در این مطلب، ویدئو شبیه سازی مونت کارلو پورتفولیوی سهام با پایتون 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: 00:18:23
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,160 –> 00:00:02,080
به یوتیوب به کانال نمونه کارها خوش آمدید
2
00:00:02,080 –> 00:00:03,360
3
00:00:03,360 –> 00:00:04,560
امروز ما در مورد
4
00:00:04,560 –> 00:00:06,879
شبیه سازی مونت کارلو صحبت خواهیم کرد، بنابراین همانطور که
5
00:00:06,879 –> 00:00:08,480
در صفحه سمت راست بالا می بینید این کاری است که
6
00:00:08,480 –> 00:00:09,840
ما امروز انجام خواهیم داد، ما
7
00:00:09,840 –> 00:00:10,719
8
00:00:10,719 –> 00:00:14,080
یک شبیه سازی خواهیم ساخت. از نمونه
9
00:00:14,080 –> 00:00:16,320
کارها به 100 روز می رسد و ما به
10
00:00:16,320 –> 00:00:17,600
مرور زمان آن را ردیابی
11
00:00:17,600 –> 00:00:18,880
می کنیم، بنابراین در پایتون پیاده سازی می کنیم
12
00:00:18,880 –> 00:00:22,240
، امیدوارم شما بچه ها واقعا لذت ببرید،
13
00:00:22,240 –> 00:00:24,720
بنابراین شبیه سازی مونت کارلو چیست و
14
00:00:24,720 –> 00:00:26,160
چرا می خواهید این کار را انجام دهید.
15
00:00:26,160 –> 00:00:28,000
روش به
16
00:00:28,000 –> 00:00:29,439
طور کلی به
17
00:00:29,439 –> 00:00:31,599
عنوان یک شبیهسازی محاسباتی توصیف میشود که
18
00:00:31,599 –> 00:00:33,840
بر نمونهگیری تصادفی مکرر برای به
19
00:00:33,840 –> 00:00:35,760
دست آوردن نتایج عددی متکی است،
20
00:00:35,760 –> 00:00:37,520
بنابراین کمی لقمهای است.
21
00:00:37,520 –> 00:00:39,440
22
00:00:39,440 –> 00:00:40,719
23
00:00:40,719 –> 00:00:43,680
24
00:00:43,680 –> 00:00:45,440
25
00:00:45,440 –> 00:00:46,960
26
00:00:46,960 –> 00:00:48,559
27
00:00:48,559 –> 00:00:50,320
بسته به مشکلی که در
28
00:00:50,320 –> 00:00:52,960
تلاش برای حل آن هستیم و متغیر تصادفی
29
00:00:52,960 –> 00:00:55,120
و توزیع آنها
30
00:00:55,120 –> 00:00:57,840
ممکن است یک راه حل قطعی وجود داشته باشد یا نباشد، یک نوع توزیع اساسی داشته باشید،
31
00:00:57,840 –> 00:01:00,320
بنابراین منظور من از این در w های دیگر چیست
32
00:01:00,320 –> 00:01:01,760
اگر قرار بود ورودی یکسانی
33
00:01:01,760 –> 00:01:04,559
را در الگوریتم قطعی
34
00:01:04,559 –> 00:01:06,320
خود قرار دهید، همیشه همان خروجی را دریافت میکنید،
35
00:01:06,320 –> 00:01:10,000
اما در عمل،
36
00:01:10,000 –> 00:01:12,000
زمانی که ما شروع به معرفی
37
00:01:12,000 –> 00:01:13,680
متغیرهای تصادفی پیچیدهتر به مدلهای خود
38
00:01:13,680 –> 00:01:16,479
با توزیعهای زیربنایی مختلف
39
00:01:16,479 –> 00:01:17,759
میکنیم، کار با توزیعهای چند متغیره غیرعادی به یک چالش تبدیل میشود.
