ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Python for Finance

دانلود کتاب پایتون برای امور مالی

Python for Finance

مشخصات کتاب

Python for Finance

ویرایش: 2nd edition 
نویسندگان:   
سری:  
ISBN (شابک) : 9781787125025, 1787125025 
ناشر: Packt Publishing 
سال نشر: 2017 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 21 مگابایت

قیمت کتاب (تومان) : 44,000



کلمات کلیدی مربوط به کتاب پایتون برای امور مالی: کلان داده، امور مالی -- پردازش داده ها، پایتون، کتاب های الکترونیکی، امور مالی -- پردازش داده ها



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 9


در صورت تبدیل فایل کتاب Python for Finance به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب پایتون برای امور مالی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب پایتون برای امور مالی

جلد -- حق چاپ -- اعتبار -- درباره نویسنده -- درباره بازبین -- www.PacktPub.com -- نظرات مشتریان -- فهرست مطالب -- پیشگفتار -- فصل 1: اصول پایتون -- نصب پایتون -- نصب پایتون از طریق آناکوندا - راه‌اندازی پایتون از طریق اسپایدر - نصب مستقیم پایتون - تخصیص متغیر، فضای خالی و نوشتن برنامه‌های خودمان - نوشتن تابع پایتون - حلقه‌های پایتون - حلقه‌های پایتون، اگر ... شرایط دیگر -- ورودی داده -- دستکاری داده ها -- خروجی داده ها -- تمرین ها -- خلاصه -- فصل 2: ​​مقدمه ای بر ماژول های پایتون -- ماژول پایتون چیست؟ -- مقدمه ای بر NumPy -- مقدمه ای بر SciPy -- مقدمه ای بر matplotlib -- نحوه نصب matplotlib -- چندین نمایش گرافیکی با استفاده از matplotlib -- مقدمه ای بر statsmodels -- مقدمه ای بر پانداها -- ماژول های Python مربوط به امور مالی -- مقدمه ای بر ماژول pandas_reader -- دو ماشین حساب مالی -- نحوه نصب ماژول پایتون -- وابستگی به ماژول -- تمرینات -- خلاصه -- فصل 3: ارزش زمانی پول -- مقدمه ای بر ارزش زمانی پول -- نوشتن یک ماشین حساب مالی در پایتون -- تعریف قانون NPV و NPV -- تعریف قانون IRR و IRR -- تعریف دوره بازپرداخت و قانون دوره بازگشت -- نوشتن ماشین حساب مالی خود در پایتون -- دو فرمول کلی برای بسیاری از توابع -- پیوست A -- نصب Python، NumPy، و SciPy -- پیوست B -- ارائه بصری ارزش زمانی پول -- پیوست C -- استخراج ارزش فعلی سالانه از ارزش فعلی یک جریان نقدی آتی و ارزش فعلی دائمی -- ضمیمه ix D -- نحوه دانلود یک ماشین حساب مالی رایگان نوشته شده در پایتون -- پیوست E -- ارائه گرافیکی رابطه بین NPV و R -- پیوست F -- ارائه گرافیکی نمایه NPV با دو IRR -- پیوست G -- نوشتن ماشین حساب مالی خود در پایتون.