Deep Time

این که بازار سهام آمریکا و خصوصا Nvidia در پی موفقیت شرکت چینی Deepseek شدیدا ریخت رو که همه میدونیم اما باید به Jevons Paradox هم توجه کرد. هر زمان بهره‌وری و افیشنسی ابزار و تکنولوژی در مصرف چیزی در تاریخ بشر بالا رفته، تقاضا برای کاربردش زیادتر شده. برای مثال اگر یک تکنولوژی با مصرف ذغال سنگ کمتری انرژی بیشتری تولید کرده، به طور متناقضی، مصرف ذغال سنگ افزایش پیدا کرده. پس پیشبینی میشه تقاضای computation و GPU افزایش پیدا کنه.

این جالبه که Deepseek توسط یک Hedge Fund توسعه داده شده. اصولا Quantها علاوه بر اینکه در مهندسی و ریاضیات قوی هستن بیشترین skin in the game رو دارن چون اشتباهاتشون مستقیما باعث ضررهای سنگین برای شرکت‌های سرمایه‌گذاری میشه.

دو نکته دیگه:

آندره کارپاتی از مدت ها قبل همیشه میگفت که RLHF جواب نیست و باید از Pure RL استفاده بشه. این نکته‌ای بود که احتمالا برای Deepseek جواب داد اما به دلیل بهره گیری از روش درست برای گرفتن داده‌های با کیفیت. البته بعضا در مورد قدرت مدل پایه هم صحبت میشه.

ضمنا همه چیز رو به چین تقلیل ندیم. در واقعیت پیشرفت‌های AI از در هم تنیدگی آمریکا و چین هست. تکنولوژی AI داره عموما به صورت جمعی پیشرفت میکنه و مهد این پیشرفت در آمریکا بوده همیشه برای مثال ترنسفرمر که نقطه عطف پیشرفت مدل‌های زبانی و LLM بود توسط گوگل توسعه داده شد. و از طرفی آمریکا هم پر از استعدادهای چینی هست (عکس تیم‌های المپیاد آمریکا رو ببینید) و از اون طرف هم اگر دقیق دنبال کنید خیلی از متخصصین Deepseek تا یک سال قبلش در شرکت‌های آمریکا کار کردن و متخصص شدن.

دوستانی که از حوزه Software و ML/AI وارد حوزه کوئانت و Algorithmic Trading میشن عموما یک اشتباه اساسی دارن و اون هم این هست که از ابتدا فرآیند حل مسئله رو تماما در قالب داده، کد و نرم افزار میبینن و هیچوقت Trade دستی یا Discretionary Trading انجام ندادن و نتیجتا در تعریف مسئله و label، تعریف فیچر، بکتست، مدیریت سرمایه و به طور کلی توسعه سیستم Algorithmic Trading به مشکل میخورن. نیاز به domain expertise برای حوزه Quantitative Finance بالاست.

راه حل: بهتره اکثر افراد تیم (بجز دواپس و ...) اکانت با پول واقعی داشته باشن، بازار رو دنبال کنن و با روش‌هایی مثل price action ترید بزنن و از تحلیل‌ها و insight ها برای سیستمشون ایده بگیرن. تاکید میکنم که اکانت real با پول واقعی باشه تا skin in the game داشته باشید و نتایج واقعی بگیرید. برای مثال در فارکس میتونید حتی ۵۰ دلار اکانت داشته باشید با 0.01 لات ترید کنید.

پ.ن: در این پست قبلا گفته بودم ترید کوتاه مدت خطرناک هست. این بحث ماجراش متفاوته، در واقع اگر تخصص و تجربه باشه هیچ اشکالی نداره حتی HFT اما من افراد تازه کار زیادی دیدم که در ابتدا با پول زیاد و لورج بالا به علت نبود مدیریت ریسک و رفتار هیجانی (و گاها بروکر B-book) کال مارجین میشن.

همونطور که قبلا اینجا گفتم، یادگیری، تخصص و اعمال دانش از مواردی هست که بیشترین دوپامین و انگیزه رو ایجاد میکنه. حالا این یادگیری و توانایی تغییر مغز در واقع با مکانیزم نوروپلاستیسیتی انجام میشه که قابلیت مغز انسان برای ایجاد ارتباطات نورونی جدید هست. این توانایی برای تمام سنین هست اما از ۲۵ سالگی به بعد به پروتکل‌های خاصی نیاز هست تا مغز تغییر کنه و یادگیری اتفاق بیفته. در اصل دو ماده وجود دارن با دو کارکرد که اگر در مغز همزمان ترشح بشن قطعا نوروپلاستیسیتی اتفاق میفته.

۱_ ماده Epinephrine با کارکرد هشیاری (Alertness): که برای ترشحش دو راه مصرفی و رفتاری هست:
مصرفی: کافئین و Adrenal. شخصا هر روز قهوه میخورم.
رفتاری: عشق، ترس، لذت و ... برای مثال:
فرض کنید به این فکر میکنید که چقدر از متخصص شدن در ماشین لرنینگ و کوئانت لذت میبرید پس هشیاری ایجاد میشه برای مغز و آماده یادگیری. یا گاهی احساساتی مثل ترس و اشتیاق فرضا برای شرکت در مسابقات میتونن چالش های خوبی برای یادگیری و تثبیت در مغز باشن. اصولا ایجاد چالش مثبت باید یک روتین باشه. ترس از آلزایمر هم میتونه برای سنین بالا هشیاری کافی برای یادگیری رو ایجاد کنه.

۲_ ماده Acetylcholine با کارکرد تمرکز و توجه (Attention): برای ترشحش مجدد دو روش هست:
مصرفی: نیکوتین که ریسک سلامتی داره.
رفتاری: تمرکز بصری که در واقع مهم‌ترین و طبیعی ترین مکانیزمی تمرکز هست که همه باهاش به دنیا میایم. برای ایجاد این تمرکز بصری به شکل خیلی ساده کافیه ۶۰ الی ۱۲۰ ثانیه به یک نقطه نگاه کنیم.

نکته اساسی: نوروپلاستیسیتی در زمان بیداری تکمیل نمیشه و صرفا کانکشن های نورونی هایلایت میشن اما تثبیت در طول خواب اتفاق میفته که نیاز به خواب خوب در شب هست. اما یک مکانیزم که حتی از خواب شب بهتر عمل میکنه مکانزیم NSDR هست که در واقع نوعی مدیتیشن هست و البته میتونه یک چُرت هم باشه در حالت ساده. و حالت بهینه برای یادگیری ۹۰ دقیقه یادگیری و ۱۵ الی ۲۰ دقیقه NSDR

منبع: اپیزود Essentials: How to focus to change your brain از Hubermanlab که برای استاد نوروساینس استنفرد هست. اپیزودهای Essentials حدود ۴۰ دقیقه هستن و توصیه میکنم دنبال کنید.

ظهور LLM Agent ها و توسعه اتومات یک سیستم Trading

شما در حال حاضر میتونید با استفاده از یکسری فریمورک‌ها یک تیم از مدل‌های زبانی بزرگ (LLMها) داشته باشید، براشون نقش تعریف کنید (با نوشته)، نوع ارتباطشون رو تعیین کنید، دسترسی به توابع، ابزار، Web و مستندات بهشون بدید و نوع خروجی رو با reasoning تعیین کنید. در واقع بکارگیری کامیپوترها با ترکیبی از زبان برنامه‌نویسی و زبان طبیعی در قالب Agent ها.

مثال: یک تیم از Agent های زبانی که مسئول توسعه و نگهداری از یک سیستم Trading هستند: یک LLM مدیر اجرایی، یکی متخصص گرفتن اخبار مهم و موثر بازار و سهام، یکی متخصص پردازش احساسات این اخبار، یکی متخصص فراخوانی مدل‌های پیشبینی کننده با توجه به جو بازار، یکی متخصص آپدیت مدل‌ها و استراتژی‌ها با توجه به توابع از پیش تعیین شده و ... . همچنین تعیین میکنید که خروجی‌ها و نوع ارتباطات باید به چه شکل باشه. شبیه یک شرکت کامل، اما همچنان باید صبر کرد تا ببینیم چقدر در حل مسائل واقعی و بزرگ این LLM Agent ها میتونن موثر باشن. و البته نیاز به Agentهای کوچک و efficient برای کارهای خاص و مشخص خواهد بود.

یادگیری: پیشنهاد میکنم کمی این فریمورک‌هارو یاد بگیرید. برای مثال AutoGen مایکروسافت گزینه خوبی هست. جالب این که Conversation Pattern هایی تعریف کردن که به کار میاد. یک مسئله جالب هم که در کورس آنلاین دانشگاه برکلی دیدم قرار میدم در پست‌های بعد که اگر خواستین با حل مسئله یاد بگیرید. البته اکثرا نیاز به API پولی از فرضا OpenAI هست.

فریمورک OpenHands هم جالبه بررسی کنید.

پ.ن: همیشه هم یکسری میگن hype اما دلیل بر یاد نگرفتن و کار نکردن با این ابزارها نیست.

🎥 آموزش کوبرنتیز (Kubernetes)

کوبرنتیز یک بستر متن‌باز برای مدیریت کانتینرها در محیط عملیاتی است که به توسعه‌دهندگان و تیم‌های فنی کمک می‌کند برنامه‌هایشان را با مقیاس‌پذیری، پایداری و انعطاف بالا مستقر کنند.

در حال تهیه یک پلی‌لیست آموزشی جامع داخل کانال یوتیوب در این زمینه هستم. تا الان ۶ ویدیو ضبط کردم و تخمین می‌زنم این دوره در نهایت به حدود ۸۰ ویدیو برسد.

کدهای استفاده‌شده در آموزش‌ها را هم روی گیتهاب قرار دادم تا بتوانید از آن‌ها استفاده کنید.

