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