در این مطلب، ویدئو کاوش در دادههای قیمت سهام نتفلیکس با استفاده از پایتون (دادههای سری بهموقع EDA) 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: 00:19:01
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,080 –> 00:00:00,880
برای
2
00:00:00,880 –> 00:00:02,960
انجام تجزیه و تحلیل دادههای بهرهبرداری شده روی
3
00:00:02,960 –> 00:00:05,279
دادههای سری زمانی که
4
00:00:05,279 –> 00:00:07,759
دادهها را از یائو
5
00:00:07,759 –> 00:00:09,840
فاینانس گرفتهام، دادههای پنج سال از
6
00:00:09,840 –> 00:00:12,559
دادههای بازار سهام را برای نتفلیکس گرفتهایم،
7
00:00:12,559 –> 00:00:15,599
اوه، این یک سهام فناوری است،
8
00:00:15,599 –> 00:00:16,480
آه،
9
00:00:16,480 –> 00:00:18,400
من فقط دادهها را میگیرم، بنابراین شما فقط
10
00:00:18,400 –> 00:00:22,080
به
11
00:00:22,080 –> 00:00:23,760
اگر میخواهید از دادههای دیگری در
12
00:00:23,760 –> 00:00:25,840
بازار سهام استفاده کنید، برای مثال میخواهید از
13
00:00:25,840 –> 00:00:26,880
14
00:00:26,880 –> 00:00:28,960
قیمت سهام گوگل یا قیمت سهام اپل یا
15
00:00:28,960 –> 00:00:31,359
مایکروسافت استفاده کنید، میتوانید در آنجا جستجو کنید
16
00:00:31,359 –> 00:00:33,440
و برای هر تعداد سالی که
17
00:00:33,440 –> 00:00:36,239
میخواهید، میتوانید به سادگی آن را مشخص کنید. در اینجا
18
00:00:36,239 –> 00:00:37,680
و می توانید داده ها را از آنجا دریافت کنید،
19
00:00:37,680 –> 00:00:40,800
می توانید داده ها را با فرمت csv
20
00:00:40,800 –> 00:00:42,320
و فرمت های دیگر
21
00:00:42,320 –> 00:00:45,600
دانلود کنید، همچنین من با فرمت csv دانلود کرده
22
00:00:45,600 –> 00:00:47,760
ام، بنابراین ما از پایتون برای
23
00:00:47,760 –> 00:00:50,960
کاوش داده های سری زمانی استفاده می کنیم.
24
00:00:50,960 –> 00:00:53,120
25
00:00:53,120 –> 00:00:57,280
تجزیه و تحلیل دادههای اکسپلورر قبل از اینکه هر مدلی بسازید،
26
00:00:57,280 –> 00:00:59,840
بنابراین این برای
27
00:00:59,840 –> 00:01:01,920
افرادی
28
00:01:01,920 –> 00:01:04,239
که علاقه مند به کار در بانکها و
29
00:01:04,239 –> 00:01:08,560
هد پوینتها و nba fis هستند بسیار مفید خواهد بود، جایی
30
00:01:08,560 –> 00:01:11,600
که اغلب اوقات از تحلیل او استفاده میشود.