40
00:01:17,759 –> 00:01:20,000
41
00:01:20,000 –> 00:01:21,280
42
00:01:21,280 –> 00:01:23,759
و کار کردن یک راهحل دقیق ریاضی،
43
00:01:23,759 –> 00:01:25,119
44
00:01:25,119 –> 00:01:28,240
بنابراین در عمل به
45
00:01:28,240 –> 00:01:31,520
روش شبیهسازی مونت کارلو
46
00:01:31,520 –> 00:01:33,840
با افزایش تعداد شبیهسازیها
47
00:01:33,840 –> 00:01:35,040
و
48
00:01:35,040 –> 00:01:36,880
بنابراین تعداد نمونههایی که از این
49
00:01:36,880 –> 00:01:39,040
توزیعهای زیربنایی میگیریم تکیه میکنیم، امیدواریم بتوانیم روی
50
00:01:39,040 –> 00:01:40,159
51
00:01:40,159 –> 00:01:43,759
یک راهحل دقیق همگرا شویم. امیدوارم
52
00:01:43,759 –> 00:01:46,320
از آن لذت ببرید، بیایید وارد کد شویم، بنابراین
53
00:01:46,320 –> 00:01:48,399
اولین کاری که
54
00:01:48,399 –> 00:01:50,000
میخواهیم انجام دهیم این است که وابستگیهایمان را وارد کنیم،
55
00:01:50,000 –> 00:01:51,040
56
00:01:51,040 –> 00:01:56,320
بنابراین اولین چیزی که اجازه دهید پانداها را وارد
57
00:01:57,600 –> 00:02:01,280
کنیم، بنابراین نیاز به وارد کردن numpy
58
00:02:03,520 –> 00:02:07,520
داریم که به آن نیاز داریم. matplotlib
59
00:02:07,520 –> 00:02:11,200
برای نمودار کردن مطالب نقطه pi نمودار
60
00:02:11,200 –> 00:02:14,080
به عنوان plt
61
00:02:14,800 –> 00:02:19,200
um ما می خواهیم زمان تاریخ را
62
00:02:20,480 –> 00:02:23,840
به عنوان dt وارد
63
00:02:24,879 –> 00:02:26,800
کنیم و چیز دیگری که به آن نیاز
64
00:02:26,800 –> 00:02:28,959
داریم mport یک داده خوان pandas است
65
00:02:28,959 –> 00:02:32,959
بسیار خوب، بنابراین از pandas
66
00:02:33,440 –> 00:02:37,200
data reader میخواهیم دادهها را به
67
00:02:37,200 –> 00:02:41,280
صورت pdr وارد
68
00:02:41,280 –> 00:02:43,519
کنیم، این ماژولی است که میتوانیم دادههای خاص یاهو را دریافت
69
00:02:43,519 –> 00:02:44,959
70
00:02:44,959 –> 00:02:47,040
71
00:02:47,040 –> 00:02:49,200
72
00:02:49,200 –> 00:02:52,879
73
00:02:52,879 –> 00:02:54,959
کنیم. تابعی به نام دریافت داده را تعریف می کنیم که
74
00:02:54,959 –> 00:02:56,160
75
00:02:56,160 –> 00:03:00,319
76
00:03:00,319 –> 00:03:03,519
تاریخ شروع و تاریخ پایان سهام خواهد بود،
77
00:03:03,519 –> 00:03:06,080
بنابراین آنچه باید برگردانیم یک
78
00:03:06,080 –> 00:03:08,000
ماتریس کوواریانس است و باید
79
00:03:08,000 –> 00:03:09,440
میانگین بازده
80
00:03:09,440 –> 00:03:11,040
سهام را برای هر سهامی که برای محدوده تاریخی خاصی در آنجا قرار می دهیم برگردانیم.
