Python ile Trading Kursu

Ders 1 • Temel Python Sözdizimi Esasları

Yatırım temalı örneklerle değişkenleri, veri türlerini, operatörleri ve kontrol akışını ele al. İlerideki tüm veri işleme için gereken dil akıcılığını sağlar.

Ders 2 • Yatırım Ortamını Kurma

Yeniden üretilebilir bir çalışma alanında Python, Jupyter ve temel finansal kütüphaneleri kur. Sonraki her bölümün bağlı olduğu teknik temeli oluşturur.

Ders 3 • Piyasa Verileri için Veri Yapıları

Fiyat ve işlem kayıtları için liste, tuple, sözlük ve küme yapılarını keşfet. Piyasa verilerinin pratikte nasıl depolandığına ve erişildiğine doğrudan uyarlanır.

Ders 1 • Pandas Series ve DataFrame'ler

Fiyat geçmişlerini temsil eden Series ve DataFrame'ler oluştur ve incele. Kurs boyunca kullanılan birincil veri yapısını oluşturur.

Ders 2 • OHLCV Verilerini Temizleme ve Dönüştürme

Ham piyasa beslemelerindeki eksik değerleri, tekrarları ve tür uyumsuzluklarını ele al. Temiz veri, sonraki bölümlerde güvenilir sinyal üretimi için bir ön koşuldur.

Ders 3 • TarihSaatDizini ile Zaman Serisi İndeksleme

Tarihleri ayrıştır, TarihSaatDizini ayarla ve verileri farklı frekanslara yeniden örnekle. Zaman bilincine sahip indeksleme, ilerideki tüm sinyal ve geriye dönük test çalışmaları için gereklidir.

Ders 4 • NumPy Dizileri ve Vektörleştirilmiş Matematik

Fiyat hesaplamalarında yavaş Python döngülerinin yerini alacak diziler oluştur ve işlet. Vektörleştirilmiş işlemler, sonraki tüm analitiklerin performans omurgasıdır.

Ders 1 • Finansal Veri Kütüphanelerini Kullanma

Piyasa veri sağlayıcıları için özel olarak oluşturulmuş Python sarmalayıcılarını kullanarak geçmiş OHLCV verilerini çek. Yatırım fikirlerinin prototiplenmesini hızlandırır ve tekrarlanan işleri azaltır.

Ders 2 • Yeniden Kullanılabilir Bir Veri Hattı Oluşturma

Çekme, temizleme ve depolama adımlarını modüler, çağrılabilir bir hat sınıfı içinde kapsülle. Yeniden kullanılabilir veri hatları, tekrarlanabilir araştırma ve canlı alım satımın temelidir.

Ders 3 • REST API'leri Üzerinden Veriye Erişme

Kimlik doğrulamalı HTTP istekleri gönder ve JSON yanıtlarını DataFrame'lere ayrıştır. Kurstaki tüm API tabanlı veri alımı için kalıbı oluşturur.

Ders 1 • Oynaklık ve Hacim Göstergeleri

Piyasa koşullarını ölçmek için Bollinger Bantları, ATR ve hacim bazlı göstergeleri hesapla. Oynaklık ve hacim bağlamı, sinyal kalitesini ve pozisyon büyüklüğünü iyileştirir.

Ders 2 • TA-Lib ve pandas-ta Kullanma

Geliştirmeyi hızlandırmak ve özel kodu doğrulamak için yerleşik gösterge kütüphanelerinden yararlan. Kütüphane tabanlı göstergeler hataları azaltır ve hızlı strateji prototiplemesi sağlar.

Ders 3 • Trend Takip Göstergeleri

Yönlü fiyat trendlerini belirlemek için hareketli ortalamalar, MACD ve ADX uygula. Trend sinyalleri, sistematik stratejilerde en yaygın giriş mantığını oluşturur.

Ders 4 • Momentum ve Osilatör Göstergeleri

Fiyat momentumunu ölçmek için RSI, Stokastik ve Değişim Oranı göstergelerini oluştur. Osilatörler, aşırı alım ve aşırı satım koşullarını belirleyerek trend filtrelerini tamamlar.

Ders 1 • Olay Odaklı Geriye Dönük Test Kavramları

Gerçekçi sonuçlar için emir defteri simülasyonu, doldurma mantığı ve kayma modellemesini tanıt. Olay odaklı motorlar, vektörleştirilmiş testlerin gizlediği işlem gerçekleştirme gerçeklerini ortaya çıkarır.

