آشنایی با معاملات الگوریتمی
آیا میدانستید درحال حاضر بیش از ۸۵ درصد معاملات بازارهای مالی به صورت الگوریتمی انجام میشوند؟
آیا تا این لحظه واژه #معاملات_الگوریتمی به گوشتان خورده است؟! زمانی که معاملات #بورس راه اندازی شد، سرعت پردازش در رایانهها به شکل امروزی نبود و این بازارها به وجود آنها وابسته نبود. بنابراین در آن زمان معاملات به صورت دستی و حضوری و بطور #سنتی انجام میشد. هر شخصی برای خرید یا فروش سهام در بازار بورس ایران باید خود را به خیابان حافظ میرساند تا اولا از روی تابلو قیمتهای به روز شده را ببیند و سپس برای خرید یا فروش سهم خود باید فرمهای مربوطه را پر میکرد. اما امروزه به لطف پیشرفت در سیستمهای نرمافزاری و سختافزاری و در دسترس بودن اینترنت، در حالی که در خانه یا محل کار خود در حال نوشیدن یک #چای گرم هستید تنها با وارد شدن به سایت #کارگزاری خود و با زدن یک دکمه میتوانید سهام خود را خریداری یا بفروش برسانید.
اما در حال حاضر نرم افزارها و سخت افزارهای رایانهای، کار را برای ما از این هم راحتتر کردهاند. دکمهای را که معاملهگر بدون #استراتژی خاصی برای خرید یا فروش سهم خود با هر حالت روحی و روانی میزند نیز رایانه عهده دار آن است و معاملات را بدور از هیچ استرس روحی و روانی و با توجه به استراتژی معاملاتی میخرد و یا میفروشد. حال کمی فراتر می رویم میخواهیم معاملات #هوشمندانهتر انجام شود مثلا اول شرایط بازار را بسنجد و بعد میزان سرمایه را چک کند و سپس وارد معامله شود، به این گونه معاملات که هوشمندی خاصی دارند، معاملات الگوریتمی میگویند.
اگر بخواهیم به زبان ساده معاملات الگوریتمی را بیان نماییم ، به هر نوع معامله هوشمندانه که به صورت #خودکار توسط رایانه برنامهریزی شود را معاملات الگوریتمی می گویند که این کار نیز با زبان #پایتون قابل دسترسی خواهد بود.
دوره معاملات الگوریتمی در پایتون
۳۵ درصد #تخفیف فقط تا پایان دی ماه!
🔔 امکان پرداخت به صورت #اقساط
طول دوره: 90ساعت + 24 ساعت پرسش و پاسخ و تمرین
مدرس:
علی رئوفی- دکتری اقتصادسنجی و مالی
نحوه برگزاری:
آنلاین + ویدئو به صورت #مادامالعمر
برای کسب اطلاعات بیشتر و دریافت سرفصلها به ایدی تلگرامی @abedizohreh پیام ارسال فرمایید یا کانال تلگرامی @pyfinance را دنبال بفرمایید.
یادگیری ماشین، یادگیری عمیق و علم مالی
بعد از آشنایی با مطالب مرتبط با یادگیری ماشین، بسیاری از علاقه مندان این حوزه با اصطلاحی به نام یادگیری عمیق نیز آشنا میشوند. در صورت کنجکاوی، به پرس و جو و کاوش در اینترنت میپردازند و احتمالاً تا حدی با این تعریف آشنا شده و حس کنجکاوی آنها برطرف میشود. عده ای اما کمی موشکافانه تر به برسی تفاوت های یاد گیری عمیق و یادگیری ماشین میپپردازند. قائل شدن این تفاوت بین مدل های یادگیری عمیق و یادگیری ماشین شاید از نظر بعضی حتی غلط به نظر برسد از آن جهت که یاد گیری عمیق را بخشی از یادگیری ماشین میدانند. اما با ریزبینی بیشتر، میتوان ویژگی هایی در مدل های یاد گیری عمیق یافت که در مدل های عادی یادگیری ماشین دیده نمیشود. همچنین برای کسانی که ذهن پرسش گری نسبت به موضوع دارند پاسخ های داده شده برای بیان تفاوت یادگیری عمیق و یادگیری ماشین کلاسیک راضی کننده نیست.