🎬 مشاهده پلی‌لیست آموزشی در یوتیوب

💻 دسترسی به کدها در گیتهاب

@golemcourse

در تایید پست محمد عباسی عزیز که اینجا اعلام کردن، دکتر نیما حبیب‌زاده یک سری ویدئو آموزش LLM رو شروع کردن که با توجه به storytelling عالی حتما پیشنهاد میکنم برای شروع یادگیری مباحثی مثل RAG، Langchain و ابزار و مفاهیم مختلف در زمینه LLM ها این ویدئوهارو که رایگان در یوتیوب هست ببینید. مطالبی در این سطح به طور رایگان رو کمتر میشه پیدا کرد.
Youtube Link

آقای Emmanuel Candès استاد ریاضی و statistics استنفرد از افرادی هست که باید در زمینه Conformal Prediction دنبال کنید. اهمیت کار تیم ایشون به نظرم دو مقاله‌ای بود که کمک کرد تنها فرض Conformal Prediction که Exchangeability هست هم کنار بره تا برای سری زمانی هم استفاده بشه. حالا در مقاله اخیر ایشون شاهد استفاده از Gradient Boosting هستیم برای بالا بردن دقت Coverage و کاهش طول interval ها. روش بسیار جالبه و همچنان به صورت post training هست یعنی مدل پیشبینی کننده شما میتونه هر مدلی باشه و فقط نیاز به خروجیش دارین. نکته کلیدی شاید انتخاب mis-coverage level به عنوان loss function در درخت boosting هست.

Paper

به روش redundancy که قبلا به عنوان عوامل پیشرفت گفتیم، با یک (یا چند) لیوان چای سخنرانی 35 دقیقه‌ای ایشون رو ببینید.

به پیشنهاد دوستان تخفیف بلک فرایدی ۴۰ درصدی گذاشته شده برای دوره.
مهلت: تا ساعت ۱۱:۵۹ شنبه ۱۰ آذر به وقت تهران

برای اطلاعات بیشتر به @TradeAI_admin پیام بدید.

توضیح درباره یکی از جالب‌ترین ابزارهای معاملات و سرمایه‌گذاری‌ یعنی Options Trading یا اختیار معامله و نحوه سود کردن از آپشن با ماشین لرنینگ
Straddle & Strangle Strategies

پیرو بحث این پست

خداحافظ Adam
با معرفی ADOPT بهتره Optimizer مدل‌های Deep Learning و LLM رو تغییر بدیم. مشکل اساسی Adam در واقع عدم تضمین convergence در فرآیند آپدیت وزن‌ها بود که در ADOPT حل شده. اما این برتری فقط در تئوری نیست و در عمل هم در اکثریت مسائل از جمله pretraining در GPT-2 بهتر بوده.

ایده اصلی و راه حل برای تضمین هم‌گرایی هم دو مورد هست:

۱_ حذف گرادیان کنونی از تخمین momentum دوم
۲_ نرمالایز کردن گرادیان، قبل از آپدیت momentum

Paper
Github
کد:

from adopt import ADOPT
#optimizer = Adam(model.parameters(), lr=1e-3)
optimizer = ADOPT(model.parameters(), lr=1e-3)

این پست برای تازه واردها در بازار‌های مالی هست. خیلی اوقات دوستانی میگن که میخوان وارد این حوزه بشن. همیشه چند نکته رو میگم:

۱_ از Trading کوتاه مدت در صورت تازه کار بودن اجتناب کنید تا پولتون به باد نره مگر اینکه یک سیستم کامل (احتمالا به همراه یک تیم با تخصص کوئانت) داشته باشید که تمام اصول و جزئیات رو رعایت میکنه. این سیستم نیاز به زمان، کار و تخصص زیادی داره که میشه موضوع مورد بحث در دوره‌ای که در این خصوص داریم.

۲_ حتی اگر یک سیستم برای معاملات الگوریتمی کوتاه مدت دارید، سعی کنید یک پرتفو مثلا از USDT، طلا (XAUT) و بیتکوین داشته باشید و البته اگر دسترسی دارید صندوق سهام آمریکا. اینجا با توجه به میزان ریسک و علمی که دارید درصدهارو گاها جا به جا کنید و معامله کنید و صد البته به مرور یک سیستم نرم‌افزاری براش توسعه بدید. یاد بگیرید که صبور باشید و با نوسانات کوتاه مدت هیجانی معامله نکنید.

۳_ نیاز نیست لزوما علم بالایی داشته باشید تا بتونید یک پرتفو رو بگردونید و سود کنید. با مطالعه و تجربه بخشی از پرتفو رو معامله کنید که این بخش با کسب تجربه میتونه بیشتر بشه. برای مثال با مشخص شدن نتایج انتخابات میتونستید بیتکوینِ پرتفوتون رو اضافه کنید. این مسئله با توجه به اظهار نظرهای ترامپ درباره بیتکوین قبل از انتخابات کاملا واضح بود. بعضی موارد نسبتا پیچیده تر مثل این پست هم به مرور میتونه مبنای معامله‌گری در پرتفوی شما باشه.

پ.ن: دیدیم که پست قبل هم در واقع تاچ تابلو زده نشد و قانون پابرجا بود (تاچ تابلو رو نمیشه زد!) و یا اگر هم زده شد شاید در یک بازه کوتاه بود.

