ریسکپای | ‌RiskPy

This Machine Learning Cheat Sheet @RiskPy @RiskPyLib

متریک های کلیدی برای ارزیابی مدل های یادگیری ماشین @RiskPy @RiskPyLib

مهم ترین کتابخانه های پایتون برای هوش مصنوعی و علم داده @RiskPy @RiskPyLib

نمایی از کلیه کتابخانه های زبان برنامه نویسی پایتون برای کارهای مختلف @RiskPy @RiskPyLib

📊 VaR در برابر Stress Testing دو لنز مکمل برای سنجش ریسک مالی 🔍 ارزش در معرض ریسک (VaR) ارزش در معرض ریسک نشان می‌دهد که در شرایط عادی بازار و با یک سطح اطمینان مشخص، حداکثر زیان مورد انتظار چقدر است. این ابزار بر داده‌های تاریخی و مفاهیم احتمالاتی تکیه دارد و به سؤال روزمره مدیران پاسخ می‌دهد: ❓ «در روزهای نرمال، حداکثر چقدر ممکن است ضرر کنیم؟» ⚠️ آزمون تنش (Stress Testing) در مقابل، آزمون تنش به سراغ سناریوهای بحرانی اما محتمل می‌رود؛ مانند سقوط بازار، شوک نرخ بهره، بحران نقدینگی یا شوک‌های ژئوپلیتیکی. این رویکرد آینده‌نگر است و می‌پرسد: ❓ «اگر بحران رخ دهد، چقدر آسیب‌پذیر هستیم؟ آیا دوام می‌آوریم؟» 🧩 جمع‌بندی مهم ارزش در معرض ریسک، ابزار پایش ریسک در شرایط عادی است و آزمون تنش، ابزار آمادگی برای شرایط غیرعادی. 📌 استفاده هم‌زمان از این دو رویکرد، تصویری کامل‌تر، واقع‌بینانه‌تر و مقاوم‌تر از ریسک مالی ارائه می‌دهد؛ ترکیبی از کنترل روزمره ریسک و آمادگی برای رویدادهای دنباله‌ای (Tail Events). @RiskPy @RiskPyLib

دسته بندی الگوریتم های یادگیری ماشین @RiskPy @RiskPyLib

Essential Resources for Quantitative Trading and Research Core Texts Option Volatility and Pricing (Natenberg). The standard reference for derivatives risk management. https://amzn.to/3MmU6tI Trading and Exchanges (Harris). Practical mechanics of market microstructure, bids, and spreads. https://amzn.to/4aCh2PD Quantitative Trading (Chan). Methodology for strategy construction and backtesting. https://amzn.to/4a4vKPm The Elements of Statistical Learning (Hastie et al.). Mathematical foundations for learning algorithms. https://amzn.to/4rEnImB Active Portfolio Management (Grinold & Kahn). Frameworks for alpha generation and portfolio construction. https://amzn.to/4aDlNIF Advances in Financial Machine Learning (Marcos Lopez de Prado). Modern techniques for non-linear return forecasting. https://amzn.to/4pW0RBk Technical Infrastructure EODHD APIs. API for historical, fundamental, and macroeconomic data. https://eodhd.com/ Quantpedia.com. Database of quantitative trading strategies sourced from academic papers. https://quantpedia.com/ Seeking Alpha. Institutional-grade news and equity research. https://seekingalpha.com/ Interview Preparation Heard on the Street. Collection of quantitative and logical brain teasers used by firms like Jane Street and Susquehanna International Group. https://amzn.to/4iGJnpX Tradermath. Testing environment for mental arithmetic and quantitative assessments. https://lnkd.in/d6zZduam Full resource list including libraries, data APIs, and mathematical courses: https://lnkd.in/d6Je9-jn Reference @RiskPy @RiskPyLib

انواع دیتابیس @RiskPy @RiskPyLib

انواع نرخ ارز در ایران @RiskPy @RiskPyLib

أشهَدُ أَنّ عَلیاً ولی‌َّالله ☘🌺عیدتان مبارک🌺☘ امام علی علیه السلام: إِذا تَفَقَّهَ الرَّفيعُ تَواضَعَ؛ (انسان بلند مرتبه چون به فهم و دانايى رسد، متواضع مى شود) ⁣@RiskPy @RiskPyLib

