#trading

Путает AI с ML. Как была аналитиком или маркетологом, так им и осталась, похоже.
Пример с мокрой травой и дождём какой-то глупый.

Ей правда кто-то доверил управлять миллиардом долларов? Тьфу, блин.

За всё интервью она не сказала ничего конкретного, одна маркетинговая херня )

https://www.youtube.com/watch?v=njyBkoK2uHg

#trading #chan

Сравнить с количеством полезной инфы здесь хотя бы. Сразу видно, кто практик, а кто маркетолог. Хотя претензия всё та же, зачем называть вещи тем, чем они не являются?

https://www.youtube.com/watch?v=tqM-uhoJEpM

#tesla

Похоже, идея Маска (этого уникального талантливого менеджера, которому компания страстно желает выплатить охулиарды долларов за его неоценимый вклад), о том, что видеокамер достаточно для FSD, и лидары не нужны, уже много лет Тесле и не позволяет создать полноценный FSD.

https://3dnews.ru/1129645/avtopilot-tesla-zavalil-probeg-cherez-ssha-mashina-popala-v-avariyu-cherez-100-km

Осень - время созревания хакатонов :)

[СОР] Up Great «Экспедиция. Data Science»
⏰ Даты: 15.09 – 31.12 (рег. до 14.10)
💡 [CV] Создай алгоритм для обнаружения археологических объектов (скрытых курганов, древних дорог и исторических артефактов) с помощью спутниковых снимков, LiDAR и аэрофотосъёмки.
💰 Приз: 5 000 000 ₽
🏀 Участие: команда (2-5 человек)
🌐 Формат: онлайн


[СОР] Wunder RNN Challenge
⏰ Даты: 15.09 – 01.12
💡 [ML] Соревнование по нейронкам от HFT-фонда Wunder Fund. Участникам предстоит создать модель, предсказывающую следующее состояние рынка на основе последовательности предыдущих состояний.
💰 Приз: 13 600 $
🏀 Участие: соло
🌐 Формат: онлайн


[СОР] RuCode
⏰ Даты: 01.09 – 26.10
💡 [ML] Контент-мейкер. Предсказать предсказывающую просмотр видео пользователями на основе истории просмотров, метаданных видео и демографических сведений.
💡 [ML] Найди инвестора. Предсказать готовность клиентов банка инвестировать в новые инновационные проекты, используя данные предыдущих предложений.
💡 [ML] Что посмотрим? Создать систему рекомендаций, формирующую для каждого пользователя упорядоченный топ-10 видеороликов, по его предпочтениям и истории просмотров.
💡 [ML] Тайна исчезнувших пассажиров. Ваша задача предсказать, кто из пассажиров оказался перемещён в другое измерение, используя данные бортового компьютера.
💡 [ML] Финансовый щит. Банку требуется классификатор транзакций в реальном времени, способный выявлять мошенничество среди потока поступающих данных с учётом изменения поведения пользователей.
💰 Приз: игровая приставка, умная колонка, внешний накопитель, мышь беспроводная
🏀 Участие: команда или соло
🌐 Формат: онлайн (в финале — очная защита)


[СОР] AI Journey Contest 2025
⏰ Даты: 04.09 – 30.10
💡 [NLP] Agent-as-Judge: создай универсального «судью» для оценки текстов, сгенерированных ИИ.
💡 [NLP] Human-centered AI Assistant: разработай персонализированного ассистента на основе GigaChat.
💡 [NLP] GigaMemory: придумай механизм долговременной памяти для LLM.
💰 Приз: 6 500 000 ₽
🏀 Участие: команда или соло
🌐 Формат: онлайн


[ХАК] Т1 в Минске
⏰ Даты: 14.10 – 17.10 (рег. до 12.10)
💡 [NLP] Smart Support: поддержка нового поколения. Разработайте ИИ-ассистента для службы поддержки с real-time подсказками из базы знаний.
💰 Приз: 300 000 ₽
🏀 Участие: команда (3-5 человек)
🌐 Формат: онлайн + очный финал (Минск, проспект Победителей, д. 2)


[ХАК] Открой#Моспром
⏰ Даты: 17.10 – 19.10 (рег. до 13.10)
💡 [NLP] ИИ-агент: прототип агентной системы для обработки обращений в техподдержку.
💡 [NLP] Human-centered AI Assistant: разработай персонализированного ассистента на основе GigaChat.
💡 [NLP] GigaMemory: придумай механизм долговременной памяти для LLM.
💰 Приз: 2 500 000 ₽
🏀 Участие: команда (3-5 человек)
🌐 Формат: онлайн или офлайн (ОЭЗ «Технополис Москва»)


[ХАК] Т1 в Новосибирске
⏰ Даты: 23.10 – 26.10
💡 [NLP] Цифровой дресс-код: необходимо разработать модель, которая сегментирует в видеопотоке человека от фона.
💰 Приз: 400 000 ₽
🏀 Участие: команда (3-5 человек)
🌐 Формат: онлайн + очный финал (Новосибирск, Академгородок, ул. Пирогова, д. 3)


[СОР] Overnight Finance Challenge
⏰ Даты: 20.10 - продолжительность в 1.5-2 месяца
💡 [ML] Разработать модель, которая решает задачу MultiClass Classification на 5 классов — то есть делать краткосрочные предсказания направления движения цены пары ETH/USDC (spot), разделяя исходы на пять категорий.
💰 Приз: 5000 USD (криптой)
🏀 Участие: команда или соло
🌐 Формат: онлайн


[ХАК] Wink AI Challenge
⏰ Даты: 31.10 – 19.11
💡 [CV] Трек 1. Платформа автоматического разбора и структурирования сценариев.
💡 [CV] Трек 2. Интеллектуальный сервис превизуализации сценариев.
💡 [CV] Трек 3. Автоматическая проверка возрастной категории по сценарию.
💰 Приз: 1 125 000 ₽
🏀 Участие: команда или соло
🌐 Формат: онлайн (в финале — очная защита)

#astronomy

"Адаптивная оптика на наземных телескопах позволяет компенсировать турбулентность земной атмосферы, меняя фокус сотни и более раз в секунду. С её помощью даже на Земле можно получать снимки качества и чёткости, близких к космическим телескопам.

Учёные из Аризонского университета (University of Arizona) создали систему адаптивной оптики MagAO-X, которую установили на телескопы Магеллана (Magellan Telescopes) в Чили — это пара 6,5-метровых телескопов: оптического и инфракрасного. Комбинация серии снимков за пару часов наблюдения за системой WISPIT 2, находящейся в 437 световых годах от Земли, проявила молодую планету в пустом пространстве между звездой и слабым контуром внешнего кольца протопланетного диска. Более того, вблизи звезды обнаружен кандидат в ещё одну протопланету — CC1."

https://3dnews.ru/1129785/polucheno-pervoe-pryamoe-izobragenie-novorogdyonnoy-planeti-takim-mog-bit-yupiter-45-mln-let-nazad

#books #trading #todo

В целом неплохая книжка для начального и среднего уровней. Есть интересные идеи, типа association rule learning для трейдинга, использования RP/DM признаков.

https://books.google.com.kh/books?id=xnFpEQAAQBAJ

#books #trading

Тоже в своём роде любопытная книжка, приводят хорошие примеры "подгонки под кривую".
Автор своим умом доходит до некоторого примитивного "машин лёрнига", у него это называется bars scoring.
Вот бы он удивился, узнай, что существует целая отрасль науки, решающая его задачу.

https://www.amazon.de/Building-Reliable-Trading-Systems-Risk-Reward/dp/1118528743

#trading #wisdom #fun

"This is worse than divorce. I have lost half my money and still have a wife."

Аж прослезился.

#trading #books

Dual Momentum Investing: An Innovative Strategy for Higher Returns with Lower Risk
by H. Antonacci

Интересно написанная книга, ясно рассказано о EMH, CAPM.

Конечно, этот Антоначчи носится со свои двойным моментумом как с писаной торбой, но всё равно, работа заслуживает внимания, особенно в свете презентации Chimps Кленова.

https://www.amazon.com/Dual-Momentum-Investing-Innovative-Strategy/dp/0071849440

#books #trading

Making Sense of Chaos: A Better Economics for a Better World
by J. Doyne Farmer

Книга самого Дойна Фармера! Обалдеть!

По факту выясняется, что ничего практически ценного в книге нет, но вы можете получить эстетическое удовольствие от чтения высокоинтеллектуальной литературы, примерно как от произведений Мандельброта и Талеба (если не брать идиотские "случаи из жизни" любимого вымышленного друга Талеба, местного Джона из американского Усть-Пердыщенска).

https://www.amazon.com/Making-Sense-Chaos-Better-Economics/dp/0300273770

#animals #octopus

https://www.youtube.com/shorts/LYHa0gKUR_g

#trading #baesian #pymc

https://www.youtube.com/watch?v=rfOoHkhYs_0

#trading

3 types of overfitting интересно

https://www.youtube.com/watch?v=1FQp0SislAo

#wisdom

No sensible decision can be made any longer without taking into account not only the world as it is, but the world as it will be.

—Isaac Asimov

#wisdom

Quality is never an accident; it is always the result of high intention, sincere effort, intelligent direction and skillful execution.

—William A. Foster

#books #trading

Пробежался по книжке Inside the Black Box. Хорошая.
Выписал некоторые определения.


As Dr. Simons puts it, “The advantage scientists bring into the game is less their mathematical or computational skills than their ability to think scientifically.”

