریف ایران تسلیت می‌گوییم.
@python4finance
مروری بر قانون هوش مصنوعی اروپا
این قانون در دسامبر 2023 و بعد از سه سال کار روی پیش نویس اولیه تصویب شده است. اخیرا دیدم که مجددا بحث در خصوص این قانون داغ شده است و تصمیم گرفتم ترجمه خلاصه ای از آن را در کانال ارائه کنم.
رویکرد ارائه شده در این قانون، رویکرد مبتنی بر ریسک است.
قانون هوش مصنوعی یک رویکرد مبتنی بر ریسک را برای دسته بندی برنامه های هوش مصنوعی بر اساس تأثیر بالقوه آنها بر حقوق بشر و ایمنی اتخاذ می کند. این رویکرد اجازه می دهد تا الزامات نظارتی متفاوتی وجود داشته باشد و اطمینان حاصل شود که برنامه های کاربردی با ریسک بالاتر تحت نظارت دقیق تری قرار دارند.
برنامه های غیرقابل قبول هوش مصنوعی
قانون هوش مصنوعی صراحتاً برخی از برنامه های کاربردی هوش مصنوعی را که به دلیل احتمال آسیب رساندن به افراد یا جامعه «غیرقابل قبول» تلقی می شوند، ممنوع می کند. این موارد عبارتند از:
- امتیازدهی اجتماعی: سیستم هایی که افراد را بر اساس رفتار یا ویژگی هایشان امتیاز می دهند، مشابه سیستم اعتبار اجتماعی مورد استفاده در برخی کشورها.
- پیش بینی رفتار مجرمانه: سیستم های هوش مصنوعی برای پیش بینی رفتار مجرمانه استفاده می شود که می تواند منجر به نتایج مغرضانه و ناعادلانه شود.
- شناخت عاطفی: به ویژه در محیط های حساس مانند محل کار و مدارس، جایی که چنین فناوری می تواند به حریم خصوصی نفوذ کند و منجر به تبعیض شود.

سیستم های هوش مصنوعی پرخطر

سیستم‌های هوش مصنوعی پرخطر آن‌هایی هستند که پیامدهای مهمی برای سلامت، ایمنی و حقوق اساسی دارند. این موارد عبارتند از:
- وسایل نقلیه خودران: سیستم‌های هوش مصنوعی مورد استفاده در خودروهای خودران که باید تحت ارزیابی‌های ایمنی دقیق قرار گیرند.
- ابزارهای پزشکی: کاربردهای هوش مصنوعی در مراقبت‌های بهداشتی که برای اطمینان از ایمنی بیمار نیاز به اعتبارسنجی دقیق دارند.
- امور مالی و آموزش: سیستم‌های هوش مصنوعی مورد استفاده در این بخش‌ها باید برای جلوگیری از سوگیری‌هایی که می‌توانند منجر به رفتار یا نتایج ناعادلانه شوند، ارزیابی شوند.

با دسته‌بندی برنامه‌های هوش مصنوعی به این شیوه، قانون هوش مصنوعی تضمین می‌کند که تلاش‌های نظارتی در جایی متمرکز می‌شوند که بیشتر مورد نیاز است، در نتیجه از افراد و جامعه در برابر آسیب‌های احتمالی محافظت می‌کند و در عین حال امکان نوآوری در مناطق کم‌خطر را فراهم می‌کند.

#AI_ACT
#AI
#قانون_هوش_مصنوعی
#هوش_مصنوعی

پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
قانون هوش مصنوعی اروپا در یک نگاه


#AI_ACT
#AI
#قانون_هوش_مصنوعی
#هوش_مصنوعی

پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
استخراج قیمت ماهیانه نات کوین (Notcoin)

#code by @python4finance
import pandas as pd
import requests
import time
import matplotlib.pyplot as plt
plt.style.use("ggplot")
url="https://www.kucoin.com/_api/order-book/candles?begin="+str(round(time.time())-2592000 )+"&end="+str(round(time.time()))+"&lang=en_US&symbol=NOT-USDT&type=1hour"
r = requests.get(url)
df=r.json()
df=pd.DataFrame(df["data"]).astype(float)
df=df[::-1].reset_index()
df[1].plot(figsize=(16,6))


#api
#NOTCOIN

پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
استخراج قیمت ماهیانه نات کوین (Notcoin)
این روزها نات کوین برای کاربران بسیار محبوب و شناخته شده است. نات کوین (Notcoin) یک توکن مبتنی بر شبکه ارز دیجیتال تون کوین (Toncoin) و همین طور یک بازی یا مینی اپلیکیشن در پیام‌رسان تلگرام است. ایده این بازی در ابتدا و قبل از راه‌اندازی و عرضه توکن NOT به این شکل بود که کاربران با کلیک کردن روی یک سکه به‌طور مداوم، مقدار مشخصی نات کوین استخراج می‌کردند که به موجودی آنها در بازی اضافه می‌شد. یکی دیگر از راه‌های به دست آوردن نات کوین، شرکت در برنامه‌های تبلیغاتی درون این بازی بود که برخی مجموعه‌ها برای معرفی محصول خود در محیط اپلیکیشن تلگرامی نات کوین برای آن هزینه می‌کردند.
نات کوین با این ایده موفق شد در مجموع بیش از ۳۵ میلیون کاربر را درگیر کند.
در پست بالا قیمت 30 روز اخیر نات کوین با دوره تناوب 1 ساعت را با استفاده از api دریافت و رسم می کنیم.


#api
#NOTCOIN

پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance
This media is not supported in your browser
VIEW IN TELEGRAM
رسم نمودارهای تعاملی با plotly
یکی از ماژول های عالی برای رسم نمودارهای تعاملی ماژول plotly است. با استفاده از این ماژول می توان نمودارهای متنوعی را به راحتی ترسیم کرد. مثلا می خواهید قیمت های روزانه یک سهم را در یک بازه طولانی در یک نمودار تعاملی نشان دهید.
ابتدا ماژولهای مورد نیاز را ایمپورت می کنیم:
import yfinance as yf
import plotly.express as px
import pandas as pd

در گام بعد اطلاعات سهم را برای یک بازه 3 ساله دریافت می‌کنیم:
msft = yf.Ticker("MSFT")
msft_hist = msft.history(period="3y")

حالا داده های روز و ماه و سال را دریافت می کنیم:
msft_hist['Date'] = msft_hist.index.date
msft_hist['Year'] = msft_hist.index.year
msft_hist['Month'] = msft_hist.index.month_name()
msft_hist['Day'] = msft_hist.index.day

حالا نوبت رسم داده هاست. با یک نمودار sunburst کار را تمام می کنیم:
fig = px.sunburst(msft_hist, path=['Year', 'Month', 'Day'], values='Close',
title='Microsoft Stock Closing Prices Sunburst Chart Over the Last Year' , height=700)
fig.show()



پایتون برای مالی
🆔 www.tg-me.com/python4finance
فرا رسیدن عید سعید قربان، پرشکوه‌ترین نمایش ایثار و زیباترین جلوه تعبد در برابر خالق یکتا بر شما مبارک

#مناسبت

🆔 www.tg-me.com/python4finance
2024/11/16 05:44:03
Back to Top
HTML Embed Code: