✔️تراکم عرضه املاک در مناطق تهران

همانطور که در تصویر بالا قابل مشاهده است، بیشترین تراکم آگهی‌های ملکی ارائه شده در دیوار در سه منطقه زیر است:
1️⃣ غرب (منطقه ۵ و غرب اتوبان یادگارامام مثل مناطق پوک، جنت آباد، فردوس و ...)
2️⃣شرق (منطقه ۴ و ۸، شرق اتوبان امام علی (ع) مثل مناطق نارمک و تهران‌پارس)
3️⃣ جنوب (منطقه ۲۰، پایین‌تر از آزادگان شامل شهر ری)

🔹نکته اول: تمامی مناطق تراکم یکسانی ندارند. مثلا جنوب غرب میدان آزادی (مناطق ۹ و ۲۱)، اصولا کم تراکم هستند و طبیعتا تراکم عرضه هم کم است. بنابراین بهتر می‌بود تراکم عرضه در هر منطقه را به نسبت کل املاک موجود در آن منطقه می‌سنجیدیم. که جلسات مشاوره‌ خصوصی ارائه می‌کنم.
🔹نکته دوم: هر چند بیشترین عرضه املاک در مناطق ۴،۵، ۸ و ۲۰ بوده است اما حدود ۳۰ درصد کل معاملات نیز در همین مناطق بوده.
🔹نکته سوم: سهم منطقه ۵ از کل معاملات حدود ۱۵ درصد کل تهران، و مجموع مناطق ۴ و ۸ نیز ۱۴ درصد و منطقه ۲۰ حدود ۱ درصد بوده است.
🔹نکته چهارم: سهم منطقه ۵ از تعداد معاملات در سه ماهه اخیر دائما کاهشی (حدود ۳ درصد) و مناطق شرقی و جنوبی با رشد کمتر از نیم درصد افزایشی بوده است.
🔹نکته پنجم: علت این مساله شاید حباب املاک در قسمت غرب باشد که در شرایط رکودی خودش را نشان می‌دهد.
🔹نکته ششم: خیلی از املاک لوکس مناطق ۱ و ۳ آگهی نمیشن! شاید یکی از دلایل کم بودن تراکم در مناطق شمالی همین باشه.
🔹نکته هفتم: نکته زیادی در این دیتا وجود داره، اما دیگه کپشن جا نداره. بنابراین اگر علاقه‌مند بودید لایک کنید و به اشتراک بگذارید تا پست بعدی هم به زودی قرار بدم.

❗️پ‌ن: تحلیل مشابهی هم برای املاک رهن و اجاره ارائه خواهم کرد.

✅@ecoraoofi

🤖پیش‌بینی ایلان ماسک از آینده

🔹هوش مصنوعی جایگزین همه مشاغل می‌شود/ افراد [فقط] می‌توانند در صورت تمایل به صورت تفریحی به کاری مشغول شوند

🔹ماسک آینده‌ای را توصیف کرد که در آن مشاغل «اختیاری» خواهند بود و افراد می‌توانند در صورت تمایل به صورت تفریحی به کاری مشغول شوند. او گفت در این آینده، هوش مصنوعی و ربات‌ها قادر به تامین تمامی کالاها و خدمات مورد نیاز انسان خواهند بود.

🔹وی همچنین نگرانی خود را نسبت به آینده هوش مصنوعی ابراز کرد و آن را «بزرگترین ترس» خود نامید.

🔹ماسک با طرح این پرسش که آیا در چنین آینده‌ای انسان‌ها احساس رضایت عاطفی خواهند داشت، گفت «اگر کامپیوترها و ربات‌ها بتوانند همه کارها را بهتر از ما انجام دهند، آیا زندگی ما معنا خواهد داشت؟ شاید هنوز نقشی برای انسان‌ها در این آینده وجود داشته باشد، این که ما به هوش مصنوعی معنا ببخشیم.»

✅@pyfinance

🧠 دوره جامع و آنلاین
مدلسازی و پیش‌بینی با هوش‌مصنوعی

🙅‍♀️ آخرین مهلت ثبت‌نام با ۳۰% تخفیف

🇮🇷 ارائه #مدرک معتبر و قابل ترجمه

کسب اطلاعات بیشتر پیام دهید. 👇
🔖 @data_vest

➖➖➖➖➖➖
✅@pyfinance

🆕 دوره جامع و آنلاین
بهینه‌سازی سبد دارایی با پایتون

🔻 شامل:
۱۸ ساعت پایتون مالی +
۳۰ ساعت بهینه‌سازی سبد

📉۳۰% تخفیف + پرداخت اقساطی

🇮🇷 ارائه #مدرک معتبر و قابل ترجمه

کسب اطلاعات بیشتر پیام دهید. 👇
🔖 @data_vest

➖➖➖➖➖➖
✅@ecoraoofi

🐍 آنالیز داده با پایتون

پایتون با داشتن کتابخانه‌های بسیار، یکی از بهترین ابزارها برای انجام تحلیل داده است. در ادامه به برخی از کتابخانه‌های مهم تحلیل داده با پایتون اشاره شده است.

1️⃣کتابخانه NumPy: کتابخانه‌ای برای محاسبات علمی که توانایی ایجاد آرایه‌های چند بعدی را دارد. این کتابخانه به عنوان پایه برای کتابخانه‌های دیگری مانند Pandas و Scikit-Learn استفاده می‌شود.

2️⃣کتابخانه Pandas: کتابخانه‌ای بسیار فوق‌العاده برای تحلیل داده که با انواع داده‌ کار می‌کند. این کتابخانه قابلیت‌هایی مانند ایجاد دیتافریم، انجام عملیات روی داده‌ها، ترکیب داده‌ها، فیلتر کردن و … را دارد.

3️⃣کتابخانه Matplotlib: یک کتابخانه برای ترسیم نمودار‌ است. این کتابخانه امکان ترسیم انواع نمودارهای مختلف مانند نمودار خطی، نمودار نقطه‌ای، نمودار شعاعی و… را فراهم می‌کند.

4️⃣کتابخانه Seaborn: یک کتابخانه برای ترسیم نمودارهای زیبا و جذاب است. این کتابخانه قابلیت‌هایی مانند ترسیم نمودارهای چند متغیره، نمودارهای توزیع، نمودارهای رابطه و… را دارد.

5️⃣کتابخانه Scikit-Learn: یک کتابخانه برای یادگیری ماشین است که به صورت گسترده‌ای در تحلیل داده‌ها استفاده می‌شود. این کتابخانه قابلیت‌هایی مانند ایجاد مدل‌های یادگیری ماشین، ارزیابی مدل‌ها، پیش‌پردازش داده‌ها و… را دارد.

6️⃣کتابخانه Statsmodels: یک کتابخانه برای مدل‌سازی آماری است. این کتابخانه قابلیت‌هایی مانند ایجاد مدل‌های آماری، تحلیل داده‌های زمانی، تحلیل رگرسیونی و… را دارد.

7️⃣کتابخانه TensorFlow: یک کتابخانه برای یادگیری عمیق است که برای ایجاد مدل‌های پیچیده‌ی یادگیری ماشین استفاده می‌شود. این کتابخانه قابلیت‌هایی مانند ایجاد شبکه‌های عصبی، ارزیابی مدل‌ها، پردازش تصویر و… را دارد.

✅@pyfinance

🤖 تقریبا تمام قابلیت‌های ChatGPT رایگان شد

🟡شرکت OpenAI اعلام کرد دسترسی #رایگان تمام کاربران ChatGPT به امکاناتی نظیر دریافت پاسخ از اینترنت، تحلیل تصویر، آنالیز داده، رسم نمودار و... فراهم شده است.
🟡بعضی قابلیت‌ها از جمله ساخت GPT سفارشی، خلق تصویر و استفاده از GPT-4o با محدودیت کمتر، همچنان به‌شکل انحصاری در اختیار مشترکین ChatGPT پلاس قرار خواهد داشت.
🟡قابلیت آنالیز داده که به تازگی رایگان شده هم محدوده و نمیشه از یه مقداری بیشتر باهاش کار کرد. اما خیلی کاربردی هست، به خصوص برای کسانی که دانش کدنویسی ندارن و نیاز دارن دیتایی رو آنالیز کنن.

🐍@PyFinance
.

❗️آخرین مهلت ثبت‌نام با تخفیف

دوره‌های پرمتقاضی دیتاوست:
🔵دوره معاملات الگوریتمی با پایتون
🔴دوره بهینه‌سازی سبد دارایی با پایتون
🔵دوره مدلسازی و پیش‌بینی با هوش‌مصنوعی
🔴دوره هوش‌مصنوعی و علم داده در مالی
🔵دوره تحلیل تکنیکال هوشمند با پایتون
🔴دوره پایتون مالی

⚠️ کد تخفیف ۳۰ درصدی
📉 ecoraoofi

❗️پرداخت اقساطی (دریافت شرایط)

🟡رزومه مدرس (دکتر علی رئوفی+)

🔻دریافت اطلاعات بیشتر 👈 @data_vest

🔻مشاهده دوره‌های بیشتر:
🌐datavest.ir
.

