تعدادی از بچه های این گروه امسال از دانشگاه‌های آمریکا و اروپا پذیرش دکترا گرفتن،
تبریک به همه بچه ها 🌺

پنج نفر از این دوستان، از کسانی بودن که با من مقاله دارن کار میکنن یا توی دیپ فاینانس بودن، یه تبریک ویژه هم به اونا😊😜

احتمالا یه جلسه در اینده بزاریم و درباره تجربه اپلای و رزومه و پوزیشن ها مقداری حرف بزنیم، من سعی میکنم یکی دو نفر از همین بچه ها رو هم اونجا داشته باشیم و چند نفر استاد توی اروپا یا آمریکا رو هم دعوت کنم،

#تبریک🙏🌺

Pandas Course 👇🏼

FreeCodeCamp released a course - Pandas for Data Analysis by Example. The course is for beginners with no previous experience with Pandas, focusing on the following topics:
✅ Pandas DataFrame
✅ Data analysis
✅ Data filtering and sorting
✅ Data wrangling

➡️ Course: https://www.youtube.com/watch?v=gtjxAH8uaP0

Meta released Code Llama 🚀 today - an LLM for code generation. It is built on top of Llama 2, and it includes the following functionality:
✅ Code generation based on user prompts
✅ Code completion
✅ Code debugging
✅ Supporting languages such as Python, C++, Java, PHP, Typescripts (JS), C#, and Bash

In addition, the model is available in the following formats:
➡️ Code Llama foundation code model
➡️ Python specialized for Python
➡️ Insturct - a fine-tuned for understanding natural language instruction

The Code Llama is free for research and commercial use.

License: Under the Llama license

Code: https://github.com/facebookresearch/codellama
Post: https://ai.meta.com/blog/code-llama-large-language-model-coding/
Paper: https://scontent-sjc3-1.xx.fbcdn.net/v/t39.2365-6/369856151_1754812304950972_1159666448927483931_n.pdf?_nc_cat=107&ccb=1-7&_nc_sid=3c67a6&_nc_ohc=BnkB4kcpz5AAX-DSuY0&_nc_ht=scontent-sjc3-1.xx&oh=00_AfAK5Q5aZ3q4RnGb-r3HHXgj7Vs-mICG9lGfUTxEI_Gm_w&oe=64ECB20F

این خیلی خوبه. میتونید کدهاتون رو با brad, chatgpt و code Llama آنالیز کنید و نتایج رو توی گروه بحث کنید 👌

#مرگ-آزاد-اندیشی #مرگ-عدالت-خواهی
#مرگ-تفکر

Wow! 😱🚀
WizardCoder 34B outperformed GPT4, brad and claude on HumanEval. It is fine tuned version of Code Llama ( introduced yesterday) !

The 67% by GPT4 is the official report of Open.ai and the 72.5%(GPT3.5) and 82% (GPT4) are by the wizardlm team.

#crazyworld!

All the codes and analysis are opens source here

#چه_خبرتونه! #اونوقت_خبر_بالا😔

Web scraping with Scrapy course 🚀🚀🚀

بچه های فاینانس برای گرفتن دیتاهای مالی اصولا به اسکیل های مختلفی نیاز دارن، وب اسکرپینگ تقریبا جزو لاینفک این اسکیل هاست که از هزینه های سنگین api دیتاها نجات‌مان میده 😳😜

A course by freeCodeCamp for web scrapping with Python and scrapy by Joe Kearney. The course is for beginners level and covers the following topics:
✅ Creating your first Scrapy spider
✅ Crawling through websites & scraping data from each page -
✅ Cleaning data with Items & Item Pipelines
✅ Crawling through websites & scraping data from each page
✅ Cleaning data with Items & Item Pipelines and saving data to CSV files, MySQL & Postgres databases
✅ Deploying your scraper to the cloud & scheduling it to run periodically

Resources 📚
➡️ Course: https://www.youtube.com/watch?v=mBoX_JCKZTE&t=31s&ab_channel=freeCodeCamp.org
➡️ Course website: https://thepythonscrapyplaybook.com/freecodecamp-beginner-course/
➡️ Scrapy: https://docs.scrapy.org/en/latest/

اخیرا تعدادی از دوستان درخواست معرفی کورس های الگوریتمیک تریدینگ داشتن،

من سعی کردم چند تا دوره در یوتیوب رو در این پست لیست کنم که دوستان بتونن ازش استفاده کنن،

دوره اول بیسیک رو کاور میکنه و دوتا استراتژی مومنتوم و value investing رو ارائه میکنه .

دوره دوم و دوره سوم برای مت مکارتی هست در مورد directional bias و چند تا استراتژی که کلا یوتیوب اش رو میتونید فالو کنید .

دوره چهارم خیلی بیسیک هست و آخرش درمورد گرفتن دیتا از api های بروکرها هم توضیحاتی میده،

دوره پنجم هم ریسک فاکتور مدل فاما فرنچ رو روی دیتا لایو و یک شرکت داره تست میگیره.

مثال‌های زیادی میشه زد، اینا چند تا کوروس جمع وجور که برای کاور مسایل بیسیک بود رو انتخاب کردم.

این پکیج جالبی بود در پایتون که ۱۶۷k ستاره داره! تقریبا هر الگوریتمی که فکر می‌کنید از بلاکچین و ماشین لرنینگ تا ساختار دیتا رو کار کرده،

https://github.com/TheAlgorithms/Python

@machinelearningnet

اول مهر ماه،
سالروز تولد اسطوره آواز ایران و نغمه خوان آزادي ما،

استاد محمدرضا شجریان ❤️

گرامی باد🌺


زبانِ خامه ندارد سرِ بیان فِراق

وگرنه شرح دهم با تو داستانِ فِراق

@machinelearningnet

"Exciting News! 📢

In today's ever-changing market landscape, traditional portfolio selection methods fall short due to the dynamic nature of financial data. That's where our pattern matching approach with clustering shines.
🌟In our new paper, we've developed an online portfolio selection strategy that adapts to market changes, maximizing expected growth while considering ESG factors. 🌍📊

Our research tackles the challenge of non-stationarity in finance, which often trips up conventional machine learning algorithms. By incorporating nonlinear entropy between the shares and creating a dynamic pattern-matching approach, we beat many benchmark algorithms in live trading.

🌟🌟One key finding: ESG portfolios ♻️obtained the best deflated Sharpe ratio—indicating their strong performance beyond market growth. These findings highlight the tremendous potential of responsible investing.🌿💰

I'd like to extend my gratitude to the team, Ali Fereydoni and Mehrzad Asadi, which have the main contributions to this research. 🚀

کتاب جدید مارکوس دپرادو ، که در قالب یک مقاله ssrn قبلا چاپ شده بود، در مورد casual graph و casual investing هست که یک زمینه ریسرچ جالبی رو ارائه میکنه که بتونیم بجای استفاده گله ای از فیچرها، بتونیم آنالیز علیت روی فیچرها داشته باشیم و عوامل اصلی driver قیمت رو دربیاریم .

تاپیک بسیار جذابی خواهد بود برای ریسرچ های بعدی در زمینه آنالیز فیچرها و ساخت استراتژی های که با فیچرهای عامل، بجای معلول ساخته میشن،

وقتی شرایط مارکت عوض میشه، کل استراتژی های ساخته شده از این فاکتورهای وابسته اشتباه میشن، در واقع یاد میکیریم بجای فاکتور وابسته ای که خودش متغیر ی عامل دیگه ای هست، خوب اون عامل اصلی رو دیتکت کنیم

پرزنت همین کتاب با خود دپرادو :

https://youtu.be/9w7A4JCd-vk?si=Pz-KK3kpxD5Uz9jj

سلام،
این یکی دو هفته احتمالا این گزارش رو دیدین.
یه چند تا نکته بابت این دارم،

نکته اول : نویسنده اول قسمت تایم سری گزارش، دیدگاه بسیار درستی نسبت به فضای این حوزه داره و در واقع feature extraction رو اوجب واجبات میدونه. ایده ای هم داره استفاده از Generative AI برای اینکار هست و یا از مدلهای ML بتونیم فیچرهای خوب جنریت کنیم .
مثلا شما بتونید از ایده مدلهای تولید تصویر بر اساس AI ، بتونی فیچرهای تایم سری استخراج کنی! این کارها شدنیه، البته ما چند تا از اپروچ هارو دولوپ کردیم که بزودی پرزنت خواهم کرد. اما بدور از کار اینده ی ما، بنظرم این کار جای زیادی داره و کار llm ها این فَضا تولید فیچر خواهد بود تا فورکاست و اینا.