Many successful traders subscribe to the old adage, “Cut losers and ride winners.” However, discretionary investors often find it very difficult to realize losses, whereas they are quick to realize gains. This is a welldocumented behavioral bias known as the disposition effect.

The systematic trader is able to make this “rational” decision at a time when there is no pressure, thereby obviating the need to exercise discipline at a time when most people would find it extraordinarily challenging.

A quant systematically applies an alpha-seeking investment strategy that was specified based on exhaustive research.

Our definition of alpha - which I stress is not conventional - is skill in timing the selection and/or sizing of portfolio holdings.

Alpha, the spelled-out version of the Greek letter α, generally is used as a way to quantify the skill of an investor or the return she delivers independently of the moves in the broader market. By conventional definition, alpha is the portion of the investor's return not due to the market benchmark, or, in other words, the value added (or lost) solely because of the manager. The portion of the return which can be attributed to market factors is then referred to as beta.

The software that a quant builds and uses to conduct this timing systematically is known as an alpha model, though there are many synonyms for this term: forecast, factor, alpha, model, strategy, estimator, or predictor. All successful alpha models are designed to have some “edge,” which allows them to anticipate the future with enough accuracy that, after allowing for being wrong at least sometimes and for the cost of trading, they can still make money. In a sense, of the various parts of a quant strategy, the alpha model is the optimist, focused on making money by predicting the future.

An important and not widely understood fact is that there are only a small number of trading strategies that exist for someone seeking alpha. But these basic strategies can be implemented in many ways, making it possible to create an incredible diversity of strategies from a limited set of core ideas. This distinction between the idea and how it is implemented is important to understand.

Most of what theory-driven quants do can be relatively easily fitted into one of eight classes of phenomena: trend, mean reversion, technical sentiment, value/yield, growth/sentiment, supply/demand, quality, and tactical/events.

#books #trading

Ещё немного цитат из Inside the Black Box.

Dark pools are created by brokers or independent firms to allow their customers to trade directly with each other in an anonymous way. They arose in part because of concerns about the market impact associated with large orders. On a dark pool, there is no information provided about the limit order book, which contains all the liquidity being provided by market makers and other participants. Customers are simply posting their orders to the pool and if someone happens to want to do the opposite side of those orders, the orders get filled. As a result of this anonymous process of matching orders, the market is less likely to move as much as it would in a more public venue, where automated market-making practitioners require compensation to take the other side of large orders.

The total cost of transactions for an instrument, holding all else (such as liquidity, trend or volatility) constant, can be visualized as a graph with the size of the order (in terms of dollars, shares, contracts, or the like) on the xaxis and the cost of trading on the y-axis. It is generally accepted by the quant community that the shape of this curve is quadratic, which means that the cost gets higher ever more quickly as the size of the trade gets larger (due to market impact).


While a quadratic cost function is the most commonly agreed upon type, it is not universally accepted. There is good evidence that, at least for U.S. equities, cost per share scales with an exponent of 1.5, or in other words, as the square root of trade size. This empirically seems to be a better fit, while also being supported by the knowledge that many market makers and dealers view their inventory risk as scaling the same way—as the square root of its size.

To mitigate the data-burning form of look-ahead bias, some quant shops take reasonably drastic measures, separating the strategy research function from the strategy selection function and withholding a significant portion of the entire database from the researchers. In this way, the researcher, in theory, cannot even see what data he has and doesn't have, making it much more difficult for him to engage in look-ahead activities. Less draconian, the researcher might simply not be allowed to know or see which data are used for the out-of-sample period, or the portions of data used for in- and out-of-sample testing might be varied randomly or without informing the researcher.


It may turn out that the names the strategy wants to short, and in particular, the most successful short picks, are on hard-to-borrow lists. Hard-to-borrow lists are those stocks that are generally restricted from shorting by the broker, because the broker cannot mechanically locate shares to borrow, which is required in the act of shorting.

Mistakes made during research become baked into a strategy for its lifetime, and then the systematic implementation of this error can become devastating. Moreover, the research effort is not a one-time affair. Rather, the quant must continually conduct a vigorous and prolific research program to produce profits consistently over time.

Models are, by definition, generalized representations of the past behavior of the market. More general models are more robust over time, but they are less likely to be very accurate at any point in time. More highly specified models have the chance to be more accurate, but they are also more likely to break down entirely when market conditions change.

The newest member of the quant-specific risk family is contagion, or common investor, risk. By this, we mean that we experience risk not because of the strategy itself but because other investors hold the same strategies.

The best argument against quant investing is that the markets are quasiefficient, nonlinear, dynamic, and adversarial systems, which makes it extremely hard to forecast asset prices. That said, there's enough empirical evidence in the sustained performance of the best quant funds to soundly refute that this difficulty is impossible to overcome.