@machinelearningnet

описание

Machine Learning Applications in Finance

← к каналу @machinelearningnet2

3 293

подписчиков

Охват к подписчикам

85,0%

ERR

Реакции к просмотрам

1,18%

724 на 21 постов

Пересылки к просмотрам

0,92%

563

Постов в день

0,0

всего 21

Где отзываются чаще

доля реакций к просмотрам

15 маяترامپ با خودش زیرساخت برده چین! اون ساختمان مایکروسافت زیرساخت نیست. اون مغز متفکر، اون صاحب ایده، اون آدمیه که پشت اون سازمانه؛ اون زیرساخته. قدرت آمریکا توی سیمان و شیشه و آسمان‌خراش نیست. قدرتش آدم‌هایی‌ان که رئیس‌جمهورش برای نگه داشتنشون می‌جنگه، بهشون بها میده. زیرساخت واقعی، اون جوان ایرانیه که با اذان صبح اعدام میشه . اون نخبه‌ایه که چمدون به دست از کشور فرار می‌کنه. اون جوونیه که با اون همه استعداد، آخرش باید توی خیابون دستفروشی کنه. کشوری که مغزهاشو می‌کشه، نخبه‌هاشو فراری میده و استعدادهاشو تحقیر می‌کنه، حتی اگر پر از نفت، برج و موشک باشه، باز هم فقیره. جامعه‌ای که انسان ارزشمندش را نابود کند، هنوز در منطق عصر حجر و تفکر ارتجاعی گیر کرده @machinelearningnet23,03%
28 янв.با هر last seen recently جدیدی که توی گروه میبینم، لبخند میزنم! سطح شادی ام همین قدر کوتاه شده. #کشتار_سیستماتیک #جنایت_ساختاری #غم_خشم #حکومت_فاسد_دینی2,88%
19 июн.بعضی اتفاقات زندگی وقتی که کلا درگیر یه مساله ی دیگه هستی، تورو سورپرایز میکنه! ✨ مقاله ما با عنوان «Dual resource constrained flexible job shop scheduling with sequence-dependent setup time» از سوی انتشارات Wiley به‌عنوان یکی از پربازدیدترین مقالات سال ۲۰۲۵ در مجله Expert Systems شناخته شده است. 📈🏆 علتش اش هم ساده بود، این یه پروژه خیلی کاربردی و عملی بود که حتی برای یه شرکت تولیدی داشتیم پیاده سازی میکردیم، 🏭🛠 🔔 نکته‌ای کوتاه درباره اهمیت این مسئله: بیشتر پژوهش‌های حوزه زمان‌بندی انعطاف‌پذیر، ماشین‌آلات را به‌عنوان تنها گلوگاه در نظر می‌گیرند و به‌طور ضمنی فرض می‌کنند که اپراتورها همیشه در دسترس هستند. اما کارخانه‌های واقعی اینطور نیستن؛ نیروی انسانی یک محدودیت مهم است و عواملی مانند مهارت‌ها، زمان‌های بیکاری و هزینه‌های اپراتورها بر آنچه واقعاً در محیط تولید امکان‌پذیر است تأثیر می‌گذارند. 🤖👷‍♂️ توی این مقاله، ما به این مشکل تمرکز کردیم و عوامل مختلف انسانی را وارد مسئله زمان‌بندی می‌کنیم؛ و اینجوری سیستم‌های تولیدی را طراحی کردیم که هم واقعاً کارآمد باشه و هم در عمل قابلیت اجرا داشته باشه. ✅🚀 📄 https://onlinelibrary.wiley.com/doi/10.1111/exsy.13669 پ.ن. یه پروژه هم یکساله با یکی از نویسندگان این مقاله داشتیم، اونم اگه پروداکت کنیم درباره اش صحبت میکنم😏 پ.ن‌.۲. چرا مسایل غیر از کوانت فاینانس، رنگ دیگه ندارن 😭😁 @machinelearningnet22,07%
