دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Yves Hilpisch
سری:
ISBN (شابک) : 9781491945285
ناشر: O'Reilly Media
سال نشر: 2014
تعداد صفحات: 566
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 14 مگابایت
در صورت تبدیل فایل کتاب Python for Finance: Analyze Big Financial Data 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: داده های بزرگ مالی را تجزیه و تحلیل کنید 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.
صنعت مالی اخیراً پایتون را با نرخ فوقالعادهای پذیرفته است، به طوری که برخی از بزرگترین بانکهای سرمایهگذاری و صندوقهای تامینی از آن برای ساختن سیستمهای تجاری اصلی و مدیریت ریسک استفاده میکنند. این راهنمای عملی به توسعهدهندگان و تحلیلگران کمی کمک میکند تا با پایتون شروع به کار کنند و شما را از طریق مهمترین جنبههای استفاده از Python برای تامین مالی کمی راهنمایی میکند. نویسنده Yves Hilpisch با استفاده از مثالهای عملی از طریق کتاب، همچنین به شما نشان میدهد که چگونه یک چارچوب کامل برای مشتقات مبتنی بر شبیهسازی مونت کارلو و تجزیه و تحلیل ریسک، بر اساس یک مطالعه موردی بزرگ و واقعبینانه ایجاد کنید.
The financial industry has adopted Python at a tremendous rate recently, with some of the largest investment banks and hedge funds using it to build core trading and risk management systems. This hands-on guide helps both developers and quantitative analysts get started with Python, and guides you through the most important aspects of using Python for quantitative finance. Using practical examples through the book, author Yves Hilpisch also shows you how to develop a full-fledged framework for Monte Carlo simulation-based derivatives and risk analytics, based on a large, realistic case study.
Content: Preface --
Part I. Python and finance. Why Python for finance?
Infrastructure and tools
Introductory examples --
Part II. Financial analytics and development. Data types and structures
Data visualization
Financial time series
Input/output operations
Performance Python
Mathematical tools
Stochastics
Statistics
Excel integration
Object orientation and graphical user interfaces
Web integration --
Part III. Derivatives analytics library. Valuation framework
Simulation of financial models
Derivatives valuation
Portfolio valuation
Volatility options --
A. Selected best practices --
B. Call option class --
C. Dates and times.