آشنایی با تابع ()compile - مقدمه ای بر JiT - بخش دوم
یکی دیگر از ویژگی های هیجان انگیز تابع ()compile ، امکان توزیع برنامه بدون در اختیار گذاشتن سورس کد برنامه در اختیار استفاده کننده نهایی است. در حالت عادی مجبور بودیم که کل سورس برنامه را در اختیار استفاده کننده نهایی قرار دهیم که این موضوع باعث ایجاد نگرانی در دسترسی به کدها را داشت. به کمک تابع ()compile و ماژول marshal به راحتی می توان برنامه های پایتون را کامپایل کرد که علاوه بر سرعت بالاتر اجرای برنامه، امنیت فایل ها هم تا حدودی حفظ شود.

یک مثال

#code by @python4finance

import marshal

source_code = """
a=5
for i in range(a):
    print(i)
    if i==3:
        print("*")
"""
compiled_code = compile(source_code, '<string>', 'exec')

with open('compiled_code.pyc', 'wb') as file:
    marshal.dump(compiled_code, file)

برای خواندن فایل کامپایل شده هم به صورت زیر عمل می کنیم:

import marshal

with open('compiled_code.pyc', 'rb') as file:
    compiled_code = marshal.load(file)

exec(compiled_code)

#پایتون_پیشرفته
#JiT
#compile

پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

برگه خلاصه مرور سری های زمانی با پایتون

مطالعه این برگه، جهت یادآوری و مرور مطالب توصیه می شود.

#پایتون_مالی
#خلاصه
#برگه_تقلب
#پایتون_عمومی
#سری_زمانی
#Time_Series_Forecasting


پایتون برای مالی

🆔 @python4finance

فیلم آموزشی مدیریت ریسک استراتژی های الگوریتمی
یکی از موارد بسیار مهمی که در مدیریت الگورتیمی باید در نظر بگیریم مدیریت ریسک است. در اینجا مفهوم ریسک به صورت اعم است، یعنی ریسک های مالی و اقتصادی، ریسک های فنی و ... .در این ویدئو مثل همیشه با نگاهی کاربردی به مبحث مدیریت ریسک در معملات الگوریتمی خواهیم پرداخت.

➖ برای مشاهده ویدئو اینجا کیک کنید

#پایتون_مالی
#مدیریت_ریسک
#معاملات_الگوریتمی
#ویدئو

#Algorithmic_Trading
#Risk

پایتون برای مالی

🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

آشنایی با ماژول Alphalens ، یک ماژول بسیار خوب برای بک تست در معاملات الگوریتمی

همیشه بک تست یکی از دغدغه های اصلی مدلسازی مالی و معاملات الگورتیمی است. (اگر با مفهوم #بک_تست آشنایی ندارید این ویدئو از سلسله جلسات معاملات الگوریتمی را مشاهده نمایید.) Alphalens یک کتابخانه پایتون است که برای تحلیل عملکرد فاکتورهای مالی در معاملات الگوریتمی طراحی شده است. این کتابخانه به شما کمک می‌کند تا بفهمید آیا یک فاکتور (مثلاً یک اندیکاتور تکنیکال یا یک معیار بنیادی) می‌تواند بازدهی آینده سهام را پیش‌بینی کند یا خیر.

خروجی‌های Alphalens کمک می کند تا عملکرد فاکتورهای مختلف مثلا تفاوت میانگین متحرک کوتاه‌مدت و بلندمدت را از جنبه‌های مختلف ارزیابی کنید.
دقت داشته باشید که ماژول alphalens مدتی است که به روز نشده و با نسخه های جدید پایتون سازگاری ندارد و به جای آن باید از ماژول alphalens-reloaded استفاده کنید.
در پست های آتی مثالی در این خصوص را با هم بررسی می کنیم.

