در این مطلب، ویدئو با استفاده از پایتون یک نمونه کار سهام قاتل بسازید با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:28:52
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,719 –> 00:00:02,320
سلام به همه و به این ویدیو
2
00:00:02,320 –> 00:00:04,080
در زبان برنامه نویسی پایتون خوش آمدید،
3
00:00:04,080 –> 00:00:05,839
بنابراین در این ویدیو سعی می کنم
4
00:00:05,839 –> 00:00:07,919
5
00:00:07,919 –> 00:00:08,720
6
00:00:08,720 –> 00:00:11,599
با استفاده از پایتون یک نمونه کار سهام بهینه شده قاتل ایجاد کنم، اکنون طبق ویکی پدیا،
7
00:00:11,599 –> 00:00:13,599
بهینه سازی نمونه کارها فرآیند
8
00:00:13,599 –> 00:00:15,360
انتخاب بهترین نمونه کارها
9
00:00:15,360 –> 00:00:17,760
از مجموعه همه نمونه کارها است.
10
00:00:17,760 –> 00:00:18,560
در نظر گرفته شده
11
00:00:18,560 –> 00:00:21,359
با توجه به برخی از اهداف،
12
00:00:21,359 –> 00:00:22,160
هدف
13
00:00:22,160 –> 00:00:24,720
معمولاً عواملی مانند بازده مورد انتظار را به حداکثر میرساند
14
00:00:24,720 –> 00:00:25,920
15
00:00:25,920 –> 00:00:29,599
و هزینههایی مانند ریسک مالی را به حداقل میرساند،
16
00:00:29,599 –> 00:00:31,920
اکنون قبل از شروع، مطمئن شوید
17
00:00:31,920 –> 00:00:33,760
که دکمه لایک و آن دکمه اشتراک را فشار دهید
18
00:00:33,760 –> 00:00:35,440
و روی اعلان زنگ کلیک کنید تا
19
00:00:35,440 –> 00:00:37,120
هر زمان که ویدیوی جدیدی
20
00:00:37,120 –> 00:00:40,320
آپلود شد نیز مطلع شوید. این
21
00:00:40,320 –> 00:00:43,600
ویدیو فقط برای مقاصد آموزشی است و
22
00:00:43,600 –> 00:00:44,800
من یک مشاور مالی نیستم،
23
00:00:44,800 –> 00:00:49,520
بنابراین به صلاحدید خودتان سرمایه گذاری کنید،
24
00:00:49,520 –> 00:00:51,680
بنابراین با تمام این موارد که گفته شد من در
25
00:00:51,680 –> 00:00:53,199
حال حاضر در وب سایت گوگل به
26
00:00:53,199 –> 00:00:55,600
نام colab.research.google.com هستم و من
27
00:00:55,600 –> 00:00:57,199
در آن هستم زیرا
28
00:00:57,199 –> 00:00:58,960
شروع برنامه نویسی در پایتون را بسیار آسان می کند،
29
00:00:58,960 –> 00:01:00,239
بنابراین تنها کاری که باید انجام دهید این است که به این
30
00:01:00,239 –> 00:01:01,840
وب سایت بروید و با استفاده از goog خود وارد شوید.
31
00:01:01,840 –> 00:01:03,199
حساب کاربری را وارد کنید و نوشتن کد پایتون خود را شروع کنید
32
00:01:03,199 –> 00:01:05,920
33
00:01:05,920 –> 00:01:08,640
بسیار خوب، بنابراین برای شروع نوشتن این کد
34
00:01:08,640 –> 00:01:09,760
می خواهید روی فایل
35
00:01:09,760 –> 00:01:11,119
کلیک کنید و روی دفترچه یادداشت جدید کلیک کنید
36
00:01:11,119 –> 00:01:12,960
و یک تب جدید برای شما باز می شود و
37
00:01:12,960 –> 00:01:14,560
سپس در نهایت یک سلول جدید باز می شود.
