فرارسیدن عید سعید فطر، تجلی بندگی و تمسک به غفران واسعه الهی بر شما مبارک باد.


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

رفع مشکل pandas_datareader
ماژول pandas_datareader یکی از بهترین و متداولترین ماژولها برای دریافت داده ها از yahoo finance است، یا بهتر بود بگویم بود! چند وقتی است که این ماژول دچار مشکل شده است و متاسفانه توسعه دهندگان آن به روز رسانی جدیدی را برای آن ارائه نکرده اند و البته (تا جایی که من بررسی کردم) راه حل استانداری برای حل مشکل آن ارائه نشده است.
یکی از سوالات کاربران، راه حل این موضوع بود که البته yfinance بهترین جایگزین برای این موضوع است. اما اگر در پروژه هایتان قبلا از pandas_datareader استفاده کرده اید و نمی خواهید همه کدها را تغییر دهید می توانید با استفاده از yfinance از راه حل زیر برای حل موضوع استفاده کنید.

#pandas_datareader
#yfianance


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

رسم شاخص کل بورس طی 4 سال اخیر
در مثال این پست شاخص کل بورس از اردیبهشت 1398 تا امروز یعنی 4 سال رسم شده است.



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

معرفی کتاب «یادگیری تقویتی برای مالی، حل مسائل مرتبط با امور مالی با استفاده از CNN و RNN با استفاده از کتابخانه تنسورفلو» به انگلیسی «Reinforcement Learning for Finance: Solve Problems in Finance with CNN and RNN Using the TensorFlow Library»

معمولا برای مسائل یادگیری ماشین، یادگیری با نظارت و بدون نظارت مطرح می شود اما در واقعیت، یادگیری تقویتی نقش بسیار مهمی در یادگیری ماشین دارد. در اقتصاد و مالی هم یادگیری تقویتی بسیار پرکاربرد است خصوصا در بازارهای مالی که به راحتی می توان صحیح و غلط را با پاداش و تنبیه مرتبط کرد. در این کتاب با استفاده از ماژول تنسورفلو یادگیری تقویتی به صورت دقیق بررسی و طرح می شود. نویسنده کتاب، رویکرد ریاضیاتی و برنامه نویسی را با تحلیل مالی تلفیق کرده است.

سطح کتاب: #متوسط

#معرفی_کتاب
#یادگیری_ماشین
#یادگیری_تقویتی
#تنسورفلو

#Machine_learning
#Reinforcement_Learning
#TensorFlow
پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

دانلود کتاب «یادگیری تقویتی برای مالی، حل مسائل مرتبط با امور مالی با استفاده از CNN و RNN با استفاده از کتابخانه تنسورفلو» به انگلیسی «Reinforcement Learning for Finance: Solve Problems in Finance with CNN and RNN Using the TensorFlow Library»


#معرفی_کتاب
#یادگیری_ماشین
#یادگیری_تقویتی
#تنسورفلو

#Machine_learning
#Reinforcement_Learning
#TensorFlow
پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

مایکروسافت فابریک (Microsoft Fabric) یک ابزار بی نظیر برای دانشمندان داده
اخیرا مایکروسافت ابزار علم داده خود را با عنوان Microsoft Fabric رونمایی کرد. ادعای این ابزار مدیریت یکپارچه داده ها از مرحله جمع آوری داده تا تحلیل داده ها و هوش مصنوعی است. یکپارچگی کامل ابزارهای مایکروسافتی مانند SQLServer و PowerBI و پشتیبانی از Python و سایر ابزارهای تکمیلی فابریک را بسیار دوست داشتنی کرده است.
فابریک به صورت Software as a Service-SaaS ارائه می شود و در حال حاضر در مرحله نمایشی (Preview) است.
اگر به این محصول علاقه مند شدید سری به این صفحه بزنید.
در فیلم این پست با Microsoft Fabric بیشتر آشنا می شوید.
#Microsoft_Fabric
پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

برگه خلاصه مرور یادگیری ماشین، یادگیری عمیق و هوش مصنوعی دانشگاه استنفورد

در این برگه تقلب (خلاصه مرور)، مرور کلی به اهم مطالب یادگیری ماشین، یادگیری عمیق و هوش مصنوعی شده است و مطالعه آن به علاقه مندان توصیه می شود.

