@machinelearningnet

بازم همین شب کذایی و دردی که هیچ وقت کهنه نمیشه 🖤💔💔


قاصد روزان ابری، داروگ ! کی می رسد باران؟

#پرواز_اوکراین

یه مقاله survey خوب برای کسانی که میخوان در زمینه llm در فاینانس ریسرچ انجام بدن.

در واقع مساله رو در ۲ دسته ی کلی استفاده از llm برای ترید، و استفاده ازش برای جنریت آلفا تقسیم بندی کرده، و مدلهای که وجود داره رو مرور کرده.

توی متن مقاله اشاره ای به استفاده از sonnet 3.5 نشده اما تجربه ی خودم اینکه که حداقل نسبت به gpt4 بهتر بود.

مقاله اش رو هم پایینه دسترسی دارین👇.

Channel: @machinelearningnet2
@machinelearningnet

۲۰ پوزیشن دکترا فول اسکالرشیپ برای دانشگاه اکسفورد در زمینه فاندمنتال AI ،
نیاز به ارشد هم نداره اما خوب رقابت سنگینه!

https://www.eitcdt.ox.ac.uk/foaicdt

و اما داستان ترید و نتایج و دغدغه ها💠

در این سال‌ها از ۲۰۲۲ من الگوریتم لایو توی مارکت کریپتو داشتم، ولی آشنایی من با کریپتو میرسه به ۲۰۱۶ که اتریوم رو به قیمت ۹ دلار ترید زدم، اون زمان اصلا نمیدونستم چیه، فکر میکردم یه چیزی برای دانشگاه eth Zurich باشه 😁😂
از ۲۰۱۳ توی فارکس بودم و در واقع تز ارشدم که درباره الگوریتمک تریدینگ بود و ۱۳۸۷-۱۳۸۸ دفاع کردم رو اونجا پیاده کرده بودم و داشتم ترید میکردم!🫥 ولی بعد از نزدیک ۸ سال توی اون بازار و سود خیلی خوب، مطمئن شدم فارکس ارزش ذاتی خاصی نداره و درنتیجه از ۲۰۲۱ همه چی رو فول اتوماتیک کردم⚙️ و از اواسط ۲۰۲۲ وارد الگوریتمیک تریدینگ توی کریپتو شدم ⭐،
از همون شروع تا الان اونقدر چلنج داشتم که باید کتاب براش بنویسم⭐️، واقعا کار الگوریتم قابل گفتنی ترین قسمت کاره اما چلنج های زیادی هست. از داشتن اکانت vip مناسب، رگولیشن تا مدیریت حواشی تیم و کار ، وقتی هم که میخوای پول بزرگ مدیریت کنی واقعا بازی سخت سخت میشه.

اون اوایل فقط یه استراتژی long only داشتم، یعنی همیشه فلت و بیرون از مارکت بود تا اینکه یه فرصت ترند رو به بالا پیدا کنه و ترید کنه ، ولی بعد از نزدیک یکسال بحث و پرزنت، تازه فهمیدم نظر مارکت روی چیه و مارکت دنبال چی هست! 🧠
بعدش الگوریتم رو عوض کردیم و تبدیل به الگوریتم های کم ریسکتر کردیم.

چلنچ بعدی اسکیل پذیری الگوریتم بود.🔻 مثلا شما نمیتونستی روی کوین ۵۰ ام بازار مثلا ۵۰۰k دلار ترید بزنی، و همه چی بهم می‌ریخت.

با اومدن روی بازار perp / futures اینا رو هم حل کردیم و الگوریتم جواب همه ی این چلنج هارو میداد، بعدش رسیدیم به درست کردن پایپلاین ترید برای بازار فیوچرز و اونم با یک تیمی انجام دادیم، و چند روز پیش هم گفتم هنوز دنبال نیرو برای این قسمت هستم.✅✅


چی یاد گرفتم!؟🍀

برای نزدیک ۲۰۰ تیم خارجی پرزنت کردم، برای ۱۰ تیم بزرگ instutional money ترید زدم✔️. اونقدر مصاحبه و پرزنت برای سیستم و الگوریتم و انواع استراتژی انجام دادم که تقریبا ته هر مصاحبه ای الان میشه توافق کاری⬛️، اما هنوز بزرگترین چلنج ما با دولوپرها هست بجای کوانت ها! 💤

نکته ی عجیب این بیزینس اینکه دولوپ یه مجموعه ترید هیچ چیز عجیبی نداره، قرار نیست نوآوری داشته باشی، و اصولا چیزی هست که یکبار انجام میشه و میره روی نگهداری، و شاید تا یکی دوسال یه gpt کل این پک رو انجام بده، اما فعلا همین کار پیرمون کرده 🤨

اینم بگم البته که الان با تیم های کار میکنم که برای همین سیستم ترید میان و مثلا اردر گذاری بهینه رو کار میکنن، این بازی البته برای ۱ میلیون به بالاست اما مثلا استفاده از RL و اینا برای همچین سیستمی فوقالعاده بازار خوبی داره. این برخلاف بالایی نوآوری داره👍

در مقابلش استراتژی موجود شدیدا زنده ای هست💫، میتونه توی یه رژیم الگوریتم جواب بده و رژیم بعدی اصلا منفجر بشه 🔥! روزی که داری استراتژی x رو لایو داری، باید بفکر استراتژی y باشی و یا اینکه بدونی بازار روی رژیم های مختلف چه رفتاری با استراتژی تو داره. بتونی یه مدل adaptive برای بهینه سازی پارامترها و ترین اونا درست کنی.🛡

پروسه کوانت non stop هست والا اینهمه کوانت ریسرچر دریافتی بالایی نداشت 🔸

دلیل از این بحث ها: 💡

۱. متوجه بشین توی چه زمینی / لوول ی میخواین بازی کنید. خیلی هارو دیدم به دلیل اینکه چیزی بلدن میخوان وارد مارکت فاینانس بشن اما نمیدونن چیکار میکنن، خود من ۳ سال با وجود الگوریتم عالی، همش چالش مدیریت کردم 🔭 این برای من که توی آکادمیک بودم و بخوام وارد گود بیزینس بشم واقعا سخت بود و هنوزم هست. این چند سال تلاش میشه نذری همین تغییر فاز ↗️

۲. وارد شدن به فین تک سخته، فروختن پروداکت مالی برای بازار خارجی چلنج زیادی داره ( پول خوبی هم داره)، و نیاز داره طرف ارتباطات قوی داشته باشه، اما مهمتر از اون فهم درست نیاز بازاره، ⚡️

۳. در این مدت فهمیدم کلید موفقیت در ۲ تا عامل هست. ۱. نیاز مارکت رو بشناسی، نه اینکه چیزی بلدی پس یه چیزی درست کنی ۲. وقتی یه محصول درست ساختی ، ارتباطات باعث میشه بتونی اونو بفروشی و بعدش ارتباطات بیشتری پیدا کنی. یه champion نیاز داری که معرفی ات کنه🎊

۴. مانع بزرگ دیگه پرزنت و مارکتینگ کاره، روزی که من شروع کردم به پرزنت الگوریتم، با وجود اینکه مشکل زبان انگلیسی نداشتم، اما به تته پته می‌افتادم! سوالهای پرسیده میشد که اصلا نمیدونستم، یکی لحجه امریکایی داشت یکی بریتیش، یکی هندی. از هر پرزنت یه چیزی یاد میگیرین، پس اصلا از ارائه کارتون نترسین⛔️


پ.ن. ۱. این داستان ادامه داره. پست بعدی روی ریزالت هست، چطوری ریزالت بکتست چندبار مارو بفنا داد :)) 📉

پ.ن.۲. هر وقت پاپلاین ترید حرفه ای شد، حتما یه پرزنت اینجا میزاریم. واقعا این چیزی هست که بهش توجه نکردیم ، اما
بود آیا؟! 😁

ارادت
@machinelearningnet2
@machinelearningnet

اینم یه ایده تحلیلی جالب برای قیمت بیتکوین هست که از پترن مچینگ میاد 🔸

با چند تا تیم از بچه های عالی گروه، در حال ریسرچ روی چند تا ایده در فضای پترن مچینگ هستیم👌،

قبلا راجع به مدلهای این حوزه توی این پست مقداری بحث کردیم، اما علنا کل مدلهای بر پایه distance در این حوزه ضعف دارن و در سری جدید مقالات قراره این مشکلات رو هایلایت کنیم و اپروچ های بهتری از فاصله اقلیدسی ارایه کنیم 💠

عجیبه که کار قوی هم توی پترن مچینگ در فاینانس زیاد نیست و هنوز جای کار برای دوستان ریسرچر زیاده، 😊

در واقع ایده، استفاده از مدل شباهتی هست که بجای فاصله، بتونه دقت بهتري از توزیع داده ها ارائه بده، همین ایده رو در نظر بگیرید و ادامه بدین 😉

@machinelearningnet2

New paper out 🎉


Our latest research emerged from a simple yet profound question: How can we truly understand the heartbeat of cryptocurrency markets?

Using a Directional Change (DC) methodology, we've developed a meta-learning framework that implementing adaptive parameter tuning and dynamic feature selection for crypto algorithmic trading.

💡 Key scientific innovations:
-🔹 Event-driven price sampling (DC) replacing constant frequency methods. It means DC method samples prices based on significant market movements rather than fixed time intervals, enhancing its flexibility in responding to market volatility
- 🔸Meta-learning model trained on multi-dimensional feature sets in different regime
-🔻 Return-weighted training approach enhancing model sensitivity



Key findings ⚡️:
🔻 Four group of features ( almost 300 features) show that there is no single group work best in all situation!

🔍 Analysis of the meta-learning models shows a low correlation between outputs from models trained on distinct feature categories, suggesting that each group captures a unique aspect of parameter selection in different conditions.

🔸 Feature behavior analysis reveals that different categories were most informative at various points in the history, with strategy meta-information and DC indicators standing out as the most impactful features


Interested in diving deeper? read the paper here: linkedin 💠


Group : @machinelearningnet
Channel: @machinelearningnet2

ای بنازم به این نویسنده ها! 😁 چه جراتی داشتن جواب داورهارو اینجوری دادن

#مقاله
#داوری
#مصیبت_انتظار_برای_داوری
#ادیتور_بدردنخور

@machinelearningnet
Channel: @machinelearningnet2

یک دسته از استراتژی هایی که مدتی هست بهش متمرکز شدیم ، مدل‌هایی هست که از رفتار گروه‌های مختلف کوین ها در بازار کریپتو ناشی میشه، 💠

در مثال بالا dex ها و btc مثلا یه تفاوت ۲۰ درصدی از بازده نشون دادن،

اصولا مدلهای مارکت نیوترال این شکلی از این ولاتلیتی بازار بیشترین بهره رو میبرن ، 📈

پ.ن. هنوز بازی کریپتو ادامه داره 🔸

@machinelearningnet

بیتکوین هم ATH رو دوباره زد 🔥.

ترامپ رئیس جمهور شد🔴 ،

تسلا هم ۱۳ درصد قبل بازار مثبت!🏎

با این شرایط یه پست میزارم از معرفی یه پکیج خیلی جذاب جدید، 🔸

قبلا درمورد riskfolio اینجا حرف زده بودیم، در واقع این یک پیکج بسیار قوی در زمینه بهینه سازی سبد هست که اطلاعات بیشتر اینجا هست، تقریبا همه کارهایی که میشه باهاش انجام داد رو در قالب مثال ارائه داده و من برای تدریس ازش زیاد استفاده میکنم. 📚

اما امروز یه پکیج جذاب‌تر دیگه روی بهینه سازی پرتفولیو داریم که فقط کارش بهینه سازی نیست، بلکه ابزارهای خوبی برای بکتست هم ارائه میده،💻

مثلا CV با purging که قبلا توی آپارات از کتاب دپرادو پرزنت کردیم رو بصورت یه فانکشن داره،

این پکیج SKfolio تازه داره دولوپ میشه اما واقعا خیلی علمی تر هست و نوآوری بهتری داره،

بحث های مثلا hyper parameter tuning و یا model selection اش با پکیج sklearn هم compatible هست،

مقداری ازش استفاده کنیم بیشتر اپدیت میکنم 🔻

Group: @machinelearningnet
Channel: @machinelearningnet2

پ.ن. 💠

نزدیک ۴-۵ هزار پست های مارو میبینن، لطفا دعوت کنید از بچه های صنایع و مالی دیگه ‌که بیان توی گروه، بتونیم مخاطب بیشتری داشته باشیم، هدف اینجا از اول درست کردن یه فضای برای کوانت کارها بود، 🔹🔸

لطفا اطلاعات گروه رو شیر کنید بیشتر با هم یاد بگیریم. 😵‍💫

از تکس تا استراتژی ☺️

@machinelearningnet

در آخرین گزارش مالی گوگل، مدیرعامل اشاره کرده که بیش از یک چهارم کدهای جدید شرکت توسط AI تولید می شود!😳

این میتونه تحولات عظیمی روی بهره وری و حتی آینده کاری خیلی ها ایجاد کنه‌.

اما جدیدترین نسخه شرکت Anthropic یه مدل فوق العاده جذاب هست که در واقع مدل claude sonnet 3.5 میاد و کنترل کامپیوتر و دسک تاپ شمارو بعهده میگیره و برای شما مثلا web search میکنه و اطلاعات رو از وب وارد vs code شما میکنه و کدی که میخواین رو مینویسه و تحلیل هاش رو انجام میده و حتی پیشنهاد بهتون میده چیکار بکنید بهتره ! 🤔

در واقع شما با یه چت ساده ، هر کاری که لازمه توی کامپیتر شما مهندسی بشه رو بهش میگین!💬

اطلاعات لازم برای وصل شدن به این computer user reference در لینک زیر هست، شما باید داکر نصب کنید و بعدش با api anthropic تون یه فضای مجازی درست میکنید که در واقع دیتای شما هم محفوظ میمونه
https://github.com/anthropics/anthropic-quickstarts/tree/main/computer-use-demo

قسمت خفن کار ⤵️:
در زیر یه ویدئو گذاشتم، ازش خواستیم دیتاهای یاهو فاینانس رو بگیر، بیاره توی vs code یه استراتژی مومنتوم روش دولوپ کنه! سیگنال بای و سل جنریت کنه، نتایج رو آنالیز کنه و کد و دیتارو بهم بده !

مگه داریم !💀

Group: @machinelearningnet
Channel: @machinelearningnet2☠️

آخرین باری که SP500 بیشتر از ۴۰ درصد در عرض یکسال صعود کرد، بازه ۱۹۸۶-۱۹۸۷ بود📈.

بعدش میتونید ببینید چی شد ( تصویر سمت راست)🔽🧐

ما یه مقاله بتازگی سابمیت کردیم که در ssrn میتونید مشاهده کنید. 📚

لینک مقاله

در واقع هدف مقاله پیدا کردن شباهت های فیچرهای ماکرو در بازهای زمانی گذشته به زمان مورد مطالعه بود و بعدش گام دوم میشد تشخیص روند آینده بر اساس روند همسانی ماکروی که در گذشته پیدا کرديم.🔃

اتفاق جالب اینکه این مقاله جزو ۱۰ تای برتر از لحاظ دانلود در ssrn توی ۳ تا حوزه‌ی

Decision-Making in Operations Research,

Financial Engineering,

Forecasting Models,

قرار گرفته و استقبال خوبی ازش شده 🎉.


اما مساله مهمتر خروجی کار بود که دقیقا بر اساس آنالیز پترن مچینگی که کردیم ما یکسال گذشته رو گفتیم شبیه بازه ۱۹۸۵-۱۹۸۸ هست😎،

در واقع زمان سابمیت مقاله SP500 اینقدر اصلا رشد نکرده بود اما اتفاقات ماکرو شباهت داشت!😏

حالا اینکه طبق این تحلیل ها، اون سقوط آزاد هم رخ خواهد داد یا نه ، دیگه میتونه انالیز عجیب و خطرناکی باشه ⁉️،

حالا این پست اینجا بماند ببینم چی میشه 😉

Channel : @machinelearningnet2
Group: @machinelearningnet

چند روز پیش ما بقول اینوری ها یه initiative گذاشتیم که بچه های که کار ml در فاینانس و یا فورکاستینگ تایم سری انجام دادن رزومه بفرستن برای ریسرچ روی چند تا تز که کارهاش نصفه است ( بعضی هاش هم خوب جلو رفته )، رزومه های زیادی اومد اما نزدیک ۶-۷ تا رزومه خوب گرفتم که واقعا داشتم نگاه میکردم کیف میکردم چقدر بچه های ما خوب هستن 👌 .

فقط مشکلی که هست اینکه بعضی رزومه ها توانایی طرف رو نشون نمیداد😒، رزومه نوشتن دوستان واقعا مهمه📚،

۱.از فرمت خاصی استفاده نکنید، این بغل یه حاشیه میندازین و اطلاعات میارین اونجا، خیلی رزومه غیر حرفه ای میشه ❌

۲. رنگ رنگی رزومه ندین،❗️

۳. فونت عجیب غریب استفاده نکنید،⛔️

۴. حتما برای کاراتون تاریخ بزارین که کی کجا بودین، 📆

۵. جوری رزومه بنویسید که ریویر بتونه روند کاری شمارو از روی رزومه دنبال کنه، یهو وسط یکسال گپ نداشته باشین، ❓

۶. رزومه رو مناسب اون کاری که میفرستید اپدیت کنید، یعنی الان برای ریسرچ میخواید رزومه بفرسیتن، سعی کنید از کلید واژه های مرتبط استفاده کنید.

۷. حتما اشاره کنید کجا درس خوندین حتی اگه مرتبط نباشه، رشته دیگه ای خوندین. اصلا مهم نیست ⚛️

۸. چیزای ضایع مثل رزومه انگلیسی با عدد فارسی اینا واقعا دیگه عجیبه ❌

۹. رزومه ای که برای کار توی فلان شرکت هست ساختارش با رزومه اپلای/ ریسرچ فرق داره.

۱۰. سعی کنید یه کاور لتر در راستای کاری که بهش اپلای میکنید در کنار رزومه به طرف بفرستید، گاها رزومه ها دقیقا اون پروژه رو کاور نمیکنه اما کاور لتر توضیح میده فلان کار چطوری به پروژه مرتبطه 💬

۱۱. راستش بدون مقاله امروزه سخت شده فاند گرفتن ، سعی کنید مقاله داشته باشین، حتی اگه روی مقاله ای کار میکنید بنویسید under preparation 📚

۱۲. مقاله ای که چاپ نشده و سابمیت شده رو نزنید بین مقالات پابلیش شده تون، باید بزنید submission به فلان ژورنال،

۱۳. در کل بشینید خوب اینجا وقت بزارین، بعضی ها مثل الماس هستن اما پرزنت کلافه و بهم ریخته ارزش کارشون رو میاره پایین✔️.


Group: @machinelearningnet
Channel: @machinelearningnet2


موفق باشین 👌

من دوتا کورس 🎓 فوق العاده برای کوانت براتون پیشنهاد میکنم، اینا در ادامه پست های قبلی هستن که در اینجا و اینجا ارائه شدن،

دوره اول برای quantopian هست💻. اینا یه شرکتی بودن که منحل شدن ولی دوره های فوق العاده ای به یادگار گذاشتن.
این شرکت در واقع یه مدل crowd source hedge fund بود که قرار بود بر اساس الگوریتم های ریسرچرها منبع درآمد ایجاد کنه، یه ایده عالی که متاسفانه سال ۲۰۲۰ بخاطر عدم مدیریت خوب نتونست ادامه بده ( داستان داره چرا موفق نشدن، بعدا میگم) برای اینکه از مدلهای دیگران استفاده کنن اینا به آموزش خیلی بها میدادن و دوره های خوبی دولوپ کردن، این یکی از بهترین شون هست.

