Quant Way

چابکی در سطح گسترده و کسب و کار کتابچه را از لینک زیر دانلود کنید

✍ تفاوت برآوردگر OLS و MLE 🛑🛑🛑🛑🛑🛑🛑🛑 ♨️ در زیر به صورت مختصر به زبانی ساده به تفاوت بین این دو روش تخمین میپردازیم ۱) در روش OLS جامعه مشخص اما نمونه تصادفی است در حالی که در روش MLE نمونه ثابت اما جامعه تصادفی است(به دنبال جامعه ای میگردیم که نمونه مشخص ما با بیشترین احتمال رخداد متعلق به آن باشد) ۲) در OLS از E(B)=B نمیتوان نتیجه گرفت که E(g(B))=g(B) در حالی که در MLE در صورت نااریبی میتوان E(g(B))=g(B) را نیز نتیجه گرفت. ۳) نتیجه ای که از مورد (۲) بدست می آید این است که OLS تنها برای برآورد پارامترها در مدل خطی کاربرد دارد در حالی که MLE برای تخمین پارامترهای هم مدل خطی و هم غیرخطی کاربرد دارد. ۴) در OLS توزیع پسماندها بایستی نرمال باشد درحالی که در MLE توزیع پسماندها هر توزیع مشخصی میتواند باشد ۵) در OLS تخمین واریانس پسماندها بعد از تخمین مدل صورت میگیرد(به صورت غیرمستقیم) در حالی که در MLE تخمین واریانس پسماندها به صورت مستقیم به عنوان یک پارامتر مدل تخمین زده میشود. ۶) از ویژگی(۵) میتوان گفت زمانی که مشکل خودهمبستگی و واریانس ناهمسانی وجود دارد به علت آن که OLS پسماندهای ناصحیحی را به ما میدهد بهتر است از MLE برای تخمین واریانس پسماندها و ماتریس واریانس کوواریانس استفاده کرد. ۷) از ویژگی(۳) روش تخمین در OLS براساس مشتق گیری است در حالی که در MLE روش برآورد براساس بهینه یابی و استفاده از بسط مک لورن برای خطی سازی مدل است. ۸) براساس ویژگی(۵) در مدلهایی که ماتریس واریانس کوواریانس به صورت ناصحیح تخمین زده میشود(مثل SUR) برآوردگر MLE بر OLS ارجحیت دارد. ۹) میتوان گفت OLS یک حالت خاص MLE است(زمانی که مدل خطی و پسماندها نرمال باشد نتایج یکسان است) ۱۰) در OLS مینیم سازی تابع هدف صورت میگیرد در حالی که در MLE ماکزیمم سازی است. ۱۱)و... 🛑🛑🛑🛑🛑🛑🛑🛑🛑 ♨️ بخش‌عملی پست مربوطه: به علت نیاز به کدنویسی برای طراحی و مقایسه این دو برآوردگر بخش نرم افزاری آن به صورت ویدیویی ارائه خواهد شد. موفق و مؤید باشید. 🔭 ساسان قاراخانی- ۲۰ مرداد ۱۳۹۷ 🛑🛑🛑🛑🛑🛑🛑🛑🛑 👇👇👇 @eghtesadsanjinovin

پس از پیروزی انقلاب اسلامی، تجدید نظر در سیستم بانکی و اقتصادی کشور امری ضروری بود زیرا یکی از مسائل اساسی در اقتصاد هر مملکت سیستم بانکی است. بانکداری در اقتصاد یک کشور نقش شریان حیاتی را در جریان پولی و اقتصادی بازی می‌ کند. در نظام اقتصادی پیشین، بانکداری مانند سایر دستگاه‌ های حاکم آن روز وسیله چپاول طبقه حاکم و ایادی آن ‌ها بود. بانکداری را اقتصاد امپریالیستی غرب در تسلط داشت و ربا از جمله ابزار کنترل سیستم پولی و عملیات بانکی بود که از دیدگاه اسلام حرام و گناهی بس بزرگ است. حکومت اسلامی مکلّف بود این گناه بزرگ و لکه زشت را از صحنه بانکی کشور پاک سازد، توجه به این تکلیف شرعی بود که رهبر کبیر انقلاب اسلامی (قدس سره الشریف) در فروردین ماه 1358 فرمان تأسیس بانک اسلامی ایران را صادر کردند که هم ربا این حرمت الهی امحاء شود و هم الگویی برای سایر بانک ها و مؤسسات باشد، مساعی بزرگانی مانند حضرات آیات دکتر بهشتی و دکتر مطهری شهیدان اسلام در این مساله با اهمیت و ستودنی بود...