قبول دارم شاید یکی از سخت‌ترین کارها باشه اما تا میتونید از انجام همزمان کارها و از اون مهم تر وجود یک گوشی هوشمند با نوتیفیکیشن در کنارتون در زمان کار اجتناب کنید. دلیل فقط تمرکز یا productivity نیست (که خوب این واضحا همیشه بوده و میدونیم)، دلیل حافظه است! زمانی که multitasking میکنیم یا در هنگام انجام یک کار (حتی تفریحی) تمام حواسمون روی کار نیست و یک گوشی که بالقوه نوتیفیکیشن داره هم هست، حافظه ضعیف تری به اون کار اختصاص پیدا میکنه و فراموشی اتفاق میفته چرا که حافظه در این حالت چند fragment خواهد شد که باهم در رقابت هستند. راه حل: حالت focus mode رو فعال کنید در گوشی و یا گوشی رو شارژ نکنید (کنترل محیط)

نکته بسیار جالب بعدی در رابطه با حافظه و فراموشی این هست که اگر سعی کنید تمامِ یک تجربه را عکس یا فیلم بگیرید (به اصطلاح over document کنید) اتفاقا در آینده اون عکس‌ها رو زود رد می‌کنید اما اگر عکس‌ها یا فیلم‌های کوتاهی بگیرید که به عنوان سرنخ برای یادآوری آن تجربه باشند، آن مستند برای شما ارزشمند خواهد بود و به تقویت حافظه بسیار کمک می‌کند.

پ.ن: طبق عادت پشت فرمون پادکست Hubermanlab گوش میکنم که در اپیزود اخیرش یک متخصص و دانشمند در حوزه حافظه و تمرکز صحبت میکرد. اپیزود بسیار جالبی بود.

پ.ن۲: معتقدم اگر حافظه ضعیفی در کارها و حتی امور روزمره داشته باشیم، شاید زمان نسبتا زیادی از عمرمون بگذره اما حس کنیم کمتر تجربه کردیم. این البته شروع یک بحث عمیق تر هست در کتاب ماشین تجربه که اینجا میتونید بررسی کنید.

تخیف برای یک هفته تمدید شد

تجربه سروش سارابی، مدیر هوش مصنوعی RADERON از دوره Machine Learning-based Algorithmic Trading

شخصا بسیار خوشحالم از اینکه تجربه خوبی بوده حتی برای متخصصینی مثل سروش که سال‌هاست در زمینه هوش مصنوعی با فیلدهای مختلف فعال هستند.

اینکه اصولا چرا این دوره برگزار شد خوب قبلا گفتم چون نیروی متخصصی نیاز داشتیم برای کار با سیستم (تخصص در پایتون و ابزار، فایننس و trade، ماشین لرنینگ و دیتاساینس) خصوصا که کوفاندرم هم الان پادگان در حال هک هوب هک در شرایط جنگی هست. اما اینکه چرا یک فریمورک کامل به دوستان ارائه شد (شامل ۳ کدبیس) به دلیل دیدگاه من درباره قدرت و مزیت open source و کلا share کردن به حالت all in بود. بعدا در این مورد بیشتر مینویسم.

حتما کانال سروش، دانش، آگاهی رو هم عضو باشید.

اطلاعات ثبت نام دوره

اگر لایک‌ها بالا بود تخفیف رو تا یک هفته مجدد فعال میکنیم.

احتمالاً با استفاده از ابزارهای هوش مصنوعی تصاویری با ظاهر بسیار واقعی تولید کرده‌اید. تئوری پشت این ابزارها diffusion models است. در کانال یوتیوب، ویدیوهای شماره ۸۱ تا ۸۹ از پلی لیست یادگیری عمیق را به این موضوع اختصاص داده‌ام. اسلایدهایی را که به همین منظور آماده کرده بودم، برایتان پیوست کرده‌ام.

@golemcourse

تصمیم گرفتم تجربه دوستان شرکت کننده در دوره Machine Learning-based Algorithmic Trading رو اینجا به اشتراک بذارم. این ویدئو تجربه فرید هست.

KerasHub

حتما ببینید. همونطور که قبلا Keras3 و Keras Core معرفی شد، هدف KerasHub این هست که با استفاده از Keras3 و Kaggle مدل‌های pretrained از LLM برای training و Inference استفاده بشه. مزیت اساسی سینک بودن با Kaggle Models هست و البته همون مزیت جدید Keras یعنی قابلیت سوییچ بین Jax, Pytorch و TensorFlow. فقط نیاز به یک اکانت Kaggle و API Key هست.

برای مثال Stable Diffusion 3 رو ببینید.