31
00:01:11,600 –> 00:01:14,159
32
00:01:14,159 –> 00:01:15,520
33
00:01:15,520 –> 00:01:17,200
با Uh
34
00:01:17,200 –> 00:01:19,840
قیمت یا برگرداندن دادهها بسیار مفید خواهد بود،
35
00:01:19,840 –> 00:01:21,439
36
00:01:21,439 –> 00:01:22,880
بنابراین کاری که ما انجام میدهیم این است که آنها ابتدا
37
00:01:22,880 –> 00:01:25,759
چند کتابخانه مهم را
38
00:01:25,759 –> 00:01:29,600
در پانداها وارد میکنند و در پایتون، شما به
39
00:01:29,600 –> 00:01:32,320
پانداهای matplotlib نیاز دارید که
40
00:01:32,320 –> 00:01:34,159
این نوع کتابخانهها را برای انجام
41
00:01:34,159 –> 00:01:36,560
تجزیه و تحلیل دادههای کارشناسانه ایجاد کنند. همچنین میتوانید از
42
00:01:36,560 –> 00:01:38,960
numpy برای برخی از چیزهایی که
43
00:01:38,960 –> 00:01:41,040
پانداها صرفاً برای
44
00:01:41,040 –> 00:01:42,479
45
00:01:42,479 –> 00:01:46,640
اهداف داده در فیلتر دلتا دادهها استفاده
46
00:01:46,640 –> 00:01:47,759
کنید، میدانید که در حال ایجاد تغییراتی در
47
00:01:47,759 –> 00:01:49,520
دادههای واردکننده دادهها هستید، بنابراین تمام
48
00:01:49,520 –> 00:01:51,920
کارهایی که در پانداها انجام میشود، ما از c1 و matplot
49
00:01:51,920 –> 00:01:53,759
برای تجسم استفاده
50
00:01:53,759 –> 00:01:55,119
خواهیم کرد.
51
00:01:55,119 –> 00:01:57,600
از برخی از این تکنیکهای ساده برای
52
00:01:57,600 –> 00:01:58,320
53
00:01:58,320 –> 00:02:01,200
تجزیه و تحلیل دادههای سری زمانی استفاده کنید، بنابراین ابتدا
54
00:02:01,200 –> 00:02:02,960
55
00:02:02,960 –> 00:02:04,880
دادهها را وارد میکنیم تا من قبلاً آنها را دانلود
56
00:02:04,880 –> 00:02:05,520
57
00:02:05,520 –> 00:02:09,280
58
00:02:09,280 –> 00:02:12,080
کردهام و در یک پوشه نگه داشتهام، بنابراین ابتدا فهرست کاری خود را تعریف میکنم و سپس من
59
00:02:12,080 –> 00:02:13,280
60
00:02:13,280 –> 00:02:16,319
دادهها را با استفاده از read.csv
61
00:02:16,319 –> 00:02:18,080
با استفاده از پانداهایی
62
00:02:18,080 –> 00:02:20,560
که وارد کردهام وارد میکند که اکنون
63
00:02:20,560 –> 00:02:24,640
ذکر آن در اینجا مهم است این است که وقتی دادههای سری زمانی uh را وارد میکنید
64
00:02:24,640 –> 00:02:26,879
بهطوریکه یک ستون تاریخ وجود داشته باشد
65
00:02:26,879 –> 00:02:29,280
و آن ستون تاریخ معمولاً
66
00:02:29,280 –> 00:02:30,640
یک رشته است،
67
00:02:30,640 –> 00:02:33,280
اما اوه حرفه ای blem در واقع اگر
68
00:02:33,280 –> 00:02:35,280
میخواهید از برخی از این توابع
69
00:02:35,280 –> 00:02:37,840
که برای تجزیه و تحلیل سریهای زمانی خاص هستند استفاده
70
00:02:37,840 –> 00:02:39,760
کنید، باید
71
00:02:39,760 –> 00:02:40,959
72
00:02:40,959 –> 00:02:43,760
آن را به عنوان یک نوع داده از تاریخ اختصاص دهید،
73
00:02:43,760 –> 00:02:46,879
بنابراین مطمئن شوید که این کار را انجام میدهید،
74
00:02:46,959 –> 00:02:49,360
بنابراین ما چگونه میتوانیم انجام دهیم این است که هنگام
75
00:02:49,360 –> 00:02:51,920
وارد کردن با استفاده از خواننده
76
00:02:51,920 –> 00:02:55,440
با استفاده از زیر خط خواندن csb فقط
77
00:02:55,440 –> 00:02:56,720
این گزینه را ارائه کنید
78
00:02:56,720 –> 00:03:00,400
که ستون زیرخط ایندکس تاریخ است،
79
00:03:00,400 –> 00:03:04,879
بنابراین کاری که ما انجام خواهیم داد این است که آه،
80
00:03:04,879 –> 00:03:08,000
بنابراین شما این
81
00:03:08,000 –> 00:03:11,280
ستون تاریخ را درست
82
00:03:11,280 –> 00:03:13,840
داشته باشید، بنابراین ابتدا از آن در فهرست
83
00:03:13,840 –> 00:03:16,560
استفاده می کند و از این تجزیه تاریخ های زیرخط به عنوان درست استفاده
84
00:03:16,560 –> 00:03:20,560
می کند، یعنی این
85
00:03:20,560 –> 00:03:23,599
ستون خاص خواهد بود. به عنوان یک تاریخ در نظر گرفته می شود،
86
00:03:23,599 –> 00:03:25,360
87
00:03:25,360 –> 00:03:26,400
خیلی خوب است
88
00:03:26,400 –> 00:03:29,360
و سپس کاری که شما انجام می دهید این است که اوه ما
89
00:03:29,360 –> 00:03:32,239
شروع می کنیم، در واقع خواهیم دید چه داده هایی
90
00:03:32,239 –> 00:03:34,239
داریم، بنابراین ما فقط چاپ
91
00:03:34,239 –> 00:03:36,879
می کنیم تا با استفاده از دستور چاپ،
92
00:03:36,879 –> 00:03:39,200
فقط می خواهیم
93
00:03:39,200 –> 00:03:41,519
ردیف های بالای پنج را چاپ کنیم، بنابراین استفاده کنید.
94
00:03:41,519 –> 00:03:42,400
head
95
00:03:42,400 –> 00:03:45,440
and net بنابراین چارچوب داده نتفلیکس است،
96
00:03:45,440 –> 00:03:46,400
بنابراین من
97
00:03:46,400 –> 00:03:49,280
از این به عنوان نام استفاده کرده ام، شما می توانید از
98
00:03:49,280 –> 00:03:51,040
نام های دیگر نیز
99
00:03:51,040 –> 00:03:52,879
استفاده
100
00:03:52,879 –> 00:03:55,439
کنید، بنابراین در اینجا می بینیم
101
00:03:55,439 –> 00:03:57,040
و
102
00:03:57,040 –> 00:03:59,280
سپس اولین کاری که انجام می دهم این است که
103
00:03:59,280 –> 00:04:01,840
باید داده های برگشتی را نیز تجزیه و تحلیل کنم.
104
00:04:01,840 –> 00:04:03,920
من اطلاعات نوشته شده را دریافت نمی کنم
105
00:04:03,920 –> 00:04:05,680
به طور مستقیم از جوان مالی، بنابراین من محاسبه خواهم کرد
106
00:04:05,680 –> 00:04:07,120
که
107
00:04:07,120 –> 00:04:08,720
چگونه این کار را انجام دهم،
108
00:04:08,720 –> 00:04:10,080
بنابراین
109
00:04:10,080 –> 00:04:12,560
به شکلی بسیار ساده برمی گردم،
110
00:04:12,560 –> 00:04:15,280
این چیزی نیست جز
111
00:04:15,280 –> 00:04:17,440
قیمت بسته شدن منهای قیمت باز
112
00:04:17,440 –> 00:04:19,680
تقسیم بر قیمت باز، بنابراین
113
00:04:19,680 –> 00:04:21,759
این بازده روزانه است که من
114
00:04:21,759 –> 00:04:22,560
دقیقاً
115
00:04:22,560 –> 00:04:25,440
در داده ها محاسبه می کنم شما قیمت باز،
116
00:04:25,440 –> 00:04:27,360
قیمت بالا، قیمت پایین، قیمت بسته شدن
117
00:04:27,360 –> 00:04:30,000
و قیمت بسته تعدیل شده را
118
00:04:30,000 –> 00:04:32,800
دارید و حجم شما خوب است،
119
00:04:32,800 –> 00:04:34,880
حالا اینها ستون های مهمی هستند که
120
00:04:34,880 –> 00:04:37,520
برای اطلاعات قیمت سهام به آنها نیاز دارید، ما
121
00:04:37,520 –> 00:04:40,000
بیشتر با قیمت بسته شدن و
122
00:04:40,000 –> 00:04:41,919
حق بازده سروکار خواهیم داشت. اما برای
123
00:04:41,919 –> 00:04:44,240
محاسبه بازده، باید از
124
00:04:44,240 –> 00:04:46,160
قیمت باز نیز استفاده
125
00:04:46,160 –> 00:04:49,440
کنیم، بنابراین ابتدا بازده را محاسبه می
126
00:04:49,440 –> 00:04:51,600
کنیم، تفاوت
127
00:04:51,600 –> 00:04:54,160
قیمت باز شدن قیمت بسته بر قیمت باز تقسیم می شود،
128
00:04:54,160 –> 00:04:56,720
بنابراین چند درصد تغییر
129
00:04:56,720 –> 00:04:58,960
را از قیمت باز شدن مشاهده کرده ایم.
130
00:04:58,960 –> 00:05:00,800
روز تا قیمت بسته شدن، بنابراین
131
00:05:00,800 –> 00:05:03,360
بازده روزانه
132
00:05:03,360 –> 00:05:05,520
خوب است، اکنون وقتی
133
00:05:05,520 –> 00:05:08,000
چاپ میکنید، میبینید که از قبل
134
00:05:08,000 –> 00:05:09,440
بازدهی را دارید
135
00:05:09,440 –> 00:05:13,039
و در اینجا
136
00:05:13,039 –> 00:05:14,560
به صورت مطلق است، اما میتوانید آن را نیز
137
00:05:14,560 –> 00:05:17,280
بیان کنید. بر حسب درصد
138
00:05:17,280 –> 00:05:20,080
بسیار خوب است، بنابراین اولین کاری که
139
00:05:20,080 –> 00:05:23,120
انجام خواهیم داد این است که آن را رسم می
140
00:05:23,120 –> 00:05:24,400
کنیم،
141
00:05:24,400 –> 00:05:26,000
از نمودار خطی
142
00:05:26,000 –> 00:05:28,479
برای رسم نمودار
143
00:05:28,479 –> 00:05:30,000
استفاده می کنیم.
144
00:05:30,000 –> 00:05:31,199
145
00:05:31,199 –> 00:05:33,199
146
00:05:33,199 –> 00:05:35,199
ممکن است شنیده باشید که اخیراً
147
00:05:35,199 –> 00:05:38,199
نتفلیکس
148
00:05:38,560 –> 00:05:39,840
149
00:05:39,840 –> 00:05:41,440
150
00:05:41,440 –> 00:05:44,240
در یک هفته گذشته واقعاً بیش از 30 درصد کاهش یافته
151
00:05:44,240 –> 00:05:46,639
است زیرا نتفلیکس برای اولین بار مشترکان زیادی را از دست می
152
00:05:46,639 –> 00:05:49,199
دهد و
153
00:05:49,199 –> 00:05:51,919
آنها از روسیه خارج شدند و به همین دلیل
154
00:05:51,919 –> 00:05:54,160
می دانید که من مردم را می شناسم که همینطور هستند.
155
00:05:54,160 –> 00:05:56,160
ما از همهگیری خارج میشویم، بنابراین
156
00:05:56,160 –> 00:05:58,800
افراد زیادی نتفلیکس را تماشا نمیکنند، بنابراین
157
00:05:58,800 –> 00:06:01,440
سهام خوب عمل نمیکند و در اینجا میبینید که
158
00:06:01,440 –> 00:06:03,440
در واقع درست وقتی آن را در
159
00:06:03,440 –> 00:06:06,800
چند هفته گذشته تا سال 2020 ترسیم میکنید، میبینید که
160
00:06:06,800 –> 00:06:08,720
161
00:06:08,720 –> 00:06:10,240
کاهش شدیدی در
162
00:06:10,240 –> 00:06:13,120
سهام وجود دارد. قیمت بیش از 30 درصد
163
00:06:13,120 –> 00:06:17,840
اوج اوج حدود 650 یا بیشتر 650 بود
164
00:06:17,840 –> 00:06:21,120
اکنون حدود 200 است.
165
00:06:21,120 –> 00:06:22,960
بنابراین در واقع بسیار زیاد است
166
00:06:22,960 –> 00:06:25,039
اما برای چند ماه اول می توانم بگویم
167
00:06:25,039 –> 00:06:28,800
این اوج در سال 2021
168
00:06:28,800 –> 00:06:29,600
169
00:06:29,600 –> 00:06:32,080
بوده است و مدتی است که کاهش یافته است
170
00:06:32,080 –> 00:06:34,479
. را چند روز گذشته یک افت 30 وجود دارد،
171
00:06:34,479 –> 00:06:37,280
بنابراین این 30 افت در اینجا است
172
00:06:37,280 –> 00:06:39,520
و ما اگر اطلاعات بیشتری در مورد آن نداشته باشیم،
173
00:06:39,520 –> 00:06:42,639
پنج سال داده درست داریم، بنابراین ما در واقع می
174
00:06:42,639 –> 00:06:45,120
بینیم که چگونه در طول زمان تکامل یافته است، زمانی
175
00:06:45,120 –> 00:06:48,800
که کمتر از 200 بود و
176
00:06:48,800 –> 00:06:50,240
رفت.
177
00:06:50,240 –> 00:06:52,960
تا 650 تا 650،
178
00:06:52,960 –> 00:06:56,240
بنابراین در چند سال گذشته بیش از 300 درصد افزایش یافته است،
179
00:06:56,240 –> 00:06:57,520
180
00:06:57,520 –> 00:06:59,919
اما در
181
00:06:59,919 –> 00:07:01,919
چند ماه اخیر دوباره آنقدرها عمل نکرده است
182
00:07:01,919 –> 00:07:03,199
183
00:07:03,199 –> 00:07:05,280
، قیمت سهام در واقع در حال کاهش است
184
00:07:05,280 –> 00:07:06,800
و در چند روز اخیر
185
00:07:06,800 –> 00:07:09,520
بیش از حد کاهش یافته است. 30 درصد
186
00:07:09,520 –> 00:07:13,280
خوب است، بنابراین این دادههای قیمت است، اما در
187
00:07:13,280 –> 00:07:15,039
دنیای مالی ما بیشتر به
188
00:07:15,039 –> 00:07:16,479
بازده علاقه مند هستیم
189
00:07:16,479 –> 00:07:18,720
تا دادههای قیمت،
190
00:07:18,720 –> 00:07:21,120
بنابراین سعی
191
00:07:21,120 –> 00:07:23,520
192
00:07:23,520 –> 00:07:26,000
میکنیم بازدهی را ترسیم کنیم، بعداً این کار را انجام خواهیم داد،
193
00:07:26,000 –> 00:07:29,039
اما چگونه میتوانید همه اینها را ترسیم کنید.
194
00:07:29,039 –> 00:07:30,720
قیمت سهام چه قیمت باز
195
00:07:30,720 –> 00:07:34,080
باشد و چه همه چیز را به یکباره حجم دهید، بنابراین
196
00:07:34,080 –> 00:07:36,000
از طرح های فرعی استفاده کنید
197
00:07:36,000 –> 00:07:37,440
198
00:07:37,440 –> 00:07:39,199
تا نحو یکسانی داشته باشد، به جز این که طرح های
199
00:07:39,199 –> 00:07:40,880
فرعی شما درست است
200
00:07:40,880 –> 00:07:43,360
و می توانید
201
00:07:43,360 –> 00:07:45,440
اندازه را ذکر کنید که اختیاری است
202
00:07:45,440 –> 00:07:47,360
درست است و هنگامی که این کار را انجام
203
00:07:47,360 –> 00:07:49,039
دادید،
204
00:07:49,039 –> 00:07:50,400
این طرح ها را دارید
205
00:07:50,400 –> 00:07:53,280
خط خطی برای
206
00:07:53,280 –> 00:07:55,680
قیمت باز باز. بالا کم بستن ص
207
00:07:55,680 –> 00:07:57,599
تنظیم کننده برنج بسته شدن قیمت و حجم و
208
00:07:57,599 –> 00:07:59,280
همچنین بازگشت به هر حال ما اکنون
209
00:07:59,280 –> 00:08:00,319
بازده داریم
210
00:08:00,319 –> 00:08:02,879
حتی بازده وجود دارد
211
00:08:02,879 –> 00:08:05,199
اما می توانیم بازده جداگانه را نیز ترسیم
212
00:08:05,199 –> 00:08:06,400
کنیم و به این ترتیب انجام داده ایم که از
213
00:08:06,400 –> 00:08:08,240
قبل بازده محاسبه کرده ایم بنابراین
214
00:08:08,240 –> 00:08:10,240
از نمودار استفاده خواهیم کرد.
