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

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

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

❤ 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 ❤

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

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 👌

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

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☠️

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. 😵‍💫

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

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

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

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