Ders 2 • Backtrader ve Zipline Lite Kullanma

Daha zengin analitikler için yerleşik açık kaynak geriye dönük test çerçevelerinde stratejileri çalıştır. Çerçeveler disiplini zorunlu kılar ve özel motorlarda bulunmayan yerleşik raporlama sağlar.

Ders 3 • Aşırı Uyum ve Veri Snooping'ten Kaçınma

Sahte sonuçları tespit etmek için ileriye taşıma doğrulaması ve örneklem dışı testler uygula. Aşırı uyum, geriye dönük testin ardından canlı alım satımda düşük performansın birincil nedenidir.

Ders 4 • Vektörleştirilmiş Geriye Dönük Test Temelleri

Vektörleştirilmiş pandas işlemlerini kullanarak pozisyon sinyallerini günlük getirilere dönüştür. Vektörleştirilmiş geriye dönük test hızlıdır ve tüm strateji değerlendirmesi için temel motoru oluşturur.

Ders 1 • Risk Metrikleri ve Düşüş Kontrolü

Riske maruz değer, Beklenen Açık ve kayan düşüşü gerçek zamanlı olarak izle. Sürekli risk izleme, olumsuz piyasa rejimleri sırasında felaket kayıplarını önler.

Ders 2 • Getiri ve Kovaryans Tahmini

Geçmiş fiyat verilerinden beklenen getirileri ve kovaryans matrislerini hesapla. Doğru tahminler, herhangi bir optimizasyon çıktısının kalitesini belirleyen girdilerdir.

Ders 3 • Pozisyon Büyüklüğü Belirleme Yöntemleri

Sabit oranlı, Kelly kriteri ve oynaklık ölçekli büyüklük belirleme kurallarını uygula. Doğru büyüklük belirleme, her sinyalin ne kadar sermaye kontrol ettiğini belirler ve düşüşü doğrudan etkiler.

Ders 4 • Ortalama-Varyans Portföy Optimizasyonu

Etkin sınır ve optimal ağırlıklar için scipy ve PyPortfolioOpt kullan. Ortalama-varyans optimizasyonu, getiri/risk tahminlerini uygulanabilir dağıtımlara dönüştürür.

Ders 1 • İşlem Gerçekleştirme Algoritmaları (TWAP ve VWAP)

Büyük emirlerde piyasa etkisini azaltmak için TWAP ve VWAP dilimleme algoritmaları oluştur. Emir büyüklüğü hacme göre önemli olduğunda işlem gerçekleştirme algoritmaları gereklidir.

Ders 2 • Komisyoncu API Entegrasyonu

Emir vermek ve yönetmek için bir komisyoncu REST API'sinde kimlik doğrulaması yap ve onunla etkileşim kur. API entegrasyonu, geriye dönük test edilmiş sinyallerle gerçek piyasa işlem gerçekleştirme arasındaki köprüdür.

Ders 3 • İşlem Gerçekleştirme İzleme ve Uyarı

Tüm emir olaylarını kaydet ve kaçırılan doldurmalar veya aşılan limitler gibi anormalliklerde uyarılar tetikle. Sağlam izleme, herhangi bir canlı alım satım sistemi için operasyonel güvenlik ağıdır.

Ders 4 • Emir Türleri ve İşlem Gerçekleştirme Mantığı

Koşullu işlem gerçekleştirme mantığıyla piyasa, limit, stop ve bracket emirlerini uygula. Doğru emir türünü seçmek, doldurma kalitesini ve risk maruziyetini doğrudan kontrol eder.

Ders 1 • Finansal Veriler için Model Değerlendirmesi

Veri sızıntısı olmadan model kalitesini değerlendirmek için arındırılmış çapraz doğrulama ve finansal metrikler kullan. Standart ML metrikleri, seri olarak ilişkili finansal veriler için yetersizdir.

Ders 2 • Fiyat Verilerinden Özellik Mühendisliği

Ham OHLCV verilerini ML modelleri için uygun tahmin edici özelliklere dönüştür. Özellik kalitesi, modelin tahmin gücünü algoritma seçiminden daha fazla belirler.

Ders 3 • Denetimli Sınıflandırma Modelleri

Fiyat yönünü tahmin etmek için lojistik regresyon, rastgele orman ve gradyan artırma sınıflandırıcılarını eğit. Sınıflandırma çıktıları doğrudan uzun/kısa sinyal üretimine uyarlanır.

Ders 4 • Piyasa Rejimleri için Denetimsiz Öğrenme

Piyasa durumlarını kümelemek ve stratejileri uyarlamak için k-ortalamalar ve Gauss Karışım Modelleri uygula. Rejim tespiti, piyasa koşullarına dayalı dinamik strateji değiştirmeyi sağlar.