دوره واقعا جنبه یادگیری زیادی از خیلی پایه تا advanced رو داره و یکی از دوره های هست که من هم در تدریسم اینجا ازش استفاده میکنم. از بیس پایتون شروع میشه تا کلی استراتژی مثل pair trading, بحث های پرتفولیو. چند تا مدل پیشبینی و‌‌‌... کاور میکنه
هم ویدئو ▶️ داره و هم اسلاید برای هر درس🧠،

لینک لکچرهای کوانتوپین 🔸



دوره دوم برای یودمی توی کریپتو هست📈. از گرفتن دیتای کریپتو با api باینانس، تا حتی لایو کردن الگوریتم با AWS رو کاور کرده،
چند تا استراتژی long-only ، long-short, استراتژی برای ترید فیوچرز، رو هم کارو کرده،
برای مدل لایو گاها نیاز هست روی api بروکر های دیگه هم کار کنید، اینجا api کراکن و bybit رو هم کاور کرده

خود دوره در یودمی

لینک مجانی دوره برای دانلود

این دوتا دوره بنظرم هر چی که برای شروع کار نیاز دارین رو ارائه میده،

لذت ببرین😀

Group: @machinelearningnet
Channel: @machinelearningnet2

دوستان ، اساتید داخل ایران که کارهای quant finance در مقالات abs3 و abs4 چاپ میکنن می‌شناسید ؟
لیست مقالات abs در گروه هست ، منظورم مقاله بانک و بیمه و اینا نیست، منظورم کوانت روی استراتژی و مدلینگ بازار هست،

اگه میشناسین لطفا بهم اطلاعاتش رو مستقیم بفرستید، @sasanbarak

در تلاشیم یه initiative از اساتید کوانت ایرانی درست کنیم که فرصت های فاند اروپایی رو بتونن با دانشجوهاشون به اشتراک بزارن ،

ممنونم🙏

وضعیت ما با این دانشجوها 😳😒

#ChatgptCurse

❤ مجموعه جلسات «گذر»

💠عنوان:
"Probabilistic Programming for Machine Learning"

🎙 ارائه‌دهنده:
امیرعباس اسدی

🔻توضیحات:
Bayesian Learning provides a natural framework for approaching Machine Learning problems. For a long time, due to the significant computational cost of Bayesian inference, this framework was limited to simple models and problems with a small amount of data. Probabilistic Programming is the fruit of many years of research in approximate Bayesian inference aiming to address these limitations. This presentation is a friendly introduction to Probabilistic Programming. We will explore how modern inference methods and recent advances in Differentiable Programming can help us unlock the full potential of Bayesian Machine Learning.

Presentation outline:
- Bayesian Learning and Probabilistic Programs
- Probabilistic Programming in Julia
- Approximate Bayesian Inference
-- Markov Chain Monte Carlo
-- Variational Inference
- Differentiable Programming
- Discussing some examples:
-- Bayesian Deep Learning
-- Bayesian Neural Differential Equations
-- Inverse Optimization

پیشنیاز های علمی:  آمار و احتمال مقدماتی، آشنایی با Deep Learning



🌐 فرم ثبت‌نام

⏲ مهلت ثبت‌نام : ۱۵ مهر
🗓 زمان: چهارشنبه ۱۸ مهر - ساعت ۱۶:۰۰
📍مکان: به صورت هیبرید - کلاس ۱۰۹ دانشکده ریاضی


🚀 @Gozar_SUT ❤
🚀 @hamband_sut ❤

این یه پرزنت خوبی از پیشرفت های حوزه Electricity price forecasting هست.

📚اگه توجه کنید در مورد درصد پابلیش و کجاها این مقالات رو میشه چاپ کرد بحث کرده،

📚در مورد تاپیک های متفاوت انرژی فورکاستینگ ، مثل wind , solar, price و load بحث کرده

📚روند الگوریتم ها از مدلهای آماری مثل quantile regression و lasso و arx بیشتر الان رفته روی مدلهای DNN مثل nbeats و مدلهای ترکیبی

📚یه مساله دیگه مولتی وریت فورکاستینگ هست و بجای مثلا one step ahead بیاید اینتروال رو پیشبینی کنید ( مدلهای احتمالی ) یا supply and demand رو

👍اصولا فضای خوبی برای چاپ مقالات در این حوزه هست. اگه مدلی دولوپ کردین از ریپو زیر میتونید یه دیتا پیدا کنید که باهاش تست کنید
https://forecastingdata.org/

😖تایم سری های این حوزه مالتی سیزنال و نویزی هستن، میتونید اول denoise کنید مثل کالمن فیلتر یا همیلتون فیلتر و بعدش از مدل‌هایی بزنید که قابلیت مدل سیزنالیتی چندگانه رو داشته باشه.


@machinelearningnet2

برنامه اسکولارشیپ برای ML و AI از طرف AWS امازون
این دوره با همراهی Udacity هست

https://aws.amazon.com/machine-learning/scholarship/

برای دوستان کارشناسی فرصت خوبیه دانش و رزومه خودشون رو با یک دوره بین‌المللی افزایش بدن 👍

@machinelearningnet

چندی پیش کنفرانسی دعوت شده بودم که در جلسه plenary talk کنفرانس ، ادیتورهای مجلات تاپ فاینانس و مدیریت دنیا رو دعوت کرده بودن،
نفر اول از راست ادیتور اصلی سکشن فاینانس مجله Management Science هستن و اونیکی ادیتور Journal of Finance هست👀.
نکات زیادی بحث شد. اما چند نکته برام جالب بود
۱. مهمترین قسمت مقاله چکیده و اینترو مقاله هست. اصولا ۷۰-۸۰ درصد ادیتور ها فقط همین رو میخونن، اگه باقی مقاله اتم کشف کنید اما این اول رو خوب بیان نکنید دسک ریجکت میشین⚠️
۲. برای مجلاتی مثل management science بو بکر (ادیتور) میگفت اصولا بگی فلانی اینو کار کرده ، فلانی اینو و... ما یه گپ پیدا کردیم اصولا ریجکته 🙃
کار باید یک گپ اساسی رو کاور کنه نه گپ دیگران رو و pioneer باشه نه دنباله رو🥇،

۳. کارهای بزرگ نیاز به بیگ دیتاهای واقعی داره. وقت بزارین برای گرداوری دیتاهای خوب. مخصوصا اگه دیتاهای شما خودش novel باشه ، آنالیز های مستخرج از اونا جالب خواهد شد🌐

۴. سعی کنید روی اینکه مجله چه حوزه های چاپ میکنه مطالعه داشته باشین ، والا اصولا ادیتورها دسک ریجکت میکنن و به داوران نمیفرستن، منظورم دلیل دسک ریجکت ها همیشه کیفیت مقاله نیست، اشتباهی آناليز نکنید

۵. اصولا بیزینس اسکولهای دنیا رو آوردن به بررسی کیفیت مقاله بر اساس abs لیست ( قبلا گروه فرستادم). واسه همین این ژورنال‌های abs4 و abs4* دیگه مقاله چاپ کردن اهمیت بیشتری پیدا کرده😏

