📊 کتابخونه ffn — همه چیز برای ترید و تحلیل مالی!
یه کتابخونه پایتونی پیدا کردم که واقعاً دنیای مالی و ترید رو برات راحت می‌کنه!

🛠️ چیکار می‌کنه؟
ffn یه مجموعه کامل از ابزارهاست برای:

• 📈 تحلیل داده‌های مالی — سهام، ارزهای دیجیتال، ETF
• 📊 محاسبه بازدهی — روزانه، هفتگی، ماهانه
• ⚖️ بهینه‌سازی سبد سرمایه — پیدا کردن بهترین تخصیص دارایی‌ها
• 📉 محاسبه ریسک — انحراف معیار، بتا، آلفا

💡 پروژه عملی: داشبورد بهینه‌سازی سبد سرمایه
یه ایده پروژه باهاش بسازی:

مرحله ۱: دریافت داده

data = ffn.get('aapl,msft,btc,eth', start='2020-01-01')

چند دارایی نوسانی رو انتخاب کن (مثلاً اپل، مایکروسافت، بیت‌کوین، اتریوم)

مرحله ۲: محاسبه بازدهی

returns = data.to_returns()

بازدهی روزانه هر دارایی رو حساب کن

مرحله ۳: بهینه‌سازی

weights = ffn.calc_mean_var_weights(returns)

بهینه‌ترین وزن تخصیص سرمایه رو پیدا کن — بیشترین سود با کمترین ریسک!

🎯 چرا این کتابخونه خاصه؟
• سبک و سریع — کدنویسی کم، نتیجه زیاد
• رابط ساده — یادگیری آسان
• قابلیت ترکیب — با Pandas و NumPy کار می‌کنه
• مناسب برای پروژه‌های واقعی — داشبورد، تحلیل، بهینه‌سازی



🔗 مشاهده در GitHub

اگه علاقه‌مندی به حوزه مالی و تریدی — این کتابخونه نقطه شروع عالیه!

#Python #Finance #Trading #تحلیل_مالی


🆔 @python4all_pro

لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

چطور با #Python و matplotlib یک نمودار حاشیه‌نویسی‌شده بسازیم 🐍📊

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure(figsize=(8, 6))

X = list(range(10))
plt.plot(X, np.exp(X))
plt.title('Annotating Exponential Plot using plt.annotate()')
plt.xlabel('x-axis')
plt.ylabel('y-axis')

plt.annotate('Point 1', xy=(6, 400),
             arrowprops=dict(arrowstyle='->'),
             xytext=(4, 600))

plt.annotate('Point 2', xy=(7, 1150),
             arrowprops=dict(arrowstyle='->',
                             connectionstyle='arc3,rad=-.2'),
             xytext=(4.5, 2000))

plt.annotate('Point 3', xy=(8, 3000),
             arrowprops=dict(arrowstyle='-|>',
                             connectionstyle='angle,angleA=90,angleB=0'),
             xytext=(8.5, 2200))

plt.show()

توضیح مرحله به مرحله
۱. ایمپورت کتابخونه‌ها

import matplotlib.pyplot as plt
import numpy as np

matplotlib.pyplot برای رسم نمودار و numpy برای محاسبات عددی (مثل تابع exp) لازمه.
۲. ساخت شکل و رسم داده

fig = plt.figure(figsize=(8, 6))
X = list(range(10))
plt.plot(X, np.exp(X))

یک شکل با اندازه‌ی ۸×۶ ساخته می‌شه و تابع نمایی e^x روی بازه‌ی ۰ تا ۹ رسم می‌شه.

۳. عنوان و برچسب محورها

plt.title('Annotating Exponential Plot using plt.annotate()')
plt.xlabel('x-axis')
plt.ylabel('y-axis')

۴. حاشیه‌نویسی‌ها با plt.annotate()
تابع annotate() سه پارامتر کلیدی داره:
پارامتر
کارش
text
متنی که می‌خوای نشون بدی
xy
نقطه‌ای که فلش بهش اشاره می‌کنه
xytext
موقعیت متن روی نمودار
arrowprops
استایل فلش
Point 1 — فلش ساده:

plt.annotate('Point 1', xy=(6, 400),
             arrowprops=dict(arrowstyle='->'),
             xytext=(4, 600))

فقط یه فلش معمولی از متن به نقطه.

Point 2 — فلش منحنی:

plt.annotate('Point 2', xy=(7, 1150),
             arrowprops=dict(arrowstyle='->',
                             connectionstyle='arc3,rad=-.2'),
             xytext=(4.5, 2000))

با connectionstyle='arc3,rad=-.2' فلش به صورت کمان با انحنای -0.2 رسم می‌شه (منفی یعنی انحنا به یه سمت خاص).

Point 3 — فلش با زاویه‌ی سفارشی:

plt.annotate('Point 3', xy=(8, 3000),
             arrowprops=dict(arrowstyle='-|>',
                             connectionstyle='angle,angleA=90,angleB=0'),
             xytext=(8.5, 2200))

اینجا connectionstyle='angle' با angleA=90 و angleB=0 یه فلش زاویه‌دار می‌سازه. سر فلش هم -|> یعنی پیکان کلاسیک با خط صاف.

💡 نکته: کلید اصلی plt.annotate() همینه: با xytext متن رو هر جا که دلت بخواد بذار، و با xy مشخص کن فلش به کدوم نقطه‌ی واقعی روی نمودار اشاره کنه.


🆔 @python4all_pro


🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro