ساخت سیگنال معامله از توییتر با پایتون و ChatGPT
۳۵۰,۰۰۰ تومان۲۴۵,۰۰۰ تومان
شما می‌توانید از تحلیل داده‌های بازار، سیگنال تکنیکال Technical بسازید یا از تحلیل کیفیت یک نماد و اسناد فنی آن، سیگنال فاندامنتال Fundamental و یا از اخبار وب و شبکه‌های اجتماعی در مورد یک نماد معاملاتی، سیگنال جایگزین یا Alternative ! برای مثال، توییت‌های معامله‌گران بزرگ می‌تواند در خود سیگنال جایگزین داشته باشد.
چه می‌شد اگر می‌توانستید هر روز توییت صدها نفر از معامله‌گران یا تاثیرگذاران بازار در مورد «مثلا بیت‌کوین» را تحلیل احساس کنید تا بفهمید در مجموع به نظر آن‌ها بیت‌کوین در آستانه رشد قرار دارد یا افت؟
در این آموزش این خواسته شما برآورده می‌شود. شما می‌آموزید که مدل زبانی پشت ChatGPT یعنی GPT را به خدمت بگیرید و توییت‌های یک هشتگ «مثلا bitcoin» را پس از واکشی از وبسایت X (توییتر قدیم) به GPT بدهید تا برایتان تحلیل احساس کند.
مدل زبانی با تحلیل احساس توییت‌ها و خواسته شما (Prompt) یک عدد از ۰ تا ۱۰۰ (حس افت شدید تا حس رشد شدید) برمی‌گرداند که نوعی سیگنال Alternative برای فروش (Short یا Sell) یا خرید (Long یا Buy) است.
*تذکر: پیش از تهیه این بسته حتماً فیلم معرفی و ریز سرفصل‌ها را در ادامه این مطلب بررسی کنید.
افزودن به سبد خرید
فیلم معرفی
محتوای آموزش
شما در این آموزش یک اسکریپت پایتونی می‌سازید. در این اسکریپت ابتدا توییت‌های مرتبط با هشتگ مورد نظر خود «مثلا بیت کوین» را به کمک کتابخانه Tweety از توییتر دریافت و به یک دیتافریم تبدیل می‌کنید. سپس به کمک کتابخانه لنگچین (LangChain) این توییت‌ها را همراه یک پرامپت Prompt مهندسی‌شده به مدل زبانی GPT در قلب ChatGPT می‌فرستید. پرامپت طوری طراحی شده که مدل زبانی احساس نهفته در این توییت‌ها را از بیشترین حس رشد تا بیشترین حس افت به صورت یک سیگنال از ۱۰۰ تا ۰ برگرداند.
چنین سیگنالی را چنان که در آغاز متن اشاره شد، سیگنال Alternative به معنی سیگنال جایگزین یا چاره‌ای می‌گوییم که می‌تواند مکمل سیگنال‌های فنی یا تکنیکال (Tehchncal) و سیگنال‌های بنیادی یا فانتدامنتال (Fundamental) باشد.
سورس کدها به این آموزش پیوست شده‌اند و تمام کدها از صفر و از لحظه نصب کتابخانه‌ها تا دریافت سیگنال نوشته شده و توضح داده می‌شوند.
در پایان دوره نیز ایده‌هایی برای شخصی‌سازی سیگنال و استفاده از مدل‌های زبانی دیگر به شما می‌دهیم.
ویژگی‌های آموزش
- روشی ساده برای دسترسی به هوش مصنوعی برای معامله است.
- معامله با داده‌های Alternative مکمل روش فانتدامنتال و تکنیکال است.
- آموزش سریع و دارای زمان‌بندی فشرده و سناریودار است.
- مدرس دوره دارای سابقه اکسپرت‌نویسی حرفه‌ای است.
- سورس کدها پیوست شده است.
پیشنیاز و پس‌نیاز
برای استفاده از محتوای این آموزش باید با زبان برنامه‌نویسی پایتون تا سطح شی‌گرایی و ایمپورت‌ها آشنا باشید.