اگر بخواهیم یک جمع بندی از پاسخ هایی که برای شرح این تفاوت ها داده شده ارائه دهیم نکات ذیل در منابع گوناگون به دفعات ذکر شده اند:
1. یاد گیری عمیق توان استخراج دانش بیشتری از میان داده های حجیم نسبت به مدل های یاد گیری ماشین کلاسیک دارند
2. مدل های یاد گیری عمیق به شبکه های عصبی با بیش از 3 لایه مخفی گفته میشود
3. مدل های یاد گیری عمیق توان استخراج ویژگی هایی را از میان داده ها دارند که در مدل های یادگیری ماشین کلاسیک توسط انسان استخراج میشود.
تا اینجا همه چیز تا حدودی قابل قبول است. به طور مثال میتوان از معماری موفق شبکه ResNetXt-50 که در سال 2017 توسعه داده شد به عنوان یک مثال از مدل یادگیری عمیق در حوزه ی پردازش تصویر نام برد.
اما سوال اصلی این است که چرا چنین معماری های شناخته شده و فراگیری در حوزه ی پردازش داده های #سری_زمانی_مالی وجود ندارد.
اگر در جواب معماری های منتشر شده مبتنی مدل های LSTM و GRU به ذهنتان آمد، سوال بعدی این است که آیا واقعا چنین معماری هایی بر مبنای رفتار آماری داده های مالی به عمل استخراج ویژگی می پردازند؟ آیا ویژگی مرتبط با تشخیص چرخهی رونق و رکود بازار های مالی را استخراج میکنند؟ آیا ویژگی های مربوط به تشخیص هیجانات سرمایه گزاران را استخراج میکند؟ ویژگی ها خلاف قاعده های بازار را چطور؟
اگر پاسختان به سوالات بالا بلی است ، به این معنی است که اگر ویژگی های آماری به خصوصی توسط محققان و خبرگان رشته مالی به یاری مدل های یاد گیری عمیق بیایند امکان افزایش دقت پیشبینی های مالی نخواهد بود.
در پایان به نظر میرسد فاصله ای علمی و فنی میان متخصصان رشته مالی و داده کاوی وجود دارد که نیاز به بحث و برسی بیشتر دارد.
نظر شما چیست؟ چطور این فاصله را کمتر و کمتر کنیم؟
معرفی دوره یادگیری ماشین در مالی
برای کسب اطلاعات بیشتر و دریافت سرفصلها به ایدی تلگرامی @abedizohreh پیام ارسال فرمایید یا کانال تلگرامی @pyfinance را دنبال بفرمایید.
برای یادگیری علم داده در علوم مالی از کجا باید شروع کرد؟
یکی از نگرانی های که در ذهن بسیاری از دانش پذیران #علم_داده_در_مالی وجود دارد ایناست که از کجا باید شروع کرد؟؟؟
-اول تئوری را یاد بگیریم؟
-اول برنامهنویسی یاد بگیریم؟
-آیا کسی که رشته تخصصی اش ریاضی و آمار نیست امکان یادگیری این علم را دارد؟
در پاسخ به این سوالات از تجربه شخصی و بسیاری از دانش پذیران موفق دوره های گذشته وام میگیرم.
#یادگیری_ماشین ابزاری است که بدون پیاده سازی بر روی داده های متفاوت و #برنامه_نویسی عملاً یاد گیری آنناقص است. به بیانی دیگر این ابزار زمانی معنی پیدا میکند که عملا بر روی داده ها اعمال شوند و نتایج آن مشاهده شود. بنا بر این اگر فردی صرفا بر تئوری این موضوع چه بسا تسلط مناسبی داشته باشد نمیتواتد از آن به صورت عملی صرفاً بر روی کاغذ استفاده کند.
