در این مطلب، ویدئو تست کارایی بازار در پایتون: آزمون نسبت واریانس 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: 00:20:43
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,160 –> 00:00:03,120
سلام به همه و دوباره به
2
00:00:03,120 –> 00:00:05,440
بهترین پلتفرم برای
3
00:00:05,440 –> 00:00:07,600
آموزش از راه دور در اقتصاد مالی کسب و کار
4
00:00:07,600 –> 00:00:09,599
و خیلی چیزهای دیگر خوش آمدید، لطفا
5
00:00:09,599 –> 00:00:10,719
فراموش نکنید که در کانال ما مشترک شوید
6
00:00:10,719 –> 00:00:12,000
و روی دکمه اعلان زنگ
7
00:00:12,000 –> 00:00:13,519
زیر کلیک کنید تا هرگز ویدیوها و آموزش های جدید را از دست ندهید.
8
00:00:13,519 –> 00:00:14,719
9
00:00:14,719 –> 00:00:16,400
از حامیان فعلی ما
10
00:00:16,400 –> 00:00:18,080
و اعضای یوتیوب
11
00:00:18,080 –> 00:00:19,840
برای امکان پذیر ساختن این ویدیو بسیار متشکریم و
12
00:00:19,840 –> 00:00:21,279
همچنین
13
00:00:21,279 –> 00:00:22,720
از ما بسیار سپاسگزاریم، بنابراین
14
00:00:22,720 –> 00:00:24,000
لطفاً پیوند در توضیحات را بررسی کنید تا
15
00:00:24,000 –> 00:00:26,800
برای جزئیات بیشتر روی دکمه عضویت در زیر کلیک کنید
16
00:00:26,800 –> 00:00:28,560
نام من sava است. و امروز ما
17
00:00:28,560 –> 00:00:30,640
به بررسی
18
00:00:30,640 –> 00:00:32,479
پیادهسازیهای تست کارایی مشخص شده در
19
00:00:32,479 –> 00:00:36,239
پایتون ادامه میدهیم و امروز قهرمان اصلی ما
20
00:00:36,239 –> 00:00:38,160
تست نسبت واریانس
21
00:00:38,160 –> 00:00:40,480
یکی از آزمایشهای متداول
22
00:00:40,480 –> 00:00:42,559
برای کارایی بازار است که میتواند کاملاً
23
00:00:42,559 –> 00:00:45,360
انعطافپذیر تعیین کند که آیا
24
00:00:45,360 –> 00:00:48,160
سری قیمت سهامی که شما بررسی میکنید در حال بازگرداندن دقیقه است یا خیر.
25
00:00:48,160 –> 00:00:51,360
پرطرفدار یا در واقع کارآمد
26
00:00:51,360 –> 00:00:52,960
و ما به نحوه اجرای انعطاف پذیر
27
00:00:52,960 –> 00:00:55,840
آن در دیف نگاه خواهیم کرد مقیاسهای زمانی متفاوت
28
00:00:55,840 –> 00:00:58,399
و نحوه اعمال تصحیح تست چندگانه chao denning،
29
00:00:58,399 –> 00:01:00,320
30
00:01:00,320 –> 00:01:02,480
بنابراین ابتدا اجازه دهید بستههایی را که
31
00:01:02,480 –> 00:01:03,920
برای کد امروزی خود نیاز داریم بحث کنیم و
32
00:01:03,920 –> 00:01:05,519
آن را از ابتدا در کنار آن بسازیم،
33
00:01:05,519 –> 00:01:06,720
34
00:01:06,720 –> 00:01:09,920
بنابراین ابتدا باید numpy را بهعنوان np وارد کنیم
35
00:01:09,920 –> 00:01:12,720
تا با باندرهای آرایه کار کنیم. با
36
00:01:12,720 –> 00:01:14,720
فریم های داده
37
00:01:14,720 –> 00:01:16,960
چرا بسته مالی یاهو را
38
00:01:16,960 –> 00:01:19,920
برای بارگیری داده ها تامین مالی کنید،
39
00:01:19,920 –> 00:01:22,720
سپس ما به آمار علمی
40
00:01:22,720 –> 00:01:24,799
برای آزمایش فرضیه
41
00:01:24,799 –> 00:01:26,479
و matplotlib
42
00:01:26,479 –> 00:01:27,920
بر اساس نمودار
43
00:01:27,920 –> 00:01:30,240
برای برخی تجسم ها نیز نیاز داریم،
44
00:01:30,240 –> 00:01:34,320
اکنون اجازه دهید نمونه و سری زمانی مورد علاقه خود را مشخص کنیم،
45
00:01:34,320 –> 00:01:36,960
بنابراین ابتدا اجازه دهید
46
00:01:36,960 –> 00:01:41,200
با s p 500 تیک تیک jspc شروع کنیم. از
47
00:01:41,200 –> 00:01:43,200
yahoo finance و اجازه دهید تاریخ
48
00:01:43,200 –> 00:01:45,600
شروع و پایان خود را مشخص کنیم و اجازه دهید برای یک
49
00:01:45,600 –> 00:01:48,560
دوره 10 ساله از پایان سال 2011
50
00:01:48,560 –> 00:01:51,360
تا سال و 2021 پیش
51
00:01:51,360 –> 00:01:53,520
برویم و سپس می
52
00:01:53,520 –> 00:01:55,680
توانیم داده های خود را با استفاده از
53
00:01:55,680 –> 00:01:58,399
تابع دانلود یاهو فاینانس دریافت کنیم
54
00:01:58,399 –> 00:02:00,560
که علامت شروع را مشخص می کند و در
55
00:02:00,560 –> 00:02:01,360
پایان
56
00:02:01,360 –> 00:02:04,479
و از آنجایی که ما فقط به قیمت های تعدیل شده بسته شدن نیاز داریم که
57
00:02:04,479 –> 00:02:06,159
برای
58
00:02:06,159 –> 00:02:08,479
سود سهام تعدیل شده باشد، بنابراین شاخص بازده کل
59
00:02:08,479 –> 00:02:11,440
می توانیم نزدیک
60
00:02:11,440 –> 00:02:14,160
به عدم نگرانی تعدیل شده را مشخص کنیم. y در مورد um
61
00:02:14,160 –> 00:02:16,640
شمع های دیگر
62
00:02:16,879 –> 00:02:19,599
و اکنون می توانیم بررسی کنیم که دانلود داده های ما
63
00:02:19,599 –> 00:02:22,319
درست بوده است، در واقع از
64
00:02:22,319 –> 00:02:23,840
65
00:02:23,840 –> 00:02:26,480
ابتدای سال 2012 با مقدار s p
66
00:02:26,480 –> 00:02:29,599
500 حدود 1200 شروع می کنیم و
67
00:02:29,599 –> 00:02:32,560
در پایان سال 2021 به پایان
68
00:02:32,560 –> 00:02:35,200
می رسیم و اکنون می توانیم سری بازگشتی خود را مشخص کنیم.
69
00:02:35,200 –> 00:02:38,080
که می توان
70
00:02:38,080 –> 00:02:41,120
با استفاده از تابع تغییر درصدی
71
00:02:41,120 –> 00:02:43,599
از um
72
00:02:43,599 –> 00:02:44,959
pandas کاملاً کارآمد محاسبه کرد
73
00:02:44,959 –> 00:02:47,360
و سپس همانطور که مشاهده اول به
74
00:02:47,360 –> 00:02:48,800
طور پیش فرض یک a خواهد بود
75
00:02:48,800 –> 00:02:51,519
ما فقط می توانیم از
76
00:02:51,519 –> 00:02:53,360
مشاهده دوم شروع
77
00:02:53,360 –> 00:02:55,519
کنیم و
78
00:02:55,519 –> 00:02:58,159
اگر کمی دقیق تر نگاه کنیم
79
00:02:58,159 –> 00:03:01,360
بازده محاسبه شده روز به روز به درستی
80
00:03:01,360 –> 00:03:04,080
حذف می شود. اولین روزی که
81
00:03:04,080 –> 00:03:06,000
تاریخ بازگشت در دسترس نیست و
82
00:03:06,000 –> 00:03:09,840
ما بیش از 2500 مشاهده داشته ایم،
83
00:03:09,840 –> 00:03:13,519
بیایید طولانی ترین پنجره ای
84
00:03:13,519 –> 00:03:15,519
را که به محاسبه
85
00:03:15,519 –> 00:03:18,080
نسبت واریانس آماره 4 علاقه مندیم
86
00:03:18,080 –> 00:03:20,560
مشخص کنیم و آن را حداکثر t نشان دهیم
87
00:03:20,560 –> 00:03:22,000
و
88
00:03:22,000 –> 00:03:23,599
خوب همه چیز به زمان بستگی دارد.
89
00:03:23,599 –> 00:03:25,920
افقی که به آن علاقه دارید،
90
00:03:25,920 –> 00:03:29,200
اما در ادبیات معمولاً
91
00:03:29,200 –> 00:03:32,879
معمول است که حداکثر t خود را روی 64 محدود کنید.
92
00:03:32,879 –> 00:03:34,720
معمولاً ما
93
00:03:34,720 –> 00:03:37,599
به دلایلی مانند آن به توان های دو علاقه مند هستیم. به ما این امکان را می دهد
94
00:03:37,599 –> 00:03:38,879
که
95
00:03:38,879 –> 00:03:40,000
96
00:03:40,000 –> 00:03:43,599
افق های زمانی متعددی را در
97
00:03:43,599 –> 00:03:45,840
تعداد بسیار محدودی از آزمون ها پوشش دهیم، اما در اینجا به ترتیب
98
00:03:45,840 –> 00:03:47,280
از
99
00:03:47,280 –> 00:03:50,159
t برابر با 2 به t برابر با 64 حرکت می
100
00:03:50,159 –> 00:03:52,319
کنیم و
101
00:03:52,319 –> 00:03:54,799
آمار نسبت واریانس را برای هر یک از
102
00:03:54,799 –> 00:03:55,680
103
00:03:55,680 –> 00:03:58,239
پارامترهای max یا t محاسبه می کنیم
104
00:03:58,239 –> 00:04:00,400
و به دینامیک
105
00:04:00,400 –> 00:04:03,519
نسبت واریانس در طول زمان برای تعیین زمانی که هر یک
106
00:04:03,519 –> 00:04:06,000
از رفتارهای رونده یا میانگین برگرداننده
107
00:04:06,000 –> 00:04:09,040
uh در کدام فرکانس
108
00:04:09,040 –> 00:04:09,920
109
00:04:09,920 –> 00:04:12,640
قابل مشاهدهتر است، برجستهترین است
110
00:04:12,640 –> 00:04:16,160
و اکنون میتوانیم
111
00:04:16,160 –> 00:04:19,279
واریانس uh not واریانس
112
00:04:19,279 –> 00:04:21,839
بازده روزانه را محاسبه کنیم که بازده تجمعی ما را مقایسه میکند.
113
00:04:21,839 –> 00:04:23,840
واریانس به برای
114
00:04:23,840 –> 00:04:26,720
نسبت های واریانس و در اینجا دوباره
115
00:04:26,720 –> 00:04:28,960
توابع داخلی پانداها بسیار مفید هستند زیرا
116
00:04:28,960 –> 00:04:32,639
می توانیم به سادگی تابع var uh
117
00:04:32,639 –> 00:04:34,160
را به سری های برگشتی اعمال کنیم
118
00:04:34,160 –> 00:04:36,400
تا واریانس
119
00:04:36,400 –> 00:04:39,600
بازده روزانه را در یک حرکت محاسبه کنیم
120
00:04:39,600 –> 00:04:41,520
و سپس به
121
00:04:41,520 –> 00:04:42,720
سادگی
122
00:04:42,720 –> 00:04:45,360
یک قاب داده خالی را مقداردهی اولیه کنیم. که
123
00:04:45,360 –> 00:04:48,880
ما آن را خروجی نسبت واریانس می نامیم
124
00:04:48,880 –> 00:04:50,560
و نشان می دهیم که یک
125
00:04:50,560 –> 00:04:52,240
قاب داده خالی است
126
00:04:52,240 –> 00:04:53,440
که
127
00:04:53,440 –> 00:04:56,720
نتایج آزمایش ما را برای
128
00:04:56,720 –> 00:04:59,040
هر یک از o جمع آوری می کند.
