ویس ضبط شده لایو با دکتر علی حبیب‌نیا

هوش مصنوعی و یادگیری ماشین در بازارهای مالی و الگوتریدینگ

AI & Machine Learning in Quantitative Finance, Dr. Ali Habibnia, Mohammad Talaei

مباحث خیلی خوبی مطرح شد. البته در لایو خیلی مشکل اینترنت داشتم و بارها قطع شدم. خوشبختانه بیشتر علی جان که خارج از کشور هستن صحبت کردن و قطعی هم نداشتن.

@deeptimeai

منابع ML in Algorithmic Trading & Quantitative Finance از دکتر علی حبیب‌نیا که در لایو هم صحبت شد.

پیشنهاد میکنم این منابع رو بررسی کنید.
Github
برای مثال ریپوزیتوری
Algorithmic Trading with Python
رو ببینید.
YouTube
در کانال یوتیوبشون ویدیوهای آموزشی فارسی هم وجود داره.

@deeptimeai

پست قبل درباره یک سیستم جدید بود که با تیم برای فارکس بالا آوردیم که البته پست به دلایل مشخص حذف شد. اما چرا وقتی از نتایج یک سیستم trade پست گذاشته میشه انقد واکنش های منفی زیاد میشه؟ در واقع بعضی افراد نتیجه میگیرن که بدترین backtest گرفته شده، حس میکنن فقط اونا فرق back-test و live رو میدونن و ظرافت های back-test دقیق رو متوجه میشن. ما چند ساله تو این کانال داریم همینارو میگیم.
متاسفانه در ابتدا فکر کردم از اون دیسلایک ها حرف خاصی وجود داره و کامنتارو باز کردم. حدود نیم ساعتی داشتم با همین افراد حرف میزدم و بدیهیات رو میگفتن. فقط انرژی تلف شد. و البته ممنون از شایان باسواد که بجای من که جایی جلسه آنلاین بودم و البته خسته شده بودم جوابشونو میداد. احتمالا با شایان هم لایو بریم در آینده.
من شخصا یاد گرفتم skeptical باشم نسبت به سیستم های data science و آگاه به خطاهای شناختی چه برسه به اینکه حوزه فایننس باشه. اصولا سیستم algo trader تا پول نسازه و اون هم به طور پایدار در بلندمدت، مورد قبول نیست. بازم میگم، اینها بدیهیاته. حداقل برای من که چند ساله دارم از این راه نون میخورم. اما این به این معنا نیست که نمیشه سیستم رو در فازهای مختلف ارزیابی کرد و کور پیش رفت.

تنها نکته پست حذف شده:
اگر مدل classification دارید، فقط به TP FP و precision نگاه نکنید. به طور دقیق backtest کنید و میانگین سود FP هارو ببینید. FPها احتمالا فقط نتونستن به حد سود برسن اما مثلا در مثال ما بعد از 8 ساعت که پوزیشن ها بسته میشه، FP ها هم به طور میانگین سود دادن و فقط بعضی هاشون به حد ضرر میخورن. بک تست سختگیرانه با cross val و gap بین train test در بلند مدت.

@deeptimeai

The Rise of Diffusion Models in Time-Series Forecasting

یکی از مهم ترین تکنولوژی‌های روز دنیا در Generative AI مدل Diffusion هست که قطعا کاربردش رودر تولید تصویر دیدین. اینجا کاربرد در سری زمانی هست.
ریاضی Diffusion و notation های ریاضی شو میتونید باکمک chatGPT یاد بگیرید.

@deeptimeai

تلخی و ظلمت‌ این روزها در یاد ما خواهد ماند🖤

لایو دوم با دکتر علی حبیب‌نیا
درباره استارتاپ‌های Quantitative Finance صحبت می‌کنیم.

در قسمت اول درباره کلیات مدلسازی Quantitative در بازار مالی و سیستم‌های الگوتریدینگ بر مبنای ماشین لرنینگ صحبت شد. در این لایو میخواهیم درباره استارتاپ‌های این حوزه صحبت کنیم.

شنبه ساعت ۹:۳۰ شب به وقت تهران

@deeptimeai

ممنون از همراهی‌تون🌹 2k شدیم🤩

ویس ضبط شده لایو دوم با دکتر علی حبیب‌نیا استاد دانشگاه ویرجینیا تک

استارتاپ‌های هوش مصنوعی و یادگیری ماشین در بازارهای مالی و الگوتریدینگ

AI & Machine Learning Startups in Quantitative Finance, Dr. Ali Habibnia, Mohammad Talaei

در مورد این مسئله صحبت کردیم که استارتاپ‌ها و شرکت‌های موفق این حوزه روی چه مواردی تمرکز میکنن و محصول میسازن. البته فقط درباره استارتاپ صحبت نشد و مباحث مختلفی مطرح شد خصوصا در قسمت آخر که مربوط به سوالات بود.

