ترکیب دیتافریم ها با یکدیگر (بخش اول)
یکی از پرکاربردترین کارهایی که با دیتافریم ها انجام می دهیم ترکیب آنهاست. به دست آوردن رکوردهای مشترک، رکوردهایی که فقط در یکی از دیتافریم ها وجود دارد و... از جمله کارهای مهمی است که در بررسی داده ها به آن نیاز پیدا خواهیم کرد.
شیوه های مختلفی برای ترکیب دیتافریم ها وجود دارد که مهمترین آنها عبارتند از:
شیوه inner : اگر بین ستون ها مقادیر قابل انطباقی وجود داشته باشد مقدار innerتمام ردیف ها را از هر دو جدول می گیرد.
شیوه left: این دستور تمام ردیف ها را از جدول سمت چپ انتخاب کرده و سپس ردیف های منطبق را از جدول سمت راست می گیرد.
شیوه right: این دستور تمام ردیف ها را از جدول سمت راست انتخاب کرده و سپس ردیف های منطبق را از جدول سمت چپ می گیرد.
شیوه outer: خروجی outer همه رکوردهایی که لزوما حتی شرایط تطابق برای رکوردهاش صادق نیست را نشان می دهد.
در پست بعد با یک مثال، بیشتر در این خصوص با هم صحبت خواهیم کرد.

#ترکیب
#دیتافریم
#merge
#join

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

ترکیب دیتافریم ها با یکدیگر (بخش دوم)
فرض کنید داده های مربوط به کاربران شامل نام و میزان کمیسیون فروش آنها را در یک جدول به نام users‌ ذخیره کرده ایم. در جدول دیگری به نام sales میزان فروش کاربران را ذخیره کرده ایم.
با استفاده از تابع join و مشخص کردن شیوه ترکیب توسط پارامتر how می توانید ادغام را انجام دهید.

#ترکیب
#دیتافریم
#merge
#join
#Pandas
#data_science

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

معرفی کتاب «40 الگوریتمی که هر برنامه نویسی باید بداند» به انگیسی «40 Algorithms Every Programmer Should Know»
شاید بتوان گفت که مهمترین قدم در حل یک مسئله انتخاب الگوریتم مناسب آن است. در واقع الگوریتم ها مجموعه قواعد برای انجام یکسری محاسبات برای حل یک مسئله هستند.
تفاوت یک برنامه نویس حرفه ای و یک برنامه نویس آماتور، انتخاب الگورتیم صحیح برای حل یک مسئله است. کیفیت بالای یک الگوریتم یعنی اینکه در پردازش از سرعت عملکرد بالاتری برخوردار باشد و نیز فشار محاسباتی کمتری را به پردازش گر تحمیل کند.
این کتاب توسط عمران احمد نوشته شده است. عمران احمد مدرس مورد تایید شرکت گوگل است و در زمینه یادگیری ماشین، یادگیری عمیق و ... تدریس می کند.
در این کتاب 40 الگوریتم متداولی که لازم است برنامه نویسان با آن آشنا باشند با مثال توضیح داده می شود.
سطح کتاب متوسط به بالاست و برای افرادی که سابقه برنامه نویسی داشته باشند بسیار مناسب است.

#معرفی_کتاب
#الگوریتم
#book

عضویت در کانال پایتون برای مالی
www.tg-me.com/python4finance

دانلود کتاب «40 الگوریتمی که هر برنامه نویسی باید بداند» به انگیسی «40 Algorithms Every Programmer Should Know»

#معرفی_کتاب
#الگوریتم
#book

عضویت در کانال پایتون برای مالی
www.tg-me.com/python4finance

جمع بندی مصورسازی داده ها با Matplotlib
مصور سازی اولین قدم و شاید اصلی ترین قدم در تحلیل داده هاست. اگرچه ماژول های زیادی برای رسم داده ها وجود دارد اما همچنان matplotlib یکی از بهترین و متداولترین ماژول های برای رسم داده ها در پایتون است.
در این فایل به صورت عملیاتی کلیه فرآیندهای رسم نمودار با matplotlib نمایش داده می شود.
پی نوشت: فایل را با فرمت html قرار دادم تا هم روی همه سیستم ها قابل نمایش باشد و هم دستورات به راحتی قابل کپی باشد.