💻 هوش‌مصنوعی و پیش‌بینی بازارهای مالی

اگر علاقه‌مند به یادگیری مهارت علم داده و هوش‌مصنوعی هستید پیج ما را دنبال کنید

✅@PyFinance

⚠️مهم‌ترین کتابخانه‌های پایتون برای علوم داده

🟡 کتابخانه NumPy : لینک
🔴 کتابخانه pandas : لینک
🟡 کتابخانه Matplotlib : لینک
◻️ کتابخانه seaborn : لینک
🟡 کتابخانه SciPy : لینک
🔴 ابزار NLTK : لینک
🟡 کتابخانه scikit-learn : لینک
◻️ کتابخانه spaCy : لینک
🟡 پکیج statsmodels : لینک
🔴 فریم‌ورک Scrapy : لینک
🟡 کتابخانه TensorFlow : لینک
◻️ کتابخانه Keras : لینک
🟡 کتابخانه Plotly : لینک
🔴 کتابخانه Folium : لینک
🟡 کتابخانه Beautiful Soup : لینک
◻️ کتابخانه NetworkX : لینک
🟡 فریم‌ورک PyTorch : لینک
🔴 کتابخانه Polars : لینک
🟡 کتابخانه scikit-image : لینک
◻️ فریم‌ورک LightGBM : لینک
🟡 کتابخانه PyOD : لینک
🔴 کتابخانه Dask : لینک
🟡 کتابخانه Bokeh : لینک
◻️ کتابخانه AutoViz : لینک
➖➖➖➖➖➖➖➖➖➖
✅افزایش دانش مالی با پایتون در تلگرام
https://www.tg-me.com/pyfinance
.

🔴قابلیت جدید شرکت perplexity با عنوان pages

🟡این قابلیت درواقع با استفاده از قابلیت سرچ اینترنت این شرکت، براتون چیزی شبیه یک پست یا گزارش به همراه ذکر منبع به صورتی ساختار یافته و ترتمیز درست میکنه

🟡می‌تونین بهش بگین که سطح تخصصی بودنش چقدر باشه یا برای چه مخاطب هدفی بنویسه

🟡کل چیزی که تولید میکنه قابل ادیت هست و میتونین هرجایی رو خواستین تغییر بدین

🟡فقط هم متن تولید نمیکنه بلکه محتوای بصری هم به چیزی که تولید میکنه اضافه میکنه

🟡نکته مهمش اینه که این صفحات قابلیت به اشتراک گذاری و انتشار هستن و از جهت SEO بهینه شدن و درنتیجه همین الان موتورهای جستحو درحال پیدا کردنشون هستن!!

🟡به نظرم برای کسایی که حوزه تولید محتوای متنی کار میکنن خیلی خبر مهمیه و البته نوشتن گزارش های دانشگاه و ای بوک خیلی خیلی راحت شده

🔻اینجا میتونین بیشتر در موردش بخونین

❗️افزایش دانش هوش‌مصنوعی در حوزه مالی
✅@PyFinance
.

🔴محاسبه میانگین متحرک برای داده‌های بورس تهران

کد زیر میانگین متحرک ۲۰ روزه را برای نماد #خودرو محاسبه کرده و نمودار آن را به همراه قیمت سهم نمایش می‌دهد.
@PyFinance

#Telegram ID: @PyFinance
#کتابخانه های مورد نیاز
import finpy_tse as pyf 
import matplotlib.pyplot as plt
#فراخوانی داده
start = '1402-03-21' 
end   = '1403-03-21'
Data = pyf.Get_Price_History('خودرو', start, end)
#محاسبه میانگین متحرک
Data['Moving_Avg'] = Data['Close'].rolling(window=21).mean()
#ترسیم
plt.plot(Data['Close'], label='Close')
plt.plot(Data['Moving_Avg'], label='20-day Moving Avg', color='orange')
plt.legend();