۶. دنبال مشکل واقعی بگردین و براش سولوشن بدین، نه برای یه سولوشن دنبال مساله بگردین، بنظرم این اصلی ترین دلیل ضعیف بودن مقالات هست، بجای اینکه با مساله شروع کنید، اصولا روی تکنیک تمرکز دارین ☝️
@machinelearningnet

ادامه داستان های ما : آنالیز استراتژی ها

روزی که الگوریتم مومنتوم رو توی دیپ فاینانس بعد از نزدیک یکسال لایو ترید عرضه نهایی کردیم، اولش تقریبا ارتباطی با هج فاندهای کریپتو نداشتم، واسه همین معیارهای اونارو برای آنالیز استراتژیمون نمیدونستم، بعد از شرکت توی چند تا کنفرانس تخصصی فاند منیجری، بلاخره با نیکل دیجیتال و چند تا شرکت بزرگ این حوزه آشنا شدم،

نتایج رو که بهشون ارائه میدادم، با کلی ذوق به سود ۸۰ و اندی درصدی اشاره میکردم، طرف انگار اصلا براش مهم نبود🤷‍♀، تازه اونجا فهمیدیم که راه رو اشتباه رفتیم😁،

میانگین سود ۸۰ درصدی من در سال با ماکزیمم drawdown (dd) مثلا ۲۵-۳۰ درصدی برای یه شرکت هج فاند بدرد نمیخورد، منم دنبال خرده فروشی نبودم که استراتژی رو روی پول های ۱۰-۲۰ هزار تایی ران کنم. انگاری دید خرده فروشی داشتم ، اما میخواستم محصول هج فاندی ارائه بدم !

بعدش فهمیدیم باید بریم روی استراتژی هایی با dd زیر ۷ درصد و شارپ بالای ۲-۲.۵

کلا شارپ ریشیو شد نان شب و افزایش اون با کمتر کردن dd کار طاقت فرسایی شد،

اون هم که اوکی شد تازه گیر این افتاد که استراتژی چقدر میتونه پول مدیریت کنه ؟ شما فکر کن وقتی داری شارپ رو میبری بالا و dd رو میاری پایین، اصولا جوری میشه استراتژی ات که سودت میاد پایین. مثلا میشه استراتژی مارکت نیوترال،
اون استراتژی های مومنتوم بیس هستن که سود بالایی میدن و اصولا شارپ شون هم پایینه ( بخاطر ولاتیلیتی بالا)
حالا وقتی سودت پایینه، زمانی اون استراتژی بدردت میخوره که بتونی پول گنده مدیریت کنی، والا نمیتونی پول همکارات رو بدی و بازم fail میشی !

اینارو گفتم که بهتون بگم خیلی توی آنالیز استراتژی دنبال accuracy اینا نباشین،
یه دیلی ریترن بدین به کوانت استات ، براتون حساب کنه معیارهای مالی استراتژی تون چطوره
کلا هم با دو خط کد براحتی میشه آنالیز خوبی با این پکیج از استراتژی داشت

لینک

اما، برای نحوه بکتست، ما ۳-۴ تا پرزنت توی آپارات از کتاب دپرادو داریم، یکی اش مدل
Combinatorial Purged Cross Validation
هست که یه کراس ولیدیشن با embargo و purging هست و اینا برای عدم لیکیج بدرد میخورد،
لینک
نحوه کراس ولیدیشن اش هم جالبه، بجای مثلا ۵ ترین و ۱ قسمت تست، مثلا ۵ ترین و ۲ تا قسمت تست استفاده می‌کنه که بتونه کل بازه رو بصورت ترکیب های متفاوت تست کنه.
حالا اینم نباشه و یه walk forward cross validation ساده هم بزنی اوکیه.
لینک
حالا برای بکتست خوب فقط مساله لیکیج نیست، مثلا یکی از ایرادات survivalship بایاس هست.

مدلی زده بودیم ، سال اول ۷۰ درصد سود، باقی سالها میشد ۳۰ درصد. هیچ لیکیجی هم نبود، فهمیدیم کوین هایی که انتخاب میکنیم بعد از ۳ سال mature شدن و همه دووم اوردن، درحالی‌که اون زمان میم کوین بودن و واسه همین بایاس در انتخاب کوین داشتیم،

حالا چرا اکیوریسی نه؟ اوکیه احسان😊؟

پ.ن.۱. داستان اینجا تازه میرسه به پیچ اصلی راه، لایو کردن استراتژی

پ.ن.۲. قضیه لایو و execution خودش داستان خشنی داره😉!

@machinelearningnet

سلام دوستان،
در ادامه ی ارائه کورس های مجانی، دوتا کورس برای الگوریتمیک تریدینگ انتخاب کردم که تقریبا بهتون یاد میدن چطوری میتونید یه استراتژی اتوماتیک ترید با ابزارهای متفاوت دولوپ کنید،

این دوتا کورس روی هم نزدیک ۸ ساعت کدینگ هست، و برای free code camp هست که واقعا در زمینه llm ها خیلی آموزش های عالی دارن ( اونارو هم سعی میکنم چند تاش رو انتخاب کنم و یه پست دیگه بزارم )،

کورس اول، یه دوره ۴ ساعته هست که با توضیحات مقدماتی درمورد الگوریتمیک تریدینگ شروع میشه و بعد توضیحاتی در مورد استفاده از پایتون و dependency پایتون برای این دوره بهتون میده.
پارت بعد، در مورد گرفتن دیتا با api request برای استاک مارکت هست.

سپس دو تا استراتژی ارائه میشه،
اولی مومنتوم هست که توضیحات خوبی هم ارائه میده و دومی یه مدل value screener هست که در واقع دنبال اینکه کدوم سهم میارزه و اونو توی پرتفولیوی بزاره،

یه سکشن هم برای درست کردن پرتفولیو و پرتفولیوهای equally weighted داره.

در مورد بکتست استراتژی ها و آنالیز نتایج هم بعد از هر استراتژی، کدی دولوپ میکنه.

همونطور که میدونید این استراتژی ها سود ده نیستن، اما ازش میشه به عنوان یه مقدمه برای دولوپ مدلهای خودتون استفاده کنید

فیلم دوره اول در یوتیوب. لینک
کدهای دوره در گیت‌هاب

پ.ن.۱. دوره دوم در پست بعدی میزارم

پ.ن.۲. سعی میکنم چند تا ارائه در مورد استراتژی های پیشرفته تری که تازگی چاپ کردیم آماده کنیم

شاد باشین
@machinelearningnet

ژورنال های ABS و مجلات کوانت

یکی از بهترین لیست های رنکینگ مجلات در بیزینس اسکولهای دنیا، لیست ABS هست که سختی چاپ در ژورنال‌هاش از ۱ ( ساده ترین) تا ۴* ( مصیبت ترین😜) رنک شده. مقالات ۳، ۴ و ۴* این لیست واقعا خوب هستن و چاپ کردن مخصوصا در ۴* واقعا کار بسیار سختی هست،

اگه این لیست رو نگاه کنید، حوزه های متفاوتی از مارکتینگ و اکونومی، تا فاینانس و... رو شامل میشه،

در فاینانس، اونی که ۴ و کوانت چاپ میکنه

Journal of Financial and Quantitative Analysis
هست، هرچند ژورنال‌های خوب رنک 3 هم هستن مثل
Journal of Portfolio Management

Quantitative Finance

توی Journal of finance هم گاها مقالات خیلی تکنیکال عالی چاپ میشه و اما واقعا چاپ اونجا خیلی سخته،

در حوزه management science و OR هم ژورنالهای خوبی مقالات کوانت چاپ میکنن. بهترین اش

European Journal of Operational Research
هست که رنک ۴ هست،
رنک های ۳ اینجا هم مثلا
Omega,
International Journal of Forecasting
خوب هستن.