#matplotlib
پایتون برای مالی:
@python4finance

سنجش نرمال بودن داده ها 1 (normality test)
در اقتصاد و مالی نرمال بودن داده های یک توزیع به سه دلیل بسیار حائز اهمیت است.
اول اینکه فرض می شود بسیاری از داده ها (مانند نرخ بازده) از توزیع نرمال پیروی می کنند.
دوم اینکه جزء خطا در بسیاری از مدل های اقتصاد سنجی نرمال در نظر گرفته می شود.
سوم اینکه برای کار با داده های نرمال، مدلهای بسیار زیادی وجود دارد.
یکی از متداولترین آزمون ها برای سنجش نرمال بودن یک توزیع آزمون شاپیرو -ویلک (Shapiro-Wilk) است. این آزمون دو مقدار w و p را باز می گرداند. فرض null این است که داده نرمال است بنابراین اگر مقدار P-Value بزرگتر از 0.05 باشد فرضیه صفر یعنی نرمال بودن تایید می شود.
در مثال این پست دو توزیع تصادفی ایجاد می شود و نرمال بودن در آنها بررسی می شود.
#نرمال
#شاپیرو -ویلک
#scipy
#normality_test
#Shapiro-Wilk

پایتون برای مالی
@python4finance

توضیحات آقای رسول بیک وردی از دانشپذیران شرکت کننده در دوره های
➖ مدلسازی مالی با پایتون مقدماتی
➖ مدلسازی مالی با پایتون پیشرفته
➖ معاملات الگوریتمی

#نظرات_شرکت_کنندگان

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

توضیحات آقای عرفان اصغری از دانشپذیران شرکت کننده در دوره های
➖ مدلسازی مالی با پایتون مقدماتی
➖ مدلسازی مالی با پایتون پیشرفته
➖ معاملات الگوریتمی

#نظرات_شرکت_کنندگان

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

سنجش نرمال بودن داده ها 2 (normality test)
یکی دیگر از آزمون هایی که برای سنجش نرمال بودن داده ها استفاده می شود آزمون اندرسون دارلینگ (Anderson-Darling) است. البته مزیت این آزمون این است که می تواند علاوه بر توزیع نرمال برای شناسایی سایر توزیع های متداول هم استفاده شود.
خروجی این آماره سه مقدار خواهد بود:
آماره آزمون اندرسون دارلینگ، مقادیر بحرانی و سطوح اطمینان متناظر آنها
همانطور که در تصویر این پست مشخص است برای سطح اطمینان 5% مقدار بحرانی 0.786 در نظر گرفته شده است که مقدار آماره مدل از این مقدار کمتر است. پس بنابراین فرضیه صفر که فرض نرمال بودن است در این مثال تایید می شود.
در پست های آتی در خصوص خواص توزیع نرمال و اهیمت آن در اقتصاد و مالی ان شاء الله مفصل صحبت خواهیم کرد.

#نرمال
#اندرسون_دارلینگ
#scipy
#normality_test
#Anderson-Darling

پایتون برای مالی
@python4finance

اَللّهُمَّ اَهْلَ الْکِبْرِیاَّءِ وَالْعَظَمَةِ وَاَهْلَ الْجُودِ وَالْجَبَرُوتِ
عید سعید فطر بر شما مبارک.
پایتون برای مالی
@python4finance

سنجش نرمال بودن داده ها 3 (normality test)
در ادامه پست های قبلی در خصوص نرمال بودن داده ها، عموما برای محاسبه نرمال بودن از دو آماره چولگی(skewness) و کشیدگی (kurtosis) هم استفاده می کنیم. به زبان ساده چولگی معیاری برای سنجش تقارن توزیع و کشیدگی معیاری برای مقایسه بلندی توزیع است. چولگی برای توزیع نرمال برابر صفر و کشیدگی برابر 3 است که برای راحتی کار از معیار کشیدگی مازاد (excess kurtosis) استفاده می کنیم که برابر صفر است.
در مثال این پست، بازده روزانه سهم اپل از ابتدای سال 2021 محاسبه شده و توزیع آن رسم شده و چولگی و کشیدگی آن محاسبه می شود.
چولگی مثبت به معنای چوله بودن توزیع به سمت راست و کشیدگی مثبت نشان دهنده کشیدگی بیشتر توزیع از حالت نرمال است.

#نرمال
#کشیدگی
#چولگی
#scipy
#kurtosis
#skewness

پایتون برای مالی
@python4finance

معرفی کتاب «مالی کمی با پایتون: راهنمای عملی برای مدیریت سرمایه گذاری، تجارت و مهندسی مالی » به انگلیسی «Quantitative Finance With Python: A Practical Guide to Investment Management, Trading and Financial Engineering »

تا کنون کتاب های زیادی را در خصوص تحلیل های کمی مالی با پایتون و مدلسازی مالی معرفی کرده ام. البته از آنجایی که احساس نویسندگان بر این بوده است که احتمالا متخصصین مالی آشنایی کمتری با علوم کامپیوتر و برنامه نویسی دارند عموما رویکرد غالب کتابها فنی است و تمرکز بیشتر به یادگیری برنامه نویسی معطوف شده است. در این کتاب بر خلاف سایر کتاب ها، تمرکز بیشتر بر بعد مالی قضیه است. نویسنده کتاب Chris Kelliher است که سابقه زیادی در مدیریت سبدهای سرمایه گذاری دارد و در دوره های ریاضیات مالی دانشگاه بوستون تدریس می کند.