38
00:01:14,560 –> 00:01:16,000
برای شما نیز بسیار خوب است،
39
00:01:16,000 –> 00:01:18,080
بنابراین من در این سلول هستم، بنابراین
40
00:01:18,080 –> 00:01:19,680
اولین کاری که می خواهم انجام دهم این است که یک
41
00:01:19,680 –> 00:01:22,000
توضیح کوچک در مورد برنامه
42
00:01:22,000 –> 00:01:25,600
و نظرات ارائه دهم، بنابراین این
43
00:01:25,600 –> 00:01:29,600
برنامه
44
00:01:29,600 –> 00:01:33,280
یک سبد سهام را بهینه می
45
00:01:33,280 –> 00:01:36,960
کند، بنابراین ایده و برنامه در اینجا این است که
46
00:01:36,960 –> 00:01:39,840
استفاده کنید. دادههای موجود در بورس
47
00:01:39,840 –> 00:01:42,079
اوراق بهادار نیویورک، بنابراین همه شرکتهایی
48
00:01:42,079 –> 00:01:44,880
که بورس اوراق بهادار نیویورک دارند
49
00:01:44,880 –> 00:01:45,759
50
00:01:45,759 –> 00:01:48,960
51
00:01:48,960 –> 00:01:52,000
و با استفاده از آن شاخصهای سهام یا استفاده درست از آن سهام، یک سبد بهینهسازی میکنند،
52
00:01:52,000 –> 00:01:52,880
53
00:01:52,880 –> 00:01:54,720
بنابراین بیایید پیش برویم و
54
00:01:54,720 –> 00:01:56,159
با کلیک کردن روی آن کد، یک سلول جدید ایجاد کنیم. را فشار دهید
55
00:01:56,159 –> 00:01:56,560
در بالا
56
00:01:56,560 –> 00:02:00,320
سمت چپ و اکنون میخواهم
57
00:02:00,320 –> 00:02:03,920
کتابخانههای پایتون را وارد کنم، بنابراین
58
00:02:03,920 –> 00:02:09,360
پانداها را بهعنوان pd وارد
59
00:02:09,360 –> 00:02:13,280
میکنم، numpy را بهعنوان np وارد میکنم و درخواستها را کاملاً وارد میکنم،
60
00:02:13,280 –> 00:02:16,160
بنابراین اکنون میخواهم
61
00:02:16,160 –> 00:02:17,680
این را با کلیک بر روی این دکمه در اینجا اجرا
62
00:02:17,680 –> 00:02:19,040
کنید سمت چپ
63
00:02:19,040 –> 00:02:22,160
و این اطمینان حاصل می کند که
64
00:02:22,160 –> 00:02:23,520
همه چیز را
65
00:02:23,520 –> 00:02:24,560
درست نوشته ام و همه چیز کار می کند، بنابراین
66
00:02:24,560 –> 00:02:26,959
بیایید پیش برویم و یک سلول جدید ایجاد کنیم
67
00:02:26,959 –> 00:02:28,480
و اکنون در این سلول
68
00:02:28,480 –> 00:02:30,000
، داده ها را بارگیری می کنم، بنابراین
69
00:02:30,000 –> 00:02:33,440
دوباره این مجموعه داده را جمع آوری کردم که
70
00:02:33,440 –> 00:02:36,080
پر از انبار است. بلیط های بورس نیویورک
71
00:02:36,080 –> 00:02:38,400
با قیمت پایانی
72
00:02:38,400 –> 00:02:40,879
و تقریباً هفت سال و چند
73
00:02:40,879 –> 00:02:42,480
ماه داده به ارزش داده های تقریباً هشت ساله
74
00:02:42,480 –> 00:02:43,680
75
00:02:43,680 –> 00:02:45,360
خوب است، پس بیایید ادامه دهیم و فقط
76
00:02:45,360 –> 00:02:47,879
مجموعه داده را آپلود کنیم، بنابراین از
77
00:02:47,879 –> 00:02:52,239
