در این مطلب، ویدئو آموزش Python Quants 9 – تجزیه و تحلیل مشتق | توسعه دهندگان Refinitiv 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: 00:11:17
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:02,720 –> 00:00:03,360
سلام
2
00:00:03,360 –> 00:00:06,319
و خوش آمدید به این آموزش icon data api
3
00:00:06,319 –> 00:00:07,279
4
00:00:07,279 –> 00:00:09,599
نام من eve است من بنیانگذار و
5
00:00:09,599 –> 00:00:10,320
شریک
6
00:00:10,320 –> 00:00:13,759
مدیریت پایتون کوانت هستم.
7
00:00:13,759 –> 00:00:15,679
8
00:00:15,679 –> 00:00:17,359
9
00:00:17,359 –> 00:00:19,199
10
00:00:19,199 –> 00:00:21,039
11
00:00:21,039 –> 00:00:24,480
12
00:00:24,480 –> 00:00:26,400
اشیاء دستور کار به شرح زیر است، ابتدا
13
00:00:26,400 –> 00:00:28,000
داده های گزینه ها را برای سررسید واحد
14
00:00:28,000 –> 00:00:28,960
15
00:00:28,960 –> 00:00:31,359
بازیابی می کنیم سپس داده های گزینه ها را برای سررسیدهای متعدد به طور همزمان بازیابی می
16
00:00:31,359 –> 00:00:33,520
17
00:00:33,520 –> 00:00:36,320
کنیم، زیر مجموعه هایی از داده های گزینه ها را انتخاب می
18
00:00:36,320 –> 00:00:37,760
کنیم و کمی
19
00:00:37,760 –> 00:00:39,920
با این زیر مجموعه ها کار می کنیم، به عنوان مثال
20
00:00:39,920 –> 00:00:41,200
21
00:00:41,200 –> 00:00:44,239
، زیر مجموعه ها را با کمی تجسم انجام می دهیم. با توجه به
22
00:00:44,239 –> 00:00:45,920
دادههای قیمتگذاری و همچنین
23
00:00:45,920 –> 00:00:49,600
نوسانات ضمنی، اجازه دهید
24
00:00:49,600 –> 00:00:53,199
25
00:00:53,199 –> 00:00:56,079
طبق معمول به نوتبوک مشتری بپرم، ما در اینجا تعداد کمی
26
00:00:56,079 –> 00:00:57,280
27
00:00:57,280 –> 00:01:00,640
واردات داریم، مخصوصاً باید آیکون
28
00:01:00,640 –> 00:01:02,800
python wrapper را در پسزمینه وارد
29
00:01:02,800 –> 00:01:06,479
کنیم، پروکسی یا برنامه نماد
30
00:01:06,479 –> 00:01:08,560
باید به ترتیب اجرا شود. برای اینکه
31
00:01:08,560 –> 00:01:09,840
icon data api
32
00:01:09,840 –> 00:01:12,479
در اینجا کار کند، نگاهی گذرا به
33
00:01:12,479 –> 00:01:13,439
نسخه های
34
00:01:13,439 –> 00:01:16,560
استفاده شده در اینجا برای این آموزش بیندازید
35
00:01:16,560 –> 00:01:19,360
و می توانیم با اتصال به th ادامه دهیم. e
36
00:01:19,360 –> 00:01:20,080
icon
37
00:01:20,080 –> 00:01:23,759
data api
38
00:01:23,759 –> 00:01:26,799
اعتبار اکانت را ارائه می دهد، بنابراین ابتدا
39
00:01:26,799 –> 00:01:29,759
داده ها را برای اکثریت واحد بازیابی می کنیم
40
00:01:29,759 –> 00:01:30,479
، به اصطلاح
41
00:01:30,479 –> 00:01:33,840
زنجیره های زنجیره ای وجود دارد و
42
00:01:33,840 –> 00:01:36,960
اساساً با گزینه هایی
43
00:01:36,960 –> 00:01:40,479
برای شاخص تراشه آبی مالیات 30 آلمان کار خواهیم کرد
44
00:01:40,479 –> 00:01:43,280
و در این زمینه قصد داریم آن را
45
00:01:43,280 –> 00:01:44,159
بازیابی کنیم.
