کتابخانه Backtesting یک کتابخانه فوق العاده برای بک تست
در فرآیند معاملات الگوریتمی همیشه بعد از ساخت استراتژی نوبت بک تست (BackTest) است. بک تست به معنای آن است که استراتژی های خود را روی داده های قدیمی تست کنیم و اگر در داده های قبلی سودآور بود آن وقت وارد مرحله تست کاغذی (Paper Test) بشویم.
یکی از کتابخانه های فوق العاده برای بک تست کتابخانه Backtesting است. به کمک این کتابخانه می توان تحلیل های بسیار خوبی را در بک تست لحاظ کرد و شاخص هایی مانند DrawDown ، نسبت شارپ و ... را به صورت خودکار محاسبه کرد. از همه این ها جالب تر نمودار بازدهی و سیگنال است که به راحتی قابل رسم است.
اگر به این ماژول علاقه مند بودید می توانید سری به صفحه آن در این لینک بزنید.
سورس برنامه را در پست بعد تقدیم خواهم کرد.

#بک تست
#Backtest
#Backtesting

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

کتابخانه Backtesting یک کتابخانه فوق العاده برای بک تست
در تصویر این پست اطلاعات مربوط به سهم اپل از ابتدای سال 2020 دریافت شده و استراتژی دو میانگین متحرک روی آن اجرا می شود.

#بک تست
#Backtest
#Backtesting

عضویت در کانال 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

محاسبه همبستگی بازده چند سهم با ffn
یکی از بهترین ماژول‌های پایتون برای تحلیل گران مالی، ماژول ffn است. در واقع ماژول BT که برای بک تست استفاده می شود بر اساس این ماژول نوشته شده است.
در مثال این پست، بازده 4 سهم اپل، مایکروسافت، متا(فیسبوک) و گوگل محاسبه و نمودار همبستگی آن رسم می شود. کل این فرآیند تنها در 6 خط انجام شده است.

#بازده
#همبستگی
#پایتون_مالی
#بک_تست
#backtest
#ffn

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

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

فهرست فارسی مطالب جهت مرور
جهت استفاده از مطالب کانال می توانید از فهرست زیر، مطلب مورد نظر خود را پیدا کنید.

#ابزار_مشتقه
#اجرای_پایتون
#احتمال
#ارزش در معرض خطر
#ارزش_زمانی_پول
#ارزیابی_مدل
#استاندارد_سازی
#استراتژی
#اسلاید
#اسلاید_آموزشی
#اطلاعات_بورس_تهران
#اطلاعات_سیستم
#اعمال_تابع
#افت_سرمایه
#اقتصاد
#اقتصاد سنجی
#اقتصاد_سنجی
#اکسل
#الگوریتم
#انتخاب_داده
#انتخاب_موضوع
#انحراف_معیار
#اندرسون_دارلینگ
#اندیس_تکراری
#انواع_داده_ها
#ایستایی
#اینفوگرافی
#اینفوگرافیک
#ایویوز
#آرایه
#آریما
#آزمون_فرضیه
#آشنایی با پایتون
#آمار
#آمار_توصیفی
#آموزش
#آموزش پایتون
#آموزش_پایتون
#بازده
#بازده_سهم
#بازدهی_تجمعی
#بازدهی_سهام
#باندهای_بولینگر
#بتا
#بخش_اول
#برگه_تقلب
#برگه_تقلب_1
#برگه_تقلب_2
#برنامه_نویسی
#برنامه_نویسی_غیر_همزمان
#بک تست
#بک_تست
#بورس تهران
#بورس_بین_الملل
#بورس_خارجی
#بهینه سازی خطی
#بهینه_سازی
#بهینه_یابی
#بیت_کوین
#بیش_برازش
#پادکست
#پاسخ_سوالات
#پانداس
#پایان_نامه
#پایتون
#پایتون_R
#پایتون_اقتصاد
#پایتون_برای_اقتصاد_و_مالی
#پایتون_عمومی
#پایتون_محاسباتی
#پایتون_مقدماتی
#پایتون3.10
#پایتون3.11
#پایتون3.12
#پایتون3.9
#پایتونیک
#پیش_پردازش_داده
#پیش_نمایش_زنده
#پیوت
#تابع
#تایم_فریم
#تبدیل_به_exe
#تحلیل داده
#تحلیل_تکنیکال
#تست
#تشخیص_روند
#تعادل_عمومی_پویای_تصادفی
#تفاضل_گیری
#تکنیکال
#تلاطم
#تمرین
#تمیز_کردن_داده
#تمیز_کردن_داده_ها
#تنسورفلو
#توابع_توکار
#توزیع_نرمال
#توزیغ_فراوانی
#توصیف_داده ها
#توضیحات
#تولید_ناخالص_داخلی
#تئوری_مالی
#جامعه
#جان_هال
#جدول_ضرب
#چت_جی‌پی‌تی
#چرخه
#چرخه_فعالیت
#چند_جمله ای
#چولگی
#حداکثر_افت_سرمایه
#حدضرر
#حرکت_براونی
#خروجی
#خطای_زنده_ماندن
#خلاصه
#خلاصه_مرور
#خودکار_سازی
#خودهمبستگی
#داده
#داده_ازدست_رفته
#داده_بزرگ
#داده_پرت
#داده_پویا
#داده_های_بزرگ
#داده_های_کثیف
#دانشگاه_استنفورد
#دانشمند_داده
#دانلود
#دانلود_کتاب
#در_کجا_کد_بنویسیم
#در_کجا_کد_بنویسیم؟
#درجه_آزادی
#درصد_تغییرات
#دریافت_اطلاعات
#دریافت_اطلاعات_از_کاربر
#دستگاه معادلات
#دستور_جادویی
#دستورات_جادویی
#دکوراتور
#دلار
#دوره_آموزشی
#دوره_های_آزاد
#دیتا_فریم
#دیتافریم
#دیکشنری
#دیکی_فولر
#راهنمای_شغلی
#رتبه_بندی
#رساله
#رسم_نمودار
#رگرسیون
#رمز_ارز
#روش های کمی
#روشهای_کمی
#روند
#ریسک
#ریسک_اعتباری
#زبان_برنامه_نویسی_محبوب
#ژوپیتر
#ساختار_سری_زمانی
#ساختار_شرطی
#سری_زمانی
#سوالات_متداول
#سورتینو
#سورس_کد
#سوگیری
#سه رقم سه
#سه_نقطه
#سیگنال
#شاپیرو -ویلک
#شاخص
#شاخص‌های_اقتصادی
#شارپ
#شروع
#شیء_گرایی
#ضریب_همبستگی
#طنز
#عبارت_شرطی
#علم داده
#علم_داده
#علوم کامپیوتر
#عملگرها_در_پایتون
#فایل_اجرایی
#فایلهای_تکمیلی
#فراخوانی_فایل
#فیزیک_اقتصاد
#فیلتر_داده
#فیلم_آموزشی
#قضیه_حد_مرکزی
#قیمت_ارز
#کامپایلر_مفسر
#کتاب
#کشیدگی
#کگل
#کواریانس
#کوواریانس
#گام_تصادفی
#گرافانا
#گروه_بندی
#گزارش
#گزارش2022
#ماژول
#ماژول_اطلاعات_بورس
#مالی_کمی
#مانایی
#مبارزه_با_پولشویی
#مت_پلات_لیب
#متاتریدر
#مثال
#محاسبات
#محاسبات_آماری
#محاسبات_ریاضی
#محاسبات_سیمبولیک
#محبوبیت
#محور_دوم
#محیط مجازی
#مدل
#مدل_ARMA
#مدلسازی
#مدلسازی_آماری
#مدلسازی_سری_زمانی
#مدلسازی_مالی
#مدیریت_دارایی
#مدیریت_ریسک
#مرتب_سازی
#مرور_کتاب
#مستهلک_کردن_وام
#مسیر_یادگیری
#مسیر_یادگیری_پیشرفته
#مسیر_یادگیری_مقدماتی
#مصاحبه
#مصور_سازی
#مصورسازی_داده_ها
#معادلات خطی
#معاملات_الگورتیمی
#معاملات_الگوریتمی
#معرفی_سایت
#معرفی_کتاب
#معرفی_ماژول
#معکوس_سازی
#مقاله
#مقایسه_دستورات
#مقدمات
#مقیاس های مختلف
#مناسبت
#مناسبت ها
#مهارت
#میانگین
#میانگین_متحرک
#نام_پای
#نامپای
#نرخ_بازده_بدون_ریسک
#نرخ_بهره_بدون_ریسک
#نرخ_رشد
#نرم_افزار_موبایل
#نرمال
#نرمال_سازی
#نصب_کتابخانه
#نصب_ماژول
#نظرات
#نظرات_شرکت_کنندگان
#نظریه_بازی
#نقشه حرارتی
#نماد_علمی
#نمودار
#نمودار lag_plot
#نمودار scatter_matrix
#نمودار بوت استرپ
#نمودار چند بعدی
#نمودار ماتریس پراکنش
#نمودار_پویا
#نمودار_جعبه_ای
#نمودار_کندل
#نمودار_میله_ای
#نمودارهای_تعاملی
#نمودارهای_مالی
#نمونه
#نمونه_گیری
#نیکویی_برازش
#واریانس
#وبینار
#ویدئو
#ویژگی_جدید
#همبستگی
#همبستگی_سری_زمانی
#هوش_تجاری
#هوش_مصنوعی
#یادگیری عمیق
#یادگیری ماشین
#یادگیری_آماری
#یادگیری_تقویتی
#یادگیری_عمیق
#یادگیری_ماشین
#یاهو_فایننس

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

کتابخانه investing-algorithm-framework یک کتابخانه کاربردی برای بک تست
در فرآیند معاملات الگوریتمی همیشه بعد از ساخت استراتژی نوبت بک تست (BackTest) است. بک تست به معنای آن است که استراتژی های خود را روی داده های قدیمی تست کنیم و اگر در داده های قبلی سودآور بود آن وقت وارد مرحله تست کاغذی (Paper Test) بشویم.
قبلا چندین ماژول را برای بک تست (#Backtest) معرفی کرده بودیم. برای کسب اطلاعات بیشتر در خصوص این ماژول می توانید سری به گیت هاب آن به این آدرس بزنید.
این ماژول هم اطلاعات خوبی را برای یک تست ارائه می دهد. در پست های آتی مثال هایی در خصوص این ماژول را با هم بررسی می کنیم.

#بک تست
#Backtest
#Backtesting

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

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