وبینار بعدی Minitab در روز July 8 (چهارشنبه ۱۸ تیر) برگزار میشود. ثبتنام کلاس آموزشی با استفاده از لینک زیر و به صورت رایگان خواهد بود. 👇
https://info.minitab.com/resources/webinars/minitab-python-text-mining?utm_campaign=Webinar%20Wednesdays&utm_medium=email&_hsenc=p2ANqtz-9pMYkzN6V1q2eyaNPH0UJfXHfB59sN8e2-MWZleXOCm_AErIeTD4EoFPp76w0HXCHEbH2CIsnTSL6bvRIeq8cx0O_mA7gDY4mUbfwOFGw3ZT3dBCM&_hsmi=90224971&utm_content=90224971&utm_source=hs_email&hsCtaTracking=45ae5ae0-cbba-458a-b75a-a82a38bd46d9%7C97e094d8-d039-4884-80b1-26ffaf201233
https://info.minitab.com/resources/webinars/minitab-python-text-mining?utm_campaign=Webinar%20Wednesdays&utm_medium=email&_hsenc=p2ANqtz-9pMYkzN6V1q2eyaNPH0UJfXHfB59sN8e2-MWZleXOCm_AErIeTD4EoFPp76w0HXCHEbH2CIsnTSL6bvRIeq8cx0O_mA7gDY4mUbfwOFGw3ZT3dBCM&_hsmi=90224971&utm_content=90224971&utm_source=hs_email&hsCtaTracking=45ae5ae0-cbba-458a-b75a-a82a38bd46d9%7C97e094d8-d039-4884-80b1-26ffaf201233
Minitab
Turning Words into Numbers and Numbers into Data-Driven Insights with Minitab, Python and Text Mining
Learn how to perform text analytics with Minitab and Python. From the basic steps from collecting summary statistics to more advanced concepts such as bag of words and sentiment values.
GraphPad
اینکه در ادامه چه خواهد شد و آیا همچنان شاخص تفاضلی مثبت خواهد ماند و نمادهای بزرگ بازار رشد بیشتری نسبت به نمادهای کوچک خواهند داشت، در آینده مشخص خواهد شد. مطلب آن است که حداقل برای آینده نزدیک پاسخ مثبت است و بر مبنای مدل بالا همچنان شاخص تفاضلی مثبت خواهد…
🔆 ابتدا یکبار دیگر متن بالا را که روز پنجشنبه هفته گذشته نوشتم، مرور کنید. 👆
امروز شنبه ۷ تیر ۹۹ هم شاخص تفاضلی به اندازه ۱.۰۸ واحد مثبت بود.
اما عدد آن به نسبت روز چهارشنبه ۴ تیرماه ۹۹ کاهش داشته است.
برای روز چهارشنبه شاخص تفاضلی ۱.۶۸ شده بود و مدل ما برای آن روز عدد ۱.۰۹ را پیشبینی کرده بود. یعنی تقریباً به اندازه شاخص تفاضلی همین امروز.
دیدگاه مدل آن بود که شاخص تفاضلی بیش از حد بالا است و باید کاهش یابد، امروز این اتفاق افتاد.
احتمالا و بر مبنای مدل، کم کم باید خود را برای عدد منفی در شاخص تفاضلی آماده کنیم. مدل سری زمانی ما آهسته آهسته چنین چیزی میگوید. البته آرام میگویم، آهسته آهسته.
🔸تعریف. شاخص تفاضلی، اختلاف بین شاخص کل و هم وزن بود و گفتیم معیاری است برای سنجش توجه بازار به سمت سهام بزرگ یا کوچک. اگر مثبت باشد به معنای توجه بیشتر به نمادهای بزرگ و چنانچه منفی باشد به معنای توجه بیشتر به نمادهای کوچک است. آن را هم ساخته ایم تا سعی کنیم بدانیم چه در روزهای مثبت بازار و چه در روزهای منفی، به کدام سمت توجه کنیم.
امروز شنبه ۷ تیر ۹۹ هم شاخص تفاضلی به اندازه ۱.۰۸ واحد مثبت بود.
اما عدد آن به نسبت روز چهارشنبه ۴ تیرماه ۹۹ کاهش داشته است.