#پایتون_مالی
#معاملات_الگوریتمی
#بک_تست

#Algorithmic_Trading
#Back_Test
#Alphalens

پایتون برای مالی


🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

یک مثال ساده برای آشنایی با ماژول Alphalens

در مثال این پست خروجی‌های Alphalens کمک می کند تا عملکرد فاکتور تفاوت میانگین متحرک کوتاه‌مدت و بلندمدت را از جنبه‌های مختلف ارزیابی کنیم.
قبل از اجرای برنامه مطمئن شوید تمامی ماژول های نصب شده اند یا آنها را از این طریق تصب کنید:

pip install yfinance alphalens-reloaded pandas numpy matplotlib

سورس برنامه

#code by @python4finance
import yfinance as yf
import pandas as pd
import numpy as np
from alphalens.utils import get_clean_factor_and_forward_returns
from alphalens.tears import create_full_tear_sheet
import warnings
warnings.filterwarnings("ignore")

# ---------------------------------------------
# 1. دریافت داده‌های تاریخی از Yahoo Finance
# ---------------------------------------------
tickers = ["AAPL", "MSFT", "GOOG", "AMZN", "META"]  # مثال: ۵ سهم بزرگ فناوری
start_date = "2020-01-01"
end_date = "2023-01-01"

# دریافت داده‌های قیمتی
data = yf.download(tickers, start=start_date, end=end_date)
prices = data["Adj Close"]  # استفاده از قیمت تعدیل‌شده

# تبدیل ایندکس به DateTimeIndex و تنظیم فرکانس
prices = prices.asfreq('B').ffill()  # تبدیل به فرکانس روزانه و پر کردن مقادیر خالی

# ---------------------------------------------
# 2. محاسبه فاکتور (مثال: Moving Average Crossover)
# ---------------------------------------------
def calculate_factor(prices, short_window=10, long_window=50):
    """
    محاسبه فاکتور تفاوت میانگین متحرک کوتاه‌مدت و بلندمدت
    """
    short_ma = prices.rolling(window=short_window).mean()
    long_ma = prices.rolling(window=long_window).mean()
    factor = short_ma - long_ma
    return factor

factor = calculate_factor(prices)

# ---------------------------------------------
# 3. آماده‌سازی داده‌ها برای Alphalens
# ---------------------------------------------
# تبدیل فاکتور به فرمت MultiIndex (Date, Asset)
factor = factor.stack().reset_index()
factor.columns = ['date', 'asset', 'factor']
factor = factor.set_index(['date', 'asset'])['factor']

# اطمینان از هماهنگی ایندکس قیمت و فاکتور
common_index = prices.index.intersection(factor.index.get_level_values(0).unique())
prices = prices.loc[common_index]
factor = factor.loc[common_index]

# ---------------------------------------------
# 4. تحلیل عملکرد فاکتور با Alphalens
# ---------------------------------------------
# محاسبه بازده‌های آینده و پاک‌سازی داده‌ها
factor_data = get_clean_factor_and_forward_returns(
    factor,
    prices,
    quantiles=5,  # تقسیم داده به ۵ کوانتایل
    periods=(1, 5, 10)  # بازه‌های بازدهی (1 روز، 5 روز، 10 روز)
)

# ایجاد گزارش کامل
create_full_tear_sheet(factor_data)

#پایتون_مالی
#معاملات_الگوریتمی
#بک_تست

#Algorithmic_Trading
#Back_Test
#Alphalens

پایتون برای مالی


🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

مقایسه Copilot و DeepSeek (تجربه کاربری من در استفاده از دو هوش مصنوعی Copilot و DeepSeek )

با اینکه تخصص من در زمینه مدل‌های زبانی بزرگ (LLM) نیست، اما به عنوان کاربری که در این مدت از ابزارهای مختلف هوش مصنوعی استفاده کرده‌ام، تجربیاتم را از کار با Copilot (که مبتنی به OpenAi است) و DeepSeek (هوش مصنوعی متن‌باز چینی که اخیراً معرفی شده) با شما به اشتراک می‌گذارم:

1️⃣ هوش مصنوعی DeepSeek متن باز و رایگان است و شما به راحتی می توانید آن را روی لپ تاپ خود داشته باشید! و همه جا از آن استفاده کنید. (اگر به این موضوع علاقه‌مند شدید LM Studio را نصب کنید و بعد هر هوش مصنوعی رایگانی که خواستید روی آن نصب کنید و با خود هوش مصنوعی داشته باشید! بسیار هیجان انگیز است😳)

2️⃣ به‌طور کلی DeepSeek آفلاین عمل می‌کند، یعنی به اینترنت دسترسی ندارد. این در حالی است که Copilot می‌تواند در لحظه به اینترنت متصل شود و داده‌های آنلاین را برای شما تحلیل کند. این ویژگی Copilot را برای کارهایی که نیاز به اطلاعات به‌روز دارند، بسیار مفید می‌سازد.

3️⃣ به دلیل آفلاین بودن DeepSeek، حتی در نسخه تحت وب آن نیز داده‌ها تنها تا اکتبر ۲۰۲۳ به‌روز شده‌اند و پس از آن آپدیت نشده‌اند. این موضوع ممکن است برای کاربرانی که به اطلاعات به‌روز نیاز دارند، کمی محدودیت ایجاد کند.

4️⃣ لازم به ذکر است که DeepSeek به بهره‌وری بالا و استفاده کم از منابع محاسباتی شناخته شده است. این ویژگی‌ها باعث می‌شود که DeepSeek برای محاسبات ریاضی و تحلیل‌های منطقی بسیار مناسب باشد.
5️⃣ نسخه وب DeepSeek از منابع سخت‌افزاری کمی استفاده می‌کند و بسیاری از مواقع با خطای مشغول بودن سرور مواجه می‌شوید. این موضوع می‌تواند تجربه کاربری را تحت تأثیر قرار دهد.


#DeepSeek
#Copilot
#AI
پایتون برای مالی


🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

معرفی کتاب «تحلیل داده های مالی با پایتون» به انگلیسی «Financial Data Analysis Using Python»

این کتاب یکی از کتاب های بسیار خوب و روان برای کسانی است که می خواهند تحلیل داده های مالی را یاد بگیرند. علاوه بر مطالب متداولی که در تمام کتاب های مشابه ذکر می شود این کتاب یک فصل خود را به تحلیل بنیادی اختصاص داده است که شاید برای خیلی ها جذاب باشد. به کمک این کتاب، می‌توانید به درک پویایی بازارهای مالی، برآورد سودآوری دارایی‌ها، پیش‌بینی روندها، ارزیابی استراتژی‌ها، بهینه‌سازی پرتفوی‌ها و مدیریت ریسک‌های مالی بپردازید. همچنین، تکنیک‌های تحلیل داده با پایتون را برای آماده‌سازی، مصورسازی و دستکاری داده‌های مالی یاد خواهید گرفت.

مطالعه کتاب را به دانشجویان اقتصاد و مالی و علاقه مندان بازارهای مالی توصیه می کنم.

#معرفی_کتاب
#پایتون_مالی
#معاملات_الگوریتمی
#پایتون_مالی

پایتون برای مالی

🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

دانلود کتاب «تحلیل داده های مالی با پایتون» به انگلیسی «Financial Data Analysis Using Python»

سال نشر ۲۰۲۴

#دانلود_کتاب
#پایتون_مالی
#معاملات_الگوریتمی
#پایتون_مالی

پایتون برای مالی

🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

ولادت باسعادت یگانه منجی عالم بشریت، امام منتظران و یاور مظلومان، حضرت مهدی موعود عجّل‌الله‌تعالی‌فرجه‌الشّریف بر تمام مشتاقان و منتظران آن حضرت مبارک باد.


#مناسبت

پایتون برای مالی

🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

همکاری با کارگزاری مفید
عنوان شغل: مالک محصول در حوزه معاملات الگوریتمی

برای اطلاعات بیشتر به این لینک مراجعه نمایید.

#استخدام
پایتون برای مالی

🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance