اسلایدهای جلسه پنجم وبینار مرور کتاب «يادگيري معاملات الگوريتمي با پايتون- Learn Algorithmic Trading»

در این جلسه، ادامه مباحث یادگیری ماشین و کاربرد آن در معاملات الگوریتمی ارائه می شود.

#پایتون_مالی
#مرور_کتاب
#اسلاید
#معاملات_الگوریتمی
#یادگیری_ماشین
#Algorithmic_Trading
#Machine_learning
#slide

پایتون برای مالی در تلگرام
https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

فایل های ویدئوی وبینار مرور کتاب «يادگيري معاملات الگوريتمي - Learn Algorithmic Trading»
در جلسه ششم، در خصوص فصل ششم کتاب که در خصوص مدیریت ریسک در معاملات الگوریتمی است صحبت می کنیم. البته دلیلی که این فصل را انتخاب کرده ام اهمیت بسیار بالای این موضوع در معاملات الگوریتمی است. (شاید در خصوص فصل های 4 و 5 بعدا صحبت با هم کنیم) . در این فصل انواع ریسک های معاملات الگوریتمی بررسی و راه های مقابله با آن توضیح داده می شود.
نکته: دوستانی که موفق به مشاهده فصل های قبلی نشده اند هم می توانند از محتوای این فصل استفاده کنند و نیازی به مرور فایل های قبلی برای درک مطالب این فصل نیست.


📌6️⃣ جلسه ششم ( مدیریت ریسک )

#پایتون_مالی
#مرور_کتاب
#معاملات_الگوریتمی
#مدیریت_ریسک
#Algorithmic_Trading
#Managing_Risk


پایتون برای مالی در تلگرام
https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

اسلایدهای جلسه ششم وبینار مرور کتاب «يادگيري معاملات الگوريتمي با پايتون- Learn Algorithmic Trading»

در این جلسه، ادامه مباحث را با موضوع مدیریت ریسک معاملات الگوریتمی ادامه خواهیم داد.

#پایتون_مالی
#مرور_کتاب
#اسلاید
#معاملات_الگوریتمی
#مدیریت_ریسک
#Algorithmic_Trading
#Managing_Risk
#slide

پایتون برای مالی در تلگرام
https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

فایل جلسه هفتم ویدئوی وبینار مرور کتاب «يادگيري معاملات الگوريتمي - Learn Algorithmic Trading»

در جلسه هفتم در خصوص بک تست (BackTest) صحبت می کنیم. در واقع بک تست مهمترین مرحله در ارزیابی مدل است و صرفا مدلهایی که در بک تست امتیاز خوبی را به دست بیاورند وارد Paper Test می شوند.
در این فایل ویدئویی فصل نهم کتاب تقدیم می شود.
نکته: با اتمام این فصل، مباحث اصلی معاملات الگوریتمی ارائه شده است.

📌7️⃣ جلسه هفتم (بک تست)

#پایتون_مالی
#مرور_کتاب
#معاملات_الگوریتمی
#بک_تست
#Algorithmic_Trading
#Back_Test


پایتون برای مالی در تلگرام
https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

اسلایدهای جلسه هفتم وبینار مرور کتاب «يادگيري معاملات الگوريتمي با پايتون- Learn Algorithmic Trading»

در این جلسه، ادامه مباحث را با موضوع بک تست در معاملات الگوریتمی ادامه خواهیم داد.

#پایتون_مالی
#مرور_کتاب
#اسلاید
#معاملات_الگوریتمی
#بک_تست
#Algorithmic_Trading
#Back_Test
#slide

پایتون برای مالی در تلگرام
https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

یک مثال عملی برای بک تست با ffn
قبلا در این پست در خصوص ماژول ffn صحبت کردیم. اگر پیش از این وبینارهای کتاب معاملات الگوریتمی را دنبال کرده باشید احتمالا علاقه مند به انجام یک مثال عملی با ffn هستید. در این ویدئو یک مثال در خصوص تحلیل سهم با استفاده از ffn بررسی خواهد شد.

➖ برای مشاهده ویدئو اینجا کیک کنید

#پایتون_مالی
#بک_تست
#معاملات_الگوریتمی
#Algorithmic_Trading
#ffn

پایتون برای مالی در تلگرام
https://t.me/joinchat/AAAAAFGMkouqbsb86Vfzug

جلسه اول وبینار مرور کتاب «معاملات الگوریتمی پیشرفته- Advanced Algorithmic Trading»
طبق قرار قبلی، اولین جلسه از مرور کتاب تقدیم می شود. در این وبینارها سعی بر این است که مطالب به زبان ساده ارائه شود. همچنین تلاش می کنم که به متن پایبند باشم و حتی المقدور به مباحث کتاب پرداخته شود.
برای مشاهده ویدئو می توانید به لینک زیر مراجعه نمایید:

🌐 لینک ویدئو جلسه اول وبینار مرور کتاب «معاملات الگوریتمی پیشرفته- Advanced Algorithmic Trading»

#پایتون_مالی
#مرور_کتاب
#معاملات_الگوریتمی
#Algorithmic_Trading

* مشاهده لینک مرور کتاب قبلی. «يادگيري معاملات الگوريتمي با پايتون- Learn Algorithmic Trading»



پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

اسلایدهای جلسه اول وبینار مرور کتاب «معاملات الگوریتمی پیشرفته- Advanced Algorithmic Trading»

#پایتون_مالی
#مرور_کتاب
#معاملات_الگوریتمی
#اسلاید
#Algorithmic_Trading
#slide



پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

جلسه دوم وبینار مرور کتاب «معاملات الگوریتمی پیشرفته- Advanced Algorithmic Trading»

در این جلسه که مربوط به فصل هفتم کتاب است در خصوص تحلیل سری های زمانی (Time Series Analysis) صحبت خواهیم کرد. محتوای این جلسه عبارت است:
- تعریف سری های زمانی
- اجزای سری های زمانی (شامل روند، تغییرات فصلی و وابستگی سریالی)
- کاربردهای سری زمانی (پیش بینی مقادیر آتی، شبیه سازی و کشف روابط)
- بیان نقشه راه در تحلیل سری های زمانی

برای مشاهده ویدئو می توانید به لینک زیر 👇مراجعه نمایید:

🌐 لینک ویدئو جلسه دوم وبینار مرور کتاب «معاملات الگوریتمی پیشرفته- Advanced Algorithmic Trading»

#پایتون_مالی
#مرور_کتاب
#معاملات_الگوریتمی
#Algorithmic_Trading

* جلسات قبلی:
➖ لینک جلسه اول



پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

یک ماژول بسیار سریع برای بک تست، vectorbt
یکی از دغدغه های معامله گران الگوریتمی، سرعت پردازش داده ها است که بعضا نیازمند استفاده از سیستم های بسیار قدرتمند و یا پردازش با استفاده از GPU است. vectorbt یک ماژول پایتون برای تجزیه و تحلیل کمی است که رویکرد جدیدی را برای بک تست اعمال می کند، در واقع این ماژول، داده‌های پیچیده را به‌عنوان آرایه‌های NumPy (ساخت‌یافته) در نظر می گیرد تا هر داده‌ای را با سرعت و مقیاس تجزیه و تحلیل کند. این امکان، بررسی و تحلیل هزاران استراتژی را در چند ثانیه فراهم می کند.
ماژول vectorbt متن باز، سریع و راحت است و در حال حاضر کامیونیتی خوبی هم دارد. اگر شما هم از جمله معامله گران الگوریتمی هستید سری به سایت آن به نشانی vectorbt.dev و مخزن دریافت آن به این آدرس بزنید.

#بک_تست
#معاملات_الگوریتمی
#Backtest
#vectorbt
#Algorithmic_Trading

🆔 t.me/python4finance

انتخاب داده، نمونه گیری و بازنمونه گیری در یادگیری ماشین
انتخاب داده ها، نمونه گیری (Sampling) و بازنمونه گیری (Resampling) داده ها از مباحث بسیار ضروری در یاگیری ماشین است. در این ویدئو مثل همیشه با نگاهی کاربردی (و نه آماری تخصصی) به موارد زیر خواهیم پرداخت:
🖊شیوه صحیح انتخاب داده های Train و Test
🖊شیوه نمونه گیری (Sampling)
🖊روش های نمونه گیری مجدد (Resampling)
🖊جایگشت (Permutation)
🖊اعتبار سنجی متقابل Cross-validation (CV)
🖊جک نایف (Jackknife)
🖊بوت استرپ (Bootstrap)

➖ برای مشاهده ویدئو اینجا کیک کنید

#پایتون_مالی
#انتخاب_داده
#نمونه_گیری
#یادگیری_ماشین
#ویدئو
#Algorithmic_Trading
#Sampling
#Reampling
#Machine_Learning
پایتون برای مالی در تلگرام
🆔 t.me/python4finance
🆔 ble.ir/python4finance

