📊 کتابخونه ffn — همه چیز برای ترید و تحلیل مالی!
یه کتابخونه پایتونی پیدا کردم که واقعاً دنیای مالی و ترید رو برات راحت می‌کنه!

🛠️ چیکار می‌کنه؟
ffn یه مجموعه کامل از ابزارهاست برای:

• 📈 تحلیل داده‌های مالی — سهام، ارزهای دیجیتال، ETF
• 📊 محاسبه بازدهی — روزانه، هفتگی، ماهانه
• ⚖️ بهینه‌سازی سبد سرمایه — پیدا کردن بهترین تخصیص دارایی‌ها
• 📉 محاسبه ریسک — انحراف معیار، بتا، آلفا

💡 پروژه عملی: داشبورد بهینه‌سازی سبد سرمایه
یه ایده پروژه باهاش بسازی:

مرحله ۱: دریافت داده

data = ffn.get('aapl,msft,btc,eth', start='2020-01-01')

چند دارایی نوسانی رو انتخاب کن (مثلاً اپل، مایکروسافت، بیت‌کوین، اتریوم)

مرحله ۲: محاسبه بازدهی

returns = data.to_returns()

بازدهی روزانه هر دارایی رو حساب کن

مرحله ۳: بهینه‌سازی

weights = ffn.calc_mean_var_weights(returns)

بهینه‌ترین وزن تخصیص سرمایه رو پیدا کن — بیشترین سود با کمترین ریسک!

🎯 چرا این کتابخونه خاصه؟
• سبک و سریع — کدنویسی کم، نتیجه زیاد
• رابط ساده — یادگیری آسان
• قابلیت ترکیب — با Pandas و NumPy کار می‌کنه
• مناسب برای پروژه‌های واقعی — داشبورد، تحلیل، بهینه‌سازی



🔗 مشاهده در GitHub

اگه علاقه‌مندی به حوزه مالی و تریدی — این کتابخونه نقطه شروع عالیه!

#Python #Finance #Trading #تحلیل_مالی


🆔 @python4all_pro

لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

چطور با #Python و matplotlib یک نمودار حاشیه‌نویسی‌شده بسازیم 🐍📊

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure(figsize=(8, 6))

X = list(range(10))
plt.plot(X, np.exp(X))
plt.title('Annotating Exponential Plot using plt.annotate()')
plt.xlabel('x-axis')
plt.ylabel('y-axis')

plt.annotate('Point 1', xy=(6, 400),
             arrowprops=dict(arrowstyle='->'),
             xytext=(4, 600))

plt.annotate('Point 2', xy=(7, 1150),
             arrowprops=dict(arrowstyle='->',
                             connectionstyle='arc3,rad=-.2'),
             xytext=(4.5, 2000))

plt.annotate('Point 3', xy=(8, 3000),
             arrowprops=dict(arrowstyle='-|>',
                             connectionstyle='angle,angleA=90,angleB=0'),
             xytext=(8.5, 2200))

plt.show()

توضیح مرحله به مرحله
۱. ایمپورت کتابخونه‌ها

import matplotlib.pyplot as plt
import numpy as np

matplotlib.pyplot برای رسم نمودار و numpy برای محاسبات عددی (مثل تابع exp) لازمه.
۲. ساخت شکل و رسم داده

fig = plt.figure(figsize=(8, 6))
X = list(range(10))
plt.plot(X, np.exp(X))

یک شکل با اندازه‌ی ۸×۶ ساخته می‌شه و تابع نمایی e^x روی بازه‌ی ۰ تا ۹ رسم می‌شه.

۳. عنوان و برچسب محورها

plt.title('Annotating Exponential Plot using plt.annotate()')
plt.xlabel('x-axis')
plt.ylabel('y-axis')

۴. حاشیه‌نویسی‌ها با plt.annotate()
تابع annotate() سه پارامتر کلیدی داره:
پارامتر
کارش
text
متنی که می‌خوای نشون بدی
xy
نقطه‌ای که فلش بهش اشاره می‌کنه
xytext
موقعیت متن روی نمودار
arrowprops
استایل فلش
Point 1 — فلش ساده:

plt.annotate('Point 1', xy=(6, 400),
             arrowprops=dict(arrowstyle='->'),
             xytext=(4, 600))

فقط یه فلش معمولی از متن به نقطه.