@deeptimeai

یه تعداد کتاب در زمینه الگوریتمیک تریدینگ و HFT رو اینجا میزارم، برای استفاد دوستان بنظرم توی آرشیو چنل باشه خیلی خوبه. بعضی هاشون سطح اش advance تر هست مثل کتاب پرفسور cartea ولی اکثرا نیاز به دانش بیس زیادی نداره،

برای دانلود کتاب‌ها به کانال دکتر براک برید

پکیج aeon برای time series رو کنار دستتون داشته باشید. مدل‌های متعددی رو پوشش میده و دسته بندی موضوعی خوبی داره. مواردی مثل shapelet یا DTW هم که قبلا در کانال صحبت کردیم داره.
link

@deeptimeai

نکتاتی از تجربیات ما در موضوع پیشبینی حرکات قیمتی با ماشین لرنینگ در فارکس

۰_ دیتا با کیفیت و زیاد نیاز هست.

۱_ فریم کردن مسئله به شکل دیتاست برای آموزش ماشین لرنینگ کار ساده‌ای نیست. ریپریزنتیشن دیتاست مهمه. تعریف و مهندسی فیچر اهمیت اساسی داره. و اصولا به یک سیستم دقیق نیاز هست که معمولا یک تیم میتونه توسعه بده.
نکته مهم: این تیم علاوه بر دانش دیتاساینس باید حتما در ترید، کوئانت و مفاهیم بازار تجربه داشته باشه. دقیقا همین قضایا باعث میشه که دیتاساینتیست‌ها در الگوتریدینگ با ماشین لرن موفق نباشن. domain expertise در این حوزه، بر خلاف متن و تصویر خیلی تعیین کنندس. حتی داده جدولی ریتیل یا مسائلی با معادلات حاکم (فیزیک) مشخص خیلی دنیاشون با فایننشیال مارکت فرق داره

۲_ تعریف مسئله مهمه. مثلا باید ریسک به ریوارد طوری تنظیم بشه که ماشین لرنینگ بتونه یاد بگیره.

۳_ ریسک به ریوارد برای آموزش ماشین لرنینگ و label زدن، لزوما بهترین ریسک به ریوارد برای اعمال معاملات نیست!

۴_ مدلسازی باید با سختگیری در تعریف معیار انجام بشه. برای مثال میتونید تا ۲۰ فولد برای cross validation داشته باشید و ترجیحا با گپ بین ترید و تست

۵_ بکتست باید روی بازه طولانی (حداقل ۲ سال) انجام بشه و مقاطع ضررده و drawdown کوچیک باشن

۶_ طبق تحربه ما: لزوما به پرسیژن و winning rate بالا نیاز ندارید و روی سود متمرکز باشید. شما میتونید مدلی داشته باشید که فقط ۳۰ درصد اوقات درست میگه یعنی از ۱۰۰ سیگنال ۷۰ تا غلط اما همون ۳۰ تا کارو میسازه

@deeptimeai

این چند روز این ویدئو درباره Option Trading و Dynamic Hedge و معادله مهمش ترند شده. البته پیشنهاد میکنم حتما ویدئو رو ببینید به چند دلیل:

- داستان و عقبه علمی معادله مهم Black-Scholes/ Merton گفته شده. معادله بسیار مهمی که البته دیگه استفاده چندانی نداره و ورژن های جدید ترش برای قیمت گذاری/ پیشبینی در بازار Option استفاده میشه.
- میبینیم که چطور ایده‌ها و مدل‌های ارزشمند در فایننس سالها به شکل عجیبی برای افرادی سودآوری میکنن و بعد با ایده‌ها و مدل‌های جدید جایگزین میشن
- و آقای Andrew Lo استاد فایننس MIT که قبلا هم در کانال ازشون صحبت شده بود در ویدئو صحبت میکنن و موارد مهمی میگن

پ.ن: حتی اگر به این مفاهیم یا ریاضیاتش مسلط نیستین این موارد رو دنبال کنید. اگر علاقه باشه، پازل دانش شما بعدا تکمیل میشه. حداقل مزیتش redundacy: یکی از موارد ساده و مهم برای پیشرفت و یادگیری در یک حوزه بحث redundancy هست. یعنی تاریخ، اسامی افراد و داستان پشت ایده‌های مهم رو بدونید. در ویدئو درباره افراد زیر صحبت میشه:

Edward O. Thorp
Louis Bachelier
Albert Einstein
Robert Brown
Fischer Black
Myron S. Scholes
Robert K. Merton
Jim Simons

@deeptimeai