محاسبات سیمبولیک در پایتون
در دنیای برنامه نویسی یکی از ابزارهای کاربردی، متغیرها هستند. با مقدار دهی به متغیرها می توانیم محاسبات ریاضیاتی را انجام دهیم.
اما نکته ای که وجود دارد، تفاوت بین متغیرها در برنامه نویسی و در ریاضیات است. برای مثال کد زیر را در نظر بگیرید:
x = x + 1
به لحاظ برنامه نویسی این خط کد به معنای این است که به متغیر x عدد یک را اضافه کن اما به لحاظ ریاضیات این کد غلط است🤔!
خوشبختانه در پایتون برای محاسبات ریاضی یا اصطلاحا سیمبولیک، ماژول های متعددی نوشته شده است. یکی از این ماژول ها sympy است. (اگر آن را نصب نکرده اید ابتدا از طریق pip آن را نصب کنید)
در مثال این پست با نحوه عملکرد این کتابخانه و کار با معادلات ریاضی آشنا خواهیم شد.

#محاسبات_ریاضی
#محاسبات_سیمبولیک
#پایتون_مالی
#sympy

@python4finance

معرفی کتاب «آشنایی با پایتون برای علم محاسبات و مهندسی» به انگلیسی «Introduction to Python for Computational Science and Engineering»
نویسنده این کتاب Hans Fangohr استاد مدلسازی محاسباتی دانشگاه Southampton است. ( گیت هاب) در این کتاب، مفاهیم پایتون به زبان ساده با رویکرد محاسباتی بیان شده است.
این کتاب یکی از منابع خوب برای افرادی است که تازه به دنیای پایتون وارد شده اند.
دانلود فایل در پست بعد ...
#معرفی_کتاب
#محاسبات
#پایتون_مالی
#Computational_Science_and_Engineering

@python4finance

دانلود کتاب «آشنایی با پایتون برای علم محاسبات و مهندسی» به انگلیسی «Introduction to Python for Computational Science and Engineering»


#معرفی_کتاب
#محاسبات
#پایتون_مالی
#Computational_Science_and_Engineering

@python4finance

اسلایدهای کتاب «آشنایی با پایتون برای علم محاسبات و مهندسی» به انگلیسی «Introduction to Python for Computational Science and Engineering»

در پست قبل، فایل کتاب تقدیم شد. در این پست فایل اسلاید کتاب جهت مرور سریع تقدیم می شود.

#اسلاید
#پایتون_محاسباتی
#پایتون_مالی



پایتون برای مالی در تلگرام
https://www.tg-me.com/joinchat-AAAAAFGMkouqbsb86Vfzug

دریافت اطلاعاتی راجع به رایانه و سیستم عاملی که پایتون روی آن اجرا می شود

در برنامه های حرفه ای تر، که نیاز به تعامل با سیستم عامل به وجود می آید (مثلا زمانی که می خواهیم با فایل ها کار کنیم، یا محاسباتی را با توجه به میزان cpu انجام دهیم و ...) نیازمند آن هستیم که اطلاعاتی را در خصوص سیستم عامل ، مشخصات رایانه و حتی اطلاعات تکمیلی راجع به خود پایتون داشته باشیم. یکی از ابزارهای مناسب برای این کار استفاده از ماژول platform است.
در مثال این پست، با استفاده از ماژول platform اطلاعات اساسی سیستم دریافت شده است.

#پایتون_مالی
#آموزش_پایتون
#اطلاعات_سیستم

#platform

پایتون برای مالی در تلگرام
https://www.tg-me.com/joinchat-AAAAAFGMkouqbsb86Vfzug

مروری بر یادگیری ماشین با پایتون - بخش اول

در چند پست آتی قصد دارم در خصوص یادگیری ماشین به صورت عملی توضیحاتی را تقدیم کنم.
اگر با مفاهیم یادگیری ماشین آشنایی زیادی ندارید حتما این لینک را مشاهده نمایید.
در ادبیات یادگیری ماشین، داده ها عموما به دو دسته train و test تقسیم می شوند. داده های train برای یادگیری مدل مورد استفاده قرار می گیرند و کیفیت مدل با داده های test مورد ارزیابی قرار می گیرد. درصدی که برای داده های train در نظر گرفته می شود بستگی به عوامل زیادی دارد اما معمولا بین 70 تا 80 درصد داده ها است.
در مثال این پست، داده های دو شرکت اپل و مایکروسافت دریافت شده و با استفاده از ماژول scikit-learn ، تعداد 30% داده ها به عنوان داده تست و 70% مابقی به عنوان داده train انتخاب می شود و رسم می شود.