81
00:03:11,040 –> 00:03:12,560
82
00:03:12,560 –> 00:03:14,400
بنابراین اولین کاری که میخواهیم انجام دهیم این است که به دادههای سهام برویم،
83
00:03:14,400 –> 00:03:17,040
84
00:03:17,040 –> 00:03:21,360
نقطه pdr
85
00:03:21,360 –> 00:03:24,959
دادهها را دریافت کنیم و
86
00:03:24,959 –> 00:03:29,280
یاهو را انتخاب کنیم تا
87
00:03:29,280 –> 00:03:32,480
تاریخ شروع و تاریخ پایان سهام را در نظر
88
00:03:32,480 –> 00:03:35,519
89
00:03:35,760 –> 00:03:38,480
بگیریم، بنابراین چیز بعدی که میخواهیم
90
00:03:38,480 –> 00:03:39,040
تعریف کنیم
91
00:03:39,040 –> 00:03:42,080
این است که ما ما یک قاب داده را دریافت می کنیم و
92
00:03:42,080 –> 00:03:43,840
دارای یک دسته کامل اطلاعات است.
93
00:03:43,840 –> 00:03:46,560
94
00:03:46,560 –> 00:03:48,000
95
00:03:48,000 –> 00:03:49,840
96
00:03:49,840 –> 00:03:51,920
97
00:03:51,920 –> 00:03:53,439
98
00:03:53,439 –> 00:03:55,840
99
00:03:56,239 –> 00:03:59,599
100
00:03:59,599 –> 00:04:01,599
داده های موجودی را دریافت کرده
101
00:04:01,599 –> 00:04:04,239
و از t استفاده می کنیم او
102
00:04:04,239 –> 00:04:05,120
103
00:04:05,120 –> 00:04:08,480
برای بدست آوردن تغییرات روزانه تابع پانداها را تعبیه کرد،
104
00:04:08,480 –> 00:04:12,319
ما از این تابع بازده
105
00:04:12,319 –> 00:04:14,159
برای محاسبه میانگین بازده و
106
00:04:14,159 –> 00:04:16,478
ماتریس کوواریانس استفاده می کنیم،
107
00:04:16,478 –> 00:04:20,959
بنابراین میانگین و
108
00:04:20,959 –> 00:04:24,320
میانگین توقف بازگشت
109
00:04:25,440 –> 00:04:30,639
و ماتریس کوواریانس را
110
00:04:30,639 –> 00:04:35,040
که همان نقطه بازگشتی است می
111
00:04:35,040 –> 00:04:38,479
رویم. بیایید بازده میانگین
112
00:04:38,479 –> 00:04:42,720
و ماتریس کوواریانس را
113
00:04:42,720 –> 00:04:45,759
عالی برگردانیم، بنابراین بیایید سهام خود را تعریف کنیم تا
114
00:04:45,759 –> 00:04:48,480
فهرست سهام
115
00:04:48,480 –> 00:04:49,600
[موسیقی]
116
00:04:49,600 –> 00:04:53,199
ما فقط میتوانیم یک دسته کامل از قیمتهای سهام تصادفی asx را وارد
117
00:04:53,199 –> 00:04:57,759
کنیم که میدانیم
118
00:04:57,759 –> 00:05:01,520
telstra nab
119
00:05:01,520 –> 00:05:04,639
um westpac
120
00:05:05,759 –> 00:05:08,960
west park و بیایید به سنتوس
121
00:05:08,960 –> 00:05:12,560
برویم، زیرا میدانم قالب
122
00:05:12,560 –> 00:05:13,520
123
00:05:13,520 –> 00:05:15,680
لیست داده یاهو ما از درک لیست
124
00:05:15,680 –> 00:05:16,639
125
00:05:16,639 –> 00:05:20,560
برای اضافه کردن سهام برای
126
00:05:20,560 –> 00:05:24,720
سهام در لیست سهام استفاده می کنیم، ما می خواهیم
127
00:05:24,720 –> 00:05:29,280
تبر نقطه رشته را اضافه کنیم زیرا یاهو
128
00:05:29,280 –> 00:05:30,960
در پایان همه سهام استرالیا به تبر نقطه نیاز دارد
129
00:05:30,960 –> 00:05:33,440
. با کشیدن آن در آن
130
00:05:33,440 –> 00:05:36,960
قاب داده، بنابراین ما همچنین باید
131
00:05:36,960 –> 00:05:40,880
تاریخ شروعی را پیدا کنیم که خوب خواهد بود،
132
00:05:40,880 –> 00:05:44,160
اجازه دهید ابتدا تاریخ پایان را تعریف کنیم
133
