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😀

@machinelearningnet
Channel: @machinelearningnet2

دوستان ، اساتید داخل ایران که کارهای quant finance در مقالات abs3 و abs4 چاپ میکنن می‌شناسید ؟
لیست مقالات abs در گروه هست ، منظورم مقاله بانک و بیمه و اینا نیست، منظورم کوانت روی استراتژی و مدلینگ بازار هست،

اگه میشناسین لطفا بهم اطلاعاتش رو مستقیم بفرستید، @sasanbarak

در تلاشیم یه initiative از اساتید کوانت ایرانی درست کنیم که فرصت های فاند اروپایی رو بتونن با دانشجوهاشون به اشتراک بزارن ،

ممنونم🙏

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

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

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

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

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

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://t.me/machinelearningnet2/431

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?