215
00:08:10,240 –> 00:08:11,280
اوه
216
00:08:11,280 –> 00:08:14,479
می دانید که یک نمودار خط داشته باشید
217
00:08:14,479 –> 00:08:18,080
و در اینجا می بینید که بازده ah است
218
00:08:18,080 –> 00:08:19,759
از بسیاری جهات در واقع
219
00:08:19,759 –> 00:08:22,319
220
00:08:22,319 –> 00:08:23,680
221
00:08:23,680 –> 00:08:26,400
تصویر واقعی رشد سهام را
222
00:08:26,400 –> 00:08:27,680
به شما می دهد، بنابراین اگر
223
00:08:27,680 –> 00:08:29,199
224
00:08:29,199 –> 00:08:31,280
در
225
00:08:31,280 –> 00:08:34,080
ابتدای روز معاملاتی یک سهم بخرید و شما آن را در
226
00:08:34,080 –> 00:08:36,080
روز پایانی میفروشید که چقدر پول
227
00:08:36,080 –> 00:08:37,440
درآورید
228
00:08:37,440 –> 00:08:38,799
، برخی از روزها قطعاً سود خواهید داشت
229
00:08:38,799 –> 00:08:39,599
،
230
00:08:39,599 –> 00:08:42,640
برخی روزها ضرر خواهید کرد
231
00:08:42,640 –> 00:08:44,880
و این دقیقاً همان چیزی است که در
232
00:08:44,880 –> 00:08:47,360
یک طرح بازگشتی میبینید، بازده روزانه است
233
00:08:47,360 –> 00:08:49,200
و نکات مثبت را میبینید و میبینید.
234
00:08:49,200 –> 00:08:52,320
منفی ها همچنین
235
00:08:52,399 –> 00:08:54,640
اکنون جالب است در واقع می بینید
236
00:08:54,640 –> 00:08:57,040
که هر زمان بازدهی مثبت وجود داشته
237
00:08:57,040 –> 00:08:58,959
باشد ادامه می یابد و سپس زمانی که
238
00:08:58,959 –> 00:09:00,720
بازده منفی وجود دارد نیز ادامه می دهد
239
00:09:00,720 –> 00:09:03,040
قطار برای مدتی ادامه می دهد این
240
00:09:03,040 –> 00:09:07,279
در زمان هایی که سهام p است بسیار معمولی است. دادههای برنج
241
00:09:07,279 –> 00:09:08,560
که در آن شما
242
00:09:08,560 –> 00:09:12,160
برای چند روز متوالی بازدهی مثبت دارید
243
00:09:12,160 –> 00:09:13,680
و سپس
244
00:09:13,680 –> 00:09:15,360
برای مجموعهای از روزهای متوالی بازدهی منفی دارید،
245
00:09:15,360 –> 00:09:17,680
246
00:09:17,680 –> 00:09:20,399
بنابراین
247
00:09:20,399 –> 00:09:22,640
اینطور میبینید که برخی
248
00:09:22,640 –> 00:09:24,959
استثناها وجود دارد، درست در برخی
249
00:09:24,959 –> 00:09:28,000
روزهای آه که میدانید بازده سهام وجود
250
00:09:28,000 –> 00:09:31,360
دارد. بیش از هشت درصد بوده است
251
00:09:31,360 –> 00:09:33,040
و همچنین روزهایی وجود دارد که
252
00:09:33,040 –> 00:09:35,600
بازدهی بی