#معرفی_کتاب
#مالی_کمی
#پایتون_مالی

#Quantitative_Finance
#Financial_Theory


www.tg-me.com/python4finance

دانلود کتاب «مالی کمی با پایتون: راهنمای عملی برای مدیریت سرمایه گذاری، تجارت و مهندسی مالی » به انگلیسی «Quantitative Finance With Python: A Practical Guide to Investment Management, Trading and Financial Engineering »



#معرفی_کتاب
#مالی_کمی
#پایتون_مالی

#Quantitative_Finance
#Financial_Theory


www.tg-me.com/python4finance

دریافت اطلاعات همزمان چند نماد با Tsemodule5
اگرچه در ابتدا ماژول Tsemodule (لینک) با هدف آموزش نحوه دسترسی و فراخوانی اطلاعات از سایت بورس تهران (tsetmc.ir) ایجاد شد، اما به مرور مورد توجه بسیاری قرار گرفت و الان دوستان قابل توجهی از آن استفاده می کنند.
در مثال این پست، اطلاعات سه سهم به صورت همزمان از ماژول فراخوانی شده و رسم می شود.
#پایتون مالی
#بورس تهران

#Tsemodule
#TesTmc

www.tg-me.com/python4finance

رسم نمودارهای حرفه ای با Altair
معمولا در کارهای عمومی و آموزشی از ماژول Matplotlib برای مصور سازی داده ها استفاده می شود. اگر چه این ماژول بسیار حرفه ای و البته کار راه انداز است اما برای کارهای حرفه ای و تجاری عموما از ماژول های دیگری استفاده می شود.
یکی از ماژول های بسیار جالب برای کارهای حرفه ای ماژول Altair است. Altair یک کتابخانه حرفه ای برای مصورسازی داده ها در پایتون است که بر اساس Vega و Vega-Lite است.
برای نصب این ماژول کافی است از pip install altair استفاده کنید.
ساختار عملیاتی این ماژول به شما این امکان را می دهد که طیف گسترده ای از نمودارهای آماری را به سرعت ایجاد کنید. (لینک ماژول)
در پست بعدی یک مثال از این ماژول را با یکدیگر بررسی خواهیم کرد.

#پایتون مالی
#نمودار

#Altair
#Matplotlib
#python
#financial modelling

www.tg-me.com/python4finance

رسم نمودارهای حرفه ای با Altair
در مثال این پست، نمودار قیمت سهم مایکروسافت از سال 2020 دریافت و رسم می شود.

#پایتون مالی
#نمودار

#Altair
#Matplotlib
#python
#financial modelling

www.tg-me.com/python4finance

خودهمبستگی (Auto Corralation) چیست؟
در بسیاری از مدلها به مفهوم خود همبستگی اشاره می شود. در این ویدئوی کوتاه با هم مفهوم خود همبستگی رو بررسی می کنیم.

#ویدئو
#خودهمبستگی

#video
#Auto_correlation


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

معرفی یک منبع خوب داده های مالی و اقتصادی
یکی از دغدغه های اصلی متخصصین مالی و معامله گران الگوریتمی دسترسی به داده های صحیح و در لحظه است و یکی از بهترین روش های دسترسی به داده ها استفاده از API است. قبلا در کانال در خصوص API های متداول صحبت کرده بودیم که اگر آنهای را مشاهده نکرده اید حتما سری به پست های قبلی هم بزنید. (لینک1، لینک2 ، لینک3 ، لینک4 )
در این پست با هم با Alpha Vantage به عنوان یکی از منابع خوب داده آشنا خواهیم شد.
اطلاعات این سایت در قالب داده های زیر به صورت API و فایل اکسل و csv برای بیش از بیست سال قابل دریافت است:
(1) داده‌های سری زمانی بازار سهام بین الملل و فارکس، (2) داده‌های تحلیل بنیادی، (3) اطلاعات رمز ارزها/کریپتو، (4) شاخص‌های اقتصادی، و (5) اندیکاتورهای تکنیکال.
برای اطلاعات بیشتر در خصوص این منبع می توانید به این سایت مراجعه نمایید.
در پست بعد با یک مثال بحث را دنبال خواهیم کرد.

#بورس_بین_الملل
#دریافت_اطلاعات
#پایتون_مالی
#API
#JSON
#Alpha_Vantage

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