یک اصطلاحی در معاملات بازار هست که میگه شما اصولا نمیتونید "تاچ تابلو رو بزنید" یا "تاچ تابلو رو بگیرید" و در واقع به این معنی هست که احتمال خیلی ضعیفی داره که شما بتونید:
۱_ در پایین ترین قیمتی که بازار زده (تاچ شده)  یا مینیمم محلی خرید کنید
۲_ در بالاترین قیمتی که بازار زده (تاچ شده) یا ماکسیمم محلی بفروشید
۳_ هر دو کار برای یک دارایی انجام بدید

اما خوب مواردی هم پیش میاد که اینطور میشه با ترکیبی از فن و شانس. من باب مثال من از ۶۰ مجدد بیتکوین رو اضافه کردم (مینیمم محلی) و چون برای یکی دو ماه آینده نقد نیاز بود در ۶۸۳۰۰ خارج کردم (ماکسیمم محلی).
این که میگم ترکیبی از فن و شانس، قسمت فن همین درک از اهمیت قوانین تصویبی (پستی که بهش ریپلای شده) برای خرید بود و بحث جنگ و مقاومت تکنیکال و یکسری موارد دیگر برای فروش. البته که بیتکوین آینده خوبی داره خصوصا اگر درک درستی از فلسفش شکل بگیره. جدا از بحث trade باید یک بار در مورد فلسفه بیتکوین و تناقضی به نام آلتکوین صحبت کنیم!

تا 6 آبان 40 درصد تخفیف. جهت ثبت نام به آیدی @TradeAI_admin پیام بدین.

وجه تمایز دوره: در این دوره علاوه بر پوشش دادن مسائل مربوط به آموزش ماشین لرنینگ، معاملات الگوریتمی، کاربرد ماشین لرنینگ در معاملات الگوریتمی و ... چند کدبیس و فریمورک کامل به همراه آموزش در اختیار دوستان قرار گرفت. یکی از کدبیس ها مربوط به آماده سازی داده و فیچر است. یکی مربوط به MLOps Walk Forward Experiment که شامل چند هزار خط کد هست اما به راحتی قابل استفاده هست و یک سیستم Realtime که عملا مدل ماشین لرنینگ انتخابی در کدبیس قبل رو جهت معامله در یک محیط production استفاده میکنید. تمامی کدها و موارد مربوط به docker و سرور هم حتی از بیس آموزش داده میشن تا هر کسی بتونه یک سیستم کامل رو پیاده کنه و ربات معامله‌گر هوش مصنوعی خودش رو داشته باشه.

دوستان دقت کنید که هیچ دوره ای (پولی، رایگان، کالا با کالا) از بهترین موسسات جهان یک سیستم کامل در این حوزه را در اختیار شما قرار نمیدهد. و مزیت اصلی وجود همچین سیستمی این هست که بزرگترین مشکل این حوزه یعنی گستردگی و پیچیدگی مهندسی برای شما حل میشه و شما تمرکز رو روی ارتقا سیستم و تیم سازی میذارین.

خبر خوب: دوره Machine Learning-based Algorithmic Trading

خوشبختانه با کمک دوستان، دوره در قالب SpotPlayer با حفظ امنیت در مقابل کپی، آماده ارائه است.

خوشحالم که دوره
Machine Learning based Algorithmic Trading
با کیفیت بالایی برگزار شد.
ارائه فریمورک سیستم در قالب 3 کدبیس (از داده و فیچرسازی تا model experiment MLOPS و سیستم پروداکشن جهت trade) مهم ترین وجه تمایز دوره بود که در موردش توضیح خواهم داد.

ضمنا آشنایی با دوستان کاردرست در دوره برای تیم ما بسیار ارزشمند بود و به زودی همکاری‌هایی شکل خواهیم داد.

همونطور که آگوست ۲۰۲۳ خبر ETF شدن بیتکوین و اهمیتش رو بررسی کردیم (بیتکوین ۲۷۰۰۰ دلاری) الان هم یک خبر مهم داریم.

اجازه معاملات Option روی ETF بیتکوین که درخواستش رو BlackRock داده بود توسط SEC صادر شده و این هم در رشد قیمت بیتکوین موثر بوده. این قابلیت در خود صرافی‌ها مثل بایننس وجود داره (نوع اروپاییِ option هست البته) اما در ETF نبوده.
Reuters Link

البته همچنان در ETF عملیاتی نیست و وقتی عملیاتی بشه قطعا سرمایه زیادی به سمت بیتکوین از طرف شرکت‌های سرمایه‌گذاری بزرگ مثل خودِ BlackRock خواهد اومد چرا که آپشن در عموم استراتژی‌های هج فاندها وجود داره و ضروری هم هست.

توضیح: معاملات آپشن این اجازه رو میده که شما اختیارِ خرید یا اختیارِ فروش یک دارایی رو در یک قیمت مشخص در آینده بخری که این قابلیت در دنیای مالی به دلیل نیاز به Hedge کردن و به نوعی محافظت و بیمه شدن دارایی‌ها و کاربردهای دیگه ایجاد شده.

مثال: فرض کنید شما مقدار زیادی بیتکوین دارید و به نوعی میخواید سرمایه تون رو بیمه کنید در مقابل اینکه فرضا بیتکوین قیمتش ناگهانی خیلی پایین بیاد. در این حالت شما اختیارِ فروشِ بیتکوین یا put option رو در قیمت مثلا ۵ الی ۱۰ درصد پایین تر برای چند هفته آینده میخری تا اگر قیمت خیلی پایین اومد باز هم شما در اون تاریخ اجازه داشته باشی با همون قیمت تعیین شده خارج شی.

در یک حالت دیگه فرض کنید شما پیشبینی میکنید بیتکوین در چند روز آینده مقدار زیادی بالا بره. شما اختیار خریدِ بیتکوین رو در ۲ درصد بالاتر از قیمتِ الان برای ۳ روز بعد میخری. اگر قیمت بیتکوین در ۳ روز بعد ۱۰۰ درصد هم رشد کنه باز شما میتونی با همون ۲ درصد بالاتر بخری و ۹۸ درصد سود کنی!

چند استراتژی برای trading با آپشن رو در یک voice قرار میدم.

@deeptimeai

سیاست کاهش نرخ بهره یا interest rate cut که توسط Fed (فدرال رزرو: بانک مرکزی آمریکا) رخ داد در واقع یک سیاست انبساطی در علم اقتصاد هست. با کاهش نرخ بهره، در اصل هزینه قرض گرفتن پول از دولت کاهش پیدا میکنه که این همیشه باعث افزایش ریسک‌پذیری بین فعالان بازار و ورود پول به سهام growth یا بازار کریپتو هست.

این میتونه اساس یک سیستم detection ساده برای معاملات الگوریتیمی یا اعلان خبر هم باشه. در کاهش نیم درصدی (50 bps) نرخ بهره در هفته گذشته شخصا از بیتکوین و اتریوم سود خوبی گرفتم. این ازون مواردی هست که میتونید به فاندامنتال اتکا کنید و حتی درگیر ML یا سیستم‌های پیچیده هم نشید.

پ.ن: این مدت بخاطر مشغله ها کانال فعال نبود اما از امروز مطالب و پست هارو بیشتر میکنم.

دوره چند هفته در لیست پرفروش‌های evand قرار گرفته و همچنان هم هست. دمتون گرم

همچنین نوتبوک زیر رو جهت شروع پایتون از گیتهاب دکتر حبیب‌نیا میتونید ران کنید:
Notebook

لطفا نوتبوک‌هایی که در لایو معرفی شد رو پیش برید تا با پیش‌زمینه دوره رو شروع کنید:

Python

Machine Learning

از دوستانی که دیرتر اومدن (چه سشن اول چه دوم) و درخواست جوین شدنشون دیر قبول شد عذر میخوام. گوگل میت این قضایا رو داره.
این موارد در دوره نخواهد بود چون لینک مخصوص برای شرکت کننده‌ها ارسال میشه و بستر هم اسکای روم هست.

گروه تلگرام دوره هم به زودی تشکیل میشه و در این کانال کمتر درباره دوره میگیم و به روال قبل برمیگرده

تعدادی بلیط دیرهنگام بخاطر درخواست‌ها اضافه شد و به مدت محدود میشه ثبت نام کرد.
link
شروع دوره: پنجشنبه ساعت ۱۶:۳۰
فردا (سه شنبه) هم که جلسه عمومی پایتون هست.

جلسه آشنایی با پایتون مقدماتی و برخی کتابخانه‌ها روز سه شنبه ساعت 18 خواهد بود. در این جلسه بعد از معرفی چند بستر برای کار با پایتون، نوتبوک‌های آموزشی معرفی می‌شوند تا دوستانی که با پایتون و بعضی کتابخانه‌ها آشنا نیستند یادگیری interactive با نوتبوک رو تجربه کنند و این قابلیت را پیدا کنند که به صورت خودخوان با نوتبوک‌ها پیش بروند. نیازی به نصب پایتون هم نیست.

جلسه خارج از ساعات دوره برگزار میشود و حضور برای عموم آزاد است. البته هدف اصلی آموزش اولیه پایتون به شرکت‌کنندگانی از دوره است که هیچ تجربه‌ای با پایتون ندارند تا بتوانند در جلسات اول با آشنایی بیشتری وارد شوند.

پ.ن: البته در طول دوره هم آموزش داریم و بر اساس فیدبک از دوستان پیش میرویم.

عموما بسیاری از شرکت‌ کننده‌ها میذارن دقیقه نودی ثبت نام میکنن و اونم معمولا بخاطر شکل تبلیغاتِ مربوط به دوره‌هاست.
اینجا هم یکسری پیام داره میاد که تقاضا دارن ظرفیت افزایش پیدا کنه و ثبت نام کنن.

ظرفیت دوره ۴۰ نفر هست (که تکمیل شد) و هیچوقت هم قرار نبوده مثل دوره‌های زرد چون آنلاینیم ۵۰۰ نفر هم اوکی باشه و در نهایت هم هیچ تعاملی در کلاس شکل نگیره. درباره افزایش ظرفیت باید صحبت بشه ولی فعلا تصمیمی نیست. اگر هم باشه قطعا تعداد پایینی در حد مثلا ۵ نفر خواهد بود.

ظرفیت ثبت نام تکمیل شد.

ویس ضبط شده مربوط به جلسه پرسش و پاسخ دوره معاملات الگوریتمی بر اساس یادگیری ماشین

برنامه ای برای ضبط نبود اما یکی از دوستان زحمت کشیده بودن و فایل ضبط شده رو فرستادن که احتمالا برای دوستانی که جلسه دیشب رو نبودن مفید باشه.

لایو پرسش و پاسخ دوره

امشب (سه‌شنبه) ساعت ۹:۱۵ شب یک لایو گوگل میت به همراه دکتر حبیب‌نیا برای پرسش و پاسخ پیرامون دوره و معرفی منابع مقدماتی جهت شروع یادگیری خواهیم داشت.

همچنین توضیح میدیم که در آینده و بعد از دوره چه همکاری‌هایی میشه شکل داد و چه کارهای تیمی میشه انجام داد.

لینک در کانال قرار میگیره.

چه عواملی روی جابه‌جایی قیمت اثر دارن؟

شماره ۱ : اخبار منفی

سقوط ۱۲ درصدی قیمت TON در اثر بازداشت پاول دورف بنیان‌گذار تلگرام در فرانسه بعد از پیاده شدن از جت شخصیش. البته که این یک تغییر قیمت گذراس. اما خوبه تحلیل کنیم‌

نوع تکامل و مکانیزم بقای انسان طوری بوده که وزن بیشتری به اخبار بد داده تا اخبار خوب. ما نسل انسان‌هایی هستیم که اخبار متفی رو جدی‌تر میگرفتن، محافظه کار تر بودن و شاید بدبین تر. محققین حتی گاها اومدن به اعداد عجیبی رسیدن که مثلا یک اتفاق بد 2.91 برابر نسبت به یک اتفاق خوب با اندازه یکسان اثر داره و یا همون مثال معروف که میگن شما از اینکه ۱۰ میلیون ضرر کنی خیلی بیشتر ناراحتی نسبت به میزان خوشحالی از ۱۰ میلیون سود. در مورد احساسات بد و اثرش شدیدا پیشنها میکنم این ویدئو رو ببینید و نکات و کتاب‌ها/منابعش رو توجه کنید:
احساسات بد: به وقت خودشناسی

این ویدئو البته کلی هست و نه درباره بازار یا پیشبینی. اما آیا ما برای این وقایع نیاز به پیشبینی داریم؟ شاید. اما یک سیستم دقیقِ detection در اصل نیاز هست که چنین مواردی رو بگیره و یک llm ساده (یا fine tune شده با مستندات مارکت) هم میتونه به شما بگه اگر بنیان‌گذار جایی دستگیر بشه باید (کوین) سهامش رو بفروشید یا put option بخرید. به همین سادگی، و البته سهل ممتنع در پیاده سازی. حالا گاها بحث آنالیز احساسات هم روی کامنت‌ها مطرح میشه که البته قبلا که توییتر اینطور api پولی نداشت بیشتر کار میشد.

#information_advantage

با توجه به سوالاتی که تکرار شد:

۱_ بستر برگزاری الوکام یا اسکای روم هست

۲_ مشخص نیست دوره تکرار بشه ولی در صورت تکرار موارد آپدیت شده در اختیار  دوستان دوره‌های قبل قرار داده میشه

۳_ استراتژی‌های خودتون هم کاربرد خواهد داشت. همونطور که در سرفصل‌ها هست استراتژی ها شامل استراتژی‌های مختلف غیر از ماشین لرنینگ (روند و change point و ...) و ماشین لرنینگ و همچنین ترکیبی هست و در نهایت شما باید این مهارت رو پیدا کنید که استراتژی خودتون رو پیاده کنید و بکتست بگیرید و دیپلوی کنید‌. و بعد میتونید با کمک ماشین لرنینگ بهبودش بدید. این در واقع همون پروژه کلاسی هست
برای مثال میتونید استراتژی اسمارت مانی خودتون رو پیاده کنید یا ترکیب کنید با ماشین لرنینگ.

دوره آنلاین "معاملات الگوریتمی براساس یادگیری ماشین"
Machine Learning-based Algorithmic Trading

زمان:
از 15 شهریور تا 20 مهر
پنجشنبه‌ها: 16:30 تا 19
جمعه‌ها: 17:30 تا 20
طول دوره:
30 ساعت
امکان برگزاری جلسات تکمیلی و رفع اشکال بدون هزینه اضافی وجود دارد. این امکان به دلیل گستردگی مباحث و ذات بین رشته‌ای دوره ایجاد شده است.
✅ مشاهده سرفصل‌ها و ثبت‌نام: Link ثبت نام به پایان رسیده است

ظرفیت کل به دلیل کیفیت و نیاز به تعامل محدود است.

🔴 ظرفیت به پایان رسید

دوستانی درخواست داشتن که دوره با کیفیت معرفی کنیم. بنا بر این شد که با دکتر حبیب‌نیا یک دوره عملی "معاملات الگوریتمی براساس یادگیری ماشین" با ظرفیت محدود به صورت آنلاین برگزار کنیم. دکتر حبیب‌نیا تجربه تدریس در دانشگاه استنفرد رو هم دارن و دوره‌هایی در آمریکا، انگلستان و ایران برگزار کردن. به زودی اطلاعات ثبت نام رو اینجا قرار میدم تا دوستان حاضر در کانال که مایل به شرکت بودن در اولویت باشن.

تا جای ممکن و با توجه به ظرفیت محدود، هزینه دوره کاهش پیدا کرد.