؛ مفاهیم مختلف مالی کمی را با استفاده از کتابخانه های محبوب پایتون بیاموزید و پیاده سازی کنید درباره این کتاب* اصول ساختارهای داده پایتون را بدانید و با داده های سری زمانی کار کنید* مفاهیم کلیدی در امور مالی کمی را با استفاده از کتابخانه های محبوب پایتون پیاده سازی کنید. به عنوان NumPy، SciPy و matplotlib* یک آموزش گام به گام مملو از بسیاری از برنامه های پایتون که به شما کمک می کند یاد بگیرید چگونه پایتون را برای فاینانس بکار ببرید. با این حال، او دانش مالی کمی ندارد. علاوه بر این، او هیچ اطلاعی در مورد داده های مالی ندارد. آنچه یاد خواهید گرفت* در دو فصل اول با پایتون آشنا شوید* مدل های CAPM، Fama-French 3-factor و Fama-French-Carhart 4-factor را اجرا کنید* نحوه قیمت گذاری تماس، قرار دادن و چندین گزینه عجیب و غریب را بیاموزید* درک شبیه سازی مونت کارلو، نحوه نوشتن یک برنامه پایتون برای تکرار مدل گزینه های Black-Scholes-Merton، و نحوه قیمت گذاری چند گزینه عجیب و غریب * درک مفهوم نوسانات و نحوه آزمایش این فرضیه که نوسانات در طول سال ها تغییر می کند * درک فرآیندهای ARCH و GARCH و نحوه نوشتن برنامه‌های پایتون مرتبط با جزئیات این کتاب از پایتون به عنوان ابزار محاسباتی خود استفاده می‌کند. از آنجایی که پایتون رایگان است، هر مدرسه یا سازمانی می تواند آن را دانلود و استفاده کند. این کتاب با توجه به موضوعات مختلف مالی تنظیم شده است. به عبارت دیگر، نسخه اول بیشتر بر پایتون تمرکز دارد، در حالی که ویرایش دوم واقعاً سعی دارد پایتون را در امور مالی اعمال کند. کتاب با توضیح موضوعات منحصراً مرتبط با پایتون شروع می شود. سپس به بخش‌های حیاتی پایتون می‌پردازیم، مفاهیمی مانند ارزش زمانی سهام پول و ارزیابی اوراق قرضه، مدل قیمت‌گذاری دارایی‌های سرمایه‌ای، مدل‌های چند عاملی، تحلیل سری‌های زمانی، نظریه پورتفولیو، گزینه‌ها و معاملات آتی را توضیح می‌دهیم. این کتاب به ما کمک می کند تا اصول مالی کمی را بیاموزیم یا مرور کنیم و از پایتون برای حل مشکلات مختلف مانند تخمین ریسک بازار IBM، اجرای فاکتور فاما-فرانسوی 3-عاملی، 5-عاملی یا فاما-فرنچ-کارهارت 4 استفاده کنیم. مدل، تخمین VaR یک سبد سهام 5، تخمین سبد بهینه، و ساخت مرز کارآمد برای یک سبد سهام 20 سهام با سهام دنیای واقعی، و با شبیه سازی مونت کارلو. در ادامه، نحوه تکرار مدل معروف آپشن بلک-اسکولز-مرتون و نحوه قیمت گذاری گزینه های عجیب و غریب مانند گزینه تماس با قیمت متوسط ​​را نیز خواهیم آموخت. سبک و رویکرد این کتاب یک رویکرد گام به گام در توضیح کتابخانه ها و ماژول ها در پایتون و نحوه استفاده از آنها برای اجرای جنبه های مختلف مالی کمی دارد. هر مفهوم به طور عمیق توضیح داده شده و برای درک بهتر با مثال های کد تکمیل شده است.


