سلام دوستان.
دو تا پرزنت ساده برای استفاده از پایتون در تریدینگ رو اینجا لیست کردم، اینا استراتژی ها سود ده نیستن، اما برای آشنایی با پیاده سازی الگوریتم ها خوب هستن،

البته مسائل زیادی توش کاور نشده مثل بکتست درست و حرفه ای ، اما برای شروع خوبه

این پیاده سازی برای استراتژی های براساس momentum هست
https://machinelearning-basics.com/learn-momentum-algorithms-using-python/

این پیاده سازی هم برای استراتژی های بر اساس mean reversion هست

https://machinelearning-basics.com/mean-reversion-trading-strategy-using-python/

موفق باشین

@machinelearningnet

یه فایل و دوتا لینک برای استفاده از chatgpt برای ترید،

لینک اولی البته برای توضیح دادن در مورد استفاده از api open ai هست،

https://machinelearning-basics.com/chatgpt-api-using-python/
و دومی در مورد درست کردن استراتژی با چت gpt.

https://machinelearning-basics.com/chatgpt-and-algo-trading-how-to-use-chatgpt-to-learn-algorithmic-trading/

فایل هم در مورد استفاده از chatgpt برای بدست آوردن sentiment در earning های شرکت ها هست، این خیلی خوبه

البته بازم تاکید میکنم که قرار نیست مستقیم از این استفاده بشه برای ترید، بدون شک ضرر ده خواهد بود، اما از این میشه برای اتومیت کردن کارها و گرفتن سیگنال‌هایی استفاده کرد،

@machinelearningnet

هم مرگ بر جهان شما نیز بگذرد
هم رونق زمان شما نیز بگذرد

وین بوم محنت از پی آن تا کند خراب
بر دولت آشیان شما نیز بگذرد

#سیف_فرغانی

این کانال برای علاقمندان به High Performance Computing و محاسبات علمی ایجاد شده و محتوای آن شامل کتاب، دوره، نکات کدنویسی و منابع مفید در مورد مباحث زیر هست:
🔴 High Performance Computing
🔴 Parallel Programming
🔴 Distributed Programming
🔴 GPU Programming
🔴 Scientific Computing
🔴 Numerical Methods
🔴 Simulation
🟢 C/C++ Programming
🟢 Julia Programming


@hpcnerds

پروفسور Jon Danielsson پرزنت و کدهای کتاب
Financial Risk Forecasting

رو بصورت کامل در وبسایت اش ارائه داده.

بخاطر ارائه کدهای کتاب به ۴ زبان پایتون، R , جولیا و متلب، کتاب بسیار کاربردی هست و منبع خوبی برای فهم *مدلهای پیشبینی ولاتلیتی * مدلهای اندازه گیری ریسک، * مدلهای پیشبینی ریسک، *بکتست و * شبیه سازی ریسک روی بازارهای مختلف مالی ( اپشن، استاک، باند) 👍

اسلایدها و کدهارو از این لینک میتونید دسترسی داشته باشین

https://www.financialriskforecasting.com/slides/

پ.ن. اصولا این گروه جایی هست که مطالبی که برام مفید هست رو برای آموزش خودم میزارم، مدتی بود غیبت داشتم ، کلی کارهای جالب اتفاق افتاده که بزودی به اشتراک میزارم‌ 💥🙏

@machinelearningnet

تعدادی داستان قراره تعریف کنم😉

داستان شماره ۱:
وقتی ایده ی دیپ فاینانس شکل گرفت، در واقع برای خواسته ی یه شرکت خارجی تریدینگ بود که درخواست مدیریت تریدرهاش رو بهم دادن و با تیمی از بچه های خوب اینجا، من دنبال ساخت یه سیستم اتوماتیک پرتفولیو منیجر برای این درخواستشون شدم، کار زیادی انجام شد اما پروژه در مرحله آخر دچار شکست شد و من به شخصه کلی تجربه ی عجیب ازش گرفتم و تقریبا با اکثر بچه های تیم قبلی هنوز در ارتباط هستیم.

