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

🚀 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

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

📊 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

40 websites bookmarked for research papers.

@RiskPy
@RiskPyLib

ارائه تصویری از بازده و ریسک ایران در طی 25 سال

@FinGov

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

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

انواع ریسک و مراحل ارزیابی ریسک

@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 نرخ ارز در ایران

@RiskPy
@RiskPyLib

انواع دیتابیس

@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

دسته بندی الگوریتم های یادگیری ماشین

@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

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

@RiskPy
@RiskPyLib

مهم ترین کتابخانه های پایتون برای هوش مصنوعی و علم داده

@RiskPy
@RiskPyLib

متریک های کلیدی برای ارزیابی مدل های یادگیری ماشین

@RiskPy
@RiskPyLib

This Machine Learning Cheat Sheet

@RiskPy
@RiskPyLib