00:05:44,160 –> 00:05:46,720
که قرار است dt dot تاریخ زمان
134
00:05:46,720 –> 00:05:49,039
135
00:05:49,840 –> 00:05:54,400
باشد و سپس
136
00:05:54,400 –> 00:05:58,080
تاریخ شروع یک تغییر باشد. از جانب
137
00:05:58,080 –> 00:06:01,120
تاریخ پایان، بنابراین dt dot
138
00:06:01,120 –> 00:06:04,720
time delta و بیایید آن روز را
139
00:06:04,720 –> 00:06:07,360
300 بنامیم و آن محدوده زمانی را که در
140
00:06:07,360 –> 00:06:10,080
آنجا مشخص می
141
00:06:10,080 –> 00:06:11,840
کنیم برای نحوه محاسبه آن
142
00:06:11,840 –> 00:06:13,919
ماتریس کوواریانس بسیار مهم است زیرا این ماتریس کوواریانس
143
00:06:13,919 –> 00:06:14,560
است
144
00:06:14,560 –> 00:06:17,120
و دنیا را در
145
00:06:17,120 –> 00:06:19,039
زمانی که ما این شبیهسازی مونت کارلو را در نظر میگیریم،
146
00:06:19,039 –> 00:06:20,560
147
00:06:20,560 –> 00:06:22,479
بنابراین پارامترهای به دست آمده در آنجا بسیار
148
00:06:22,479 –> 00:06:23,840
مهم هستند، بیایید
149
00:06:23,840 –> 00:06:27,520
این تابع را آزمایش کنیم، بنابراین
150
00:06:27,520 –> 00:06:31,199
ماتریس کوواریانس بازده میانگین برابر است
151
00:06:31,199 –> 00:06:34,560
152
00:06:34,560 –> 00:06:38,960
تاریخ پایان تاریخ شروع سهام دادهها
153
00:06:39,919 –> 00:06:43,600
درست است، بنابراین بیایید بازده میانگین را چاپ
154
00:06:43,600 –> 00:06:49,840
کنیم و ببینیم آیا این کار میکند،
155
00:06:50,400 –> 00:06:53,680
بنابراین پایتون را
156
00:06:55,120 –> 00:06:58,639
فعال کنید.
157
00:06:59,280 –> 00:07:04,319
python um mc
158
00:07:04,700 –> 00:07:07,779
[Music]
159
00:07:08,160 –> 00:07:09,599
بسیار عالی است و می بینید که ما
160
00:07:09,599 –> 00:07:12,319
161
00:07:12,319 –> 00:07:15,199
میانگین بازدهی خود را به آنجا برگردانده ایم، بنابراین اکنون که داده هایمان را
162
00:07:15,199 –> 00:07:16,639
داریم،
163
00:07:16,639 –> 00:07:20,000
بیایید وزن ها را برای نمونه کارها تعریف کنیم،
164
00:07:20,000 –> 00:07:22,639
بنابراین وزن ها را برای نمونه کارها، بیایید
165
00:07:22,639 –> 00:07:25,680
آنها را به صورت تصادفی
166
00:07:26,479 –> 00:07:29,520
نقطه ای تصادفی تعریف کنیم
167
00:07:29,520 –> 00:07:32,800
و طول آن است. ستون بازده میانگین در
168
00:07:32,800 –> 00:07:34,160
169
00:07:34,160 –> 00:07:38,160
آنجا خواهد بود، فکر میکنم من فقط میتوانم این کار را انجام دهم،
170
00:07:38,160 –> 00:07:39,599
171
00:07:39,599 –> 00:07:41,919
بنابراین تصادفی عددی
172
00:07:41,919 –> 00:07:42,800
بین
173
00:07:42,800 –> 00:07:46,240
0 و یک به دست میآید، من معتقدم
174
00:07:46,240 –> 00:07:49,360
صفر و یک است، بنابراین اجازه دهید ما باید همه
175
00:07:49,360 –> 00:07:51,599
آنها به یک اندازه جمع شوند،
176
00:07:51,599 –> 00:07:57,360
بنابراین mp.sum،
177
00:07:57,360 –> 00:07:59,520
بنابراین ما فقط باید با
178
00:07:59,520 –> 00:08:01,120
مجموع همه آن وزنها نرمالسازی
179
00:08:01,120 –> 00:08:04,960
کنیم تا ماتریس وزنها برابر با یک باشد،
180
00:08:04,960 –> 00:08:07,520
بنابراین بیایید وزنها را چاپ کنیم تا ببینیم
181
00:08:07,520 –> 00:08:12,879
کار درستی انجام میدهیم.