#پایتون_مالی
#خلاصه
#برگه_تقلب
#دانشگاه_استنفورد
#یادگیری_ماشین
#یادگیری_عمیق
#هوش_مصنوعی
#Machine_Learning
#Deep_Learning,
#Artificial_Intelligence
#Stanford_university

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

رسم نرخ بازده بدون ریسک
در بسیاری از شاخص های محاسبه ریسک، استفاده از نرخ بازده بدون ریسک یا همان Risk free return بسیار حائز اهمیت است. معمولا برای محاسبه نرخ بازده بدون ریسک، نرخ بازده اوراق خزانه دولتی به عنوان نرخ معیار در نظر گرفته می شود چرا که همواره کمترین ریسک نکول را دارد.
در مثال این پست، نرخ بازده اوراق خزانه سه ماهه ایالات متحده، برای بازه 5 ساله رسم شده است. تغییر نرخ بازده در دو سال اخیر به نسبت دو سال گذشته و پیش از آن کاملا محسوس است که نشان از افزایش سطح عمومی قیمت ها در این مدت دارد.
سایر نمادها:
^IRX 13 Week Treasury Bill
^FVX Treasury Yield 5 Years
^TNX Treasury Yield 10 Years
^TYX Treasury Yield 30 Years

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

ماژول دریافت اطلاعات از بورس تهران (TSETMC) - نسخه 5.51
اگر در دریافت اطلاعات از بورس تهران دچار مشکل شده اید، نسخه جدید tsemodule را جایگزین نسخه قبلی نمایید.
برای کسب اطلاعات بیشتر در خصوص tsemodule و نحوه دریافت اطلاعات از بورس تهران، به این لینک مراجعه نمایید.
#tsemodule


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

دانلود کتاب CFA 2023 Level 1 Volume 1 (Quantitative Methods)
در نسخه 2023 شیوه ارائه مباحث به نسبت نسخه های قدیمی تر بیشتر به سمت علم داده آمده است. همچنین در این نسخه مبحث Organizing, Visualizing and Describing Data با توضیحات بسیار جامعی ارائه شده است. همچنین رگرسیون مقدماتی به این کتاب یعنی Level1 منتقل شده است.

#دانلود_کتاب
#روشهای_کمی
#Level1
#CFA
#Quantitative_Methods
پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

دانلود کتاب CFA 2023 Level 2 Volume 1 (Quantitative Methods)
در نسخه 2023 غنای مباحث داده های بزرگ، یادگیری ماشینی و یادگیری عمیق بیشتر شده است. همچنین مبحث رگرسیون چندعاملی به این کتاب افزوده شده است

#دانلود_کتاب
#روشهای_کمی
#Level2
#CFA
#Quantitative_Methods
پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

معرفی کتاب «راهنمای کاربردی هوش مصنوعی و داده های بزرگ در سرمایه گذاری» به انگلیسی «HANDBOOK OF ARTIFICIAL INTELLIGENCE AND BIG DATA APPLICATIONS IN INVESTMENTS»
در ادامه مباحث قبلی در خصوص مطالب موسسه CFA در خصوص علم داده، کتاب راهنمای کاربردی هوش مصنوعی و داده های بزرگ در سرمایه گذاری را خدمت شما معرفی می کنم.
این کتاب از چهار بخش اصلی تشکیل شده است.
1- کاربردهای یادگیری ماشین و علم داده در سرمایه گذاری
2- درک زبان طبیعی، پردازش و تولید: کاربردهای سرمایه گذاری
3- معامله با یادگیری ماشین و داده های بزرگ
4- چت بات، نمودارهای دانش، و زیرساخت هوش مصنوعی

زبان کتاب ساده و روان است و مثال ها با پایتون حل شده است.

#معرفی_کتاب
#یادگیری_ماشین
#هوش_مصنوعی
#داده_های_بزرگ
#CFA
#Big_data
#AI
#Machine_learning
پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

دانلود کتاب «راهنمای کاربردی هوش مصنوعی و داده های بزرگ در سرمایه گذاری» به انگلیسی «HANDBOOK OF ARTIFICIAL INTELLIGENCE AND BIG DATA APPLICATIONS IN INVESTMENTS»

#دانلود_کتاب
#یادگیری_ماشین
#هوش_مصنوعی
#داده_های_بزرگ
#CFA
#Big_data
#AI
#Machine_learning
پایتون برای مالی
🆔 www.tg-me.com/python4finance
🆔 ble.ir/python4finance

الْحَمْدُ لِلَّهِ الَّذِی جَعَلَنَا مِنَ الْمُتَمَسِّکِینَ بِوِلاَیَهِ أَمِیرِ الْمُؤْمِنِینَ
عید سعید غدیر خم بر شما مبارک.