46
00:01:44,159 –> 00:01:46,640
داده ها با توجه به نوع ضربه
47
00:01:46,640 –> 00:01:47,520
قیمت
48
00:01:47,520 –> 00:01:50,079
در اینجا، مقدار بسته شدن نیز نوسانات ضمنی است،
49
00:01:50,079 –> 00:01:51,520
بنابراین ما
50
00:01:51,520 –> 00:01:54,799
از فیلدهای داده در اینجا استفاده می کنیم و
51
00:01:54,799 –> 00:01:55,759
فیلدهای داده را
52
00:01:55,759 –> 00:01:57,920
با ریگ های زنجیره ای که اعمال می کنیم ترکیب می کنیم تا داده
53
00:01:57,920 –> 00:01:59,040
ها را
54
00:01:59,040 –> 00:02:02,479
بازیابی کنیم، فیلدهایی که ابتدا تعریف شده اند
55
00:02:02,479 –> 00:02:04,320
و تابعی که i. ‘میخواهم
56
00:02:04,320 –> 00:02:05,600
از دریافت دادهها استفاده کنم
57
00:02:05,600 –> 00:02:08,239
و میبینید که من در اینجا سومین مثال را انتخاب میکنم
58
00:02:08,239 –> 00:02:09,758
59
00:02:09,758 –> 00:02:12,239
که فهرستی از همه گزینهها را برای
60
00:02:12,239 –> 00:02:13,920
اکثریت ژوئن 2018
61
00:02:13,920 –> 00:02:17,280
در داکس به ما میدهد و البته ما نیز
62
00:02:17,280 –> 00:02:19,599
63
00:02:19,599 –> 00:02:21,280
فیلدهایی را که قبلاً مشخص کردهایم.
64
00:02:21,280 –> 00:02:23,920
وقتی به کلاه نگاهی بیندازیم به
65
00:02:23,920 –> 00:02:24,959
پنج ردیف
66
00:02:24,959 –> 00:02:27,040
اول شی قاب داده میبینیم که
67
00:02:27,040 –> 00:02:28,319
68
00:02:28,319 –> 00:02:31,360
ابزار زیربنایی را در اینجا نیز به دست میآوریم، بنابراین
69
00:02:31,360 –> 00:02:34,560
نقطه g dax i را که یک دکل برای شاخص
70
00:02:34,560 –> 00:02:35,280
آلمانی جعبه
71
00:02:35,280 –> 00:02:38,879
30 است، دریافت میکنیم n از آنجا به عنوان
72
00:02:38,879 –> 00:02:39,760
73
00:02:39,760 –> 00:02:42,879
مثال، قیمت بسته شدن را بخوانید، سپس
74
00:02:42,879 –> 00:02:46,480
قیمت بسته را انتخاب می کنیم
75
00:02:46,480 –> 00:02:49,599
و اکنون در gdax i ذخیره می شود
76
00:02:49,599 –> 00:02:52,720
که بعداً می توانیم از آن
77
00:02:52,720 –> 00:02:56,400
برای مثال زمانی که می خواهیم
78
00:02:56,400 –> 00:02:59,440
با مدل های قیمت گذاری کار کنیم یا هر
79
00:02:59,440 –> 00:03:03,280
کاری که در منطقه تجزیه و تحلیل مشتقات است استفاده
80
00:03:03,280 –> 00:03:06,319
کنیم. اکنون مجموعه دادهها را به
81
00:03:06,319 –> 00:03:09,920
قرارها و فراخوانیها تقسیم کنید، بنابراین ما تمام
82
00:03:09,920 –> 00:03:12,239
ردیفهایی را که به قرارها مربوط میشوند و تمام
83
00:03:12,239 –> 00:03:14,000
ردیفهایی که به فراخوانیها مربوط میشوند را انتخاب
84
00:03:14,000 –> 00:03:16,959
میکنیم و مقادیر و
85
00:03:16,959 –> 00:03:17,519
ردیفهای داده بهدستآمده را
86
00:03:17,519 –> 00:03:20,879
در اشیاء قاب داده جداگانه ذخیره میکنیم، بنابراین در اینجا
87
00:03:20,879 –> 00:03:21,480
ما
88
00:03:21,480 –> 00:03:25,599
124 را برای قرار دادن در اختیار داریم. 124
89
00:03:25,599 –> 00:03:28,799
بر این اساس برای تماسها،
90
00:03:28,799 –> 00:03:31,440
اکنون میخواهم
91
00:03:31,440 –> 00:03:33,519
دادههای گزینهها را به مواردی محدود کنم که خیلی
92
00:03:33,519 –> 00:03:35,680
دور یا خارج از پول نیستند، بنابراین ما
93
00:03:35,680 –> 00:03:37,280
یک نوع معیار با توجه به
94
00:03:37,280 –> 00:03:39,280
پولی بودن گزینهها داریم
95
00:03:39,280 –> 00:03:42,159
که در اینجا محدودیتی برای
96
00:03:42,159 –> 00:03:43,120