google.colab می خواهم وارد کنم فایلها،
78
00:02:52,239 –> 00:02:54,000
بنابراین من فقط میخواهم فایلها را تایپ کنم
79
00:02:54,000 –> 00:02:56,319
آپلود نقطهای و این به من اجازه
80
00:02:56,319 –> 00:02:57,040
میدهد
81
00:02:57,040 –> 00:02:58,959
فایلی را آپلود کنم و روی انتخاب فایلها کلیک
82
00:02:58,959 –> 00:03:00,239
کنم و این فایل
83
00:03:00,239 –> 00:03:02,080
underscore در بورس نیویورک را
84
00:03:02,080 –> 00:03:04,800
85
00:03:04,800 –> 00:03:06,319
آپلود کنم. ممکن است در واقع
86
00:03:06,319 –> 00:03:19,840
کمی زمان
87
00:03:20,640 –> 00:03:24,000
ببرد، پس همه چیز تمام شد، بیایید پیش برویم و
88
00:03:24,000 –> 00:03:25,599
یک سلول جدید ایجاد کنیم
89
00:03:25,599 –> 00:03:28,319
و در این سلول من
90
00:03:28,319 –> 00:03:29,840
داده ها را ذخیره
91
00:03:29,840 –> 00:03:31,519
می کنم، بنابراین یک متغیر به نام df
92
00:03:31,519 –> 00:03:34,799
ایجاد می کنم و آن را برابر با pd.read قرار می دهم. زیر خط csv
93
00:03:34,799 –> 00:03:36,400
و من می خواهم در آن فایل بخوانم که
94
00:03:36,400 –> 00:03:38,080
i همین الان آپلود شد، پس اجازه دهید به اینجا بروم
95
00:03:38,080 –> 00:03:39,840
و نام را هایلایت کنم و سپس
96
00:03:39,840 –> 00:03:41,040
با استفاده از کنترل c
97
00:03:41,040 –> 00:03:42,560
که قرار است در اینجا پایین بیاید کپی کنید و
98
00:03:42,560 –> 00:03:44,159
با استفاده از ctrl v پیست کنید
99
00:03:44,159 –> 00:03:47,120
و دقیقاً به این
100
00:03:47,120 –> 00:03:48,159
ترتیب داده ها به
101
00:03:48,159 –> 00:03:52,319
خوبی ذخیره می شوند، بنابراین در مرحله بعدی باید تنظیم کنم تاریخ،
102
00:03:52,640 –> 00:03:55,920
بنابراین من می خواهم تاریخ را به عنوان شاخص تنظیم کنم،
103
00:03:55,920 –> 00:03:59,040
بنابراین در واقع اجازه دهید من ادامه دهم
104
00:03:59,040 –> 00:03:59,680
و
105
00:03:59,680 –> 00:04:01,599
یک سلول جدید را خیلی سریع ایجاد کنم و اجازه
106
00:04:01,599 –> 00:04:04,480
دهید فقط
107
00:04:04,480 –> 00:04:07,519
چارچوب داده ای را که قرار است در اینجا حذف کنم را به شما نشان دهم،
108
00:04:07,519 –> 00:04:10,000
خوب، بیایید یک سلول جدید ایجاد کنیم. سلول جدید بیایید
109
00:04:10,000 –> 00:04:11,040
قاب
110
00:04:11,040 –> 00:04:13,280
داده را نشان دهیم تا df up تایپ شود، من باید
111
00:04:13,280 –> 00:04:14,480
ابتدا این را اجرا کنم،
112
00:04:14,480 –> 00:04:16,639
بنابراین اکنون بیایید این سلول نوع df را اجرا کنیم و
113
00:04:16,639 –> 00:04:17,839
می توانید ببینید که ما این
114
00:04:17,839 –> 00:04:19,279
ستون تاریخ را
115
00:04:19,279 –> 00:04:21,279
داریم و سپس همه علامت های سهام را
116
00:04:21,279 –> 00:04:22,560
در اینجا داریم.