توضیحاتی درمورد کتاب به خارجی

Cover -- Copyright -- Credits -- About the Author -- About the Reviewers -- www.PacktPub.com -- Customer Feedback -- Table of Contents -- Preface -- Chapter 1: Python Basics -- Python installation -- Installation of Python via Anaconda -- Launching Python via Spyder -- Direct installation of Python -- Variable assignment, empty space, and writing our own programs -- Writing a Python function -- Python loops -- Python loops, if...else conditions -- Data input -- Data manipulation -- Data output -- Exercises -- Summary -- Chapter 2: Introduction to Python Modules -- What is a Python module? -- Introduction to NumPy -- Introduction to SciPy -- Introduction to matplotlib -- How to install matplotlib -- Several graphical presentations using matplotlib -- Introduction to statsmodels -- Introduction to pandas -- Python modules related to finance -- Introduction to the pandas_reader module -- Two financial calculators -- How to install a Python module -- Module dependency -- Exercises -- Summary -- Chapter 3: Time Value of Money -- Introduction to time value of money -- Writing a financial calculator in Python -- Definition of NPV and NPV rule -- Definition of IRR and IRR rule -- Definition of payback period and payback period rule -- Writing your own financial calculator in Python -- Two general formulae for many functions -- Appendix A -- Installation of Python, NumPy, and SciPy -- Appendix B -- visual presentation of time value of money -- Appendix C -- Derivation of present value of annuity from present value of one future cash flow and present value of perpetuity -- Appendix D -- How to download a free financial calculator written in Python -- Appendix E -- The graphical presentation of the relationship between NPV and R -- Appendix F -- graphical presentation of NPV profile with two IRRs -- Appendix G -- Writing your own financial calculator in Python.;Learn and implement various Quantitative Finance concepts using the popular Python librariesAbout This Book* Understand the fundamentals of Python data structures and work with time-series data* Implement key concepts in quantitative finance using popular Python libraries such as NumPy, SciPy, and matplotlib* A step-by-step tutorial packed with many Python programs that will help you learn how to apply Python to financeWho This Book Is ForThis book assumes that the readers have some basic knowledge related to Python. However, he/she has no knowledge of quantitative finance. In addition, he/she has no knowledge about financial data. What You Will Learn* Become acquainted with Python in the first two chapters* Run CAPM, Fama-French 3-factor, and Fama-French-Carhart 4-factor models* Learn how to price a call, put, and several exotic options* Understand Monte Carlo simulation, how to write a Python program to replicate the Black-Scholes-Merton options model, and how to price a few exotic options* Understand the concept of volatility and how to test the hypothesis that volatility changes over the years* Understand the ARCH and GARCH processes and how to write related Python programsIn DetailThis book uses Python as its computational tool. Since Python is free, any school or organization can download and use it. This book is organized according to various finance subjects. In other words, the first edition focuses more on Python, while the second edition is truly trying to apply Python to finance. The book starts by explaining topics exclusively related to Python. Then we deal with critical parts of Python, explaining concepts such as time value of money stock and bond evaluations, capital asset pricing model, multi-factor models, time series analysis, portfolio theory, options and futures. This book will help us to learn or review the basics of quantitative finance and apply Python to solve various problems, such as estimating IBM's market risk, running a Fama-French 3-factor, 5-factor, or Fama-French-Carhart 4 factor model, estimating the VaR of a 5-stock portfolio, estimating the optimal portfolio, and constructing the efficient frontier for a 20-stock portfolio with real-world stock, and with Monte Carlo Simulation. Later, we will also learn how to replicate the famous Black-Scholes-Merton option model and how to price exotic options such as the average price call option. Style and approachThis book takes a step-by-step approach in explaining the libraries and modules in Python, and how they can be used to implement various aspects of quantitative finance. Each concept is explained in depth and supplemented with code examples for better understanding.



