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

🆔 t.me/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

🆔 t.me/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

🆔 t.me/python4finance
🆔 ble.ir/python4finance

دانلود کتاب «تحلیل داده های مالی با پایتون» به انگلیسی «Data Analytics for Finance Using Python»
یک کتاب جمع و جور برای علاقه مندان به تحلیل داده های مالی

#دانلود_کتاب
#پایتون_مالی

پایتون برای مالی

? t.me/python4finance
? ble.ir/python4finance

ویژگی های جدید پایتون 3.13

نسخه پایدار پایتون 3.13 هفتم اکتبر یعنی حدودا یکماه و نیم پیش منتشر شد. طبق معمول پیشرفت های بسیار خوبی در بخش های مختلف پایتون داده شده است که کارکردن با این زبان محبوب را جذاب تر می کند.
1️⃣ بهبود نمایش خطاها
در نسخه 3.13 پایتون، نمایش خطاها بهبود مناسبی پیدا کرده اند. مثلا خطاها با رنگ های مختلف نشان داده می شوند. همچنین در هنگامی که یک فایل مشابه با نام یک ماژول در پوشه جاری داشته باشید، پایتون با یک پیام خطای صحیح شما را متوجه این موضوع می کند. (در یکی از پروژه ها وجود فایلی همنام با یک ماژول چند ساعت وقت کل تیم ما را گرفت?)
2️⃣ اضافه شدن JIT (Just-In-Time)
یکی از دغدفه های برنامه نویسان پایتون همواره سرعت اجرای برنامه ها بوده است. برخی زبان های دیگر با ارائه JIT این موضوع را حل کرده بودند. در نسخه 3.13 کامپایلر JIT به صورت پیشفرض غیر فعال است، اما در صورت فعال شدن می‌تواند در بهبود کارایی پروژه مفید باشد و در آینده در ورژن‌های جدید پایتون، کامل‌تر خواهد شد.
3️⃣ پشتیبانی از IOS
در این نسخه از پلت فرم IOS شامل آیفون و آی پدهای بعد از سال 2013 که دارای ساختار arm64-apple-ios پشتیبانی می‌شود.
4️⃣ حذف ویژگی‌های قدیمی و ناکارآمد

البته اینها موارد کاربردی و مهم تغییرات این نسخه هستند و میزان بهبود ها بسیار بیشتر است. اگر به این موضوع علاقه مند بودید سری به این آدرس بزنید.

? نکته: همیشه توصیه می شود اگر در حال حاضر پروژه فعالی را با پایتون های قدیمی تر دارید، آپدیت به نسخه جدید را با یکی دو ماه تاخیر انجام دهید. معمولا در ابتدای ارائه ورژن های جدید، برخی ماژول ها دچار مشکل می شوند که عموما تا یکی دو ماه بعد نسخه جدید آنها هم ارائه می شود.

#پایتون3.13
#python3.13
#new_features

پایتون برای مالی

? @python4finance

دانلود کتاب «مالی تر و تمیز با پایتون» به انگلیسی «Tidy Finance with Python »

سایت کتاب

#معرفی_کتاب
#پایتون_مالی

پایتون برای مالی

? t.me/python4finance
? ble.ir/python4finance

چالش اعداد اعشاری در پایتون!
یکی از مشکلاتی که در برخی زبان های برنامه نویسی از جمله پایتون با آن مواجه می شویم، چالش کار با اعداد اعشاری است. به دو عبارت زیر توجه کنید:

0.1 + 0.1 == 0.2 True 0.1 + 0.1 + 0.1 == 0.3 False

مساله از اینجا شروع می شود که پایتون برای محاسبات خود، اعداد را به باینری تبدیل می کند که این مسئله، محاسبات اعداد اعشاری را در برخی موارد دچار مشکل می کند.
برای حل این موضوع می توان از تابع isclose در ماژول math استفاده کرد.

math.isclose(0.1 + 0.1 + 0.1, 0.3) True

لازم است در تحلیل هایی که نیاز به بررسی اعداد اعشاری دارند، این مورد را حتما در نظر بگیرید.

پایتون برای مالی

? @python4finance

اصل گزارش بالا به پیوست تقدیم می شود.

#هوش_مصنوعی
#مکینزی
#Mckinsey
#AI

پایتون برای مالی

? t.me/python4finance
? ble.ir/python4finance