117
00:04:22,560 –> 00:04:23,680
بنابراین کاری که میخواهم انجام دهم این
118
00:04:23,680 –> 00:04:26,639
است که
119
00:04:26,639 –> 00:04:30,080
این شاخصها را در اینجا به سمت چپ تغییر میدهم تا
120
00:04:30,080 –> 00:04:31,919
تاریخ مناسب باشد و سپس میخواهم از
121
00:04:31,919 –> 00:04:33,919
شر این ستون تاریخ خلاص
122
00:04:33,919 –> 00:04:35,600
شوم، بنابراین بیایید ادامه دهیم و این کار را انجام دهیم.
123
00:04:35,600 –> 00:04:37,440
بنابراین شما بچه ها دقیقاً متوجه می شوید
124
00:04:37,440 –> 00:04:39,600
که اینجا چه خبر است، بنابراین من
125
00:04:39,600 –> 00:04:43,840
تاریخ را به عنوان شاخص تعیین می کنم
126
00:04:44,400 –> 00:04:46,960
بسیار خوب، برای انجام این کار فقط
127
00:04:46,960 –> 00:04:50,160
df را تایپ کنید و آن را برابر با df.set underscore
128
00:04:50,160 –> 00:04:55,040
index قرار دهید و سپس
129
00:04:55,040 –> 00:04:58,160
شاخص زمان pd.date
130
00:04:58,160 –> 00:05:01,280
را وارد کنید و ما می خواهیم تاریخ را در اینجا مقادیر نقطه وارد
131
00:05:01,280 –> 00:05:05,199
کنیم و باید این کار را انجام دهیم، بیایید ادامه دهیم
132
00:05:05,199 –> 00:05:05,919
و
133
00:05:05,919 –> 00:05:09,120
این را اجرا کنید و حالا بیایید این را اجرا کنیم و حالا
134
00:05:09,120 –> 00:05:10,720
میتوانیم ببینیم که
135
00:05:10,720 –> 00:05:15,280
نمایه تاریخ شاخصها را دارد،
136
00:05:15,280 –> 00:05:18,160
بنابراین خوب به نظر میرسد، میخواهم
137
00:05:18,160 –> 00:05:19,039
138
00:05:19,039 –> 00:05:22,960
ستون تاریخ را حذف کنم،
139
00:05:22,960 –> 00:05:24,800
بنابراین راههای زیادی وجود دارد که میتوانیم این کار را انجام دهیم، اما
140
00:05:24,800 –> 00:05:26,000
یک راه که من این
141
00:05:26,000 –> 00:05:27,919
کار فقط با استفاده از روش drop است، بنابراین فقط
142
00:05:27,919 –> 00:05:30,160
df.drop را تایپ کنید
143
00:05:30,160 –> 00:05:32,720
و سپس به آن میگویم چه
144
00:05:32,720 –> 00:05:34,240
ستونهایی را میخواهم رها کند،
145
00:05:34,240 –> 00:05:38,479
بنابراین میخواهم ستون تاریخ را رها
146
00:05:38,479 –> 00:05:41,520
کنم و باید به آن بگویم کدام دسترسی
147
00:05:41,520 –> 00:05:43,600
بنابراین این ستون ها خواهد بود، بنابراین
148
00:05:43,600 –> 00:05:44,960
دسترسی را برابر با 1 تنظیم کنید
149
00:05:44,960 –> 00:05:49,039
و سپس من می خواهم این کار را با
150
00:05:49,039 –> 00:05:50,960
این مجموعه داده انجام دهم، بنابراین می خواهم در
151
00:05:50,960 –> 00:05:52,400
محل برابر با
152
00:05:52,400 –> 00:05:55,360
true تنظیم کنم و این
153
00:05:55,360 –> 00:05:58,240
ستون تاریخ را از مجموعه داده ها حذف
154
00:05:58,240 –> 00:06:01,039
می کند. بیایید به جلو برویم و این را اجرا کنیم و
155
00:06:01,039 –> 00:06:03,600
حالا بیایید این را اجرا کنیم
156
00:06:03,600 –> 00:06:06,160
و دقیقاً مانند آن، ستون تاریخ را حذف کرده ایم،
157