فهرست مطالب

Cover --
Copyright --
Credits --
About the Author --
About the Reviewers --
www.PacktPub.com --
Customer Feedback --
Table of Contents --
Preface --
Chapter 1: Python Basics --
Python installation --
Installation of Python via Anaconda --
Launching Python via Spyder --
Direct installation of Python --
Variable assignment, empty space, and writing our own programs --
Writing a Python function --
Python loops --
Python loops, if...else conditions --
Data input --
Data manipulation --
Data output --
Exercises --
Summary --
Chapter 2: Introduction to Python Modules --
What is a Python module? --
Introduction to NumPy --
Introduction to SciPy --
Introduction to matplotlib --
How to install matplotlib --
Several graphical presentations using matplotlib --
Introduction to statsmodels --
Introduction to pandas --
Python modules related to finance --
Introduction to the pandas_reader module --
Two financial calculators --
How to install a Python module --
Module dependency --
Exercises --
Summary --
Chapter 3: Time Value of Money --
Introduction to time value of money --
Writing a financial calculator in Python --
Definition of NPV and NPV rule --
Definition of IRR and IRR rule --
Definition of payback period and payback period rule --
Writing your own financial calculator in Python --
Two general formulae for many functions --
Appendix A --
Installation of Python, NumPy, and SciPy --
Appendix B --
visual presentation of time value of money --
Appendix C --
Derivation of present value of annuity from present value of one future cash flow and present value of perpetuity --
Appendix D --
How to download a free financial calculator written in Python --
Appendix E --
The graphical presentation of the relationship between NPV and R --
Appendix F --
graphical presentation of NPV profile with two IRRs --
Appendix G --
Writing your own financial calculator in Python. Exercises --
Summary --
Chapter 4: Sources of Data --
Diving into deeper concepts --
Retrieving data from Yahoo!Finance --
Retrieving data from Google Finance --
Retrieving data from FRED --
Retrieving data from Prof. French's data library --
Retrieving data from the Census Bureau, Treasury, and BLS --
Generating two dozen datasets --
Several datasets related to CRSP and Compustat --
Appendix A --
Python program for return distribution versus a normal distribution --
Appendix B --
Python program to a draw candle-stick picture --
Appendix C --
Python program for price movement --
Appendix D --
Python program to show a picture of a stock's intra-day movement --
Appendix E -properties for a pandas DataFrame --
Appendix F -how to generate a Python dataset with an extension of .pkl or .pickle --
Appendix G --
data case #1 -generating several Python datasets --
Exercises --
Summary --
Chapter 5: Bond and Stock Valuation --
Introduction to interest rates --
Term structure of interest rates --
Bond evaluation --
Stock valuation --
A new data type --
dictionary --
Appendix A --
simple interest rate versus compounding interest rate --
Appendix B --
several Python functions related to interest conversion --
Appendix C --
Python program for rateYan.py --
Appendix D --
Python program to estimate stock price based on an n-period model --
Appendix E --
Python program to estimate the duration for a bond --
Appendix F --
data case #2 --
fund raised from a new bond issue --
Summary --
Chapter 6: Capital Asset Pricing Model --
Introduction to CAPM --
Moving beta --
Adjusted beta --
Scholes and William adjusted beta --
Extracting output data --
Outputting data to text files --
Saving our data to a .csv file --
Saving our data to an Excel file --
Saving our data to a pickle dataset --
Saving our data to a binary file --
Reading data from a binary file --
Simple string manipulation. Python via Canopy --
References --
Exercises --
Summary --
Chapter 7: Multifactor Models and Performance Measures --
Introduction to the Fama-French three-factor model --
Fama-French three-factor model --
Fama-French-Carhart four-factor model and Fama-French five-factor model --
Implementation of Dimson (1979) adjustment for beta --
Performance measures --
How to merge different datasets --
Appendix A --
list of related Python datasets --
Appendix B --
Python program to generate ffMonthly.pkl --
Appendix C --
Python program for Sharpe ratio --
Appendix D --
data case #4 --
which model is the best, CAPM, FF3, FFC4, or FF5, or others? --
References --
Exercises --
Summary --
Chapter 8: Time-Series Analysis --
Introduction to time-series analysis --
Merging datasets based on a date variable --
Using pandas.date_range() to generate one dimensional time-series --
Return estimation --
Converting daily returns to monthly ones --