#یادگیری_ماشین
#معاملات_الگوریتمی
#پایتون_مالی
#Machine_learning
#scikit-learn

@python4finance

مروری بر یادگیری ماشین با پایتون - بخش دوم
کاربرد یادگیری ماشین در بازاریابی
در ادامه مبحث قبل، در این پست یک مثال از یادگیری ماشین بر اساس تکنیک درخت تصمیم ارائه می شود.از آنجایی که دنبال کنندگان کانال از بخش های مختلفی هستند، مثال را در حیطه بازار یابی طرح می کنیم.
فرض کنید شما عرضه کننده لپ تاپ و تبلت هستید و می خواهید علاقه مندی افراد را برای خرید نوع محصول مشخص نمایید.
انواع محصولات ما، گوشی موبایل، تبلت 7 اینج، تبلت 10 اینچ، لپ تاپ 14 اینج، لپ تاپ 15 اینچ است (5نوع محصول).
برای این منظور پرسشنامه ای میان 18 نفر از مشتریان توزیع شده است و اطلاعات مربوط به سن ، جنسیت و محصول خریداری شده را ثبت کرده ایم.
مسئله مورد نظر ما این است که با فرض داشتن سن و جنسیت بتوانیم محصول مورد درخواست فرد را پیش بینی کنیم. (اطلاعات مسئله در فایل csv ضمیمه شده قرار دارد. ستون جنسیت در فایل، برای خانم ها عدد 1 و اقایان عدد 0 صفر در نظر گرفته شده است)
1️⃣ گام اول تفکیک مقادیر ورودی (input) و خروجی (outpu). مقادیر ورودی ما جنسیت و سن هستند و مقدار خروجی ما که به دنبال پیش بینی آن هستیم محصولی است که خریداری می شود.
2️⃣ در گام دوم داده ها را به دو بخش آموزش (train) و آزمون (test) تقسیم می کنیم.
3️⃣ در گام سوم با استفاده از روش درخت تصمیم (DecisionTreeClassifier) مدل را با استفاده از داده های آموزش (train) اجرا می کنیم.

کار تمام است! به راحتی می توانیم داده های آزمون (test) را به مدل بدهیم و مدل برای ما پیش بینی را انجام می دهد.
فایل های این مثال در پست بعد ارائه می شود.
در پست های آتی مطالبی را در خصوص سنجش کیفیت و کارایی مدل تقدیم خواهد.


#یادگیری_ماشین
#پایتون_مالی
#Machine_learning
#scikit-learn

@python4finance

مروری بر یادگیری ماشین با پایتون - بخش دوم
کاربرد یادگیری ماشین در بازاریابی
فایل های مربوط به مثال بالا


#یادگیری_ماشین
#پایتون_مالی
#Machine_learning
#scikit-learn

@python4finance

اخیرا، دوره ای را در خدمت دانشجویان MBA علم داده و معاملات الگوریتمی دانشگاه الزهرا(س) هستم. نظر سنجی این دوره تقدیم می شود. برای دانشجویان این دوره، آرزوی موفقت دارم.

پی نوشت: خیلی از دوستان در پیام خصوصی از زمان برگزاری کلاس ها پرس و جو می کنند. طبق هماهنگی های انجام شده با دانشگاه ان شاء الله به زودی یک دوره مدلسازی مالی مقدماتی، یک دوره مدلسازی مالی پیشرفته و یک دوره فشرده معامله گر الگوریتمی را در تابستان برگزار کنیم. با توجه به محدود بودن ظرفیت، عزیزانی که علاقه مند به شرکت در این دوره ها هستند، می توانند فرم پیش ثبت نام را تکمیل کنند تا در زمان ثبت نام اطلاع رسانی از طریق ایمیل و پیامک به ایشان انجام شود.(لینک پیش ثبت نام)
➖ در صورتی که قبلا فرم را پر کرده اید نیاز به تکمیل مجدد نیست.
➖ دوره های کاربردی دیگری هم در این فرم ثبت شده است که می توانید در آنها پیش ثبت نام انجام دهید.