00:06:06,160 –> 00:06:07,360
158
00:06:07,360 –> 00:06:09,039
خب اجازه دهید. به این مجموعه داده نگاهی بیندازیم،
159
00:06:09,039 –> 00:06:10,800
میتوانیم ببینیم که
160
00:06:10,800 –> 00:06:14,720
2013 ردیف داده و 102
161
00:06:14,720 –> 00:06:18,240
ستون کاملاً درست وجود دارد، بنابراین
162
00:06:18,240 –> 00:06:22,240
اگر تمام مسیر را به
163
00:06:22,240 –> 00:06:26,080
سمت راست
164
00:06:26,080 –> 00:06:29,199
بچرخانم، شرکتی به نام zm
165
00:06:29,199 –> 00:06:32,319
یا یک علامت سهام zm را میبینیم و این برای
166
00:06:32,319 –> 00:06:33,440
شرکت بزرگنمایی می کند
167
00:06:33,440 –> 00:06:36,800
و خواهیم دید که هیچ ارزشی
168
00:06:36,800 –> 00:06:40,160
برای این شرکت وجود ندارد و
169
00:06:40,160 –> 00:06:40,960
دلیل آن
170
00:06:40,960 –> 00:06:42,400
این است که این شرکت
171
00:06:42,400 –> 00:06:45,160
تا سال 2019 عرضه اولیه عمومی
172
00:06:45,160 –> 00:06:49,199
نداشته است، بنابراین برخی از داده های گم شده
173
00:06:49,199 –> 00:06:50,560
در این مجموعه داده وجود خواهد داشت
174
00:06:50,560 –> 00:06:52,960
و می دانید که می توانید آن را دستکاری کنید.
175
00:06:52,960 –> 00:06:54,080
اگر میخواهید از
176
00:06:54,080 –> 00:06:54,800
شر
177
00:06:54,800 –> 00:06:57,919
همه مقادیر از دست رفته خلاص شوید یا
178
00:06:57,919 –> 00:06:59,360
اگر میخواهید مقادیر از دست رفته را حفظ
179
00:06:59,360 –> 00:07:01,199
کنید، همه چیز به شما بستگی دارد،
180
00:07:01,199 –> 00:07:04,000
اما این کاری است که من انجام میدهم، من
181
00:07:04,000 –> 00:07:05,919
این مقادیر از دست رفته را در من نگه میدارم. مجموعه دادهها
182
00:07:05,919 –> 00:07:06,479
در اینجا
183
00:07:06,479 –> 00:07:09,440
ما همچنین میتوانیم شرکتهایی مانند amazon
184
00:07:09,440 –> 00:07:11,120
و amd را در اینجا ببینیم،
185
00:07:11,120 –> 00:07:15,199
بنابراین خوب به نظر میرسد،
186
00:07:15,199 –> 00:07:16,400
بیایید جلو برویم و
187
00:07:16,400 –> 00:07:18,560
یک سلول جدید ایجاد کنیم
188
00:07:18,560 –> 00:07:21,120
و در این سلول میخواهم
189
00:07:21,120 –> 00:07:21,919
داراییها
190
00:07:21,919 –> 00:07:24,960
یا واقعاً علامتها را دریافت کنم
191
00:07:24,960 –> 00:07:26,319
و این فقط نام ستونها است.
192
00:07:26,319 –> 00:07:27,520
من قصد دارم یک متغیر به نام
193
00:07:27,520 –> 00:07:28,400
دارایی ایجاد
194
00:07:28,400 –> 00:07:29,400
کنم و هستم میخواهیم آن را برابر با
195
00:07:29,400 –> 00:07:32,160
df.columns قرار دهیم، بسیار خوب، پس بیایید ادامه دهیم
196
00:07:32,160 –> 00:07:33,440
و این را اجرا کنیم و بعداً از آن استفاده خواهم کرد،
197
00:07:33,440 –> 00:07:34,400
198
00:07:34,400 –> 00:07:36,960
بنابراین بیایید یک سلول جدید ایجاد کنیم و اکنون در
199
00:07:36,960 –> 00:07:38,000
این
200
00:07:38,000 –> 00:07:41,120
سلول از بستهای به نام پورتفولیو pi استفاده میکنم.