129
00:04:59,040 –> 00:05:01,199
فرکانسهای زمانی مورد علاقه ما و سپس
130
00:05:01,199 –> 00:05:04,240
ما در حلقه برای t در محدوده numpy حرکت میکنیم
131
00:05:04,240 –> 00:05:05,199
132
00:05:05,199 –> 00:05:08,240
و بدیهی است که ما علاقهمندیم
133
00:05:08,240 –> 00:05:10,639
زمانی که از دو روز شروع شود، زیرا این
134
00:05:10,639 –> 00:05:11,360
135
00:05:11,360 –> 00:05:13,360
کمترین
136
00:05:13,360 –> 00:05:14,720
زمانی است که میتوانید بازده تجمعی را محاسبه کنید
137
00:05:14,720 –> 00:05:16,240
4
138
00:05:16,240 –> 00:05:19,600
و در حداکثر t به پایان میرسد. به علاوه یک به طوری که
139
00:05:19,600 –> 00:05:23,280
ما 64 uh را به طور کلی می گیریم
140
00:05:23,280 –> 00:05:25,680
و برای هر یک از
141
00:05:25,680 –> 00:05:26,800
این
142
00:05:26,800 –> 00:05:28,240
143
00:05:28,240 –> 00:05:30,400
پنجره های زمانی خاص باید
144
00:05:30,400 –> 00:05:33,440
بازده انباشته را محاسبه کنیم
145
00:05:33,440 –> 00:05:36,880
که مجموع متحرک
146
00:05:36,880 –> 00:05:39,680
تست نسبت واریانس بازدهی ما خواهد بود،
147
00:05:39,680 –> 00:05:41,520
بیشتر با بازده تجمعی به
148
00:05:41,520 –> 00:05:43,680
جای خرید کار می کند. بازده را نگه دارید،
149
00:05:43,680 –> 00:05:46,880
اگرچه نتایج واقعاً
150
00:05:46,880 –> 00:05:49,120
بدون توجه به آنچه شما اعمال می کنید تفاوت زیادی نخواهد داشت، اما ما به
151
00:05:49,120 –> 00:05:51,039
روش مرسوم
152
00:05:51,039 –> 00:05:53,520
تخمین زدن آن با استفاده از بازده تجمعی ادامه می دهیم،
153
00:05:53,520 –> 00:05:58,080
بنابراین مجموع بازده های چرخشی و در اینجا
154
00:05:58,080 –> 00:06:01,280
تابع نورد uh برای پانداها
155
00:06:01,280 –> 00:06:02,639
بسیار مفید است،
156
00:06:02,639 –> 00:06:05,039
بنابراین ما واریانس ما را محاسبه کنید
157
00:06:05,039 –> 00:06:06,960
که
158
00:06:06,960 –> 00:06:09,199
فقط واریانس برای بازده تجمعی
159
00:06:09,199 –> 00:06:11,120
در طول t روز
160
00:06:11,120 –> 00:06:13,680
است که بازده
161
00:06:13,680 –> 00:06:15,199
نورد t خواهد بود
162
00:06:15,199 –> 00:06:17,600
که طول
163
00:06:17,600 –> 00:06:19,520
پنجره چرخشی را مشخص می کند. میخواهیم
164
00:06:19,520 –> 00:06:21,440
چیزی را برای آن محاسبه کنیم،
165
00:06:21,440 –> 00:06:22,800
سپس مشخص میکنیم که میخواهیم
166
00:06:22,800 –> 00:06:24,240
167
00:06:24,240 –> 00:06:26,880
مجموع این پنجره غلتان را محاسبه کنیم
168
00:06:26,880 –> 00:06:28,800
و سپس مشخص میکنیم که میخواهیم
169
00:06:28,800 –> 00:06:30,960
واریانس این
170
00:06:30,960 –> 00:06:32,400
171
00:06:32,400 –> 00:06:35,840
پنجره نورد خاص را محاسبه کنیم و از آنجایی که پانداها um
172
00:06:35,840 –> 00:06:39,039
حساسیت خاصی به n یک عبارت ندارد، این
173
00:06:39,039 –> 00:06:40,880
به درستی انجام میشود. واریانسی را
174
00:06:40,880 –> 00:06:42,720
که به آن اهمیت میدهیم محاسبه کنیم،
175
00:06:42,720 –> 00:06:46,080
بنابراین واریانسی است که
176
00:06:46,080 –> 00:06:49,120
برای نسبت واریانس ما روی صورتگر میرود و به این
177
00:06:49,120 –> 00:06:50,720