19 июн.اصولا هر سال من چند تا پروژه کوانت با دانشجوهای ارشد دانشگاه لانچ میکنم و امسال دوباره پروژه ما جایزه بهترین و تکنیکال‌ترین پروژه بیزینس اسکول و دانشکده ریاضی رو باهم گرفت، ☺️🎓 پروژه در واقع درباره رژیم دیتکشن روی کریپتو با مدلهای سیگنچر بود و ریاضیات و مباحث کدینگ سنگینی داشت، 📉🧮🖥️ این دانشجوی منم قبلا دکترا از چین داشت و اومده بود دوباره مستر کوانت فاینانس بگیره و الانم توی یه هج فاند توی چین کار پیدا کرده. 🇨🇳📚💼 برگردم به همون پست قبلی، اینجا هم دوباره یه مساله واقعی داشتیم که راه حلش قسمتی از پروداکت واقعی میشه، انالیز رفتار استراتژی در رژیم‌های مختلف و فرموله کردن اپدیت استراتژی برای تغییر رژیم‌های آینده ، 📊🔄 الان داریم یه پلتفرم برای دیتاهای میکرولول کریپتو بالا میاریم، 🚀📱 این پلتفرم باعث میشه دیتاهای خوبی از مارکت بتونیم انالیز کنیم، اگه علاقمند به این شکل ریسرچ‌های کوانت هستین (بهینه‌سازی استرتژی، دولوپ استراتژی، پرتفولیو سلکشن، میکرواستراکچر) و قبلا چند تا مساله mathematical finance رو حل کردین، در تماس باشیم 📩 @Sasanbarak1,82%
3 февр.#چیزی_عادی_نشده #همه شهر ایران جگر خسته اند، به کین_سیاوش کمر بسته اند ☘1,77%
11 нояб. 2024 г.без подписи1,62%
28 июн.سال ۲۰۲۶، تقریبا نصف کتاب‌های الکترونیک چاپ شده در امازون، با ai تولید شدن!؟ خدا قوت 😏 @machinelearningnet21,31%
2 маяسال پیش با یکی از دانشجوهای دانشگاه تهران روی یه استراتژی MFT توی بازار کریپتو کار میکردیم. 📈 مساله متالرنیگ و بهینه سازی استرتژی مارکت نیوترال بود. 🧠🔍 این دانشجوم از Cass business school توی لندن افر فول فاند دکترا گرفت و البته قبول نکرد و جای دیگه ای الان دکترا میخونه. 🎓 امسال هم با دانشجوی دیگه ای روی استراتژی شبیه اون و البته با دیدگاه مالی تر کار میکردم، خوشبختانه امسال هم این دانشجوم موفق شد همون پوزیشن فول فاند بیزینس اسکول cass رو بگیره و البته اکسپت کرد ☺️🎉 جالبه جفت این دانشجوها اسمشون روی همون مقاله هست و مقاله در یک ژورنال خوب تحت داوری هست ☺️📝، مقاله پر برکت بود 😁 فکرم اینکه یه سال دیگه کش بدیم یه دانشجوی دیگه هم فول فاند بگیره ☺️ پ.ن. ریسرچ خوب انجام بدی ، اونی که باید ، میبینه ☘✨1,14%
20 мар.نوروز مبارک ❤️ به امید آزادی ایران🤍1,11%
21 янв.без подписи1,10%
7 июн.سلام دوستان. این مدت از مدل‌های زبانی (LLMها) 🤖 در طراحی و ارزیابی استراتژی‌های معاملاتی و کوانت استفاده کردم که ایرادات جالبی داشتن: استفاده از Train/Test به جای Walk-Forward 📉 بسیاری از مدل‌ها از تقسیم‌بندی static داده‌ها استفاده می‌کنند، در حالی که برای معاملات مالی باید از Walk-Forward Validation استفاده شود تا از بیش‌برازش و Data Snooping جلوگیری شود. تقریبا اکثر دانشجوهای من اول همین اشتباه رو انجام دادن! 😊 ضعف در Feature Engineering ⚙️ مدل‌ها معمولاً فقط ویژگی‌های ساده مثل مومنتوم و نسبت‌ها را می‌سازند و در شرایط خاص بازار هیچ خلاقیت خاصی ندارند. مساله های کوانت ، درست کردن فیچر مفید خیلی برای حل مساله حیاتی هست، و واقعا domain knowledge خوبی میخواد، گاهی هم ممکنه داده‌های غیرعادی ولی معتبر را به اشتباه خطا تشخیص دهند. 