182
00:08:12,879 –> 00:08:14,639
پس زمانی که به این نتیجه رسیدیم اکنون می
183
00:08:14,639 –> 00:08:16,879
توانیم به روش شبیه سازی مونت کارلو خود برویم
184
00:08:16,879 –> 00:08:17,759
185
00:08:17,759 –> 00:08:20,080
که برای من خوب به نظر می رسد، بنابراین توجه داشته باشید که اندازه
186
00:08:20,080 –> 00:08:20,960
آن با
187
00:08:20,960 –> 00:08:24,840
هر تعداد سهام ما به عنوان یک آرایه یک است،
188
00:08:24,840 –> 00:08:26,240
189
00:08:26,240 –> 00:08:27,919
بیایید به مونت
190
00:08:27,919 –> 00:08:30,319
شبیه سازی مونت کارلو بپریم. روش کارلو،
191
00:08:30,319 –> 00:08:32,080
بنابراین اولین چیزی که قرار است
192
00:08:32,080 –> 00:08:33,360
تعریف کنیم
193
00:08:33,360 –> 00:08:36,799
تعداد شبیهسازیها است، بنابراین
194
00:08:36,799 –> 00:08:41,279
mc sims بیایید در ابتدا آن 100 را صدا
195
00:08:41,279 –> 00:08:43,039
کنیم و همچنین محدوده زمانی را تعریف
196
00:08:43,039 –> 00:08:45,680
میکنیم که 100
197
00:08:45,680 –> 00:08:49,040
روز فریم زمانی در چند روز است.
198
00:08:49,040 –> 00:08:52,480
اکنون باید قبل از اینکه وارد حلقه بزرگ خود شویم،
199
00:08:52,480 –> 00:08:54,240
200
00:08:54,240 –> 00:08:57,920
جایی که میخواهیم بگوییم 4 متر در
201
00:08:57,920 –> 00:09:02,399
محدوده 0 تا mc sims،
202
00:09:02,399 –> 00:09:04,560
میدانید که ما قرار است
203
00:09:04,560 –> 00:09:05,760
کارهایی
204
00:09:05,760 –> 00:09:09,040
را انجام دهیم تا شبیهسازی مونت کارلو
205
00:09:09,040 –> 00:09:10,720
206
00:09:10,720 –> 00:09:14,560
ما حلقههای mc را که نیاز داریم انجام دهیم. برای تعریف چند
207
00:09:14,560 –> 00:09:15,920
آرایه خالی که می خواهیم
208
00:09:15,920 –> 00:09:17,600
اطلاعات را ذخیره و بازیابی کنیم اطلاعات بدست آمده
209
00:09:17,600 –> 00:09:18,000
210
00:09:18,000 –> 00:09:20,160
از یکی از این آرایه ها به صورت
211
00:09:20,160 –> 00:09:22,160
میانگین برمی گردند um
212
00:09:22,160 –> 00:09:25,519
در قالب تعداد روز، بنابراین
213
00:09:25,519 –> 00:09:27,519
ما این ماتریس
214
00:09:27,519 –> 00:09:29,040
میانگین m را
215
00:09:29,040 –> 00:09:31,600
می نامیم و ما از np full استفاده می کنیم
216
00:09:31,600 –> 00:09:32,399
اکنون
217
00:09:32,399 –> 00:09:36,320
mp4 طول می کشد شکل
218
00:09:36,640 –> 00:0