کلا زیر ۳ کیفیت افت میکنه.

فیلد econ هم ژورنالهای ۴ و ۴* خیلی عالی داره اما اصولا econometrics چاپ میکنن

@machinelearningnet

در ادامه پست قبلی ، دو تاپیک یادگیری عمیق و مدلهای زبانی اینجا کاور میشه،
مقداری این دوره ها تئوری رو جدی تر رو کاور میکنن که برای نوآوری های شما در فیلدهای مختلف مفید هستن.

🧠 𝗗𝗲𝗲𝗽 𝗟𝗲𝗮𝗿𝗻𝗶𝗻𝗴:

✨Introduction to Deep Learning (MIT):
https://www.youtube.com/playlist?list=PLtBw6njQRU-rwp5__7C0oIVt26ZgjG9NI

📚CMU Introduction to Deep Learning: https://deeplearning.cs.cmu.edu/F22/index.html

🎨MIT: Deep Learning:
https://www.youtube.com/playlist?list=PLCpMvp7ftsnIbNwRnQJbDNRqO6qiN3EyH

💻Stanford Deep Learning:
https://www.youtube.com/playlist?list=PLoROMvodv4rOABXSygHTsbvUz4G_YQhOb

🗣 L𝗟M and 𝗖𝗼𝗺𝗽𝘂𝘁𝗲𝗿 𝗩𝗶𝘀𝗶𝗼𝗻 :

📘Stanford - Transformers:
https://www.youtube.com/playlist?list=PLoROMvodv4rNiJRchCzutFw5ItR_Z27CM

📖NLP Course (Hugging Face):
https://www.youtube.com/playlist?list=PLo2EIpI_JMQvWfQndUesu0nPBAtZ9gP1o

📒Natural Language Understanding:
https://www.youtube.com/playlist?list=PLoROMvodv4rPt5D0zs3YhbWSZA8Q_DyiJ

📚CMU Advanced NLP 2022:
https://www.youtube.com/playlist?list=PL8PYTP1V4I8D0UkqW2fEhgLrnlDW9QK7z

👁🖼Deep Learning for Computer Vision:
https://www.youtube.com/playlist?list=PL5-TkQAfAZFbzxjBHtzdVCWE0Zbhomg7r

در این زمان که‌ دسترسی به همه دوره های استنفورد و کمبریج هست، من بهتون پیشنهاد میدم حتما زبانتون رو تقویت کنید و دیگه نیاز به دوره های پولی واقعا نیست ☺️

سلام دوستان،
این مدت برای خودم تعدادی کورس کاملا مجانی از یوتیوب رو بعد از مقداری تحقیق لیست کردم که ببینم.
بنظرم رسید جالب باشه با شما هم به اشتراک بزارم🙏،

مطالب در چهارتا تاپیک کلی ، ماشین لرنینگ، دیپ لرنینگ، یادگیری تقویتی و ماشین ویژن هست، حالا دوره های دوتا تاپیک رو این پست میزارم، دوتا رو پست بعدی،

برای کسانی که حتی اطلاعات خوبی در مورد ML و RL دارن، مطالب جالبی برای یادگیری اینجا پیدا میشه👌


🔎 𝗠𝗮𝗰𝗵𝗶𝗻𝗲 𝗟𝗲𝗮𝗿𝗻𝗶𝗻𝗴 :
⚙️Intro to Machine Learning:
https://youtube.com/playlist?list=PL05umP7R6ij35ShKLDqccJSDntugY4FQT&si=eoWm0qTsmwLzS1fG

✨Stanford: Machine Learning: https://www.youtube.com/playlist?list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU

💡Making Friends with Machine Learning:

https://www.youtube.com/playlist?list=PLRKtJ4IpxJpDxl0NTvNYQWKCYzHNuy2xG

🌐Applied Machine Learning: https://www.youtube.com/playlist?list=PL2UML_KCiC0UlY7iCQDSiGDMovaupqc83

⚡️Statistical Machine Learning: https://www.youtube.com/playlist?list=PL05umP7R6ij2XCvrRzLokX6EoHWaGA2cC

🎓Neural Networks: Zero to Hero: https://www.youtube.com/playlist?list=PLAqhIrjkxbuWI23v9cThsA9GvCAUhRvKZ



🕹 𝗥𝗲𝗶𝗻𝗳𝗼𝗿𝗰𝗲𝗺𝗲𝗻𝘁 𝗟𝗲𝗮𝗿𝗻𝗶𝗻𝗴:
🧩Foundations of Deep RL: https://www.youtube.com/playlist?list=PLwRJQ4m4UJjNymuBM9RdmB3Z9N5-0IlY0

🎮Deep Reinforcement Learning: https://www.youtube.com/playlist?list=PL_iWQOsE6TfURIIhCrlt-wj9ByIVpbfGc

🔬Stanford: Reinforcement Learning: https://www.youtube.com/playlist?list=PLoROMvodv4rOSOPzutgyCTapiGlY2Nd8u


امیدوارم مفید باشه
Keep Learning 💥
@machinelearningnet

در واقع nature یکی از بهترین ژورنال‌های دنیا هست.

یه آموزش خیلی جذاب در مورد نوشتن چکیده مقاله داده که بشدت برای دوستان پیشنهاد میکنم همین اپروچ رو در نوشتن چکیده فالو کنید.

بر اساس حجم چکیده خواسته شده در ژورنال مقصد، میتونید این ریکامند nature رو تنظیم کنید

@machinelearningnet

حالا چی میشه ؟
اصولا یه کار بسیار جالب بررسی کورولیشن بازارهای جهانی هست، در مورد کریپتو سیستم اینشکلی هست که در زمان های risk on ، مارکت کریپتو و استاک باهم کورولیشن بسیار بالایی پیدا میکنن و استاک بریزه کریپتو بدتر میریزه،
در زمان های کم ریسک، ارتباط ضعیفه

پریروز Vix رسیده بود به ۳امین high کل تاریخ اش و واسه همین کریپتو و سهام یکی از بدترین Monday های تاریخ رو تجربه کردن،
شرایط بخاطر overprice شدن و رکودی که انتظار می‌رفت خیلی stable نیست و در واقع خیلی هم نمیشه گفت حتما بازار بسرعت صعودی خواهد بود، من با یکی از دوستان توی مورگن استنلی صحبت می‌کردم و گفت خریدهای خوبی دسک شون برای مشتری ها انجام دادن، البته جواب من این بود که اگه فکر کردن کف هست عالی خرید کردن، اما اگه بریزه، در واقع اونا احساس خطر زودتر میکنن و کف ها تازه سوراخ میشه!