Merging datasets by date --
Understanding the interpolation technique --
Merging data with different frequencies --
Tests of normality --
Estimating fat tails --
T-test and F-test --
Tests of equal variances --
Testing the January effect --
52-week high and low trading strategy --
Estimating Roll's spread --
Estimating Amihud's illiquidity --
Estimating Pastor and Stambaugh (2003) liquidity measure --
Fama-MacBeth regression --
Durbin-Watson --
Python for high-frequency data --
Spread estimated based on high-frequency data --
Introduction to CRSP --
References --
Appendix A --
Python program to generate GDP dataset usGDPquarterly2.pkl --
Appendix B --
critical values of F for the 0.05 significance level --
Appendix C --
data case #4 --
which political party manages the economy better? --
Exercises --
Summary --
Chapter 9: Portfolio Theory --
Introduction to portfolio theory --
A 2-stock portfolio --
Optimization --
minimization. Forming an n-stock portfolio --
Constructing an optimal portfolio --
Constructing an efficient frontier with n stocks --
References --
Appendix A --
data case #5 --
which industry portfolio do you prefer? --
Appendix B --
data case #6 --
replicate S&P500 monthly returns --
Exercises --
Summary --
Chapter 10: Options and Futures --
Introducing futures --
Payoff and profit/loss functions for call and put options --
European versus American options --
Understanding cash flows, types of options, rights and obligations --
Black-Scholes-Merton option model on non-dividend paying stocks --
Generating our own module p4f --
European options with known dividends --
Various trading strategies --
Covered-call --
long a stock and short a call --
Straddle --
buy a call and a put with the same exercise prices --
Butterfly with calls --
The relationship between input values and option values --
Greeks --
Put-call parity and its graphic presentation --
The put-call ratio for a short period with a trend --
Binomial tree and its graphic presentation --
Binomial tree (CRR) method for European options --
Binomial tree (CRR) method for American options --
Hedging strategies --
Implied volatility --
Binary-search --
Retrieving option data from Yahoo! Finance --
Volatility smile and skewness --
References --
Appendix A --
data case 6: portfolio insurance --
Exercises --
Summary --
Chapter 11: Value at Risk --
Introduction to VaR --
Normality tests --
Skewness and kurtosis --
Modified VaR --
VaR based on sorted historical returns --
Simulation and VaR --
VaR for portfolios --
Backtesting and stress testing --
Expected shortfall --
Appendix A --
data case 7 --
VaR estimation for individual stocks and a portfolio --
References --
Exercises --
Summary --
Chapter 12: Monte Carlo Simulation --
Importance of Monte Carlo Simulation. Generating random numbers from a standard normal distribution --
Drawing random samples from a normal distribution --
Generating random numbers with a seed --
Random numbers from a normal distribution --
Histogram for a normal distribution --
Graphical presentation of a lognormal distribution --
Generating random numbers from a uniform distribution --
Using simulation to estimate the pi value --
Generating random numbers from a Poisson distribution --
Selecting m stocks randomly from n given stocks --
With/without replacements --
Distribution of annual returns --
Simulation of stock price movements --
Graphical presentation of stock prices at options' maturity dates --
Replicating a Black-Scholes-Merton call using simulation --
Exotic option #1 --
using the Monte Carlo Simulation to price average --
Exotic option #2 --
pricing barrier options using the Monte Carlo Simulation --
Liking two methods for VaR using simulation --
Capital budgeting with Monte Carlo Simulation --
Python SimPy module --
Comparison between two social policies --
basic income and basic job --
Finding an efficient frontier based on two stocks by using simulation --
Constructing an efficient frontier with n stocks --
Long-term return forecasting --
Efficiency, Quasi-Monte Carlo, and Sobol sequences --
Appendix A --
data case #8 --
Monte Carlo Simulation and blackjack --
References --
Exercises --
Summary --
Chapter 13: Credit Risk Analysis --
Introduction to credit risk analysis --
Credit rating --
Credit spread --
YIELD of AAA-rated bond, Altman Z-score --
Using the KMV model to estimate the market value of total assets and its volatility --
Term structure of interest rate --
Distance to default --
Credit default swap --
Appendix A --
data case #8 --
predicting bankruptcy by using Z-score --
References --
Exercises --
Summary --
Chapter 14: Exotic Options.




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی