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: Eryk Lewinson
سری:
ISBN (شابک) : 1789618517, 9781789618518
ناشر: Packt Publishing
سال نشر: 2020
تعداد صفحات: 410
[426]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 33 Mb
در صورت تبدیل فایل کتاب Python for Finance Cookbook: Over 50 recipes for applying modern Python libraries to quantitative finance to analyze 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 کتاب آشپزی Python for Finance: بیش از 50 دستور العمل برای بکارگیری کتابخانه های مدرن پایتون در امور مالی کمی برای تجزیه و تحلیل داده ها 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.
حل مشکلات مالی رایج و نه چندان رایج با استفاده از کتابخانه های پایتون مانند NumPy، SciPy، و پانداها ویژگی های کلیدی از کتابخانه های قدرتمند پایتون مانند پانداها، NumPy و SciPy برای تجزیه و تحلیل داده های مالی خود استفاده کنید. دستور العمل های منحصر به فرد برای تجزیه و تحلیل داده های مالی و پردازش با Python برآورد مدلهای مالی محبوب مانند CAPM و GARCH با استفاده از رویکرد حل مسئله شرح کتاب Python یکی از محبوبترین زبانهای برنامهنویسی مورد استفاده در صنعت مالی است، با مجموعه عظیمی از کتابخانههای همراه. در این کتاب راه های مختلف دانلود داده های مالی و آماده سازی آن برای مدل سازی را پوشش خواهید داد. شما شاخص های محبوب مورد استفاده در تجزیه و تحلیل تکنیکال، مانند باندهای بولینگر، MACD، RSI و استراتژی های معاملاتی خودکار را محاسبه خواهید کرد. سپس، قبل از کاوش در CAPM محبوب و مدل سه عاملی Fama-French، تجزیه و تحلیل سریهای زمانی و مدلهایی مانند هموارسازی نمایی، ARIMA و GARCH (شامل مشخصات چند متغیره) را پوشش خواهید داد. سپس خواهید فهمید که چگونه تخصیص دارایی را بهینه کنید و از شبیه سازی مونت کارلو برای کارهایی مانند محاسبه قیمت گزینه های آمریکایی و تخمین ارزش در معرض خطر (VaR) استفاده کنید. در فصلهای بعدی، کل پروژه علم داده در حوزه مالی را بررسی خواهید کرد. همچنین یاد خواهید گرفت که چگونه تقلب کارت اعتباری و مشکلات پیشفرض را با استفاده از طبقهبندیکنندههای پیشرفته مانند جنگل تصادفی، XGBoost، LightGBM و مدلهای انباشته حل کنید. سپس میتوانید فراپارامترهای مدلها را تنظیم کنید و عدم تعادل کلاس را مدیریت کنید. در نهایت، شما بر یادگیری نحوه استفاده از یادگیری عمیق (PyTorch) برای نزدیک شدن به وظایف مالی تمرکز خواهید کرد. در پایان این کتاب، شما یاد خواهید گرفت که چگونه به طور موثر داده های مالی را با استفاده از رویکرد مبتنی بر دستور العمل تجزیه و تحلیل کنید. آنچه یاد خواهید گرفت دادههای مالی را از منابع مختلف دانلود و پیش پردازش کنید. عملکرد استراتژیهای معاملاتی خودکار را در محیطی واقعی آزمایش کنید. مدلهای اقتصادسنجی مالی را در پایتون تخمین بزنید و نتایج آنها را تفسیر کنید. ارزیابی بهبود عملکرد مدلهای مالی با جدیدترین کتابخانههای پایتون استفاده از تکنیکهای یادگیری ماشینی و یادگیری عمیق برای حل مشکلات مالی مختلف درک رویکردهای مختلف مورد استفاده برای مدلسازی دادههای سری زمانی مالی این کتاب برای چه کسانی است این کتاب برای تحلیلگران مالی، تحلیلگران داده، و توسعه دهندگان پایتون که می خواهند یاد بگیرند که چگونه طیف گسترده ای از وظایف را در حوزه مالی پیاده سازی کنند. دانشمندان دادهای که به دنبال ابداع استراتژیهای مالی هوشمند برای انجام تحلیلهای مالی کارآمد هستند نیز این کتاب را مفید خواهند یافت. دانش کاری زبان برنامه نویسی پایتون برای درک موثر مفاهیم مطرح شده در کتاب الزامی است.
Solve common and not-so-common financial problems using Python libraries such as NumPy, SciPy, and pandas Key Features Use powerful Python libraries such as pandas, NumPy, and SciPy to analyze your financial data Explore unique recipes for financial data analysis and processing with Python Estimate popular financial models such as CAPM and GARCH using a problem-solution approach Book Description Python is one of the most popular programming languages used in the financial industry, with a huge set of accompanying libraries. In this book, you\'ll cover different ways of downloading financial data and preparing it for modeling. You\'ll calculate popular indicators used in technical analysis, such as Bollinger Bands, MACD, RSI, and backtest automatic trading strategies. Next, you\'ll cover time series analysis and models, such as exponential smoothing, ARIMA, and GARCH (including multivariate specifications), before exploring the popular CAPM and the Fama-French three-factor model. You\'ll then discover how to optimize asset allocation and use Monte Carlo simulations for tasks such as calculating the price of American options and estimating the Value at Risk (VaR). In later chapters, you\'ll work through an entire data science project in the financial domain. You\'ll also learn how to solve the credit card fraud and default problems using advanced classifiers such as random forest, XGBoost, LightGBM, and stacked models. You\'ll then be able to tune the hyperparameters of the models and handle class imbalance. Finally, you\'ll focus on learning how to use deep learning (PyTorch) for approaching financial tasks. By the end of this book, you\'ll have learned how to effectively analyze financial data using a recipe-based approach. What you will learn Download and preprocess financial data from different sources Backtest the performance of automatic trading strategies in a real-world setting Estimate financial econometrics models in Python and interpret their results Use Monte Carlo simulations for a variety of tasks such as derivatives valuation and risk assessment Improve the performance of financial models with the latest Python libraries Apply machine learning and deep learning techniques to solve different financial problems Understand the different approaches used to model financial time series data Who this book is for This book is for financial analysts, data analysts, and Python developers who want to learn how to implement a broad range of tasks in the finance domain. Data scientists looking to devise intelligent financial strategies to perform efficient financial analysis will also find this book useful. Working knowledge of the Python programming language is mandatory to grasp the concepts covered in the book effectively.