#آموزش_رایگان
🪅 دسترسی رایگان به دوره‌های دیتاکمپ

👩🏻‍💻دیتاکمپ از ۳ تا ۹ نوامبر دسترسی به تمام دوره‌هاش رو رایگان کرده و می‌تونین به بیش از ۶۰۰ دوره آموزشی، به صورت رایگان

📊در حوزه‌های #Python ، #SQL ، #AI، #PowerBI ، تحلیل داده و ده‌ها مهارت دیگر دسترسی داشته باشید.

⏰ زمان محدود: فقط تا پایان ۹ نوامبر

✅ چطور شروع کنید؟

💻 به سایت دیتاکمپ سر بزنید.
📝 ثبت‌نام کنید (بدون نیاز به پرداخت).
🎯 دوره‌های مورد علاقه‌تون رو انتخاب کنید، یاد بگیرید، با گذروندن موفق آزمون گواهینامه بگیرید!

@RiskPy
@RiskPyLib

🎉 افتخاری بزرگ برای جامعه علمی کشور

با افتخار اعلام می‌کنیم که
📚 فصلنامه علمی–پژوهشی «مطالعات اقتصاد دانش» (Knowledge Economy Studies)
وابسته به دانشگاه حضرت معصومه (س)
موفق به کسب رتبه «ب» از وزارت علوم، تحقیقات و فناوری شد! 🌟

🔗 مشاهده در سامانه وزارت علوم:
👉 https://journals.msrt.ir/home/detail/21696/

این موفقیت ارزشمند، حاصل تلاش همدلانه و پیگیرانه‌ی اعضای هیئت تحریریه، داوران ارجمند، نویسندگان گرامی و حمایت‌های علمی دانشگاه حضرت معصومه (س) است.
از همراهی و اعتماد همه‌ی عزیزانی که ما را در این مسیر یاری کردند، صمیمانه سپاسگزاریم. 💐

🚀 از اساتید، پژوهشگران و اندیشمندان دعوت می‌کنیم تا مقالات نوآورانه‌ی خود را در حوزه‌های:
دانش، فناوری، نوآوری و اقتصاد دیجیتال
برای انتشار در این فصلنامه ارسال نمایند.

🔗 ارسال مقاله و اطلاعات بیشتر:
👉 https://kes.hmu.ac.ir/

#مطالعات_اقتصاد_دانش #وزارت_علوم #پژوهش #نوآوری #دانشگاه_حضرت_معصومه #علمی_پژوهشی #KnowledgeEconomy #Innovation #Research #DigitalEconomy


@HMU_JKES
@RiskPy

🌍 کِلایمت استرس تست؛ پایان دوره آزمایشی

تا چند سال پیش، استرس‌تست‌های اقلیمی بیشتر یک آزمایش بودند.
امروز اما، به یکی از ستون‌های نظارتی سیستم مالی تبدیل شده‌اند—هرچند هنوز راه زیادی تا استاندارد شدن باقی مانده است.

🔹 از یادگیری تا تصمیم‌سازی
نسل اول این تست‌ها فقط آگاهی می‌دادند؛
بانک‌ها را با نقاط ضعف‌شان روبه‌رو می‌کردند، بدون اینکه الزام جدی برای اقدام وجود داشته باشد.
الآن اما، رگولاتورها می‌خواهند نتایج این تست‌ها وارد ارزیابی ریسک، SREP و حتی سرمایه‌گذاری شود.

🔥 چالش بزرگ: ریسک فیزیکی
بانک‌ها می‌دانند ریسک‌های فیزیکی (سیل، طوفان، گرما...) مهم است،
اما داده ندارند!
محل دقیق دارایی‌ها و وثایق هزاران مشتری مشخص نیست → مدل‌ها مجبور به استفاده از میانگین‌های منطقه‌ای می‌شوند → خروجی، دقیق نیست.

⛽️ ریسک گذار: مدل ساده، واقعیت پیچیده
مدل‌ها فرض می‌کنند مسیر گذار به نت‌زیرو منظم و قابل پیش‌بینی است.
اما دنیا بیشتر با «پرش»‌های ناگهانی سیاستی روبه‌روست تا مسیرهای هموار.

🎯 تفاوت انطباق vs توانمندی
بعضی بانک‌ها اعداد را منتشر می‌کنند و تمام.
اما بانک‌های پیشرو از نتایج برای بازنگری اشتهای ریسک، قیمت‌گذاری و تعامل با مشتری برای دکربنایز کردن استفاده می‌کنند.
اینجاست که climate risk واقعاً وارد فرآیندهای مالی می‌شود.

🚩 جایگاه امروز
طبق گزارش جدید UNEP FI:
▪️ تست‌ها دیگر «آزمایشی» نیستند
▪️ اما هنوز «استاندارد» هم نشده‌اند
و با سخت‌تر شدن انتظارات نظارتی در اروپا، بحث تأثیر بر سرمایه بانک‌ها جدی‌تر می‌شود.

پیام اصلی:
استرس‌تست‌های اقلیمی خیلی زود از پروژه‌های پایلوت، به قلب نظارت مالی منتقل می‌شوند.

اما…
تا وقتی داده‌ها، متدولوژی‌ها و حاکمیت داده‌ها تکامل نیافته‌اند، خطر این وجود دارد که این تست‌ها در حد یک «تمرین روی کاغذ» بمانند—در حالی که جهان دیگر زمانِ تمرین ندارد.

فایل پیوست

@RiskPy
@RiskPyLib

🤍 سرویس جدید گوگل مخصوص برنامه نویس ها

⚪️اگه ریپوی گیت‌هابت همیشه شلوغ و بی‌نظم شده، اینو از دست نده  Google Code Wiki معرفی شد

⚪️کافیه بری داخل codewiki.google و لینک ریپوزیتوریتو بدی. خودش برات یه مستندات کامل، خوشگل و مرتب می‌سازه… از توضیح فایل‌ها بگیر تا نمودار معماری، ساختار کلاس‌ها و جریان کد

⚪️ کنار مستندات هم یه چت Gemini هست که هرچی از کد نفهمیدی رو خیلی ساده برات توضیح می‌ده.

✅ نکتهٔ جالب؟

هر بار تو ریپو commit بزنید، کل مستندات به‌صورت خودکار آپدیت می‌شه برای ریپوهای عمومی هم فعلاً کاملاً رایگانه

@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

🚀 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