@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

🔥18👍5❤2

www.tgoop.com/machinelearningnet2/508

3.23K viewsSasan Barak, edited  Jul 31, 2024 at 12:33

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

BY @machinelearningnet