سلام دوستان، امروز ساعت ۸ ( ایران)، لایو تلگرام خواهیم داشت در مورد نقش سوپروایزر در ریسرچ ها و پایان نامه ها و البته بصورت اختصاصی در حوزه یادگیری ماشین و مالی.

جلسه بصورت سوال و جواب خواهد بود و agenda دقیقی برای جلسه نخواهد بود و بیشتر هدف اینکه انتظارات شما رو بدونیم.

از اساتید هم اگه کسی بود دعوت میکنم تشریف بیارن، سوالات رو هم میتونید قبل از جلسه برای من بفرستین، یا توی گروه بپرسین،

اصولا ما همیشه جلسات تخصصی برگزار میکردیم ، اما این جلسه و یه جلسه دیگه ی در مورد اپلای برای حوزه مالی و دیتا رو سعی میکنم ترتیب بدم که بتونیم دید وسیعتری نسبت به ادامه مسیر داشته باشین،
ممنون🌺

سلام دوستان.
فیلم جلسه اخیر درباره نقش سوپروایزر در دوره دکترا رو در یوتیوب آپلود کردم،
البته تقریبا نصف بیشتر مباحث در مورد اپلای دکترای فاینانس بود، و مباحث در رابطه با اپلای و پروپوزال،
امیدوارم مطالب براتون مفید باشه🌺،

https://youtu.be/ZEjH6Ulq57s

سلام، فرصت تحصیل دکترا

https://www.linkedin.com/posts/sasan-barak-11808236_business-studies-activity-7183874909465387009-yfzE?utm_source=social_share&utm_medium=member_android&utm_campaign=copy_link

لطفا فقط در صورت تکمیل بودن مدارک و پروپوزال اقدام کنید،

سلام دوستان، ما یه پروژه اسکجولینگ توی متلب انجام دادیم که نزدیک ۳k خط کد هست، بحث تخصیص آدم ها با تخصص مختلف به ماشین ها و تخصیص اون ماشین به کار و تسک های مختلف کار هست،
این رو باید تبدیل به یک پروژه cpp کنم. این یک پروژه small grant برای دانشگاه ساوتهمتون هست که هزینه ی کار هم برای بازه ۱-۲ ماه پرداخت میشه، از دوستانی که تبحر توی cpp دارن، اگه میشه لطفا رزومه شون رو بهم بفرستن که بتونم فرد مناسب رو برای این پروژه انتخاب کنم، پروژه باید سریع جمع بشه و ترجیحا کسی رو میخوایم که بتونه زمان خوبی برای این پروژه بزاره،

سلام دوستان،
همیشه من میگم مصورسازی قسمت اعظم یادگیری رو شامل میشه، برای چند تا تاپیک خیلی مهم در AI , جناب Grant Sanderson ویدیوهای بسیار عالی ساختن که توضیحات مدلهارو بصورت شهودی یاد میگیرین. خیلی جذاب بود 😊

1. Backpropagation Calculus

https://www.youtube.com/watch?v=tIeHLnjs5U8

2. Transformers
https://youtu.be/eMlx5fFNoYc?si=iFnJLOx__9qu5hq0


3. GPT
https://youtu.be/wjZofJX0v4M?si=JQIZtYLxfiXw4Lrg

خبر مهم 🌺👌

میشه گفت بهترین استراتژی ترید برای scale up کردن میزان asset under management، استراتژی های مارکت نیوترال یا دلتا نیوترال هستن.

این استراتژی ها اصولا بدون توجه به اینکه مارکت بالا یا پایین میره، سودسازی خودشون رو انجام میدن،
یک گروه وسیعی از مدل های مارکت نیوترال، مدلهای pair trading هستن که بر اساس تفاوت روند کراس کوین ها یا سهام سیگنال‌های خرید و فروش صادر میشه.

دسته های مختلفی دارن که شامل Copula, cointegeration, codependence, distance , stochastic , و ml میشن.

تو این حوزه، یه پکیج خیلی جالبی وجود داشت که پولی بود ( ۱۰۰۰ دلار) و امروز هادسون و تیمز تصمیم گرفتن اپن سورس کنن💥
بنظرم فضای عالی برای ریسرچ و درست کردن استراتژی های خوب ارائه میده،

دسترسی به کدها :
https://github.com/hudson-and-thames/arbitragelab

دسترسی به نت‌بوک پروژه که در واقع در حد یک کورس درسی جذابه
https://hudson-and-thames-arbitragelab.readthedocs-hosted.com/en/latest/

نت‌بوک ها

https://github.com/hudson-and-thames/arbitrage_research

بنظرم دوستانی که علاقمند به کوانت هستن، این میتونه شروع فوق العاده ی باشه که با مدلهای متفاوت این حوزه آشنا بشن 👌