معرفی کتاب «مبانی معاملات الگوریتمی، معامله با پایتون، راهنمای جامع 2024» به انگلیسی «Algorithmic Essentials_ Trading with Python_ Your Comprehenive Guide for 2024»
ون در پست (Van Der Post) یکی از نویسندگان فعال در زمینه مدلسازی مالی و معاملات الگوریتمی است. او دانش آموخته رشته اقتصاد و MBA است و درک خوبی از مفاهیم بنیادین اقتصادی و مالی دارد و این موضوع باعث شده است که مباحث آکادمیک را با تجربه های عملی تلفیق و کارهای بسیار خوبی را ارائه دهد. وی دارای بیش از 15 سال سابقه در زمینه مالی است و خود هم در فضای کارآفرینی دستی بر آتش دارد. ون به پایتون و بسیاری از نرم افزارهای مرتبط تسلط دارد.
در این کتاب ون در 10 فصل به توصیف معاملات الگوریتمی و روش استفاده از آن در معاملات روزانه پرداخته است.
از ون چند کتاب خوب دیگر هم منتشر شده است که در پست های آتی تقدیم خواهم کرد.

#معرفی_کتاب
#معاملات_الگوریتمی
#Algorithmic_Trading

پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

دانلود کتاب «مبانی معاملات الگوریتمی، معامله با پایتون، راهنمای جامع 2024» به انگلیسی «Algorithmic Essentials_ Trading with Python_ Your Comprehenive Guide for 2024»


#دانلود_کتاب
#معاملات_الگوریتمی
#Algorithmic_Trading

پایتون برای مالی
🆔 t.me/python4finance
🆔 ble.ir/python4finance

یک کتابخانه بسیار خوب برای معاملات الگوریتمی و بک تست(QSTrader)
تا کنون چندین کتابخانه برای یک تست (#Backtest) را در کانال معرفی کردم. بک تست مهمترین قسمت برای آزمون مدل با داده های گذشته است. (مفهوم کلی بک تست این است که اگر مدلی اینقدر خوب است که برای پیش بینی آینده استفاده شود باید قابلیت توضیح دهندگی داده های گذشته را هم داشته باشد. البته این موضوع دقت هایی را هم نیاز دارد که قبلا مفصل توضیح داده ام)
یکی از مسائل ما این است که با وجود اینکه ماژول ها بسیار خوب بودند اما در گذر زمان به روز رسانی نشده اند و با ورژن های جدیدتر پایتون سازگاری ندارند.
ماژول QSTrader یکی از نمونه های به روز ماژول بک تست است که تا پایتون 3.12 سازگار شده است.
کار با ماژول بسیار ساده است و برای آشنایی بیشتر می توانید سری به صفحه گیت هاب آن بزنید (آدرس گیت هاب)
در پست های آتی چند مثال از این ماژول را با هم بررسی می کنیم.

#بک_تست
#معاملات_الگوریتمی
#Backtest
#QSTrader
#Algorithmic_Trading

پایتون برای مالی

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

فیلم آموزشی مدیریت ریسک استراتژی های الگوریتمی
یکی از موارد بسیار مهمی که در مدیریت الگورتیمی باید در نظر بگیریم مدیریت ریسک است. در اینجا مفهوم ریسک به صورت اعم است، یعنی ریسک های مالی و اقتصادی، ریسک های فنی و ... .در این ویدئو مثل همیشه با نگاهی کاربردی به مبحث مدیریت ریسک در معملات الگوریتمی خواهیم پرداخت.

➖ برای مشاهده ویدئو اینجا کیک کنید

#پایتون_مالی
#مدیریت_ریسک
#معاملات_الگوریتمی
#ویدئو

#Algorithmic_Trading
#Risk

پایتون برای مالی

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

آشنایی با ماژول Alphalens ، یک ماژول بسیار خوب برای بک تست در معاملات الگوریتمی

همیشه بک تست یکی از دغدغه های اصلی مدلسازی مالی و معاملات الگورتیمی است. (اگر با مفهوم #بک_تست آشنایی ندارید این ویدئو از سلسله جلسات معاملات الگوریتمی را مشاهده نمایید.) Alphalens یک کتابخانه پایتون است که برای تحلیل عملکرد فاکتورهای مالی در معاملات الگوریتمی طراحی شده است. این کتابخانه به شما کمک می‌کند تا بفهمید آیا یک فاکتور (مثلاً یک اندیکاتور تکنیکال یا یک معیار بنیادی) می‌تواند بازدهی آینده سهام را پیش‌بینی کند یا خیر.