انواع ریسک و مراحل ارزیابی ریسک @RiskPy @RiskPyLib

@RiskPy @RiskPyLib

این اینفوگرافیک، یک نقشه راه دیجیتال برای شناسایی «شکاف پژوهشی» (Research Gap) با بهره‌گیری از هوش مصنوعی است که فرآیند را در چهار گام خلاصه می‌کند: ​۱. یافتن و گسترش منابع: ابتدا یک مقاله مروری کلیدی انتخاب شده و از طریق Litmaps، تمام مقالات مرتبط در شبکه استنادی آن استخراج می‌شود تا از «سوگیری جستجو» جلوگیری شود. ​۲. غربالگری و تحلیل محتوا: با فیلتر کردن مقالات بر اساس اعتبار و قدمت، محتوای آن‌ها در NotebookLM تحلیل می‌شود. هدف در اینجا نه خلاصه‌سازی صرف، بلکه استخراج مفاهیم کلیدی است. ​۳. نگاشت ذهنی (Mind-mapping): با استفاده از ابزارهایی مثل DrawIO، روابط بین مفاهیم ترسیم می‌شود. در این مدل: ​هر جعبه = یک متغیر یا مفهوم. ​هر خط اتصال = یک پژوهش انجام شده که رابطه را تایید کرده است. ​۴. کشف شکاف: شکاف پژوهشی دقیقاً همان «اتصال مفقوده» بین دو مفهوم است (مثلاً متغیر A و B هر دو به C مربوطند، اما رابطه مستقیم A بر B بررسی نشده است). در نهایت با Consensus AI اطمینان حاصل می‌شود که واقعاً پژوهشی در این زمینه وجود ندارد. @RiskPy @RiskPyLib

استفاده از هوش مصنوعی همیشه الزامی نیست. بسیاری از تیم‌ها ابتدا می‌پرسند: «چطور AI را اضافه کنیم؟» اما سوال واقعی این است: «آیا بدون AI هم می‌توان مسئله را حل کرد؟» انتخاب ابزار به ماهیت مسئله بستگی دارد: مسائل ساده و قابل پیش‌بینی → نرم‌افزار سنتی بهترین گزینه است. داده‌های پیچیده و بدون ساختار → یادگیری ماشین مفید است. عدم قطعیت بالا و نیاز به تشخیص الگو → هوش مصنوعی کارآمد می‌شود. محصولات مبتنی بر AI ذاتا احتمالی هستند و مدیریت آن‌ها با نرم‌افزار سنتی متفاوت است. پس قبل از اضافه کردن AI، ابتدا ارزش واقعی آن را بسنجید؛ در غیر این صورت فقط پیچیدگی و ریسک اضافه می‌کنید. @RiskPy @RiskPyLib

ارائه تصویری از بازده و ریسک ایران در طی 25 سال @FinGov

40 websites bookmarked for research papers. @RiskPy @RiskPyLib

📊 شاخص‌های کلیدی عملکرد (KPI) و اهداف و نتایج کلیدی (OKR) در مدیریت مالی و ریسک در حوزه مالی و مدیریت ریسک، استفاده درست از ابزارهای سنجش عملکرد و هدف‌گذاری نقش مهمی در کیفیت تصمیم‌گیری دارد. دو مفهوم پرکاربرد در این زمینه، شاخص‌های کلیدی عملکرد (KPI) و اهداف و نتایج کلیدی (OKR) هستند که اگرچه گاهی به‌جای یکدیگر استفاده می‌شوند، اما کارکردهای متفاوت و مکملی دارند. 🔹 KPI | ابزار پایش و کنترل ریسک شاخص‌های کلیدی عملکرد، ابزار پایش مستمر وضعیت موجود هستند و به مدیران کمک می‌کنند سلامت مالی و سطح ریسک را به‌صورت مداوم رصد کنند. نمونه‌هایی از شاخص‌های مالی و ریسکی: ▪️ بازده پرتفوی ▪️ نوسان‌پذیری ▪️ حداکثر افت سرمایه ▪️ نسبت شارپ ▪️ نسبت کفایت سرمایه این شاخص‌ها به یک سؤال اساسی پاسخ می‌دهند: ❓ وضعیت فعلی ما از نظر ریسک و عملکرد چگونه است؟ 🎯 OKR | جهت‌دهی استراتژیک در شرایط عدم‌قطعیت اهداف و نتایج کلیدی زمانی به‌کار می‌روند که هدف، ایجاد تغییر هدفمند در ساختار ریسک و بازده باشد. در نهادهای مالی، این چارچوب کمک می‌کند تصمیمات استراتژیک به اهداف کمی و قابل اندازه‌گیری تبدیل شوند. 📌 مثال: هدف: بهبود کنترل ریسک پرتفوی نتایج کلیدی: ▪️ کاهش افت سرمایه از ۳۰٪ به ۲۰٪ ▪️ افزایش نسبت شارپ از ۰٫۸ به ۱٫۲ ▪️ کاهش نوسانات پرتفوی در شرایط بحرانی 🔗 رابطه این دو مفهوم در مدیریت حرفه‌ای 🔸 شاخص‌ها نقش داشبورد سلامت مالی را دارند 🔸 اهداف نقش موتور حرکت و بهبود را ایفا می‌کنند 🔸 شاخص بدون هدف → کنترل بدون رشد 🔸 هدف بدون شاخص → تصمیم‌گیری بدون داده ✅ جمع‌بندی در مدیریت مالی و ریسک مدرن، ابتدا با شاخص‌های کلیدی عملکرد، ریسک اندازه‌گیری و کنترل می‌شود و سپس با اهداف و نتایج کلیدی، مسیر تغییر و رشد پایدار طراحی می‌گردد. ترکیب هوشمندانه این دو مفهوم، پایه تصمیم‌گیری حرفه‌ای در بازارهای مالی است. @RiskPy @RiskPyLib