Point 2 — فلش منحنی:

plt.annotate('Point 2', xy=(7, 1150),
             arrowprops=dict(arrowstyle='->',
                             connectionstyle='arc3,rad=-.2'),
             xytext=(4.5, 2000))

با connectionstyle='arc3,rad=-.2' فلش به صورت کمان با انحنای -0.2 رسم می‌شه (منفی یعنی انحنا به یه سمت خاص).

Point 3 — فلش با زاویه‌ی سفارشی:

plt.annotate('Point 3', xy=(8, 3000),
             arrowprops=dict(arrowstyle='-|>',
                             connectionstyle='angle,angleA=90,angleB=0'),
             xytext=(8.5, 2200))

اینجا connectionstyle='angle' با angleA=90 و angleB=0 یه فلش زاویه‌دار می‌سازه. سر فلش هم -|> یعنی پیکان کلاسیک با خط صاف.

💡 نکته: کلید اصلی plt.annotate() همینه: با xytext متن رو هر جا که دلت بخواد بذار، و با xy مشخص کن فلش به کدوم نقطه‌ی واقعی روی نمودار اشاره کنه.


🆔 @python4all_pro


🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

Python for AI Projects: From Data Exploration to Impact

📝 Data science influencer Danny Ma brings his signature warmth and practicality to this guide to developing AI and machine learning algorithms with a data-driven approach.

🔰 Level: Intermediate

📌 ؛Python برای پروژه‌های هوش مصنوعی: از داده کاوی تا ارائه نتایج

این راهنما با همان لحن گرم و کاربردی همیشگیِ Danny Ma، یک اینفلوئنسرر دیتا ساینس، به توسعهٔ الگوریتم‌های هوش مصنوعی و یادگیری ماشین با رویکرد داده‌محور می‌پردازد.

#Machine_Learning
#Artificial_Intelligence #Python

@python4all_pro

🔅 Using Python with Excel

📝 Take your Microsoft Excel skills to the next level using Python, one of the worlds most popular object-oriented programming languages.

🔰 Level: Intermediate

📌 کار با اکسل در پایتون

با پایتون مهارت‌های Microsoft Excel خود را یک سطح بالاتر ببرید

#Python #Excel #DataAnalysis #Programming


@python4all_pro

Download Instagram profile picture using Python.


#Python

@python4all_pro

📌 چطور با پایتون و pandas یک آنالایزر دادهٔ ساده بسازیم

یک پروژهٔ تحلیل دادهٔ پایه چند مرحلهٔ ساده داره :

۱️⃣ یک دیتاست را بارگذاری می‌کنی
۲️⃣ از آن سؤال می‌پرسی
۳️⃣ با زبانی مثل پایتون دنبال پاسخ‌ها می‌گردی

دقیقاً همین را در این آموزش با یک دیتاست نمونهٔ دانش‌آموزان (CSV) و ترکیب پایتون + pandas یاد می‌گیرید

🔗 https://www.freecodecamp.org/news/how-to-build-a-simple-data-analyzer-in-python-with-pandas/


#Python #Pandas #DataAnalysis #DataScience #CSV

@python4all_pro

📌 ساخت مسیر سفر متحرک با پایتون و Folium!

می‌دونستی با چند خط پایتون می‌شه مسیرهای سفر رو روی یک نقشهٔ تعاملی دید؟

با کتابخانهٔ folium و پلاگین AntPath می‌تونی مسیرهای متحرک بین مختصات جغرافیایی بسازی.

✅ با این کد چی یاد می‌گیری:
• ساخت نقشه‌های تعاملی با Folium
• رسم مختصات جغرافیایی
• کشیدن مسیرهای سفر متحرک
• تغییر رنگ و ضخامت مسیر
• نمایش سفر روی نقشهٔ واقعی

📚 کتابخانه‌های استفاده‌شده:
folium — folium.plugins.AntPath

💡 نکتهٔ توسعه‌دهنده: Folium گزینهٔ فوق‌العاده‌ای برای ساخت نقشه‌های تعاملی و تحلیل‌های جغرافیایی-فضاییه، بدون نیاز به نرم‌افزارهای پیچیدهٔ GIS.

کد رو توی Jupyter Notebook امتحان کن و با مختصات سفر خودت ور برو!


#Python #Folium #DataVisualization

@python4all_pro