پایتون مالی

описание

این کانال برای یادگیری پایتون با رویکرد مالی ایجاد شده است. در اینجا مطالب آموزشی علم داده، هوش مصنوعی، پایتون مالی و معاملات الگوریتمی به اشترک گذاشته خواهد شد. سپاس بابت همراهیتان Admin: علی رئوفی - دکتری اقتصاد مالی و اقتصادسنجی @raoofiali

← к каналу @pyfinance

4 856

подписчиков

Охват к подписчикам

102,3%

ERR

Реакции к просмотрам

0,36%

378 на 21 постов

Пересылки к просмотрам

1,46%

1 538

Постов в день

0,0

всего 21

Где отзываются чаще

доля реакций к просмотрам

5 авг. 2025 г.رونالد کوز، اقتصاددان معروف، میگه اگه دیتا رو به اندازه کافی شکنجه کنی، به هر چیزی اعتراف خواهد کرد. این روزها هم هر کسی شلاق دستش گرفته و در حد وسع خودش داره دیتا رو شکنجه می‌کنه تا نتیجه دلخواهش رو ازش دربیاره. ➖➖➖➖➖ هوش‌مصنوعی در صنعت مالی ✅@pyfinance1,41%
3 авг. 2025 г.❗️ همبستگی بین فروش بستنی و حملات کوسه‌ها ؛ وقتی R² (ضریب تعیین در رگرسیون) بالاست، اما منطق تحلیل پایین است… نمودار بالا، همبستگی کامل بین فروش بستنی و حملات کوسه‌ها را نشان می‌دهد. قانع‌کننده به‌نظر می‌رسد، نه؟ اما وقتی دقت کنیم، می‌فهمیم عامل اصلی نه لبنیات است، نه باله‌ی پشتی کوسه‌ها ،بلکه فصل‌ها (یعنی «فصل تابستان») دلیل این همبستگی‌اند. برای کسانی که در حوزه داده‌ها کار می‌کنند: • همیشه متغیرهای بیرونی (external variables) را کنترل کنید • به دنبال مکانیزم واقعی علت و معلولی باشید • عاشق خروجی رگرسیون‌تان نشوید همبستگی می‌تواند نقطه‌ی شروع خوبی باشد. اما علیت؟ آنجاست که کار واقعی آغاز می‌شود. کنجکاو بمانیم، دقیق بمانیم ➖➖➖➖➖ هوش‌مصنوعی در صنعت مالی ✅@pyfinance1,31%
9 мар. 2025 г.گریگوری پرلمان، ریاضی‌دان برجسته روس، یکی از افرادی است که در دنیای ریاضیات، بیشتر از آن که شناخته شده باشد، مورد احترام است. شاید بسیاری از شما نام او را نشنیده باشید، اما به جرات می‌توان گفت که یکی از بزرگ‌ترین دستاوردهای ریاضی در قرن اخیر نتیجه کارهای او است. در سال ۲۰۰۶، پرلمان زمانی که فقط ۴۰ سال داشت، مدال فیلدز را که به نوعی «نوبل ریاضیات» شناخته می‌شود، دریافت کرد. اما او این جایزه را نپذیرفت! بله، او مدال فیلدز را رد کرد! پرلمان معتقد بود که شهرت و پول برایش اهمیت ندارد. او گفته بود: «من نمی‌خواهم مثل یک حیوان در باغ‌وحش به نمایش گذاشته شوم»، و به خبرنگاران نیز گفته بود: «من تمام چیزی که می‌خواهم، دارم». شاید برای شما هم این سوال پیش بیاید که چه چیزی می‌خواهد که تا این حد از دنیای بیرون بی‌نیاز است؟ او حتی جایزه یک میلیون دلاری مؤسسه کلی برای حل مسئله پوانکاره را هم رد کرد. در سال ۲۰۱۰، پس از حل این مسئله، معیارهای لازم برای دریافت این جایزه را کسب کرد، اما باز هم تصمیم هیئت داوران را غیرمنصفانه دانست و گفت که سهم خودش در حل این معما بیشتر از ریچارد همیلتون است، همکار معروفش. پرلمان نه تنها جوایز را رد کرده، بلکه پیشنهادهای شغلی از دانشگاه‌های پرینستون و استنفورد را هم به دلیل علاقه نداشتن به پیوستن به آکادمی‌های بزرگ رد کرد و ترجیح داد تا در دنیای خارج از جمع، زندگی آرام و دور از هیاهو داشته باشد. همه این‌ها سوالات زیادی به ذهن می‌آورد. چطور یک فرد می‌تواند به چنین دستاوردهایی برسد و همچنان از شهرت و شناخته شدن دوری کند؟ شاید او واقعا به چیزهایی دست یافته که ما در دنیای پر از توقعات و رقابت‌ها از آن بی‌خبریم. ➖➖➖➖➖➖ هوش‌مصنوعی در صنعت مالی ✅@pyfinance1,09%
4 авг. 2025 г.✅ داده‌های هر وب‌سایتی رو به راحتی استخراج کن! پیش‌تر برای جمع‌آوری داده از چندین وب‌سایت، نیازمند کدنویسی گسترده با ابزارهایی مثل BeautifulSoup یا Scrapy بود. این روش مستلزم تحلیل دستی ساختار HTML هر سایت و تطبیق مستمر کدها با کوچک‌ترین تغییرات در طراحی وب‌سایت‌ها بود. امروزه با استفاده از FireCrawl، این فرآیند به‌طور چشمگیری ساده شده است. کافیست لیستی از URLها به ابزار داده شود و نیازهای داده‌ای به‌صورت خلاصه تعریف گردد. سپس به‌طور خودکار: ۱. سایت‌ها کراول می‌شوند، ۲. داده‌های موردنیاز استخراج می‌گردند، ۳. خروجی به‌صورت یک دیتاستِ تمیز و آمادهٔ تحلیل ارائه می‌شود. در FireCrawl بدون اینکه نیاز باشه حتی یه خط کد بنویسی، دیتاهای مرتب و ساختار یافته رو بهت تحویل میده. انگار داری یه سایت رو به یه API زنده تبدیل می‌کنی! داده‌ها رو هر جوری بخوای پردازش می‌کنی و توی هر پروژه‌ای که داری استفاده می‌کنی. پ‌ن: البته نسخه رایگان محدودیت داره و اگر نیاز دارید که در پروژه‌های جدی ازش استفاده کنید باید اشتراک تهیه کنید. ➖➖➖➖➖ هوش‌مصنوعی در صنعت مالی ✅@pyfinance0,72%
13 мар. 2025 г.✔️بازار آپشن را در پایتون تحلیل کن! 🟡کتابخانه tseopt یک ابزار پایتونی است که برای تعامل با داده‌های بورس اوراق بهادار تهران (TSE) و فرابورس ایران توسعه یافته است. این کتابخانه امکان دسترسی به داده‌های مربوط به بازار اختیار معامله را فراهم می‌کند و برای تحلیل‌گران مالی و توسعه‌دهندگان ابزارهای مالی مفید است. 🟡نصب کتابخانه: برای نصب tseopt می‌توانید از مدیر بسته pip استفاده کنید: pip install tseopt استفاده از کتابخانه: پس از نصب، می‌توانید با استفاده از توابع موجود در این کتابخانه به داده‌های مورد نیاز دسترسی پیدا کنید. به عنوان مثال، برای دریافت تمام داده‌های بازار اختیار معامله: from tseopt import get_all_options_data entire_option_market_data = get_all_options_data() print(entire_option_market_data.head(5)) همچنین، می‌توانید با استفاده از کلاس‌های موجود در این کتابخانه، بازار را بر اساس معیارهای مختلف فیلتر کنید: import pandas as pd from tseopt.use_case.screen_market import OptionMarket, convert_to_billion_toman option_market = OptionMarket(entire_option_market_data=entire_option_market_data) print(f"total_trade_value: {option_market.total_trade_value / 1e10:.0f} B Toman") این کتابخانه با ارائه توابع و کلاس‌های متنوع، امکان تحلیل و بررسی دقیق‌تر داده‌های بازار اختیار معامله را برای کاربران فراهم می‌کند. ➖➖➖➖➖ 🟠ابزار هوشمند سرمایه‌گذاری دیتاوست 🪙(۳۰ درصد تخفیف نوروزی) ➖➖➖➖➖ هوش‌مصنوعی در صنعت مالی ✅@pyfinance0,48%
11 авг. 2025 г.مشاغلی که انتظار می‌رود تا ۲۰۳۰ سریعترین رشد تقاضا را داشته باشند. ➖➖➖➖➖ هوش‌مصنوعی در صنعت مالی ✅@pyfinance0,46%
21 мар. 2025 г.✔️من بعد از یک مدت طولانی برگشتم و راجع به درک آزمون های آماری صحبت میکنم. میدونم که بار ها و بار ها آزمون ها آماری رو یاد گرفتیم اما شاید این ویدئو کمک بکنه که عمیق تر به این مسئله فکر بکنیم و سنگ اول باشه برای درک مباحث خیلی پیشرفته تر مثل درک مدل سازی های مالی، کوانت، معاملات الگوریتمی، مدل های ارزش گذاری و پیش بینی و ... ➖➖➖➖➖➖ 🔖 هوش‌مصنوعی در صنعت مالی ✅@pyfinance0,42%
6 авг. 2025 г.📌 هوش مصنوعی در انتخاب پرتفوی در سمینار ریاضیات مالی UCL، پژوهش‌هایی درباره کاربرد مدل‌های زبانی بزرگ (LLMها) در ساخت پرتفوی ارائه شد—ترکیبی نوآورانه از هوش مصنوعی و مالی. این ارائه بر پایه سه پژوهش شکل گرفته که دو مورد از آن‌ها در arXiv منتشر شده‌اند: 🔹 مقاله اول | Your AI, Not Your View این مقاله نشان می‌دهد LLMها فقط ابزار تحلیل نیستند؛ بلکه می‌توانند خودشان دیدگاه سرمایه‌گذاری داشته باشند—مثلاً علاقه به صنایع خاص، سهام بزرگ یا استراتژی‌هایی مثل مومنتوم. برای بررسی این موضوع، به مدل‌ها داده‌های متناقض داده شد تا ببینند چقدر به نظر اولیه‌شان پایبند می‌مانند. نتیجه: مدل‌هایی مثل GPT و Gemini متعادل‌تر بودند؛ LLaMA و DeepSeek گرایش قوی‌تری نشان دادند. 🔹 مقاله دوم | Integrating LLM Views into Mean‑Variance Optimization در این مقاله، چارچوبی معرفی شده که دیدگاه‌های LLMها (مثلاً پیش‌بینی رشد یک سهم) را با مدل بلک‑لیترمن ترکیب می‌کند تا پرتفوی بهینه‌تری ساخته شود. نتایج، عملکرد بهتر این روش نسبت به پرتفوی‌های سنتی و شاخص S&P 500 را در یک دوره آزمایشی نشان می‌دهند. 📎 ارائه پیوست شده است. ✅@pyfinance0,39%
11 мар. 2025 г.گزارش بسیار عالی موسسه BCG در مورد کاربرد هوش مصنوعی در صنعت مدیریت دارایی آمار بسیار خوبی هم در خصوص صنعت مدیریت دارایی و نقش AI در توسعه این صنعت ارائه می‌دهد. فرصت کردید بخوانید و به این فکر کنید که سبدگردان‌ها و شرکت‌های سرمایه‌گذاری در ایران چقدر با ادبیات هوش مصنوعی و اهمیتش آشنا هستند؟ 🔴دوره مدیریت سبد دارایی با استفاده از هوش‌مصنوعی 🔻کسب اطلاعات بیشتر: 🔻@data_vest ➖➖➖➖➖➖ هوش‌مصنوعی در صنعت مالی ✅@pyfinance0,35%