در این ویدئو به تفاوت دو مفهوم مهم KPI و OKR پرداخته شده است؛ دو ابزار کلیدی در مدیریت عملکرد که هر کدام نقش متفاوتی در پایش، هدف‌گذاری و رشد سازمان دارند. این ویدئو برای کسانی تهیه شده که به دنبال درک دقیق‌تر شاخص‌ها و جهت‌دهی مؤثر به اهداف هستند. @RiskPy @RiskPyLib

🚀 15 مقاله کمی که دنیای مالی مدرن را شکل دادند! اگر در Quant، Trading، Risk یا ML-driven Investing فعالیت دارید، این مقالات ستون فکری شما هستند 👇 1️⃣ Black–Scholes (1973) 💡 معرفی قیمت‌گذاری بدون ریسک و پوشش پویا 📈 پایه ریاضی بازارهای مشتقه جهانی 2️⃣ CAPM – Sharpe (1964) ⚖️ ارتباط بین بازده مورد انتظار و ریسک سیستماتیک (بتا) 📊 مدل پایه‌ای همه نظریه‌های قیمت‌گذاری دارایی 3️⃣ Fama–French 3-Factor (1993) 📌 اندازه و ارزش بیش از بتای بازار بازده‌ها را توضیح می‌دهند 💰 آنومالی‌ها را به فاکتورهای سرمایه‌گذاری سیستماتیک تبدیل کرد 4️⃣ Fama–French 5-Factor (2015) 📊 افزودن سودآوری و رفتار سرمایه‌گذاری به مدل‌ها 💡 حرکت به سمت اصول اقتصادی واقعی در قیمت‌گذاری دارایی‌ها 5️⃣ Almgren–Chriss (2000) ⚡️ کمی‌سازی تأثیر بازار و ریسک اجرا 🤖 هنوز پایه الگوریتم‌های معاملات سازمانی 6️⃣ Heston Model (1993) 🌪 مدل‌سازی نوسان به عنوان فرایند تصادفی 📈 توضیح لبخند و کجی نوسان که بلک–شولز نمی‌توانست 7️⃣ Volatility Is Rough (2018) 🌊 نوسان بسیار ناهموارتر از حرکت براونی 💹 تغییر نحوه قیمت‌گذاری آپشن‌های کوتاه‌مدت 8️⃣ Rough Heston Model (2019) 🔗 ترکیب نوسان ناهموار با قیمت‌گذاری قابل‌حل 📊 واقعیت تجربی را به میزهای مشتقه آورد 9️⃣ Coherent Measures of Risk (1999) 🛡 تعریف معیارهای معتبر ریسک 📉 CVaR بهتر از Value-at-Risk 🔟 Markowitz Portfolio Theory (1952) 📌 رسمی کردن تنوع و مرز کارا 📈 آغاز بهینه‌سازی مدرن پورتفوی 1️⃣1️⃣ Universal Portfolios (1991) 🤖 استراتژی‌های تطبیقی که تخصیص بهینه را آنلاین یاد می‌گیرند 💼 پیش‌نمونه مدیریت پورتفوی الگوریتمی 1️⃣2️⃣ Advances in Financial ML (2018) ⚠️ چرا ML ساده در بازارها شکست می‌خورد 💻 معرفی ابزارهای قوی میزهای معاملاتی واقعی 1️⃣3️⃣ Reinforcement Learning for Trading (2001) 🎯 معامله به عنوان فرایند تصمیم‌گیری ترتیبی 🤖 الهام‌بخش طراحی استراتژی‌ها و اجرای RL مدرن 1️⃣4️⃣ Transfer Learning in Finance (2016) 🔄 مدل‌های ML می‌توانند بین دارایی‌ها و بازارها تعمیم یابند 📊 کلیدی برای محیط‌های مالی با داده محدود 1️⃣5️⃣ ML in Asset Pricing (2020) 🚀 ML از مدل‌های فاکتور خطی پیشی می‌گیرد 💡 نقطه عطف پژوهش در قیمت‌گذاری دارایی‌ها @RiskPy @RiskPyLib

موسسه GARP یک دوره آنلاین رایگان برای یادگیری در مورد مدل سازی رخدادهای فاجعه بار (Catastrophe Events) برگزار می کند. کلاس ها به صورت خودخوان هستند. ✅پس از پایان دوره، با شرکت در آزمون آن، می توان مدرک تکمیل دوره دریافت کرد. 📍کسب اطلاعات بیشتر و ثبت نام: https://www.garp.org/catastrophe-modelling-masterclass-fathom @RiskPy @RiskPyLib