🤔 ثابت نگه داشتن Hyperparameterها 🫥 اگر مدل برای یک مسئله (مثلاً بازده ساعتی) تنظیم شده باشد، ممکن است همان تنظیمات را برای مسئله‌ای دیگر (مثلاً بازده روزانه) نیز استفاده کند، در حالی که باید کل فرآیند تنظیم مجدداً انجام شود. بخاطر حجم کدها این تنظیمات گم میشه! نادیده گرفتن هزینه‌های واقعی معامله 🐷 مدل‌ها اغلب سود را بدون در نظر گرفتن کارمزد، اسلیپیج، نقدشوندگی، ظرفیت بازار و تأخیر اجرا محاسبه می‌کنند. در نتیجه عملکرد بک‌تست ممکن است بسیار بهتر از عملکرد واقعی باشد. 📊 این مدل‌های AI 🤖 در تحقیقات کوانت خیلی می‌تونن مفید باشند، اما اگر دقیقاً متوجه نشین مساله چیه، ممکن است اشتباهات مهمی در اعتبارسنجی، مهندسی فیچرها، تنظیم مدل و شبیه‌سازی معاملات انجام بدین. ⚠️ @machinelearningnet21,04%
24 июн.پروپوزال‌هایی که این چند ماه دریافت کردم، نمیدونم چرا کوانت دولوپرها به عنوان کوانت ریسرچر اپلای میکنن! 🤔📉 توی دنیای کوانت فایننس، این دو نقش همیشه کنار هم میان ولی ماهیت کارشون کاملاً متفاوته. اول یه تعریف بیسیک از این دوتا بگم: 🧐 🔬 کوانت ریسرچر (Quant Researcher) کارش پیدا کردن «آلفا»ست — یعنی همون سیگنالی که میشه ازش پول درآورد. 💰 وظایفش معمولاً اینهاست: • تحلیل داده‌های مالی و کشف الگوها و ناکارآمدی‌های بازار 📊 • طراحی و تست فرضیه‌های معاملاتی (hypothesis testing) 🧪 • ساخت و بک‌تست استراتژی‌ها و مدل‌های پیش‌بینی 📈 • کار با مدل‌های آماری، یادگیری ماشین و بهینه‌سازی پورتفولیو 🤖 • ارزیابی ریسک و سنجش پایداری سیگنال‌ها ⚖️ سوال اصلیش اینه: «چی کار می‌کنه؟» ❓ 🛠️ کوانت دولوپر (Quant Developer) کارش تبدیل ایده‌ی ریسرچر به یک سیستم واقعی، پایدار و سریعه. ⚡ وظایفش معمولاً اینهاست: • پیاده‌سازی استراتژی‌ها در محیط پروداکشن 🏗️ • ساخت زیرساخت معاملاتی: data pipeline، execution engine، سیستم مانیتورینگ 🔄 • بهینه‌سازی سرعت و کارایی (به‌خصوص در فرکانس بالا) 🚀 • اتصال به صرافی‌ها/بروکرها و APIها 🔌 • تضمین پایداری، تست و کیفیت کد ✅ سوال اصلیش اینه: «چطور درست و سریع کار کنه؟» ⏱️ ریسرچر بدون دولوپر، ایده‌اش روی کاغذ می‌مونه 📄. دولوپر بدون ریسرچر، سیستمی می‌سازه که چیزی برای اجرا نداره 🏚️. کدوم سخت‌تره؟! سختی ریسرچ خیلی خیلی بالاست! 📉📈 با مهارت‌هایی که AI داره بهتون میده، عملاً میتونی خیلی کارهای کوانت دولوپر رو هم انجام بدی 🤖، اما اصولاً دولوپرها از فضای کوانت ریسرچ دور هستن و اون یکی هم که فکر میکنه کار راحتی هست، اصولاً توی توهم هست 🌫️. در واقع تولید آلفا اونقدر نوآوری نیاز داره که حد نداره 🌌، اما سیستم منطقی ترید برای یه تیم متوسط یه کار خیلی روتین هست (نمیگم استک Jane Street بالا بیاد) 🏦. اما در کل موفق‌ترین تیم‌های کوانت جایی‌ان که این دو نقش به‌صورت بی‌نقص با هم کار می‌کنن 🤝. خوب حالا فکر کن یه دولوپر بهت پروپوزال جنریت آلفا میفرسته، چی میشه؟ 🤨 یه چیز کلی بدون عمق، پر از فضای شنیده‌ها! 🚫 خوب چیکار باید کرد؟ بعدا در موردش صحبت میکنیم ... @machinelearningnet21,01%