بعدش ایده رفت به سمت ساخت مدلهای الگوریتمیک تریدینگ، و الان نزدیک سه سال هست توی این حوزه ریسرچ انجام میدیم و استراتژی دولوپ میکینم،
بخاطر وارد شدن در یک مارکت niche ، کریپتو رو انتخاب کردم و الان خوشحالم که با بزرگترین شرکت‌های فاند منیجری کریپتو در حال همکاری هستم📊
اینکه توی فضایی که همگی پرتفولیو منیجر و ceo های شرکت‌های بزرگ مالی در کریپتو باشن و همگی تورو به اسم بشناسن، ثمره چند سال تلاش بی وقفه فراتر از اکادمیا هست

ادامه دارد...

پ.ن۱. این کامیونیتی گروه ما دوست داشتنی هست و باعث افتخار❤️

پ.ن۲. بزودی بيشتر درباره کوانت ریسرچر بودن مینویسم😊

پ.ن۳. آقا بزوس هم کوانت ریسرچر بودن 😊

ادامه داستان😊

تقریبا چند سال پیش که ایده داشتن دو شرکت در زمینه ی بیزینس آنالیتیک و مالی رو داشتیم، همین گروه یه دورهمی تشکیل دادیم و در مورد ایده ها بحث کردیم ،

توی حوزه مالی که تقریبا مسیر واضح تر بود و کار دولوپ استراتژی ترید با وجود اینکه جزو پیچیده ترین کارها هست اما دیگه مشکل عجیبی بابت بازاریابی اینا نداشت ( هرچند چندین ماه طول کشید تا بفهمم چه استراتژی مقبول مارکت هست -->درباره استراتژی ها الگوریتمیک هم باید توضیح بدم)

اصولا این حوزه مالی اونقدر سنگین بود که انتظار نداشتم بتونم وارد بحث بهینه سازی و بیزینس انالیتیک بشم، اما سال پیش استارت یه کار در زمینه اسکجولینگ و کلا مدیریت تولید بر اساس مدلهای llm و بهینه سازی رو شروع کردیم و بزودی محصول اون حوزه لانچ خواهد شد 💥

بخاطر تجربه قبلی برای من مهم بود که درخواست بازار و لیست مشتری هارو قبلا ایجاد کرده باشم و به همین دلیل الان این محصول نحوه همکاری اش با شرکتها بسته شده!

نکته بعدی بروز بودن ایده بود. مثلا قسمت کوچیکی از الگوریتم اسکجولینگ ما در مجله زیر بتازگی چاپ شده
لینک

پ.ن. این یه پست داخل پارانتزی قبل از ادامه داستان کوانت بود😊

ادامه دارد..

ادامه داستان ☺️

خوب اگه مقداری فضا رو عملی تر بکنیم، میریم روی crypto fund universe، یعنی کلا اینا چطوری پول در میارن توی این حوزه،

گروه passive investment : شاید در مورد etf های بیتکوین ( اوایل سال میلادی) و اتریوم (که دیروز شروع به کار کرد ) شنیده باشین، اونا اصولا مدلهای بای و هولدی هستن که بصورت سرمایه گذاری passive درنظر گرفته میشن، ( البته اگه قرار باشه ترید بزنن روی دارایی هاشون اونوقت ماجرا فرق خواهد کرد اما فعلا هدف اینا سرمایه گذاری هست).
علاوه بر etp/etf ها، venture ها هستن که روی استارت اپ های حوزه کریپتو و مراحل اولیه کوین ها سرمایه میزارن، اصولا این دسته liquid نیست و نمیشه سریع انتظار برداشت پول رو داشت،

اما اصلی ترین گروه که بیشترین تمرکز ما روش هست، مدلهای اکتیو ترید هستن.
اینها خودشون چند حالت هستن
۱. فکر کنید شما کوین هاتون رو به کسانی که مثلا نیاز دارن اجاره میدین. در واقع لندینگ میکنی و به نوعی liquidity provider میشی، و اصولا سود کم و بی ضرری هست. چرا حالا lend میکنی، مثلا یکی میخواد سل بزنه روی بازار اسپات، میاد کوین تورو lend میکنه و بهره اجاره رو بهتون میده
@machinelearningnet

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

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

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

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

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

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

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

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

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 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 ☺️

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

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