@machinelearningnet

سلام دوستان 👋، تقریباً ۷ ماه شده که الگوریتم ترید ما توی بازار کریپتو لایو هست 🚀. الان تعدادی فاند در لندن و دوبی روش سرمایه‌گذاری کردن 💰 و برای اونا ترید می‌زنیم. این یک مدل برای مدیریت پول‌های بزرگ هست و سیستم ما مارکت‌نیوترال است ⚖️. یعنی درگیر این نیست که بازار روند بالا گرفته یا پایین، بیت‌کوین میریزه یا میره بالا 📉📈. تا زمانی که ولاتیلیتی در بازار وجود داره، بر اساس inefficiency موجود در بازار ریترنِش رو تولید میکنه 📊. وقتی یه مدل سیستماتیک می‌سازی که کاملاً الگوریتمیک ترید میکنه، بغیر از خوب بودن مدل و استراتژی، نحوه execution خیلی مهم میشه ⚙️. در واقع میتونه یه مدل خوب سر execution بد خراب بشه 🛠️. این مدل بعد از نزدیک ۱ سال کار با یکی از بهترین کوانت ریسرچرهای که البته خیلی شانسی باهاش آشنا شدم 👨‍🔬، به ثمر رسیده. در ورژن اولیه، سیستم اردرگذاری ساده‌ای داشت. بعد از فاز اول لایو، مجبور شدیم ۲-۳ ماه برای مدل execution سیستم وقت بذاریم و برا اون هم ریسرچ زیادی انجام بدیم 🔬. ترکیب چند مدل بر پایه ریاضیات مالی و stochastic پروسس برای سیگنال جنریشن و یه مدل execution میکرولول (بر اساس LOB) 📉 کمک کرده که نتایج توجیه‌پذیر و برای سرمایه‌گذار institutional کم‌ریسک‌تر باشه 🏦. شما باید بفهمید حتی اگه مدل کار نکرد چرا کار نمیکنه 🤔 و کی سیستم شما میتونه سود خوبی بسازه 💸. این مسیر ما با توسعه مدل دومی که اواخر فاز پروداکشن هست ادامه داره، اما میخوام با سرمایه‌گذاری‌های ایرانی که توی این حوزه فعال هستن هم صحبت کنم که متوجه بشم چه خروجی از مارکت کریپتو انتظار دارن 🤝. اگه کسی رو سراغ دارین بهش مارو معرفی کنید 🗣️. ما هم ظرفیت همکاری در بازارهای سهام و هم مدیریت سرمایه داریم 💼. فاند منیجرهای و سرمایه گذارهای ایرانی که خارج از ایران هم فعال هستن، در صورت علاقه، میتونم سیستم و خروجی هارو تشریح کنم و براشون مدیریت سرمایه بکنیم ☘ This is a call for partnership and fund management based on a system that I belive to its potential and shows fantastic outputs 💥 با تشکر ☘ دکتر ساسان براک @sasanbarak

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 ... @machinelearningnet2

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. ⚠️ @machinelearningnet2

سال ۲۰۲۶، تقریبا نصف کتاب‌های الکترونیک چاپ شده در امازون، با ai تولید شدن!؟ خدا قوت 😏 @machinelearningnet2

без подписи

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 📩 @Sasanbarak

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 😭😁 @machinelearningnet2