در کریپتو هم همینه اما بلند مدت ما به این بازار بسیار مثبت هستیم،

یه اتفاقی هم دوباره توی بازارهای جهانی ۳-۴ ماه آخر ۲۰۲۳ افتاد که کریپتو از اون روز روند شدید صعودی رو شروع کرد، شما بگین چی بود؟
@machinelearningnet

دوستان بازارهای جهانی منفجر شدن! هنوز امروز بازار آمریکا باز نشده اما بازار سهام ژاپن بیشترین افت دو روز متوالی رو در کل تاریخ تجربه کرده،
امروز فد جلسه فوری گذاشته که احتمالا ریت رو ۰.۵ واحد پایین بیارن،
ساعتی پیش بازار سهام ژاپن به دلیل کاهش شدید سهام بسته شد، بیتکوین ۱۸ درصد دو روزه افت داشته، آلت کوین ها که هیچ!

نمودار بالا یکی از عجیب‌ترین ها بود، سالها نرخ سود ژاپن صفر بود و سرمایه گزارها از بانک ژاپن پول میگرفتن و در سهام آمریکایی سرمایه گذاری میکردن یا دلار استرالیا میخریدن و به اصطلاح کری تریدینگ میکردن،
یکی دو هفته پیش بانک ژاپن بدون اعلام قبلی نرخ بهره رو بیشتر کرد، الان دیگه باید به ازای پولی که ازش گرفتی باید بهره بدی و این اصلا بصرفه نیست، ۴ تریلیون دلار الان داره از سهام فروخته میشه که برگرده ژاپن، ین شدیدا تقویت شده،
جفت ارز audjpy کل سودی که یکسال اخیر داده بود رو توی ۲ هفته شارپی پس داد و بدترم میشه،
این تازه آغاز بازی هست، اگه قرار باشه یه جنگ در خاورمیانه هم اتفاق بیوفته، ماجرا از اینم بدتر میشه.

در کل رکود جهانی از آن‌چیزی که فکر می‌کنید به شما نزدیکتر هست😌
@machinelearningnet

اگه شرایط سیاسی اجازه بده ادامه داستان😉

اصولا بچه های کوانت ریسرچ از دیتا ساینس و کامپیوتر ساینس میان، مشکلی هم که میخورن اینکه فکر میکنن چون اونجا یه مدل هرچقدر هم پیچیده رو میزنن و جواب میگیرن، اینجا هم همینه، و سر ۳-۴ ماه قراره کار رو جمع کنن و بعدش که نمیشه دچار افت روحیه و سوخت میشن،

*(آخرین مدلی که دولوپ کردیم یکسال از ریسرچ تا لایو روش وقت گذاشتیم! اونم روی چیزی که میدونستم جواب میده و هنوز هم جای برای بهبود داره).

نکته اول:
من ندیدم استراتژی فول با ml کار کنه. لایه های مختلفی از کار باید درگیر استراتژی بشه تا کار کنه. یکی اش میتونه ml باشه (که با فیچرهای خوبی بصورت adaptive ترین بشه )، دومی مدل ریسک منیجمنت که احتمالا مدل کوانت هست ، سومی مدل رژیم دیتکتور بازار که سویچینگ بازار رو بهت الارم بده، چهارمی انتخاب کوین ، بعدی نحوه bet size ، همچنین سیستم درست بکتست، لایو و داستان هاش و.... اینا همه باهم روی یک استراتژی درست باید ست بشه تا بتونی جواب بگیری. اینجوری نیست یه مدل ترین کنی و نتایج بدی بیرون

نکته دوم: هر کدوم از این لایه ها باید بدونی چطوری کار میکنن، اگه خوب کار میکنن چرا خوب کار میکنن، اگه بده چرا بده، ما خم رنگرزی نداریم اینجا، حتی اگه چیزی خیلی خوب کار کرد باید شک کرد، این یه مشکل دیگه از بچه های دیتا ساینس هست. بلد نیستن troubleshooting کنن و بیشتر اگه این کار نکرد سریع میخوان اسب رو عوض کنن بپرن روی یه مدل دیگه،

نکته ۳. شما تقریبا چیزی رو از بیس درست نمیکنی. باید فقط بتونی چیزهایی که دولوپ شده رو بتونی خوب بزاری کنار هم که کار کنه، یعنی اونی که از RL استفاده میکنه نمیاد که RL رو ابداع کنه، ازش استفاده میکنه اما باید بدونه چطوری ازش توی ترید استفاده کنه

نکته ۴. بکتست اصولا معیاری برای اینکه مدل اگه کار نمیکنه بهمون بگه، نه اینکه اثبات کنه مدل داره کار میکنه

نکته ۵. از ایده های متفاوت میتونید ابزار لازم رو بخدمت بگیرین . مثلا از گیم تئوری، RL ، ML ولی تا دامین نالیج نداشته باشین، نمیشه کار رو به جای درستی برسونید، پس مهمه بازار رو بشناسید

نکته ۶. سعی کنید مقالات خوبی که تئوری دولوپ میکنن رو بخونید، کمک کننده هست. اما این حوزه میتونم ادعا کنم که ۹۸٪ مقالات بدرد نمیخورن،

نکته ۷‌. قرار نیست همه کار رو خودتون انجام بدین، one man company اصولا جواب نمیده، تیمی از ۴ -۵ نفر با تخصص های متفاوت خیلی منطقی تره.

نکته ۸. این صحبت ها برای کسایی هست که بیسیک مثلا adaptive training اینارو بلدن، میدونن walk forward تست چیه. اگه اونارو اوکی نیستی باید مطالعه کنی و پروژه گیت هاب بزنی.