برای روز چهارشنبه شاخص تفاضلی ۱.۶۸ شده بود و مدل ما برای آن روز عدد ۱.۰۹ را پیشبینی کرده بود. یعنی تقریباً به اندازه شاخص تفاضلی همین امروز.
دیدگاه مدل آن بود که شاخص تفاضلی بیش از حد بالا است و باید کاهش یابد، امروز این اتفاق افتاد.
احتمالا و بر مبنای مدل، کم کم باید خود را برای عدد منفی در شاخص تفاضلی آماده کنیم. مدل سری زمانی ما آهسته آهسته چنین چیزی میگوید. البته آرام میگویم، آهسته آهسته.
🔸تعریف. شاخص تفاضلی، اختلاف بین شاخص کل و هم وزن بود و گفتیم معیاری است برای سنجش توجه بازار به سمت سهام بزرگ یا کوچک. اگر مثبت باشد به معنای توجه بیشتر به نمادهای بزرگ و چنانچه منفی باشد به معنای توجه بیشتر به نمادهای کوچک است. آن را هم ساخته ایم تا سعی کنیم بدانیم چه در روزهای مثبت بازار و چه در روزهای منفی، به کدام سمت توجه کنیم.
🔆 در پاسخ به دوستانی که علاقمند به یادگیری سری زمانی هستند، یک پروژه حل شده Time Series در 30 صفحه نوشتهام. 20 فایل دیتا نرمافزار Minitab نیز مربوط به همین پروژه است که برایتان قرار دادهام. مطالب مورد بررسی به شرح زیر است 👇
🔸 آزمون های همگنی (Homogeneity Tests)
🔸 آزمون توالی (Run Test)
🔸 آزمون بارتلت (Bartlett Test)
🔸 آزمون من-کندال (Mann-Kendall)
🔸 آزمون ضریب همبستگی پیرسن و اسپیرمن (Pearson & Spearman Coefficient)
🔸 رسم نمودارهای سری زمانی
🔸 جهش در سری و آزمون F
🔸 آزمون کروسکال-والیس (Kruskal - Wallis)
🔸 پیشبینی دادههای سری زمانی
🔸 نرمال بودن دادهها
🔸 ایستا بودن دادهها
🔸 مدل میانگین متحرک (Moving Average)
🔸 مدل ARIMA و SARIMA
🔸 نمودارهای ACF و PACF
علاقمند بودید و فرصت داشتید آنها را مطالعه کنید. فایلها را میتوانید مشاهده کنید. 👇
هر چند پیشنهاد میکنم مطالب نرم افزاری را از هلپ خود همان نرمافزار، یاد بگیرید.
🔸 آزمون های همگنی (Homogeneity Tests)
🔸 آزمون توالی (Run Test)
🔸 آزمون بارتلت (Bartlett Test)
🔸 آزمون من-کندال (Mann-Kendall)
🔸 آزمون ضریب همبستگی پیرسن و اسپیرمن (Pearson & Spearman Coefficient)
🔸 رسم نمودارهای سری زمانی
🔸 جهش در سری و آزمون F
🔸 آزمون کروسکال-والیس (Kruskal - Wallis)
🔸 پیشبینی دادههای سری زمانی
🔸 نرمال بودن دادهها
🔸 ایستا بودن دادهها
🔸 مدل میانگین متحرک (Moving Average)
🔸 مدل ARIMA و SARIMA
🔸 نمودارهای ACF و PACF
علاقمند بودید و فرصت داشتید آنها را مطالعه کنید. فایلها را میتوانید مشاهده کنید. 👇
هر چند پیشنهاد میکنم مطالب نرم افزاری را از هلپ خود همان نرمافزار، یاد بگیرید.
گاهی اوقات در یک مطالعه با اعداد و اندازههای متفاوتی روبهرو میشویم که با سایر اعداد هماهنگی ندارند و اصطلاحاً به آنها داده پرت Outlier Data میگوییم. این اعداد به هر دلیلی مثلاً اشتباه سیستمی، اشتباه در اندازهگیری، دستکاری دادهها و یا بر اثر پدیدهای خارج از کنترل به دست آمدهاند که سایر نتایج را تحت تاثیر خود قرار داده و آنالیز و تحلیل را با مشکل دچار میکنند.
تشخیص دادههای پرت و تصمیم به حذف آنها از موارد با اهمیت در هر مطالعهای به حساب میآید.
تشخیص دادههای پرت و تصمیم به حذف آنها از موارد با اهمیت در هر مطالعهای به حساب میآید.
در نرمافزار Minitab آزمونی با نام Grubbs وجود دارد که به فهم ما در شناسایی دادههای پرت کمک میکند. این آزمون را میتوانیم در مسیر زیر مشاهده کنیم. 👇
در کادر Variables اسامی ستون یا ستونهایی را که میخواهیم، آزمون وجود داده پرت Grubbs را انجام دهیم، قرار میدهیم. در کادر By variables نیز میتوانیم نام ستونی را قرار دهیم که میخواهیم Grubbs Test بر مبنای آن انجام شود.
🔆 به عنوان مثال به دنبال پاسخ به این سوال هستیم که آیا در تمام روزهای کاری بورس تهران، اتفاق عجیب و یا همان داده پرت رخ داده است؟ آیا روز یا روزهایی بوده است که درصد افزایش و یا کاهش آن روز نسبت به سایر روزها، پرت به حساب بیایید.
نتایج Grubbs Test که بر روی تمام روزهای کاری بورس تهران از تاریخ 14 آذرماه سال 87 تا امروز یعنی 9 تیرماه سال 99 انجام شده است به صورت زیر خواهد بود. مطالعه به تفکیک سال انجام شده است. 👇
در سالهای که مقدار P آنها (که براساس همان آزمون Grubbs به دست میآید) کمتر از 0.1 باشد، آن سال دارای داده یا دادههای پرت بوده است. روزهای به عنوان داده پرت، میتوانند هم به عنوان یک روز با رشد مثبت و هم با درصد منفی، شناسایی شوند. با شناسایی دادهها و روزهای پرت میتوانیم درباره رشد بیش از حد بازار و یا حتی ریزش بازار، فهم بهتری داشته باشیم.
در جدول زیر میتوانید روزهایی که از دیدگاه نرمافزار و Grubbs Test پرت هستند را مشاهده کنید. نام سطر آنها در فایل دیتا نوشته شده است. 👇
این روزها به شرح زیر هستند.
26 اسفند سال 1387 با درصد منفی 1.76 برای سال 87 عددی پرت بوده است.
3 شهریور سال 1388 با درصد مثبت 2.78 برای سال 88 عددی پرت بوده است.
21 مهر سال 1389 با درصد منفی 2.08 برای سال 89 عددی پرت بوده است.
21 بهمن سال 1391 با درصد مثبت 3.50 برای سال 91 عددی پرت بوده است.
24 فروردین سال 1393 با درصد منفی 2.07 برای سال 93 عددی پرت بوده است.
16 فروردین سال 1394 با درصد مثبت 3.59 برای سال 94 عددی پرت بوده است.
28 فروردین سال 1395 با درصد منفی 2.01 برای سال 95 عددی پرت بوده است.
10 دی سال 1396 با درصد منفی 1.70 برای سال 96 عددی پرت بوده است.
14 دی سال 1398 با درصد منفی 4.36 برای سال 98 عددی پرت بوده است.
26 اسفند سال 1387 با درصد منفی 1.76 برای سال 87 عددی پرت بوده است.
3 شهریور سال 1388 با درصد مثبت 2.78 برای سال 88 عددی پرت بوده است.
21 مهر سال 1389 با درصد منفی 2.08 برای سال 89 عددی پرت بوده است.
21 بهمن سال 1391 با درصد مثبت 3.50 برای سال 91 عددی پرت بوده است.
24 فروردین سال 1393 با درصد منفی 2.07 برای سال 93 عددی پرت بوده است.
16 فروردین سال 1394 با درصد مثبت 3.59 برای سال 94 عددی پرت بوده است.
28 فروردین سال 1395 با درصد منفی 2.01 برای سال 95 عددی پرت بوده است.
10 دی سال 1396 با درصد منفی 1.70 برای سال 96 عددی پرت بوده است.
14 دی سال 1398 با درصد منفی 4.36 برای سال 98 عددی پرت بوده است.
گراف مربوط به هر سال و داده پرت آن سال را میتوانید مشاهده کنید. دادههای پرت با رنگ قرمز مشخص شدهاند. 👇