دانلود کتاب «پایتون برای مالی و معاملات الگوریتمی (نگارش دوم): یادگیری ماشین، یادگیری عمیق، تحلیل های سری زمانی، مدیریت ریسک و پورتفولو با متاتریدر 5» به انگلیسی «Python for Finance and Algorithmic trading (2nd edition): Machine Learning, Deep Learning, Time series Analysis, Risk and Portfolio Management for MetaTrader™5»


#دانلود_کتاب
#معاملات_الگوریتمی
#Machine_Learning
#Algorithmic_Trading

پایتون برای مالی

🆔 t.me/python4finance
🆔 ble.ir/python4finance

دانلود سورس کدهای کتاب «پایتون برای مالی و معاملات الگوریتمی (نگارش دوم): یادگیری ماشین، یادگیری عمیق، تحلیل های سری زمانی، مدیریت ریسک و پورتفولو با متاتریدر 5» به انگلیسی «Python for Finance and Algorithmic trading (2nd edition): Machine Learning, Deep Learning, Time series Analysis, Risk and Portfolio Management for MetaTrader™5»


#دانلود_سورس
#معاملات_الگوریتمی
#Machine_Learning
#Algorithmic_Trading

پایتون برای مالی

🆔 t.me/python4finance
🆔 ble.ir/python4finance

سرمایه‌گذاری مبتنی بر عوامل (Factor Investing) چیست؟

سرمایه‌گذاری مبتنی بر عوامل یکی از رویکردهای مدرن در مدیریت سرمایه‌گذاری است که به‌جای انتخاب سهام بر اساس تحلیل‌های سنتی، از ویژگی‌های خاص و قابل اندازه‌گیری شرکت‌ها استفاده می‌کند. این ویژگی‌ها یا «عوامل» (Factors) می‌توانند بازدهی را در بلندمدت توضیح دهند.
عوامل رایج در این رویکرد:
ارزش (Value): خرید سهام‌هایی که نسبت قیمت به سود یا قیمت به ارزش دفتری پایینی دارند
اندازه (Size): تمرکز بر شرکت‌های کوچک‌تر که پتانسیل رشد بیشتری دارند
مومنتوم (Momentum): سرمایه‌گذاری در سهامی که عملکرد خوبی در گذشته داشته‌اند
کیفیت (Quality): انتخاب شرکت‌هایی با سودآوری پایدار، بدهی کم و مدیریت قوی
نوسان پایین (Low Volatility): سهام‌هایی با نوسان کمتر که معمولاً ریسک پایین‌تری دارند
ترکیب چند عامل می‌تواند عملکرد بهتری نسبت به استفاده از یک عامل داشته باشد. به این رویکرد «چندعاملی» (Multi-Factor Investing) گفته می‌شود.

در پست بعدی، یک مثال ساده با پایتون را با هم بررسی خواهیم کرد.

#Factor_Investing

پایتون برای مالی

🆔 t.me/python4finance
🆔 ble.ir/python4finance

سرمایه‌گذاری مبتنی بر عوامل (Factor Investing) - بخش دوم
در مثال این پست اطلاعات چند نماد از Yahoo Finance دریافت می شود و سهم هایی که شاخص P/E زیر 25 دارند نمایش داده می شود. عدد ۲۵ به ما اجازه می‌دهد شرکت‌هایی با رشد بالا که هنوز ارزش‌گذاری منطقی دارند را وارد پورتفوی کنیم—مثل برخی شرکت‌های تکنولوژی که سودآورند ولی رشدشان هم چشمگیر است.

#code by @python4finance
import yfinance as yf
import pandas as pd
tickers = ['AAPL', 'MSFT', 'GOOGL', 'TSLA', 'AMZN']
data = []
for ticker in tickers:
    stock = yf.Ticker(ticker)
    info = stock.info
    try:
        pe_ratio = info['trailingPE']
        price = info['currentPrice']
        eps = info['trailingEps']
        data.append({
            'Ticker': ticker,
            'Price': price,
            'EPS': eps,
            'P/E': pe_ratio
        })
    except KeyError:
        print(f"Error on reading data!")
df = pd.DataFrame(data)
value_stocks = df[df['P/E'] < 25]
print("Stocks based on Value:")
print(value_stocks)

#Factor_Investing
پایتون برای مالی

🆔 t.me/python4finance
🆔 ble.ir/python4finance

رسم نمودارهای جذاب با Pygal
یکی از جذابیت های پایتون، وجود کتابخانه های متنوعی است که هر کدام ویژگی های جالبی را ایجاد می کنند. کتابخانه Pygal به شما امکان ایجاد نمودارهای متنوعی را می دهد که می توانید آنها را به صورت پویا در قالب فایل های Svg ذخیره نمایید. نکته جالب دیگر پشتیبانی این کتابخانه از زبان فارسی است.
در مثال این پست، اطلاعات مربوط به 5 سهم از یاهو فراخوانی شده و بر اساس روش سرمایه‌گذاری مبتنی بر عوامل (Factor Investing) نمایش داده می شوند.
سورس برنامه در پست بعدی ارسال می شود.

#نمودار
#pygal
#Factor_Investing

پایتون برای مالی

🆔 t.me/python4finance
🆔 ble.ir/python4finance

رسم نمودارهای جذاب با Pygal- بخش دوم

#code by @python4finance
import yfinance as yf
import pandas as pd
import numpy as np
import pygal
from IPython.display import SVG

tickers = ['AAPL', 'MSFT', 'GOOGL', 'TSLA', 'AMZN']
factors = ['Value (P/E)', 'Momentum (6M)', 'Quality (ROE)']

data = []
for ticker in tickers:
    stock = yf.Ticker(ticker)
    info = stock.info
    hist = stock.history(period='6mo')

    try:
        pe = info['trailingPE']
        roe = info['returnOnEquity']
        momentum = (hist['Close'].iloc[-1] - hist['Close'].iloc[0]) / hist['Close'].iloc[0]
        data.append({'Ticker': ticker, 'P/E': pe, 'Momentum': momentum, 'ROE': roe})
    except:
        print(f"Error on reading data")

df = pd.DataFrame(data)

# Normalizing
for col in ['P/E', 'Momentum', 'ROE']:
    col_norm = col + '_norm'
    values = df[col].values
    values = np.nan_to_num(values, nan=np.nanmean(values))
    df[col_norm] = (values - np.min(values)) / (np.max(values) - np.min(values))

radar_chart = pygal.Radar(fill=True)
radar_chart.title = 'Factor Investing مقایسه سهام مختلف بر اساس'
radar_chart.x_labels = factors

for i, row in df.iterrows():
    radar_chart.add(row['Ticker'], [1 - row['P/E_norm'], row['Momentum_norm'], row['ROE_norm']])

radar_chart.render_to_file('multi_factor_radar.svg')
SVG(filename='multi_factor_radar.svg')

#نمودار
#pygal

پایتون برای مالی

🆔 t.me/python4finance
🆔 ble.ir/python4finance