#مناسبت

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

انواع خطاها در کار با داده ها - 1
یکی از مهمترین کارها قبل از شروع تحلیل، علی الخصوص در تحلیل داده های بزرگ پاکسازی داده ها یا Data Cleansing است. پاکسازی داده ها یکی از مهمترین بخش های پیش پردازش داده ها (preprocessing) است. اهمیت این موضوع زمانی که شما داده ها را از منابع مختلف جمع آوری می کنید بیش از پیش نمایان می شود. در ادامه انواع خطاها در هنگام کار با داده ها را با هم بررسی می کنیم.

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

انواع خطاها در کار با داده ها - 2
مهمترین خطاهایی که در داده ها ممکن است وجود داشته باشد عبارت است:
1️⃣ ناقص بودن اطلاعات (incompleteness error): یعنی داده وجود نداشته باشد که در پایتون با NA یا NaN نمایش داده می شود. معمولا برای حل این موضوع از میانگین، میانه، مد و یا صفر (بسته به مسئله) برای پر کردن داده ها استفاده می شود. (ردیف2)
2️⃣ بی اعتبار بودن داده ها (invalidity error): یعنی زمانی که داده ها از محدوده معناداری خارج می شوند. برای مثال در ردیف 2 تاریخ تولد فرد مذکور سال 1300 ذکر شده است که خارج از محدوده است.
3️⃣ دقت پایین داده ها (inaccuracy error): وقتی که داده ها با مقادیر صحیح پر نشده باشند، این خطا عموما از ناحیه مسئولین داده ها اتفاق می افتد. برای مثال افراد یا کارت بانکی دارند یا ندارند، «بدون پاسخ» در ردیف 4 معنی ندارد.
4️⃣ ناسازگاری داده ها (inconsistency error): وقتی بخش های مختلف داده با هم ناسازگار باشند. در ردیف 5 نام فرد خانم ب است اما جنسیت مرد ذکر شده است. معمولا برای رفع این مشکل معمولا از داده های تکمیلی استفاده می کنند.
5️⃣ یکنواخت نبودن داده ها (non-uniformity error): برای راحتی محاسبه و افزایش دقت لازم است داده ها از یک الگو تبعیت کنند. راهکار این موضوع تبدیل داده ها به یک فرم یکنواخت است. برای مثال در همه ردیف ها سال تولد با الگوی 4 رقم ذکر شده است اما در ردیف 3 با الگوی دو رقم ذکر شده است.
6️⃣ تکراری بودن داده ها (duplication error): وجود داده های تکراری ممکن است باعث جابجایی میانگین، میانه و مد شود و تمرکز ما از جابجا کند. راه کار آن نیز حذف داده های تکراری است. در مثال ردیف 1و 4 تکراری هستند.


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

اَلسَّلامُ عَلَی الْحُسَیْن وَ عَلی عَلَیِ بْن الْحُسَین وَ عَلی اَوْلادِ الْحْسَیْن وَ عَلی اَصحابِ الْحُسَین

فرا رسیدن ایام شهادت سید و سالار شهیدان امام حسین(ع) و یاران با وفایش تسلیت باد.
التماس دعا

#مناسبت

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

ماژول دریافت اطلاعات از بورس تهران (TSETMC) - نسخه 5.52

اگر در دریافت اطلاعات از بورس تهران دچار مشکل شده اید، نسخه جدید tsemodule را جایگزین نسخه قبلی نمایید.
برای کسب اطلاعات بیشتر در خصوص tsemodule و نحوه دریافت اطلاعات از بورس تهران، به این لینک مراجعه نمایید.
با استفاده از دستور tm5.ver مطمئن شوید که از ورژن 5.52 استفاده می کنید.
پی نوشت: در ورژن جدید سایت tsetmc از یک روش جدید برای فراخوانی داده ها استفاده می شود که به زودی انشاء الله ماژول بر این اساس آپدیت می شود.
#tsemodule


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