معنی است که ما واقعاً میتوانیم آمار
178
00:06:50,720 –> 00:06:52,319
آزمون نسبت واریانس را محاسبه
179
00:06:52,319 –> 00:06:53,680
180
00:06:53,680 –> 00:06:55,759
کنیم و نسبت واریانس،
181
00:06:55,759 –> 00:06:59,280
واریانس ما در صورتگر تقسیم بر
182
00:06:59,280 –> 00:07:00,560
t بار
183
00:07:00,560 –> 00:07:03,039
واریانس در مخرج منهای
184
00:07:03,039 –> 00:07:06,880
یک نیست و اینجا مکان خوبی برای
185
00:07:06,880 –> 00:07:09,199
بحث در مورد مفهوم
186
00:07:09,199 –> 00:07:10,960
آماره آزمون نسبت
187
00:07:10,960 –> 00:07:14,720
واریانس است، به طور کلی اگر
188
00:07:14,720 –> 00:07:16,639
فرضیه پیاده روی تصادفی را فرضیه استقلال
189
00:07:16,639 –> 00:07:18,400
فرض
190
00:07:18,400 –> 00:07:19,840
کنیم، می توانیم
191
00:07:19,840 –> 00:07:21,919
کاملا منطقی فرض کنیم که واریانس واریانس را به
192
00:07:21,919 –> 00:07:24,080
صورت خطی مقیاس می کند.
193
00:07:24,080 –> 00:07:26,880
بازده t روز
194
00:07:26,880 –> 00:07:29,440
باید t برابر واریانس بازده روزانه باشد
195
00:07:29,440 –> 00:07:32,000
، به همین دلیل است که وقتی می خواهیم
196
00:07:32,000 –> 00:07:34,080
سالیانه باشد واریانس ze ما متغیرهای روزانه را در 252 ضرب می کنیم
197
00:07:34,080 –> 00:07:37,759
زیرا
198
00:07:37,759 –> 00:07:40,160
در یک سال 252 روز معاملاتی وجود دارد، ما به طور ضمنی کارایی
199
00:07:40,160 –> 00:07:43,199
بازار رفتار پیاده روی تصادفی
200
00:07:43,199 –> 00:07:44,960
را مستقل از
201
00:07:44,960 –> 00:07:48,479
بازده روزانه فرض کرده ایم، اما اگر
202
00:07:48,479 –> 00:07:51,199
آنچه را واقعاً از نظر
203
00:07:51,199 –> 00:07:52,720
نسبت بین
204
00:07:52,720 –> 00:07:56,000
t روز مقایسه کنیم. واریانس و واریانس روزانه میتوانیم به
205
00:07:56,000 –> 00:07:58,080
صراحت فرضیه پیادهروی تصادفی را آزمایش
206
00:07:58,080 –> 00:08:00,160
کنیم که ما را به سالیانه کردن
207
00:08:00,160 –> 00:08:01,599
واریانس به این روش سوق داد
208
00:08:01,599 –> 00:08:04,400
و اگر این نسبت واریانس
209
00:08:04,400 –> 00:08:06,479
این عبارت خاص بسیار نزدیک
210
00:08:06,479 –> 00:08:09,360
به یک باشد، سری زمانی ما بسیار
211
00:08:09,360 –> 00:08:12,479
نزدیک به یک پیادهروی تصادفی به یک
212
00:08:12,479 –> 00:08:15,280
فرآیند مستقل عمل میکند و اگر از یک ام بسیار منحرف می شود
213
00:08:15,280 –> 00:08:18,879
یا در جهت مثبت
214
00:08:18,879 –> 00:08:21,120
در جهت منفی می توانیم به طور
215
00:08:21,120 –> 00:08:22,960
منطقی مشکوک باشیم که
216
00:08:22,960 –> 00:08:25,360
فرضیه پیاده روی تصادفی نقض شده است و به
217
00:08:25,360 –> 00:08:27,919
همین دلیل است که یک عدد را در اینجا کم می کنیم تا
218
00:08:27,919 –> 00:08:30,319
انحراف از فرضیه صفر
219
00:08:30,319 –> 00:08:33,279
کارایی استقلال
220
00:08:33,279 –> 00:08:37,039
محاسبه شود و محاسبه شود. خطای استاندارد
221
00:08:37,039 –> 00:08:40,799
چنین انحرافی چاه ما می توانیم به
222
00:08:40,799 –> 00:08:44,000
فرمول استاندارد ارائه شده توسط
223
00:08:44,000 –> 00:08:45,600
درخشش در مکینلی
224
00:08:45,600 –> 00:08:46,560
wh نگاه کنیم.
225
00:08:46,560 –> 00:08:50,160
ich مربوط به افق زمانی t است که
226
00:08:50,160 –> 00:08:52,000
ما به آن اهمیت می دهیم،
227
00:08:52,000 –> 00:08:53,600
بنابراین برای خطای استاندارد در
228
00:08:53,600 –> 00:08:54,480
عدد
229
00:08:54,480 –> 00:08:57,760
2 برابر 2 برابر t منهای 1
230
00:08:57,760 –> 00:08:59,760
برابر t منهای 1
231
00:08:59,760 –> 00:09:01,760
و سپس در
232
00:09:01,760 –> 00:09:04,640
مخرج 3 برابر t ضربدر n
233
00:09:04,640 –> 00:09:07,279
و n خواهیم داشت. را می توان به طور کاملا منطقی
234
00:09:07,279 –> 00:09:10,160
به عنوان طول تنظیم مجدد
235
00:09:10,160 –> 00:09:12,080
236
00:09:12,080 –> 00:09:13,839
محاسبه کرد و سپس همانطور که واریانس را با استفاده از این
237
00:09:13,839 –> 00:09:16,080
روش خاص محاسبه کرده ایم، سپس می
238
00:09:16,080 –> 00:09:17,519
توانیم خطای استاندارد را کاملاً
239
00:09:17,519 –> 00:09:19,920
ساده با گرفتن جذر و افزایش
240
00:09:19,920 –> 00:09:23,920
آن به توان نصف محاسبه کنیم و این به
241
00:09:23,920 –> 00:09:26,000
طور کاملاً شهودی منجر می شود. برای محاسبه
242
00:09:26,000 –> 00:09:28,399
آمار zad که نسبت واریانس
243
00:09:28,399 –> 00:09:31,040
تقسیم بر خطای استاندارد است
244
00:09:31,040 –> 00:09:32,000
و
245
00:09:32,000 –> 00:09:35,040
با استفاده از بسته سایت توسط stats میتوانیم
246
00:09:35,040 –> 00:09:37,120
آزمایش فرضیه را انجام دهیم
247
00:09:37,120 –> 00:09:40,080
بنابراین مقدار p دو برابر خواهد بود
248
00:09:40,080 –> 00:09:43,440
زیرا آزمون ما دو دنباله است و
249
00:09:43,440 –> 00:09:47,200
لزوماً یک است. تابع
250
00:09:47,200 –> 00:09:48,560
توزیع تجمعی
251
00:09:48,560 –> 00:09:50,720
252
00:09:50,720 –> 00:09:52,880
253
00:09:52,880 –> 00:09:56,399
cdf minus
254
00:09:56,399 –> 00:09:58,480
255
00:09:58,480 –> 00:09:59,920
256
00:09:59,920 –> 00:10:02,000
sps t به عنوان
257
00:10:02,000 –> 00:10:05,519
خروجی نسبت واریانس زیر
258
00:10:05,519 –> 00:10:06,5