از طرفی صرفاً دانستن نام تعدادی الگوریتم معروف در یک کتاب خانه ای که صرفا یک ماژول از پیش آماده در اختیار مدل ساز قرار میدهد در بسیاری از مواقع نمیتواند یک پاسخ کاملاً هوشمندانه باشد. دلیل آن هم ندانستم ماهیت محاسبات آن الگوریتم و ندانستن تطابق ماهیت الگوریتم با ماهیت داده های مورد بررسی است.
در اینشرایط بهترین شیوه برای یادگیری اینمفاهیم پیش بردن ابعاد تئوری و عملی آن به صورت موازی است. به اینمعنی که به صورت نسبی تئوری را آموزش دیده و بلا فاصله به پیاده سازی و آزمایش های متعدد پرداخته شود. در این شیوه نه تنها هر دو بعد تئوری و عملی این علم پوشش داده میشود بلکه ارتباط تئوری و عمل به شکلی ملموس برای دانش پذیر نهادینهمیشود.
در پایان، این نکته حائز اهمیت است که علم #یادگیری_ماشین امروزه آنقدر محبوب است که توجه افراد زیادی از رشته های متفاوت را به خود جلبکرده است و با اختصاص زمان کافی و شیوه آموزش مناسب، فارق از تخصص دانشگاهی، میتوان در آن به موفقیت دست یافت.
معرفی مدرس دوره پایتون مالی
علی رئوفی، دکتری اقتصاد مالی
مشاور و مدرس بازارهای مالی
مقالات تخصصی من در زمینه پیشبینی بازارهای مالی در ژورنالهای داخلی و خارجی
1- Empirical Study on the Existence of Long-term Memory In Tehran Stock Exchange Returns: Rolling Window Approach
(https://www.researchgate.net/publication/325657208_Empirical_Study_on_the_Existence_of_Long-term_Memory_In_Tehran_Stock_Exchange_Returns_Rolling_Window_Approach)در این مقاله وجود حافظه در دادههای تاریخی بورس اوراق بهادار بررسی شده است. به زبان ساده اینکه آیا میتوان با استفاده از دادههای روزهای گذشته، آینده بازار را پیشبینی کرد؟ بر اساس نتایج بدست آمده دادههای بورسی دارای حافظه حدودا سه روزه هستند و میتوان از اطلاعات سه روز گذشته برای پیشبینی استفاده کرد. البته به مرور زمان این حافظه کوتاه شده و به بورس ایران به بازار کارا نزدیکتر شده است.
2- Forecasting Tehran Stock Exchange Index Returns Using a Combination of Wavelet Decomposition and Adaptive Neural Fuzzy Inference Systems
(https://www.researchgate.net/publication/325545871_Forecasting_Tehran_Stock_Exchange_Index_Returns_Using_a_Combination_of_Wavelet_Decomposition_and_Adaptive_Neural_Fuzzy_Inference_Systems)در این مقاله تلاش شده کردهایم تا شاخص کل بورس اوراق بهادار را با استفاده از ترکیب ابزارهای پیشرفته نظیر شبکه عصبی مصنوعی، تجزیه موجک و منطق فازی پیشبینی کنیم. در این روش، نویزها با استفاده از تجزیه موجک حذف شده تا نوسانات اصلی راحتتر قابل پیشبینی باشد. در نهایت یک مدل با دقت پیشبینی بالا ارائه شده است.
3- Assessment of Gold Price Predictability and Comparison of Predictions made by Linear and Nonlinear Methods
(https://www.researchgate.net/publication/268509315_Assessment_of_Gold_Price_Predictability_and_Comparison_of_Predictions_made_by_Linear_and_Nonlinear_Methods)در این مقاله پیشبینیپذیری قیمت طلا مورد بررسی قرار گرفته است و مشخص شده است و بهترین روش برای پیشبینی قیمت طلا معرفی شده است.
4- Comparison of Several Combined Methods for Forecasting Tehran Stock Exchange Index
(https://www.researchgate.net/publication/305728073_Comparison_of_Several_Combined_Methods_for_Forecasting_Tehran_Stock_Exchange_Index)در این مقاله انواع روشهای پیشرفته پیشبینی مورد ارزیابی و مقایسه قرار گرفتهاند. و در نهایت روش ترکیبی شبکه عصبی مصنوعی-فازی به عنوان روش برگزیده معرفی گردیده است. در این روش جهت بازار (مثبت و منفی بودن بازده) با دقت 72 درصد قابل پیشبینی است.
5- Assessment and Comparison of linear and non- linear Methods for Forecasting Returns on Stock Market Index
(https://www.researchgate.net/publication/308969393_Assessment_and_Comparison_of_linear_and_non-_linear_Methods_for_Forecasting_Returns_on_Stock_Market_Index)در این مقاله روشهای خطی و غیرخطی برای پیشبینی سهام مورد بررسی و مقایسه قرار گرفت. در ابتدا اثبات شد که رفتار بازار سهام ایران غیرخطی و آشوبی است. رفتار آشوبی رفتاری است که علیرغم وجود بی نظمی در ساختار خود، از یک نظم پیچیده که شاید در ظاهر قابل مشاهده نباشد پیروی میکند. سپس روشهای پیشبینی پیشرفته با روشهای خطی مقایسه شده است. نتایج مطابق انتظار نشان داد که روشهایی که توانایی مدلسازی رفتار غیرخطی را دارند بهتر از روشهای خطی پیشبینی میکنند.
6- Forecasting OPEC Crude Oil Price Using Fuzzy Autoregressive Integrated Moving Average (FARIMA) Model
(https://www.researchgate.net/publication/310801037_Forecasting_OPEC_Crude_Oil_Price_Using_Fuzzy_Autoregressive_Integrated_Moving_Average_FARIMA_Model?_sg=OT_yiQPdjOcIs6aw8gmbFAohAuCRLVsh34SArlZxQS3_sEOS6Yukn1H47huF6yObLDt5kpGv7e5s453bkM9TmPZ2zM_G4v1LwdLsj_QG.lvAnWUk1A-nvRRWtSgHCk4dWu9HN5YK6af1qm9rBQiZ8xkOL0r9x-L9iUIygqncnYWQEZCjIikvfCTtX-Ir_Lw)در این مقاله تلاش شده است تا قیمت نفت با استفاده از یک الگوی رگرسیون فازی مورد پیشبینی قرار گیرد. در نهایت مشخص شد که این روش توانایی قابل قبولی در پیشبینی بازار نفت نسبت به سایر روشها دارد.
7- Identifying Data Generator Process of Tehran Stock Exchange, Modeling and forecasting using Soft Computing
(https://www.researchgate.net/publication/322101504_Identifying_Data_Generator_Process_of_Tehran_Stock_Exchange_Modeling_and_forecasting_using_Soft_Computing?_sg=YGjXE2cyreJKbU_RX_xW-blAqFN_O9bN8VAfREc3Wj-nvPaTmWejTE0JyxmToRSJ9RtbGQOtSck7Ep89NL9PQU7EQRdsrV7nC_yQmjn1._Wl5MXq-ZXm8d1al0ywFyvtgYhUoiCS3YcXpBwGQISovN6vAq4XPb4kxTSMQOd_ewky5pIeisD_QBHO1SEio9w)در این مقاله دادههای تاریخی بورس از جهات مختلف مورد بررسی قرار گرفته است. با شناسایی خصوصیات مختلف شامل حافظهمند بودن، کارا بودن، آشوبی بودن و نامتقارن بودن یک الگوی پیشبینی قابل قبول ارائه گردد. در نهایت مشخص شد که شوکهای مثبت و منفی در بازار سهام متقارن نیستند و شوکهای منفی بزرگتر از شوکهای مثبت است. همینطور بازار سهام یک بازار آشوبی و حافظهمند است و مدلی که قرار است پیشبینی بازار را بر عهده بگیرد باید این خصوصیات را مدل کند.