@python4finance

مروری بر یادگیری ماشین با پایتون - بخش سوم
سنجش دقت مدل (accuracy)

بعد از اجرای مدل، لازم است میزان دقت مدل را بررسی کنیم. در واقع در این مرحله، مقادیر مربوط به output که توسط مدل پیش بینی شده است و مقادیر واقعی test با یکدیگر مقایسه شده و یک عدد به عنوان امتیاز دقت از 0 تا 1 به مدل تخصیص داده می شود که هر چه عدد دقت مدل به 1 نزدیک تر باشد کیفیت مدل بهتر است. البته در مثال ما به دلیل اینکه هر بار داده های مختلفی به صورت تصادفی به عنوان داده های آموزش در نظر گرفته می شود، عددهای مختلفی ممکن است به عنوان امتیاز مدل به دست بیاید.
در مثال این پست با استفاده از accuracy_score امتیاز دقت مدل محاسبه و نمایش داده می شود.


#یادگیری_ماشین
#پایتون_مالی
#Machine_learning
#scikit-learn

@python4finance

مروری بر یادگیری ماشین با پایتون - بخش چهارم
ماندگاری مدل (Model persistence)
خیلی از اوقات ممکن است بخواهیم در زمان های مختلفی از مدل یادگیری ماشین استفاده کنیم اما مشکل اینجاست که هر بار باید مدل با استفاده از داده ها یادگرفته (ترین شود). حالا شرایطی را در نظر بگیرید که شما برای یادگرفتن مدل از میلیون ها داده استفاده کرده اید!
خوشبختانه امکان نگهداری مدل (بدون نیاز به یادگیری مجدد) وجود دارد. برای این منظور از ماژول joblib استفاده می کنیم.
در مثال این پست، ابتدا فرآیند یادگیری مدل انجام شده و سپس در فایلی به نام product-prediction.joblib ذخیره می شود.
از این به بعد صرفا با Load کردن فایل مذکور بدون یادگیری مدل می توانیم از هوشمندی! مدل استفاده کنیم.

#یادگیری_ماشین
#پایتون_مالی
#Machine_learning
#scikit-learn

@python4finance

مروری بر یادگیری ماشین با پایتون - بخش پنجم و پایانی
نمایش گرافیکی مدل!
احتمالا شما هم شنیده اید که گاهی یک تصویر، می تواند بیانگر صدها صفحه کتاب باشد. یکی از زیبایی های مدل های درخت تصمیم نمایش گرافیکی آنهاست.
برای نمایش گرافیکی خروجی لازم است، در vscode ماژول Graphviz (dot) language support for Visual Studio Code را نصب کنید. سپس فایل ایجاد شده با پسوند dot را با vscode باز کنید. از سمت راست ... گزینه open preview را انتخاب کنید.

#یادگیری_ماشین
#پایتون_مالی
#Machine_learning
#scikit-learn

@python4finance

نمایش نمودارهای تعاملی(InterActive) در Jupyter
معمولا همه ما برای رسم نمودارها از Matplotlib استفاده می کنیم. این ماژول بسیار ساده و خوش دست است و عموما بیشتر کارهای ما راه می اندازد. برای استفاده از Matplotlib در Jupyter عموما از دستور جادویی matplotlib inline% استفاده می کنیم.
این دستور به ما امکان استفاده از Matplotlib را در Jupyter می دهد. (البته قبلا استفاده از این دستور اجباری بود اما در زمان حال استفاده از آن الزامی ندارد. اما خب مثلا در صورتی که از این دستور استفاده کنید نیازی به plt.show در انتهای کار برای نمایش نمودار وجود ندارد!)
در این روش نمودارها در Jupyter نمایش داده می شوند اما صرفا به صورت عکس ظاهر می شوند!
برای ایجاد نمودارهای تعاملی (که قابلیت بزرگنمایی، جابجایی و ... ) داشته باشند کافی است به جای matplotlib inline% از matplotlib notebook% استفاده کنید.
در تصویر این پست نمودار تعاملی که با matplotlib notebook% ایجاد شده است نمایش داده شده است.

#نمودارهای_تعاملی
#پایتون_مالی
#Maplotlib
#Jupyter
#InterActive

@python4finance

یک نکته کوتاه اما کاربردی!
جدا کردن سه رقم سه رقم اعداد در پایتون

معمولا در محاسبات، خصوصا محاسبات پولی و مالی برای راحت تر خوانده شدن داده ها، اعداد را به صورت سه رقم سه رقم از یکدیگر جدا می کنیم.
برای انجام این کار در پایتون کافی است از foramt در تایع پرینت استفاده کنیم.
در تصویر این پست، نمونه ای جدا کردن سه رقم سه رقم اعداد در پایتون نشان داده شده است.

#سه رقم سه
#پایتون_مالی
#comma _separated_numbers

@python4finance

یک برنامه ساعت ساده
یکی از سوالاتی که خیلی از دوستان در پیام خصوصی پرسیده اند این است که چگونه یک عملی را در زمان های مشخصی انجام دهیم. برای مثال می خواهیم برنامه ما هر دقیقه یکبار قیمت سهم را به روز کند و بر اساس آن بتوانیم تحلیل به روز داشته باشیم.
راه حل این کار استفاده از تابع sleep در ماژول time است. در تصویر این پست، یک برنامه ساعت ساده نوشته شده است که هر 1 ثانیه یکبار، به ثانیه شمار یک عدد اضافه می شود و هر 60 ثانیه یک دقیقه به تعداد دقیقه‌ها اضافه می‌شود.


#پایتون_مالی
#time
#sleep

@python4finance

بیست و یکمین دوره مدلسازی مالی مقدماتی

پایتون (Python) محبوب ترین زبان برنامه نویسی در دنیای تحلیل داده است. هدف اصلی پایتون سادگی برنامه نویسی و کوتاهی کدها در عین کارایی بالای آن است. در دنیای اقتصاد و مدیریت مالی، به دلیل ارتباط با حجم بالای داده ها و نیاز به تصمیم گیری سریع، استفاده از مدل ها در قالب برنامه های رایانه ای بسیار متداول شده است. خوشبختانه با استفاده از پایتون به دلیل سادگی برنامه نویسی و کتابخانه‌های مختلفی که برای کار با داده‌ها وجود دارد، می‌توانید حجم بزرگی از اطلاعات را در زمان بسیار کوتاهی پردازش و تحلیل کنید و با استفاده از تکنیک های یادگیری ماشین و هوش مصنوعی داده‌های جدید را پیش‌بینی و مدل های خود را بهینه‌ کنید.
در این دوره آموزشی، مفاهیم مورد نیاز پایتون از ابتدا بیان شده و ضمن دوره، دانشپذیران توانایی تحلیل داده ها و مدلسازی مالی را پیدا خواهند کرد.

مدلسازی مالی با پایتون، یکی از ابزارهای یک تحلیل گر حرفه ای در عصر اطلاعات است.


مشاهده سرفصل ها و اطلاعات بیشتر:
🌐 vclc.alzahra.ac.ir

www.tg-me.com/azvclc

بیست و یکمین دوره مدلسازی مالی با python مقدماتی
📌 سرفصل:
➖آموزش مبانی پایتون
➖آموزش مبانی مدلسازی مالی
➖معادله نویسی در پایتون
➖مصورسازی داده ها
➖مبانی آمار توصیفی
➖ارزش زمانی پول
➖بهینه سازی
➖محاسبه بازده و ریسک سهم
➖مطالعه موردی بازار سرمایه ایران

📌 مخاطبین:
➖فعالان بازار سرمایه
➖تحلیل گران و تصمیم گیرندگان اقتصادی
➖اساتید و دانشجویان رشته های اقتصاد و مدیریت


📌اطلاعات دوره :
➖مدرس: دکتر محمد صادق کریمی مهرآبادی
➖طول دوره :۱۵ ساعت
➖زمان شروع :از ۴ مرداد روزهای دوشنبه ساعت ۱۸:۳۰ الی ۲۱:۳۰

✅شرکت برای عموم افراد (آقایان و خانم ها) آزاد است.
✅به شرکت کنندگان در پایان دوره گواهی مرکز آموزش های آزاد و مجازی دانشگاه الزهرا(س) اعطا خواهد شد.

اطلاعات بیشتر و ثبت نام:
🌐 vclc.alzahra.ac.ir


مرکز آموزش های آزاد و مجازی
www.tg-me.com/azvclc

رفع مشکل دریافت دیتا از Yahoo Finance با Pandas-datareader

چند روزی بود که به علت تغییرات در سایت Yahoo Finance امکان دریافت داده از طریق Pandas-datareader میسر نبود و با خطا مواجه می شدیم.
خوشبختانه توسعه دهندگان این ماژول چند ساعت قبل (امروز 22 تیر 1400) آپدیتی را برای این موضوع ارائه کردند.
برای به روز رسانی این ماژول دستور زیر را در CMD اجرا کنید.
pip install --upgrade pandas-datareader

#پایتون_مالی
#یاهو_فایننس
#pandas_datareder
#yahoo_finance

@python4finance