201
00:07:41,120 –> 00:07:43,120
انتخاب کنید و این کار بهینه سازی نمونه کارها را
202
00:07:43,120 –> 00:07:45,039
برای ما واقعاً آسان می کند،
203
00:07:45,039 –> 00:07:48,160
بنابراین
204
00:07:48,160 –> 00:07:52,240
فقط pip install را تایپ کنید و سپس pi
205
00:07:52,240 –> 00:07:56,000
port folio opt
206
00:07:56,000 –> 00:07:57,759
بسیار درست است، بنابراین فکر می کنم همین است که اجازه دهید ادامه دهیم
207
00:07:57,759 –> 00:07:59,360
و این را اجرا کنیم
208
00:07:59,360 –> 00:08:01,120
و این نصب خواهد شد، بیایید
209
00:08:01,120 –> 00:08:04,960
فقط چند ثانیه خوب به آن فرصت دهید
210
00:08:05,520 –> 00:08:07,840
تا به نظر برسد که کار تمام شده است و من
211
00:08:07,840 –> 00:08:09,680
میخواهم یک سلول جدید ایجاد کنم
212
00:08:09,680 –> 00:08:12,560
و اکنون در این سلول زمان آن است که
213
00:08:12,560 –> 00:08:13,199
جلو برویم و
214
00:08:13,199 –> 00:08:14,800
آن کتابخانهها را دریافت کنیم، بنابراین ابتدا شروع به
215
00:08:14,800 –> 00:08:16,879
216
00:08:16,879 –> 00:08:19,440
بهینهسازی نمونه کارها میکنیم. میخواهم
217
00:08:19,440 –> 00:08:21,280
برخی از کتابخانهها را به درستی دریافت کنم،
218
00:08:21,280 –> 00:08:24,560
بنابراین از pi
219
00:08:24,560 –> 00:08:28,160
یا pi p، شاید این
220
00:08:28,160 –> 00:08:31,919
221
00:08:31,919 –> 00:08:34,958
مجموعه Pip pip pip pi باشد، بنابراین
222
00:08:34,958 –> 00:08:39,360
بهینهسازی pypf است یا همه چیز را انتخاب کنید، بنابراین pip
223
00:08:39,360 –> 00:08:41,919
من نمیدانم چگونه آن را تلفظ کنم، اما
224
00:08:41,919 –> 00:08:42,799
این چیزی است که به آنجا رسیدیم.
225
00:08:42,799 –> 00:08:45,440
تایپ کنید نقطه کارآمد underscore
226
00:08:45,440 –> 00:08:47,120
frontier
227
00:08:47,120 –> 00:08:49,519
و سپس من می خواهم
228
00:08:49,519 –> 00:08:52,240
effici را وارد کنم ent
229
00:08:52,839 –> 00:08:55,360
frontier
230
00:08:55,360 –> 00:08:58,560
بسیار خوب، پس از همان
231
00:08:58,560 –> 00:09:01,040
232
00:09:02,000 –> 00:09:05,440
بسته، ما میرویم
233
00:09:05,440 –> 00:09:08,640
مدلهای زیرخط ریسک را وارد میکنم
234
00:09:08,640 –> 00:09:13,839
و از همان
235
00:09:14,560 –> 00:09:18,320
پکیج میخواهم
236
00:09:18,320 –> 00:09:21,200
بازدههای زیرخط مورد انتظار را وارد کنم، پس بیایید ادامه دهیم
237
00:09:21,200 –> 00:09:22,160
و
238
00:09:22,160 –> 00:09:23,680
این را اجرا کنیم، ببینیم آیا چیزی ساختهام
239
00:09:23,680 –> 00:09:25,519
اشتباهات املایی من خوب نبودم بیایید یک
240