8 авг. 2025 г.📍تحول در صنعت بیمه با هوش‌مصنوعی هوش‌مصنوعی قراره صنعت بیمه رو زیر و رو کنه. مثلاً با کمک هوش‌مصنوعی، شرکت‌های بیمه می‌تونن خیلی راحتتر و سریعتر خسارت‌ها رو بررسی کنن، تقلب‌ها رو تشخیص بدن و حتی قیمت بیمه‌نامه‌ها رو دقیقتر محاسبه کنن. اینجوری هم هزینه‌ها کم میشه، هم مشتری‌ها راضیتر میشن چون دیگه نیازی نیست کلی مدارک بفرستن و ماه‌ها منتظر جواب بمونن. یه نکته جالب دیگه اینه که هوش مصنوعی می‌تونه پیش‌بینی کنه کدوم مشتری‌ها بیشتر احتمال داره بیمه بخوان یا حتی چه خطرهایی ممکنه در آینده براشون پیش بیاد. اینطوری شرکت‌های بیمه می‌تونن پیشنهادهای شخصی‌سازی شده به مشتری‌ها بدن و کلی فرصت‌های جدید برای فروش ایجاد کنن. خلاصه که هوش مصنوعی نه تنها کارها رو آسونتر می‌کنه، بلکه می‌تونه سود شرکت‌های بیمه رو هم بیشتر کنه، البته اگه درست ازش استفاده بشه! ▫️گزارش مکنزی از آینده هوش‌مصنو‌عی در صنعت بیمه ➖➖➖➖➖ هوش‌مصنوعی در صنعت مالی ✅@pyfinance0,29%
15 мар. 2025 г.🔴تخفیف‌های تکرار نشدنی دوره‌های پر مخاطب مالی در تعطیلات نوروز در کنار شما هستیم تا مهارت جدیدی یاد بگیرید 📉 تا ۵۰ درصد تخفیف دوره‌های آنلاین و ۷۰ درصد تخفیف ویدئوهای آموزشی 📅 تا ۵ فروردین ماه، ثبت‌نام اقساطی! ✔️ ارائه مدرک معتبر و قابل ترجمه برای دریافت جزئیات و لیست کامل دوره‌ها: ✈️@datavest_info 🌐 www.datavest.ir 📞 ۰۲۱-۹۱۶۹۴۱۱۲ ❗️پ‌ن: تمام دوره‌های آنلاین به صورت #ویدئوی_آموزشی و تا ۷۰ درصد تخفیف! قابل تهیه است. شما می‌توانید در ایام نوروز یک مهارت جدید در حوزه #هوش_مصنوعی یاد بگیرید! ➖➖➖➖➖ هوش‌مصنوعی در صنعت مالی ✅@pyfinance0,28%
22 мар. 2025 г.این تصویر از Visual Capitalist و Hinrich Foundation یک نمایش گرافیکی از میزان داده‌های تولید، ثبت، یا تکثیرشده در جهان بین سال‌های ۲۰۱۰ تا ۲۰۲۶ (پیش‌بینی‌شده) را نشان می‌دهد.‌: • در سال ۲۰۱۰، حجم کل داده‌های جهان ۲ زتابایت ( یک زتابایت برابر با ۱ میلیارد ترابایت است )بود، اما این مقدار به ۱۰۱ زتابایت در ۲۰۲۲ و پیش‌بینی شده به ۲۲۱ زتابایت در ۲۰۲۶ خواهد رسید. • طی سه سال آینده، مقدار داده‌های تولیدشده از تمام تاریخ بشریت فراتر خواهد رفت. نقش هوش مصنوعی: • ۲۰۱۴: اولین مدل هوش مصنوعی مولد (Generative Adversarial Network) راه‌اندازی شد. •اوپن ا ای سال ۲۰۱۸ چی پی تی وان را منتشر کرد. سال ۲۰۲۲ چت جی پی تی منتشر شد و در ۵ روز اول ۱ میلیون کاربر جذب کرد. • داده‌های جهانی در ۲۰۲۶ به ۲۲۱ زتابایت خواهد رسید، که بیش از ۱۰۰ برابر مقدار ۲۰۱۰ است. • افزایش نمایی داده‌ها نتیجه پیشرفت‌های فناوری، دیجیتالی شدن اقتصاد، و رشد هوش مصنوعی است. • نقش مدل‌های زبانی و سیستم‌های مولد هوش مصنوعی در این افزایش بسیار پررنگ است. • این رشد می‌تواند چالش‌هایی مانند نیاز به زیرساخت‌های ذخیره‌سازی، امنیت داده‌ها، و مدیریت مصرف انرژی ایجاد کند. ➖➖➖➖➖ 🟠دوره علم‌داده و هوش‌مصنوعی با پایتون 🪙(۵۰ درصد تخفیف نوروزی) ➖➖➖➖➖ هوش‌مصنوعی در صنعت مالی ✅@pyfinance0,26%