@machinelearningnet
موفق باشین🌺

ماهنامه oxford -man منتشر شد. مقاله deep limit order book برای من خیلی جالب بود. بنظرم بهترین سورس داده برای پیشبینی همین دیتاهای order book هست، یه پکیج آماده هم به اسم lobframe ارائه کردن،

خیلی سوالاتی در مورد ریسرچ و پروپوزال توی این حوزه ازم میشه، پست های دیروز و امروز، میتونه همه زمینه های خوبی برای ریسرچ باشه👌

@machinelearningnet

اینا حتی برای تحقیقات عملی هم میتونه بدرد بخوره،

پوستر مقاله Lobframe

در واقع یه مقاله قبلا در گروه معرفی کرده بودیم به اسم DeepLob که از همون کانسپت استفاده میکنه

توی این لینک میتونید مقالات مرتبط رو پیدا کنید

https://www.tgoop.com/machinelearningnet2/431

#فراخوان_مقاله

▫️از ۳۰ مقاله که برای این فراخوان صد هزار دلاری ارسال شده بود، ۵ مقاله برای ارائه و تصمیم گیری نهایی انتخاب شده. با افتخار یه تیم نویسندگان ایرانی هم در این لیست حاضره که ارائه شون امروز ساعت ۱۸:۳۰ به وقت ایران خواهد بود. شرکت برای عموم با ثبت نام امکان پذیر هست. لیست مقالات و تاریخ ارائه شون در تصویر اومده. دانلود مقالات هم از طریق لینک های زیر مُیَسّره:

- Modeling Systemic Risk: A Time-Varying Nonparametric Causal Inference Framework by Jalal Etesami, Ali Habibnia, Negar Kiyavash

- Building Probabilistic Causal Models using Collective Intelligence by Olav Laudy, Alexander Denev, Allen Ginsberg

- Causal Discovery in Financial Markets: A Framework for Nonstationary Time-Series Data by Agathe Sadegh, Achintya Gopal, Mohammad Fesanghary

- Discovering Causal Models with Optimization: Confounders, Cycles, and Instrument Validity by Frederick Eberhardt, Nur Kaynar, Auyon Siddiq

- Getting More for Less - Better A/B Testing via Causal Regularization by Kevin Webster, Nicholas Westray

@FinPy

اگر بتونیم مزیت الگوریتم یادگیری شبکه عصبی (gradient backpropagation) رو با الگوریتم مدل‌های boosting بر مبنای درخت تصمیم مثل XGboost که پادشاهان Tabular Data هستند به صورت بنیادی ترکیب کنیم به چه مدلی میرسیم؟

مدل قدرتمند جدیدی در Tabular Dataبه نام GRANDE که بر اساس ایده Gradient Decision Tree ساخته شده و تونسته در اکثر دیتاست‌ها، از جمله Numerai (مسابقه معروف در پیشبینی بازار مالی با دیتاساینس) از XGboost و Catboost که تا به حال بهترین بودن عملکرد بهتری داشته باشه.
پکیج GRANDE رو میتونید با pip نصب کنید.
GRANDE: Gradient-Based Decision Tree Ensembles

کمی عمیق تر:
مسئله اصلی این هست که الگوریتم‌های درخت تصمیم و الگوریتم ترکیب درخت‌ها در boosting ها به صورت greedy هست که باعث ایجاد محدودیت در فضای جستجو و همچنین overfitting میشه. به همین دلیل نیاز هست تا فرآیند‌هایی مثل split به صورت differentiable بشه و بعضی موارد non-differentiable مدیریت بشن. بعد از این امکان بهینه کردن بنیادی پارامترهای درخت تصمیم و ensemble رو خواهیم داشت. و حتی میتونیم برای split values، split indices، leaf weights و leaf به طور جداگانه learning rate داشته باشیم. برای فهم دقیق الگوریتم مقاله‌های اصلی رو بخونید:
GRANDE paper : ICLR 2024
GradTree paper : NeurIPS 2023

@deeptimeai

تعداد ۳۶ هزار بازدید ویدیو برای یک گروه کاملا تخصصی که مطالب پرزنت هاش خیلی هم سخته 😄

باورنکردنی هست، 🙈😍

واقعا از تیم ارائه ها، تلاش چندین ساله گروه کتابخوانی و همه ی دوستانی که با همدیگر نزدیک ۹۰ تا ارائه آماده کردیم صمیمانه تشکر میکنم،

پرزنت های بسیار جذابی در بین ارائه ها هستن که سطح شون از برترین کلاس های دانشگاههای اروپایی هم بالاتره،

دست مریزاد💥

مارا به سخت جانی خود این گمان نبود🙏

لینک فیلم های پرزنت های گروه
https://www.aparat.com/DrSasanBarak/videos

@machinelearningnet

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..