رکورد تاریخی میزان چاپ پول در دولت سیزدهم شکست. 🆔@Ahemmati

جلسه دوازدهم کتاب ML4T به استفاده از مدلهای بوستینگ و بصورت جامع اپروچ ensemble برای پیشبینی بازار سهام پرداخت. اطلاعات بسیار مفیدی داخل جلسه بحث شد که حتی قسمت دوم ارائه ، محمد عزیز کلی ایده های جدید رو ارائه کرد🌺🙏 فیلم جلسه رو در یوتیوب و آپارات میتوانید تماشا کنید. با این فیلم واقعا میتونید استراتژی تریدینگ رو boost کنید😊 ‏—————————————————— ———————————————————— برای دنبال کردن ارایه ها، وبسایت پرزنت کتاب رو میتونید دنبال کنید Ml4trading.ir موفق باشید

https://m.youtube.com/watch?v=hE8mu0qHS9k ویدوی های این چنل و به ویژه این یکی رو ببینید. آقای برایان کلی هد ماشین لرنینگ AQR هست. البته تخصص و علاقه مندی اصلی اش ASSET PRICING هست. ولی هر ویدیو این چنل پرزنت کوتاه یه مقاله مهم و تاثیر گذار در زمینه های مختلف فایننس هست.

🔸عید فطر بر شما مبارک

سلام دوستان. در ادامه مدلهای پیشبینی بازار و استراتژی های ml برای پیشبینی، اینبار به مدلهای بوستینگ رسیدیم 🍀🍀🍀🍀 این جلسه رو بخاطر ماهیت چالشی اش از دست ندین🌺🌺 زمان: دوشنبه ۱۲ اردیبهشت ساعت ۲۰ Time: 2nd May 2022 لینک ورود: زوم Meeting ID: 899 2864 0090 درصورت درخواست پسورد، با ۱۲۳۴۵ وارد شوید. جلسه همچنین رو بصورت لایو در اینستاگرام هم پخش خواهد شد https://www.instagram.com/sasanbarak برای اطلاعات بیشتر به وبسایت مراجعه کنید. Ml4trading.ir ———————————————————— لطفا دوستانتان را دعوت کنید...🌺

The Mathematics of Options: Quantifying Derivative Price, Payoff, Probability, and Risk Author Michael C Thomsett.

کشف خطاهای سیستماتیک مدل با Domino: با این که مدل‌های یادگیری ماشینی و به خصوص شبکه‌های عمیق بر روی خیلی از تسک‌ها و دیتاست‌ها امتیازهای بالایی را ثبت می‌کنند اما ممکن است هر مدلی بر روی قاچ‌‌های خاصی از داده دچار خطای سیستماتیک باشد. مثلا فرض کنید یک تسک دسته‌بندی تصویر داشته باشیم و مدل آموزش دیده یاد گرفته باشد که هر تصویری که در آن حیوانی را با پس زمینه زمین شنی دید آن را به عنوان شتر برچسب بزند. در این صورت ممکن است در هنگام تست با تصویر گاو بر روی شن مواجه شود و آن را به اشتباه شتر برچسب بزند. این مجموعه داده‌هایی که دارای یک خاصیت ویژه هستند و توسط مدل به اشتباه دسته‌بندی می‌شوند قاچ بحرانی (critical slice) گفته می‌شود. اهمیت پیدا کردن این قاچ‌های بحرانی و اصلاح تصمیم مدل برای آن‌ها برای عملی کردن مدل‌های ماشین لرنینگی بسیار مهم است اما معمولا به علت سختی کار نادیده گرفته می‌شود (برای مثال این کاربرد حیاتی را در نظر بگیرید یک مدل آموزش ‌داده‌اید که از روی تصاویر پزشکی تشخیص میدهد که آیا بیمار سرطان دارد یا خیر). حال دوستانی از استنفورد سعی کرده‌اند یک روش اتوماتیک برای کشف قاچ‌های بحرانی هر مدل با نام Domino ارائه دهند. صورت مساله Domino این است که در واقع با ورودی گرفتن یک مدل و یک دیتاست بایستی تعدادی قاچ‌ پیدا شوند که اولا دیتاهای این قاچ با همدیگر مرتبط باشند؛ یعنی مثلا همگی گاو‌های روی شن باشند و دوما این که عملکرد مدل بر روی دادگان این قاچ‌ها افتضاح باشد. روش کار domino شامل سه بخش است. به صورت خلاصه domino ابتدا دادگان دیتاست ورودی را با استفاده از مدل‌های cross-modal به یک فضای امبدینگی مشترک با متن می‌برد. (برای مثال اگر دیتاست از جنس تصویر باشد میتوان از مدل قدرتمند clip استفاده کرد) سپس تعدادی از متن‌های کاندیدا برای توضیح این قاچ‌ها نیز توسط همین مدل cross-modal به فضای مشترک نگاشت می‌شوند. سپس در گام دوم، Domino با استفاده از یک مدلسازی mixture سعی در خوشه‌بندی داده‌های به اشتباه برچسب‌گذاری‌شده می‌کند. این مدلسازی برای هر قاچ شامل چهار متغیر S و Z و Y و Y_hat است به ترتیب احتمال تعلق داده به قاچ S، امبدینگ داده، برچسب واقعی داده، توزیع برچسب حدس زده شده توسط مدل). در این مدلسازی فرض شده است که Z و Y و Y_hat به شرط S از یکدیگر مستقل هستند و در واقع از روی S تولید می‌شوند ( برای توضیحات بیشتر می‌توانید قسمت ۵ مقاله را بخوانید). این مدل روی likelihood داده‌های اشتباه برچسب‌گذاری شده به صورت mixture آموزش داده می‌شود. سپس در گام سوم، Domino برای هر slice با توجه به کاندیدای متنی مرحله اول، یک توضیح متنی آماده می‌کند (مثلا "گاو‌های بیابانی") در ادامه هم اومدند و برای مثال Domino را، روی Resnet آموزش دیده بر روی ImageNet، تست کردند و نشون دادند که Resnet رو قاچ‌های تصاویر داخل ماشین و تصاویر از دور ماشین‌های مسابقه‌ای، مشکل سیستماتیک داره. بعد از این که با این مدل، قاچ‌های بحرانی کشف شدند حالا میشه با تمرکز روی اون قاچ‌ها و مثلا استفاده از افزون‌ساده داده مشکل رو تخفیف داد. کدهای Domino هم منتشر شده و لینک رپوش در صفحه بلاگ حاضره و می‌تونید ازش استفاده کنید. ضمنا این مقاله در ICLR2022 قبول شده. لینک بلاگ Domino: https://ai.stanford.edu/blog/domino/ لینک مقاله: https://arxiv.org/abs/2203.14960 پ.ن. از آقای دکتر شریفی زارچی تشکر می‌کنیم که این مقاله رو در توئیترشون معرفی کردند. #paper #read @nlp_stuff