دوره‌هایی که در زمینه معاملات الگوریتمی براساس یادگیری ماشین/دیتاساینس برگزار میشن یا بسیار گران هستند یا بسیار بی کیفیت (بی غایت) یا هر دو! البته دوره‌های گران قیمت بعضا خوبی وجود دارن که اینجا هم اشاره شد. بالاخره نمیشه از چنین حوزه‌ای انتظاری غیر از این هم داشت.
اما بحث اینجاست که صرفا در کنار هم قرار دادن یک دوره ماشین لرنینگ/پایتون و یک دوره معاملات الگورتمی، که هر دوش جداگانه با کیفیت و سطوح بالا و کاملا رایگان در اینترنت موجود هست که نشد کار. در نهایت هم واقعا یک مدل ماشین لرنینگ برای ترید نخواهید دید. انگار از آشنا نبودن مخاطب با حداقل یکی از این دو حوزه سو استفاده میشه.
بذارید رو راست به شما بگم اگر دوره ای به شما یاد نده که از داده به مدل ماشین لرنینگ برای ترید اتومات (ربات) برسید احتمالا بهتره براش هزینه نکنید چرا که فقط با بلد بودن زبان و داشتن اینترنت میتونید مباحث نظری و کدزنی رو از منابع مختلف و با کیفیت یاد بگیرید. شما مباحث فایننس اندرو لو از MIT هم میتونید رایگان ببینید. اما آموزش‌های محدودی هست که شمارو از منابع داده به ترید اتومات با ماشین لرنینگ داکرایز شده برسونه. دلیل هم واضح هست: نیاز به تجربه و ابزار مختلف.

تله‌های اساسی randomness در بکتست: ذات رندوم بازار و روش Monte Carlo

مسئله اصلی که بکتست رو از اساس سخت میکنه این هست که بازار هم مثل فوتبال یا خودِ زندگی randomness ذاتی داره. یعنی برخلاف مسائل فیزیکی، بازار از هیچ governing equation خاصی پیروی نمیکنه و فقط با اتکا به inefficiency ها میشه پیشبینی کرد. یعنی چی؟ یعنی اینکه شما در فیزیک اگر ۱۰ بار یک جسم رو به یک میزان گرم کنی دماش با یک الگوی کاملا مشخص بالا میره. اما اگر یک بازی فوتبال یا بازارِ مالی رو دوباره تکرار کنی حتما مسیر متفاوتی رو میره.

راه حل:
۱_ استفاده از روش Monte Carlo. به نوعی شاید بعضی ها فکر کنن data augmentation هست ولی در واقع شما میای و با استفاده از دیتاسیت واقعی و اضافه کردن نویز و یا حتی روند های کوچک، ورژن‌های مختلفی از دیتاست رو تولید میکنی و بکتست رو برای تمامی این حالات انجام میدی تا مطمئن بشی اگر شرایط طور دیگری پیش میرفت و واقعیت حداقل در جزئیات طور دیگیری میبود، مدل من چطور عمل می‌کرد چرا که در آینده هم یک مسیر خاصی از بازار و قیمت ایجاد می‌شود که باید برای آن مسیر آماده باشیم.

۲_در پست‌های قدیم‌تر کانال دیدیم که روش‌های پیشرفته‌تری هم برای ایجاد داده مصنوعی از بازار وجود داره. مثلا روش Signature Kernels که دقیقا برای همین کاربرد استفاده شد و جایزه Quant سال رو هم فرد توسعه دهنده در JP Morgan برنده شد.

خیلی پیام میگیرم درباره اینکه بعضیا برای رایگان کردن دوره‌‌های کورسرا مشکل دارن: برای یادگیری Machine Learning و خصوصا تئوری مدل‌ها نیاز نیست منتظر کورسرا و financial aid باشید. یک منبع یادگیری فوق‌العاده و رایگان کانال یوتیوب StatQuest هست:
Playlists
برای مثلا میتونید از این لیست شروع به یادگیری کنید که واقعا کامل هست. این لیست در آخر به deep learning, transformers , pytorch و ... میرسه.
مزیت این منبع پوشش الگوریتم مدل‌هایی مثل XGBoost هست که معمولا آموزش‌هاش پیدا نمیشه. اگر برای گرفتن شغل در این حوزه برنامه‌ریزی میکنید حتما باید پایه و تئوری مدل‌ها رو بلد باشید. در مصاحبه از شما نمیخوان که یک درخت تصمیم رو import کنید و train کنید، بلکه مفاهیمی مثل information gain و entropy سوال میشه. مفاهیم پایه مثل bias variance و ... هم خوب توضیح داده و اصولا میتونه برای شروع و تکمیل یادگیری دوره خیلی خوبی باشه.

طبیعتا برای automate کردن معاملات (یا به قول بعضیا ساختن ربات یا بات) به real-time data نیاز هست. با این فرض که شما یک پایپلاین داده پایتون دارید بهترین گزینه دریافت داده از بروکرتون از طریق پکیج python از metatrader هست:

pip install MetaTrader5

از داکیومنتش میتونید کدهارو دسترسی پیدا کنید.