داستان بازم اصولا باید ادامه داشته باشه 😊

پ.ن.۱. داستان بعدی درباره نتایج مدل های دیپ فاینانس خواهد بود، از لحاظ قانون انگلیس ممنوع هست که تبلیغ روی نتایج انجام بشه ، اما اینجا بحث آموزشی هست


پ.ن.۲. اونایی که دنبال همکاری هستن اصولا دنبال استارت اپ های کوچک مثل ما نباشن، کوچک بودن خوبیش اینکه اگه چیزی دولوپ کردی که جواب میده میتونی جوین بشی و اسکیل اپ کنی ، این جوری باشه میتونیم بحث کنیم👌

پ.ن.۳. ما چرا داریم آب میریم؟ 😏

پ.ن.اخری. فکر کنم اندازه چند ماه غیبتی که داشتم و نبودم رو پست گذاشتم! دینم به جامعه‌ی خوب دانشجویی ایرانی paid :)

@machinelearningnet

بتازگی ها بحث ترید اپشن در کریپتو فاند طرفدارهای خودش رو پیدا کرده و پول‌های خوبی رو اختصاص دادن.
شاید بعضی از استراتژی های قوی بازار سرمایه ایران هم بتونه اونجا پیاده بشه، البته مثل بازار خودمون، فعلا عمق بازار در اندازه های بازارهای اسپات اصلا نیست،

اصولا دیتاهای این بازار در دسترس گروهای زیادی نیستن اما بخاطر حضورم در دانشگاه میشه دیتارو فراهم کرد و مدلهای اتوماتیک زیادی هم این حوزه نداره ،

مثلا هج فاند ۱۰۰ میلیون دلاری بصورت دستی با نظر سه تریدر اپشن مدیریت میشد و در حد مدل sl و tp آداپتور هم وجود نداشت.

در کل یه فضای خوبی برای کسایی که حرفه ای این حوزه کار میکنن ، میتونن وارد بحث های جهانی کریپتو بشن

@machinelearningnet

پاسخ یکی از دوستان و ادامه داستان😉:

ما مدتی هست با تیم های مختلف در حال دولوپ استراتژی هایی الگوریتمک تریدینگ برای بازار کریپتو هستیم،
به علت ارتباط خوبی که با صنعت داریم و زیر ساخت های خوبی که دولوپ کردیم، این استراتژی ها مدتی لایو میشن و اونایی که نتایج خوبی بدست آوردن، تبدیل به پروداکت نهایی میشن💥،
کسایی هم که توی تیم دولوپ هستن پارتنر کاری مون میشن،

اما نکات مهم دولوپ این استراتژی ها:

۱. اولا مدلهای شارپ زیر ۲ و dd بالای ۱۰ درصد اصولا جذابیت خاصی توی بازار ندارند ، سود سالیانه ۴۰٪ هم اصولا برای SMA ها منطقی هست

۲. نکته مهم اسکیل پذیری استراتژی هست، شما میتونی روی ۲۰هزارتا، مثلا ماهی ۱۰ درصد بگیری. اما این بدرد فاند نمیخوره. اینجا بازی مدیریت حجم بالای پول هست، واسه همین هج فاندهای میلیاردی وقتی ۲۰٪ درسال سود میدن، شاید احساس کنید این سود خاصی نیست، اما در معیار میلیارد دلاری عدد بسیار بزرگی است، پس در واقع هنر درست کردن استراتژی اسکیل پذیر هست که بتونه پول بزرگی مدیریت کنه

۳. اصولا بیشترین رغبت روی استراتژی ها مارکت نیوترال، و لانگ و شورت هست، حالا اینا میتونن با مدل های متنوعی از RL و deep Learning , تا مدلهای کوانت ساخته بشن

۴. از استراتژی درست کردن سختر، مدیریت بلند مدت اون هست، که بتونی در طول زمان هایی که استراتژی الفاش از دست میده، ایده رو طبق شرایط جدید بازار اپدیت کنی

۵. بحث لایو کردن استراتژی، درست کردن مدل بهینه execution, انالیز اختلافات لایو و بکتست، مدیریت تریدها و دیتایی که فید بهش میشه و... نکاتی هست که پشت صحنه هستن ولی میتونن یک ایده کاملا عالی رو کاملا خراب کنن

۶‌. اصولا استارت اپ های الگوریتمی، فاند نمیتونن raise کنن، از asset under management که دارن سود شرکت رو در میارن، در نتیجه عامل بقای اینا، هرچقدر هم علمی خوب باشن، تزریق aum زیاد روی استراتژی هست

پ.ن. راه همکاری همیشه برای ایده های جذاب باز هست

پ.ن.۲. من از تکنیکال و فیچرهای لگ دار تابحال سود بلندمدتی نگرفتم 😉 این مسائلی که گفتیم برای شرکت های کوانت بود،

پ.ن.۳‌. خیلی فاندامنتال بدرد کریپتو نمیخوره، اما برای سهام، هج فاندهای ماکرو سودهای خوبی میگیرن

پ.ن.۴‌. اصولا کسی این مدلهارو توی مقالات پرزنت نمیکنه یا توی گیت هاب نمیزاره اما همه ی مدلهای خوب از همین ایده های موجود و ترکیب اینا شکل میگیره

پ.ن.۵. در مورد یه کوانت ریسرچر خوب بیشتر بحث میکنیم، اینجا کار ۹۹ درصد مواقع جواب نمیده☺️،


ادامه دارد... 😊

@machinelearningnet

این نحوه دعوت ادیتور برای ارسال مقاله، بخاطر تایپ ریسرچی هست که انجام میدیم و ادیتور همچین مقالاتی رو در مجله خودش ارزشمند میدونه و درخواست ارسال مقاله میده.

البته همون مقاله هم کاملا پروسه داوری رو طی میکنه، اما call for paper های اینشکلی که زمینه ی خاصی هستن و ادیتور میاد بهت ایمیل میزنه اصولا شانس اکسپت مقالات رو بالا میبره.

#cfp
#financial #market

این نمودار دقیقتر استراتژی های اکتیو رو نشون میده،
در گروه فراهم کردن liquidity ، غیر از lending ، شما با مارکت میکری هم میتونید پول در بیارین، در واقع یه پایان نامه با یکی از دانشجوهای دکترای ایران روی این کار میکنم،

۲. در مورد استراتژی های arbitrage , میشه یک مورد ساده رو مثال زد، خرید از exchange defi مثل یونی سواپ و فروش همزمان در cefi مثل باینانس، یا حتی استفاده از اربیتراژ های بین اکسچنج های cefi رو .
اصولا البته آلفای زیادی این مدلهای ساده نداره اما مثلا مقاله ی که چند پست پیش از آکسفورد گذاشته بودم جالب بود،

۳.مدل‌هایی که برای فاندهای کریپتو خیلی جذاب بودن استراتژی های مارکت نیوترال هستن، یعنی شما همزمان هم میخری و هم میفروشی و ماوالتفاوت اش باید مثبت باشه که سود کنی، اینا با قبلی فرق دارن توضیح میدم بعدا


۴.تازگی ها، فاند ها روی استراتژی های بتا بیس ( B) هم علاقمند شدن، یعنی همزمان خرید و فروش نمیکنی، بلکه لانگ و شورت، یا لانگ و فلت هستی، اینا اصولا drawdown بیشتری دارن و سود بیشتر، اما کسی که بتونه ریسک اینارو مدیریت کنه خیلی جذابن،

داستان داره جذاب میشه 😉
ادامه دارد ...
@machinelearningnet