@machinelearningnet

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

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

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

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

#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

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

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،

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🌺