دوم: انسامبل اصولا این فضا بهتر از سینگل مدل جواب خواهد داشت. هر کاری میکنید حتما با یک اپروچ هوشمند انسامبل کنید

سوم: مسابقات مختلف دیتای tabular رو ببینی اصولا xgboost خوب بوده، اما تجربه ی من از تایم سری این بود که همیشه RF بهتر از این بود😉

چهارم: چون من به کریپتو علاقمند هستم، نتایج این مسابقه جالب بود
G-research

🎊یه آپدیت بابت مسابقات پیشبینی بازار سهام چند روز بعد خواهم داد

شاید علاقمند به دیدن سولوشن نفر اول همین مسابقه پیشبینی crypto باشین ( نکته چهارم بالا) که اینجا توضیح اش اورده شده. ساختار مدل اش هم توی شکل بالا نشون داده شده

@machinelearningnet

واقعا این معرکه conformal forecasting رو متوجه نمیشم😭، چیزی که سالها بوده و ما در حوزه statistical forecasting کلی مدل و اپروچ در زمینه interval forecasting داریم، حالا چون مدل عوض شده و تبدیل به ماشین لرنینگ شده واقعا احساس میکنه طرف جایزه نوبل باید ببره برای پرزنت چیزی که بوده 😉😁 خیلی جالبه استفن کولاسا ( یکی از بهترین های retail forecasting ) هم که آب پاکی رو ریخت روی دستش 🙈 همون بدرد پست های لینکدین میخوره، والا نمود واقعی که پرفورمنس خوبی ازش ببینیم وجود نداره. 🙈😉

پ.ن. البته هدف از این پست این نبود که interval forecasting و یا پیاده سازی روی مدل های ماشین لرنینگ اون ( conformal ) چیز درستی نیست، یا توانایی نداره. در حالیکه همین الان هم توی صنعت درواقع پیشبینی نقطه ای کمتر استفاده میشه، بلکه بیشتر مساله من یکی توی لینکدین هست که احساس میکنه فورکاستینگ به قبل و بعد از conformal تقسیم شده 🙈، والا کانال فارسی ما سعی میکنه علم رو ترویج بده تا کل کل رو 🌺😍

اینم یاد مدل nbeats میندازه منو، اومدن بعد از مسابقه m4، یه مقاله دادن بیرون و ادعا کردن از نتیجه الگوریتم نفر اول ( syml) چندین درصد بهتر شدن، اما دوستان نویسنده روی همین دیتاهای چند تا مسابقه فورکاستینگ موسوم به M اورفیت کرده بودن و دیگه ازش خبری نشد،
این قضیه این مقاله nixtla هم همون نشه ؟! 😜😊،

مدتی بود فکر میکردم مایکروسافت تقریبا همه بیزینس ها رو خواهد بلعید! 🙈 با این حجم پیشرفتی که در gen ai دارن و این سرمایه و ریسورس ها، تقریبا همه شرکتها برای اتومیت کردن کارها، وابسته اونا خواهند شد، همین الانم که ما از gpt ها استفاده میکنیم، کل اطلاعات در خدمت ماکروسافت برای فروش در اینده به خود ما جمع آوری و تحلیل میشه،
این ذهنیت غالب مقداری هم ترسناک بود و البته با یک پست جالب از 🤗 hugging face تلطیف شد!
پست جالب بالا، یکی از بهترین توصیه های هست که در سال‌های آتی میشه به بیزینس ها کرد،
اولا نشون میده بدون شک همه ی بیزینس ها باید به این سمت برن و یا دچار عدم کارایی شدیدی خواهند شد❌
ثانیا، مدل کوچیک تخصصی خودشون رو دولوپ کنن💥،
اینکه چقدر این مدلها میتونه موفق و کارا باشه یک بحث هست که احتمالا همه شرکتهارو مجاب به استخدام مهندس های gen ai کنه، اما در کل ما بجز اتومیت کردن چاره ای نخواهیم داشت،

هدفم از این بحث ها این بود که یک دوره Generative AI for Everyone
رو Andrew Ng داره بزودی میزاره که توش درباره پیاده سازی و ساختن این مدلها برای بیزینس خودتون بحث خواهد کرد، 😍

لینک کورس بزودی آپدیت میشه