الکترولب – برگه 2 – پاندا تریدر

رمز ارزهایی که برای نوسان گیری روزانه بهتر است باید چه ویژگی هایی داشته باشد؟

فوریه 29, 2024 از الکترولب

برخی از ویژگی های کلیدی وجود دارد که ارزهای دیجیتال باید برای نوسانات روزانه مناسب تر باشند: – کارمزدهای کم تراکنش – کاربران می خواهند بتوانند تراکنش های کوچک معمولی را بدون پرداخت هزینه های بالا در دارایی هایشان انجام دهند. – تایید سریع تراکنش – انتظار طولانی مدت برای تایید برای استفاده مکرر روزمره … ادامه

بهینه سازی میانگین واریانس مارکویتز با پایتون

فوریه 6, 2024 از الکترولب

import pandas as pd
import numpy as np
from scipy.optimize import minimize

# Read the data from data.csv
data = pd.read_csv('data.csv')

# Extract the expected returns and covariance matrix
returns = data['expected return']
covariance = np.diag(data['expected return'].values)

# Define the objective function to minimize
def objective(weights, covariance):
    return np.dot(weights.T, np.dot(covariance, weights))

# Define the constraint - weights should be non-negative
def constraint(weights):
    return np.sum(weights) - 1

# Define the bounds for the weights
bounds = [(0, None)] * len(returns)

# Define the initial guess for the weights
initial_guess = [1/len(returns)] * len(returns)

# Define the optimization problem
problem = {
    'fun': objective,
    'x0': initial_guess,
    'args': (covariance,),
    'constraints': {'type': 'eq', 'fun': constraint},
    'bounds': bounds
}

# Solve the optimization problem
result = minimize(**problem)

# Extract the optimal weights
optimal_weights = result.x

# Print the optimal weights
for i, stock in enumerate(data['named']):
    print(f"Weight for {stock}: {optimal_weights[i]}")

import pandas as pd

import numpy as np

from scipy.optimize import minimize

# Read the data from data.csv

data = pd.read_csv('data.csv')

# Extract the expected returns and covariance matrix

returns = data['expected return']

covariance = np.diag(data['expected return'].values)

# Define the objective function to minimize

def objective(weights, covariance):

return np.dot(weights.T, np.dot(covariance, weights))

# Define the constraint - weights should be non-negative

def constraint(weights):

return np.sum(weights) - 1

# Define the bounds for the weights

bounds = [(0, None)] * len(returns)

# Define the initial guess for the weights

initial_guess = [1/len(returns)] * len(returns)

# Define the optimization problem

problem = {

'fun': objective,

'x0': initial_guess,

'args': (covariance,),

'constraints': {'type': 'eq', 'fun': constraint},

'bounds': bounds

}

# Solve the optimization problem

result = minimize(**problem)

# Extract the optimal weights

optimal_weights = result.x

# Print the optimal weights

for i, stock in enumerate(data['named']):

print(f"Weight for {stock}: {optimal_weights[i]}")

در اینجا توضیحی در مورد کد آمده است: 1. کتابخانه های لازم را وارد می کند – پانداها برای خواندن CSV، numpy برای ماتریس ها و scipy.optimize برای به حداقل رساندن. 2. داده های CSV با استفاده از پانداها در یک دیتافریم خوانده می شوند. 3. بازده مورد انتظار از ستون ‘بازده مورد انتظار’ … ادامه

تفاوت probabilistic و possibilistic در احتمال

جولای 14, 2023 از الکترولب

دو نوع استنباط وجود دارد: probabilistic و possibilistic در حالت possibilistic ، شخص به امکان یا عدم امکان وقوع برخی رویدادها علاقه مند است. در حالت probabilistic ، احتمال واقعی رویدادها نیز در نظر گرفته می شود.

15 نکته از راه و روش وارن بافت در سرمایه گذاری

آوریل 24, 2022 از الکترولب

وارن بافت هرسال نامه‌ای سرگشاده به سهام‌داران برکشایر هاتاوی می‌نویسد و در آن، پنجره‌ای به‌سمت مدل تفکر خود درباره همه‌چیز باز می‌کند؛ از استراتژی سرمایه‌گذاری گرفته تا مالکیت سهام و فرهنگ شرکت‌ها. در ۴۰ سال گذشته،‌ خواندن این نامه‌ها برای تمام افرادی که می‌خواهند در دنیای سرمایه‌گذاری حرفی برای گفتن داشته باشند، به امری حیاتی … ادامه