8- Evaluation and comparison of performance of ANFIS and ARIMA in forecasting the daily gold prices
(https://www.researchgate.net/publication/268509203_Evaluation_and_comparison_of_performance_of_ANFIS_and_ARIMA_in_forecasting_the_daily_gold_prices)در این مقاله دو روش مختلف آریما (اقتصادسنجی) و شبکه عصبی فازی (محاسبات نرم) برای پیشبینی قیمت سکه تمام بهار آزادی مورد استفاده و مقایسه قرار گرفت که روش شبکه عصبی فازی با دقت بسیار بالایی توانایی خود را در پیشبینی این بازار نشان داد
9- The Existence of Long Memory Property in OPEC Oil Prices
(https://www.researchgate.net/publication/303805744_The_Existence_of_Long_Memory_Property_in_OPEC_Oil_Prices?_sg=ImZzJhRP8Zxzv9Otd1kPHtt3OCRLhTpQ41ePgjXW-uSFdKGcqNPRLaPkJEdtSwIvWRZqM6c9KW__fWvZd7EGd85e6QmWxOGNAwiyaDBG.4U4F_xT998IjUCBL95r8pUTmzoM2Et2KeBtOhLjLBoq1mlJgXbLUTOunYF0akB3adt7WgVr8Y3rim1gsL85dJA)در این مقاله قیمت نفت اوپک مورد ارزیابی قرار گرفته است و پیشبینی پذیری آن سنجش شده است. نتایج نشان میدهد که پیشبینی پذیری بازار نفت اگرچه کار دشواری است با این حال غیر ممکن نیست.
10- Evaluation and Comparison of Forecast Performance of Linear and Non-linear Methods for Daily Returns of Tehran Stock Exchange
(https://www.researchgate.net/publication/268687377_Evaluation_and_Comparison_of_Forecast_Performance_of_Linear_and_Non-linear_Methods_for_Daily_Returns_of_Tehran_Stock_Exchange?_sg=YtA9Vn2tVPwhnTG7BBUgNZ51VyZJrbjqOyXACUY4SZocNmpJVqxcPjKPkgkdhagyBpR7SQbmHGhefeg03ODdEkysDAdeJxbCkwzBPmsX.2VDtvBR3ff7oe_Wef1nSHpkarMMaCDMzpwiCrQlArkXYiuBmlXHKDcFSnZT53XV-xJQedMt0f7f8NhrX5rA3lw)در این مقاله انواع روشهای نوین پیشبینی بازار سهام مورد بررسی قرار گرفته است و مهمترین روشها با یکدیگر مقایسه شده است.
11- The Role of Feature Engineering in Prediction of Tehran Stock Exchange Index Based on LSTM (https://www.researchgate.net/publication/353379193_The_Role_of_Feature_Engineering_in_Prediction_of_Tehran_Stock_Exchange_Index_Based_on_LSTM)
معرفی کتاب معاملات الگوریتمی در پایتون
معرفی کتاب Python Algorithmic Trading Cookbook
این کتاب، مستقیم وارد فضای عملی شده و کمتر به بحثهای تئوری میپردازد و برای کسانی که میخواهند خیلی سریع تکنیکها را یاد بگیرند مناسب است.
معرفی کتاب پایتون مالی
معرفی کتاب «استادی در pandas برای بازارهای مالی»
تحلیل بازارهای مالی با استفاده از کتابخانه pandas
تحلیل و آنالیز بازارهای مالی جزو داغترین مباحث روز جهان است که میتوان با استفاده از برنامهنویسی و الگوریتمهای یادگیری ماشین اینکار را دقیقتر و سریعتر انجام داد.
معرفی کتاب اقتصادسنجی در پایتون
کتاب «راهنمای پایتون برای اقتصادسنجی مقدماتی مالی»
python guid to accompany, Introductory Econometrics for Finance
اقتصادسنجی یکی از ابزارهای بااهمیت در علم داده است. در این کتاب مبانی اقتصادسنجی مالی با مثالهای گستردهای از پایتون توضیح داده شده است.
نویسنده کتاب کریس بروکز است. کتاب خواندنی #اقتصادسنجی_مالی که در ایران نیز ترجمه شده است، از همین نویسنده است.
ما را در تلگرام دنبال کنید.
افزایش دانش مالی با پایتون در تلگرام
https://t.me/pyfinance