خروجی‌های Alphalens کمک می کند تا عملکرد فاکتورهای مختلف مثلا تفاوت میانگین متحرک کوتاه‌مدت و بلندمدت را از جنبه‌های مختلف ارزیابی کنید.
دقت داشته باشید که ماژول alphalens مدتی است که به روز نشده و با نسخه های جدید پایتون سازگاری ندارد و به جای آن باید از ماژول alphalens-reloaded استفاده کنید.
در پست های آتی مثالی در این خصوص را با هم بررسی می کنیم.

#پایتون_مالی
#معاملات_الگوریتمی
#بک_تست

#Algorithmic_Trading
#Back_Test
#Alphalens

پایتون برای مالی


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

یک مثال ساده برای آشنایی با ماژول Alphalens

در مثال این پست خروجی‌های Alphalens کمک می کند تا عملکرد فاکتور تفاوت میانگین متحرک کوتاه‌مدت و بلندمدت را از جنبه‌های مختلف ارزیابی کنیم.
قبل از اجرای برنامه مطمئن شوید تمامی ماژول های نصب شده اند یا آنها را از این طریق تصب کنید:

pip install yfinance alphalens-reloaded pandas numpy matplotlib

سورس برنامه

#code by @python4finance
import yfinance as yf
import pandas as pd
import numpy as np
from alphalens.utils import get_clean_factor_and_forward_returns
from alphalens.tears import create_full_tear_sheet
import warnings
warnings.filterwarnings("ignore")

# ---------------------------------------------
# 1. دریافت داده‌های تاریخی از Yahoo Finance
# ---------------------------------------------
tickers = ["AAPL", "MSFT", "GOOG", "AMZN", "META"]  # مثال: ۵ سهم بزرگ فناوری
start_date = "2020-01-01"
end_date = "2023-01-01"

# دریافت داده‌های قیمتی
data = yf.download(tickers, start=start_date, end=end_date)
prices = data["Adj Close"]  # استفاده از قیمت تعدیل‌شده

# تبدیل ایندکس به DateTimeIndex و تنظیم فرکانس
prices = prices.asfreq('B').ffill()  # تبدیل به فرکانس روزانه و پر کردن مقادیر خالی

# ---------------------------------------------
# 2. محاسبه فاکتور (مثال: Moving Average Crossover)
# ---------------------------------------------
def calculate_factor(prices, short_window=10, long_window=50):
    """
    محاسبه فاکتور تفاوت میانگین متحرک کوتاه‌مدت و بلندمدت
    """
    short_ma = prices.rolling(window=short_window).mean()
    long_ma = prices.rolling(window=long_window).mean()
    factor = short_ma - long_ma
    return factor

factor = calculate_factor(prices)

# ---------------------------------------------
# 3. آماده‌سازی داده‌ها برای Alphalens
# ---------------------------------------------
# تبدیل فاکتور به فرمت MultiIndex (Date, Asset)
factor = factor.stack().reset_index()
factor.columns = ['date', 'asset', 'factor']
factor = factor.set_index(['date', 'asset'])['factor']

# اطمینان از هماهنگی ایندکس قیمت و فاکتور
common_index = prices.index.intersection(factor.index.get_level_values(0).unique())
prices = prices.loc[common_index]
factor = factor.loc[common_index]

# ---------------------------------------------
# 4. تحلیل عملکرد فاکتور با Alphalens
# ---------------------------------------------
# محاسبه بازده‌های آینده و پاک‌سازی داده‌ها
factor_data = get_clean_factor_and_forward_returns(
    factor,
    prices,
    quantiles=5,  # تقسیم داده به ۵ کوانتایل
    periods=(1, 5, 10)  # بازه‌های بازدهی (1 روز، 5 روز، 10 روز)
)

# ایجاد گزارش کامل
create_full_tear_sheet(factor_data)

#پایتون_مالی
#معاملات_الگوریتمی
#بک_تست

#Algorithmic_Trading
#Back_Test
#Alphalens

پایتون برای مالی


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

معرفی 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»


در این کتاب به صورت عملیاتی با مفاهیم مالی و مدیریت پورتفولیو و معاملات الگوریتمی آشنا می شوید. نکته بارز کتاب، سبک کاربردی آن است. همچنین در این کتاب روش های اتصال پایتون به متاتریدر و معاملات زنده توضیح داده شده است.

#معرفی_کتاب
#معاملات_الگوریتمی
#Machine_Learning
#Algorithmic_Trading

پایتون برای مالی

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

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