⭕️ بررسی رابطه سهام با مسکن!
در حال حاضر کدام جذاب‌تر است؟

🟡شاخص قیمت بورس نسبت به قیمت آپارتمان در تهران دارای یک روند خنثی است که اطراف میانگین ۱۲۲ واحد در نوسان است.
🟡هر وقت مقدار این شاخص کمتر از میانگین است به معنی ارزان‌تر بودن بورس نسبت به ملک و هر وقت بیش از میانگین باشد نشان از بیش ارزش‌گذاری بورس نسبت به ملک است.
🟡به طور مثال در سال ۹۹ این شاخص به ۲۹۵ رسیده بود که نشان از حباب در بازار سهام یا عقب ماندن ملک از بورس بود. بنابراین در سال‌های بعد ملک این عقب‌افتادگی را جبران کرد!
🟡در حال حاضر مقدار شاخص کمتر از میانگین است. بر این اساس به نظر می‌رسد بورس نسبت به مسکن عقب مانده و باید عقب‌ماندگی خود را جبران کند.

اما چند نکته؛
اول: رفتار این شاخص قبل و بعد از سال ۱۳۸۵ به دلیل رشد‌های پیاپی مسکن در سال‌های اخیر عوض شده؛ به نحوی که تا قبل از آن، شاخص عمدتا بالای میانگین و بعد از آن کمتر از میانگین بوده است. بنابراین بهتر است این دو دوره را مجزا بررسی کنیم. میانگین این شاخص برای سال‌های بعد از ۱۳۸۵ حدود ۱۰۰ است. با این حساب همچنان بورس نسبت به مسکن عقب است. و انتظار داریم این شاخص افزایش یابد و به حدود ۱۰۰ برسد.
دوم: کف این شاخص در این ۳۰ سال ۶۱ بوده و انتظار می‌رود کمترین مقدار آن در دوره اخیر بین ۶۱ تا ۶۶ باشد، بنابراین با توجه به مقدار فعلی، انتظار داریم بورس بیش از این از مسکن عقب نیفتد.
سوم: رفتار شاخص نشان می‌دهد که بورس مدت‌ها می‌تواند نسبت به مسکن ارزان‌تر بماند اما جبران این عقب‌ماندگی معمولا سریع و ناگهانی است. مثلا از سال ۹۳ تا ۹۸ بورس از مسکن عقب بود اما به ناگاه در سال ۹۹ نه تنها عقب‌ماندگی را جبران کرد که از آن نیز پیش افتاد! در حال حاضر هم دقیقا نمی‌دانیم کی بورس عقب‌افتادگی را جبران خواهد کرد اما می‌دانیم که برای جبران عقب‌ماندگی باید رشد قابل توجه و سریعی داشته باشیم.
چهارم: بعد از رشدهای ناگهانی بورس، رشدهای مسکن شروع می‌شود و مقدار این شاخص به سرعت به میانگین بازمی‌گردد. در حال حاضر ابتدا باید منتظر سیکل افزایشی بورس، سپس مسکن باشیم و این نکته مهمی برای سرمایه‌گذاری‌های آتی است.
پنجم: از همین نقطه، اگر مسکن ثابت بماند، بورس باید حداقل ۵۰ درصد رشد کند تا شاخص به عدد ۱۰۰ نزدیک شود. البته تجربه نشان داده که هر گاه بورس رشد می‌کند مقدار شاخص بیش از میانگین می‌شود، ضمن اینکه قیمت مسکن نیز ثابت نیست. پس در موج بعدی باید منتظر رشد بیش از ۵۰ درصد بورس باشیم.
➖➖➖➖➖➖
افزایش دانش مالی با دکتر علی رئوفی
✅@ecoraoofi

⭕️ شروع دوره از #فردا (۱۲ تیرماه)
دوره جامع "هوش‌مصنوعی و علم داده"

تخفیف ۳۵ درصد فقط تا پایان امروز

پاسخگویی به سوالات و ثبت‌نام:
🔖 @data_vest

❗️اطلاع از سایر دوره ها (+)
➖➖➖➖➖➖➖➖➖➖
افزایش دانش مالی با پایتون در تلگرام
https://www.tg-me.com/pyfinance

⭕️ شروع دوره از #فردا ۱۳ تیرماه

دوره بهینه‌سازی سبد دارایی با پایتون

۳۰% تخفیف + پرداخت اقساطی

🇮🇷 ارائه #مدرک معتبر و قابل ترجمه

کسب اطلاعات بیشتر پیام دهید. 👇
🔖 @data_vest

➖➖➖➖➖➖
✅@ecoraoofi

کلام #حق 😃

افزایش دانش مالی با پایتون در تلگرام
✅@pyfinance

☕️ تصاویر هوش مصنوعی از ایران متروکه شده

✅@pyfinance
.