00:09:25,519 –> 00:09:27,120
سلول جدید درست
241
00:09:27,120 –> 00:09:29,279
کنیم حالا در این سلول میخواهم بازده
242
00:09:29,279 –> 00:09:31,839
243
00:09:32,880 –> 00:09:38,320
سالانه مورد انتظار را محاسبه کنم
244
00:09:38,320 –> 00:09:42,480
و
245
00:09:42,480 –> 00:09:46,320
246
00:09:46,320 –> 00:09:50,080
ماتریس واریانس کد نمونه سالانه سالانه
247
00:09:50,080 –> 00:09:55,920
دارایی روزانه
248
00:09:56,080 –> 00:09:57,279
کاملاً درست است، بنابراین متغیری
249
00:09:57,279 –> 00:10:00,800
به نام mu ایجاد میکنم که البته میانگین
250
00:10:00,800 –> 00:10:02,640
در ریاضیات است و من آن را
251
00:10:02,640 –> 00:10:04,800
برابر با
252
00:10:04,800 –> 00:10:08,480
بازده مورد انتظار زیرخط
253
00:10:08,480 –> 00:10:11,200
254
00:10:11,200 –> 00:10:11,920
255
00:10:11,920 –> 00:10:14,720
256
00:10:14,720 –> 00:10:15,440
257
00:10:15,440 –> 00:10:17,920
258
00:10:17,920 –> 00:10:20,320
تنظیم می کنم. برابر است با
259
00:10:20,320 –> 00:10:23,680
مدلهای زیرخط ریسک،
260
00:10:23,680 –> 00:10:28,160
کوواریانس زیرخط یا cov نمونه نقطهای
261
00:10:28,160 –> 00:10:32,959
و سپس ورودی df خوب است
262
00:10:32,959 –> 00:10:34,240
و فکر میکنم خوب به نظر میرسد، بنابراین
263
00:10:34,240 –> 00:10:36,240
264
00:10:36,240 –> 00:10:39,839
ماتریس کوواریانس نمونه را در اینجا به ما میدهد
265
00:10:39,839 –> 00:10:43,279
و این باید بازده مورد انتظار را به ما بدهید
266
00:10:43,279 –> 00:10:47,360
تا
267
00:10:47,360 –> 00:10:50,000
خوب به نظر برسد، بیایید ادامه دهیم و
268
00:10:50,000 –> 00:10:52,320
فقط این را اجرا کنیم،
269
00:10:52,320 –> 00:10:54,000
بسیار عالی، بیایید یک سلول جدید ایجاد کنیم
270
00:10:54,000 –> 00:10:55,760
و اکنون
271
00:10:55,760 –> 00:11:00,800
در این سلول میخواهم برای
272
00:11:00,800 –> 00:11:04,720
273
00:11:04,720 –> 00:11:10,000
حداکثر
274
00:11:11,040 –> 00:11:14,800
نسبت شارپ بهینهسازی کنم. نسبت به
275
00:11:14,800 –> 00:11:16,959
خوبی نسبت تیز نشان می دهد که چقدر
276
00:11:16,959 –> 00:11:20,160
بازده اضافی برای نوسانات اضافی دریافت می کنید که
277
00:11:20,160 –> 00:11:21,120
278
00:11:21,120 –> 00:11:24,320
برای نگهداری یک دارایی پرخطر تحمل
279
00:11:24,320 –> 00:11:27,600
می کنید، بنابراین
280
00:11:27,600 –> 00:11:28,800
بیایید ادامه دهیم و متغیری
281
00:11:28,800 –> 00:11:30,720
به نام ef ایجاد کنیم و آن را برابر با
282
00:11:30,720 –> 00:11:32,880
مرز کارا قرار دهیم و ما می خواهیم
283
00:11:32,880 –> 00:11:33,839
mu را وارد کنیم.
284
00:11:33,839 –> 00:11:38,640
و بنابراین این دقیقاً در اینجا شیء مرزی کارآمد را
285
00:11:38,640 –> 00:11:42,079
ایجاد
286
00:11:42,079 –> 00:11:45,360
287
00:11:45,360 –> 00:11:48,000
می کند، من
288
00:11:48,000 –> 00:11:49,120
متغیری به نام وزن ایجاد می کنم و
289
00:11:49,120 –> 00:11:51,360
آن را برابر با ef dot
290
00:11:51,360 –> 00:11:55,279
max underscore sharp تنظیم می کنم،
291
00:11:55,279 –> 00:11:56,880
بنابراین این دقیقاً در اینجا نسبت شارپ را به حداکثر می رساند
292
00:11:56,880 –> 00:12:01,200
و به دست می آید. وزنهای خام
293
00:12:01,200 –> 00:12:04,240
و بعدی متغیری به نام
294
00:12:04,240 –> 00:12:07,200
وزنهای زیر خط تمیز شده ایجاد میکنند و آن را
295
00:12:07,200 –> 00:12:08,720
برابر با
296
00:12:08,720 –> 00:12:11,760
وزنهای زیر خط تمیز نقطهای ef تنظیم میکنند، بنابراین این فقط
297
00:12:11,760 –> 00:12:13,839
یک روش کمکی برای تمیز کردن وزنهای خام با
298
00:12:13,839 –> 00:12:15,680
تنظیم وزنهایی است که
299
00:12:15,680 –> 00:12:18,000
مقادیر عود زیر نقطه برش تا صفر است
300
00:12:18,000 –> 00:12:20,079
و بقیه را گرد می کند و این در واقع
301
00:12:20,079 –> 00:12:21,279
می تواند باعث ایجاد
302
00:12:21,279 –> 00:12:24,160
برخی از خطاهای گرد شود، بنابراین توجه داشته باشید
303
00:12:24,160 –> 00:12:24,800
که در
304
00:12:24,800 –> 00:12:26,160
هر
305
00:12:26,160 –> 00:12:29,360
صورت، وزنه های تمیز را چاپ می کنیم
306
00:12:30,320 –> 00:12:32,800
، خطا تا حد زیادی کاهش نمی یابد. بنابراین
307
00:12:32,800 –> 00:12:33,680
فکر نمیکنم زیاد در مورد آن نگران باشیم
308
00:12:33,680 –> 00:12:35,279
309
00:12:35,279 –> 00:12:39,040
و سپس میخواهم
310
00:12:39,040 –> 00:12:41,680
بازده مورد انتظار را نشان دهم نوسانات
311
00:12:41,680 –> 00:12:44,000
و نسبت تیز، بنابراین فقط تایپ کنید
312
00:12:44,000 –> 00:12:48,240
ef dot portfolio
313
00:12:48,240 –> 00:12:52,880
زیر کارایی را نشان دهید و verbose را
314
00:12:52,880 –> 00:12:56,160
برابر با true تنظیم کنید، بنابراین اجازه دهید ادامه دهیم و
315
00:12:56,160 –> 00:12:57,600
اجرا کنیم. به
316
00:12:57,600 –> 00:13:00,240
نظر می رسد که من در اینجا چند مشکل دارم،
317
00:13:00,240 –> 00:13:01,040
بنابراین بیایید ببینیم
318
00:13:01,040 –> 00:13:05,279
ef dot clean
319
00:13:05,279 –> 00:13:06,959
اوه تمیز نشده است، فقط
320
00:13:06,959 –> 00:13:08,800
وزن زیر خط تمیز می شود، بنابراین بیایید ادامه دهیم
321
00:13:08,800 –> 00:13:10,000
و دوباره این را اجرا کنیم
322
00:13:10,000 –> 00:13:13,680
و اکنون خوب به نظر می رسد تا
323
00:13:13,680 –> 00:13:16,480
بتوانیم وزن های خود را اینجا
324
00:13:17,279 –> 00:13:21,279
درست ببینیم و همه آنها با هم
325
00:13:21,279 –> 00:13:25,040
باید به یک جمع
326
00:13:25,040 –> 00:13:27,040
شوند، بنابراین اجازه دهید تا اینجا
327
00:13:27,040 –> 00:13:28,720
328
00:13:28,720 –> 00:13:30,639
را تا آخر بروم تا ببینیم تعداد زیادی از آنها باید
329
00:13:30,639 –> 00:13:32,320
عبور کنند، بنابراین من از
330
00:13:32,320 –> 00:13:34,800
تک تک اوزان برای ه