اگر این پیشنیاز را ندارید آموزش زیر را ببینید:
آموزش پایتون از صفر شامل ۱۰ ساعت فیلم + تمرین (+)
همچنین پس از این آموزش می‌توانید آموزش زیر را ببینید تا ایده این آموزش را بتوانید با یک مدل زبانی لوکال و متن باز هم آزمایش کنید:
آموزش ساخت چت بات با لنگچین و مدل زبانی لوکال (+)
مشخصات فنی
مدت زمان | ۹۰ دقیقه (بهینه) |
محتوای بسته | فیلم درس‌ها + سورس کد |
سبک تولید | فشرده/تدوینی/سناریودار |
| پشتیبانی تخصصی | آموزش‌های سودگاه خودخوان هستند؛ ولی پاسخ سوالات در بخش «دیدگاه‌ها» تا حد ممکن داده می‌شود. |
سرفصل‌های آموزش
درس صفر: معرفی دوره در یک نگاه
- معرفی آموزش
- پیشنیاز دوره
درس اول : نصب ابزار
- آموزش دریافت و نصب پایتون
- آموزش دریافت و نصب محیط کدنویسی vsc
- آموزش فراخوانی پوشه در vsc
- آموزش ساخت محیط مجازی در پایتون
- آموزش فعال کردن محیط مجازی در پایتون
- آموزش نصب کتابخانه‌های مورد نیاز پروژه از روی فایل requirements
- تعریف فایل پایتونی برای ساخت پروژه در درس‌های بعد
درس دوم: معرفی کتابخانه Tweety
- آشنایی با کتابخانه Tweety
- استفاده از کلاس Twitter برای اتصال به Twitter
- معرفی تابع search و پارامترهای ورودی آن
- استفاده از تابع search برای بیرون کشیدن توییت‌های یک هشتگ
- پیریت کردن متن توییت ها
درس سوم : مرتب کردن متن توییت ها
- معرفی ماژول re در پایتون
- حذف لینک های که با http شروع می شوند از متن توییت ها
- حذف لینک های که با WWW شروع می شوند از متن توییت ها
- پرینت متن توییت ها بعد از مرتب سازی و مقایسه آن با حالت قبل
درس چهارم : ذخیره توییت‌ها در dataframe
- معرفی کلاس Tweet از Tweety
- تعریف مدیریت سرمایه Risk % of Equity برای اکسپرت
- بک تست اکسپرت در متاتریدر 5
- بررسی عملکرد اکسپرت و محاسبه حجم سفارش‌ها
- بررسی نتیجه بک تست اکسپرت
درس پنجم: معرفی مدل زبانی GPT و Langchain
- معرفی chatGPT
- روش استفاده از chatGPT
- آشنایی با عملکرد chatGPT
- معرفی مدل های زبانی بزرگ مثل GPT
- معرفی Langchain
- آشنایی با Models در Langchain
- آشنایی با مفهوم Chains در Langchain
- آشنایی با مفهوم Prompt در Langchain
- آشنایی با مفهوم Indexes در Langchain
- آشنایی با مفهوم Agents در Langchain
- آشنایی با مفهوم Memory در Langchain
- آشنایی با روش استفاده از GPT و Langchain در آموزش
درس ششم: فراخوانی مدل GPT
- فراخوانی مدل GPT در پروژه
- روش گرفتن ApI Key از OpenAI
- تنظیم کردن ApI Key در سیستم عامل ویندوز
- معرفی روش تنظیم ApI Key در سرور
- تعریف prompt Template برای ارسال درخواست به مدل
- ارسال درخواست به مدل و دریافت پاسخ از آن
درس هفتم: نوشتن درخواست (prompt)
- ساخت prompt در google Translate
- دادن شخصیت مناسب با درخواست ما به مدل با نوشتن prompt
- ارسال توییت ها به مدل با نوشتن prompt
- تعیین فرمت پاسخ مدل زبانی
درس هشتم: ذخیره متن توییت بصورت پیوسته
- گروه بندی توییت های که در یک روز ارسال شدند
- ذخیره تعداد بازدید و متن توییت ها بطور پیوسته
درس نهم: اجرای پروژه
- اجرای پروژه
- بررسی پاسخ مدل زبانی
درس دهم: جمع‌بندی
- مروری بر مطالب گفته شده در آموزش
- ایده‌های برای ادامه مسیر
هنوز نظری ثبت نشده
اولین نفری باشید که نظر میدهید
ثبت نظر