اشتقاق
97
00:03:43,120 –> 00:03:46,480
مطلق ارتفاع 2000. و
98
00:03:46,480 –> 00:03:49,519
من در اینجا انتخاب را
99
00:03:49,519 –> 00:03:52,000
بر اساس
100
00:03:52,000 –> 00:03:53,760
تفاوت مطلق بین قیمت اعتصاب
101
00:03:53,760 –> 00:03:56,319
و مقدار شاخص فعلی و
102
00:03:56,319 –> 00:03:57,120
103
00:03:57,120 –> 00:04:00,640
حد تعریف شده در اینجا اجرا می
104
00:04:00,640 –> 00:04:05,040
کنم. 4 در هر دو مورد، اکنون میتوانیم پیش برویم
105
00:04:05,040 –> 00:04:07,680
و دادهها را به راحتی تجسم
106
00:04:07,680 –> 00:04:11,439
کنیم، ما از دکمه سرآستین استفاده میکنیم و
107
00:04:11,439 –> 00:04:13,599
من ابتدا در اینجا گفتم، زیرا میتوانید
108
00:04:13,599 –> 00:04:14,720
جایزه ضربهای را
109
00:04:14,720 –> 00:04:18,000
به عنوان شاخصی ببینید که x-tix را
110
00:04:18,000 –> 00:04:20,798
در طرحی که در سمت چپ میبینید به ما میدهد-
111
00:04:20,798 –> 00:04:22,960
سمت راست در طرح فرعی،
112
00:04:22,960 –> 00:04:24,720
اطلاعات قیمت را در سمت راست دریافت می کنیم، به
113
00:04:24,720 –> 00:04:25,759
خوبی می بینیم
114
00:04:25,759 –> 00:04:28,800
که نوسانات با توجه
115
00:04:28,800 –> 00:04:31,840
به گزینه هایی که قبلا انتخاب کرده
116
00:04:31,840 –> 00:04:34,880
بودیم، همین حالا برای
117
00:04:34,880 –> 00:04:38,639
تماس ها برای قرارها، این برای تماس ها است
118
00:04:38,639 –> 00:04:41,600
و ما محدوده را می بینیم. از میان اعتصاب هایی که
119
00:04:41,600 –> 00:04:42,400
120
00:04:42,400 –> 00:04:45,280
قبلاً انتخاب کرده بودیم،
121
00:04:45,280 –> 00:04:47,520
در اینجا لبخند نوسانی را کشف کردیم
122
00:04:47,520 –> 00:04:49,440
اکنون به ما اجازه می دهد داده ها را برای اکثریت های متعدد به طور همزمان بازیابی کنیم
123
00:04:49,440 –> 00:04:51,280
،
124
00:04:51,280 –> 00:04:54,560
بنابراین برای این منظور یک فیلد را
125
00:04:54,560 –> 00:04:57,600
به لیست فیلدهایی که قبلاً داشتم اضافه می کنم،
126
00:04:57,600 –> 00:05:00,560
به ویژه تاریخ انقضا است
127
00:05:00,560 –> 00:05:02,000
که من قصد دارم از اینجا
128
00:05:02,000 –> 00:05:05,039
در بالا استفاده کنم و من از
129
00:05:05,039 –> 00:05:07,440
ریگ زنجیره ای مربوطه در اینجا برای
130
00:05:07,440 –> 00:05:09,840
گزینه های dax استفاده می کنم که
131
00:05:09,840 –> 00:05:14,160
اکنون داده های بیشتری را بازیابی می کند
132
00:05:14,160 –> 00:05:16,720
و با نگاهی به سر، این شبیه به نظر می رسد،
133
00:05:16,720 –> 00:05:17,360
134
00:05:17,360 –> 00:05:18,960
اما اکنون علاوه بر موارد قبلی، اکثریت های مختلفی
135
00:05:18,960 –> 00:05:20,600
136
00:05:20,600 –> 00:05:21,919
[موسیقی
137
00:05:21,919 –> 00:05:25,520
] نیز داریم. مجموعه دادههایی
138
00:05:25,520 –> 00:05:27,120
که دوباره بازیابی کردهایم،
139
00:05:27,120 –> 00:05:30,160
میخواهم قرارها و فراخوانها را به
140
00:05:30,160 –> 00:05:33,440
همان روش قبلی جدا کنم و همچنین
141
00:05:33,440 –> 00:05:35,680
دادهها را مانند قبل
142
00:05:35,680 –> 00:05:39,600
به معیار uh در اینجا محدود
143
00:05:39,600 –> 00:05:44,400
میکنم تا در نهایت با 568 عدد
144
00:05:44,400 –> 00:05:47,680
uh برای قرارها و همان شماره
145
00:05:47,680 –> 00:05:49,680
برای کد به پایان برسیم. بسیاری موارد دیگر اما
146
00:05:49,680 –> 00:05:50,720
اکنون به دلیل
147
00:05:50,720 –>