Fooled by Randomness Author(s): Taleb, Nassim Nicholas

نامه اعمال به روش یک دامنشمند داده :دی https://krausefx.com//blog/how-i-put-my-whole-life-into-a-single-database

درس‌هایی از مدیریت ریسک مبحث پنجم (تحلیل تکنیکال) 👈معمولأ کسانی که تحصیلات آکادمیک مالی دارند و به بنیادها پایبند هستند، از تحلیل تکنیکال استفاده خاصی نمی‌کنند و معتقدند تحلیل تکنیکال از اساس علمی لازم برخوردار نیست. هرچند طرفداران تحلیل تکنیکال با استناد به نظریه آشوب، معتقدند تحلیل تکنیکال با نظریه آشوب هم‌خوانی دارد نوعی نظم در بی‌نظمی را به تفسیر می‌کشد. 👈تحلیل تکنیکال و مالی رفتاری: در زمان رساله دکتری، در زمینه کمی کردن مالی رفتاری تحقیق می‌کردم و متوجه شدم برخی فرمول‌های کمی‌سازی مالی رفتاری، قرابت بالایی با فرمول‌های تحلیل تکنیکال دارد. کاربرد این تحلیل در شناسایی سنتیمنت بازار (احساس و نبض بازار) غیرقابل انکار است. بسیاری از اندیکاتورهای تکنیکال، نقاط اشباع و هیجان بازار را به خوبی به تصویر می‌کشد و مشخص می‌کند که کجا بازار از رمق افتاده و کجا هیجان بازار به تداوم روند کمک می‌کند. برخی سنجه‌های تکنیکال مانند مومنتوم، قدرت نسبی و ... در مقالات مرتبط با ارزش‌گذاری و ... نیز به وفور استفاده شده است و در ادبیات مالی آکادمیک جایی برای خود باز کرده است. علاوه‌براین، حجم معاملات یکی از متغیرهای اصلی تحلیل تکنیکال است و در مقالات مالی رفتاری برای شناخت احساسات بازار، رابطه قیمت و حجم مورد بررسی ویژه‌ قرار می‌گیرد. 👈ریسک تحلیل تکنیکال: سوگیری اتکاوتعدیل. گاهی تحلیل تکنیکال محل مغالطه است. تحلیل تکنیکال با ارائه عدد مشخص برای اهداف قیمتی، سقف قیمتی، کف قیمتی، حد ضرر و ... نوعی آرامش روانی تصنعی ایجاد می‌کند و این موضوع از طریق نظریه نقطه اتکا قابل توضیح است. مطابق سوگیری اتکا و تعدیل، برای تخمین مقدار یک متغیر، افراد عموما فرآیند تخمین را با مبنا قرار دادن یک رقم اولیه ذهنی (نقطه اتکا بر اساس سوابق گذشته) آغاز می کنند و سپس سعی می کنند تصمیم‌های سرمایه‌گذاری خود را با اخبار جدید تعدیل می‌کنند. وقتی با ابزارهای تکنیکال به این نتیجه می‌رسید که مثلا قیمت یک سهم ۱۵۰ تومانی باید به ۲۰۰ تومان برسد، احتمالا تا ۲۰۰ تومان صبر می‌کنید ولو اینکه ارزش بنیادی آن ۱۲۰ تومان باشد. زیرا شما ۲۰۰ تومان را به عنوان نقطه اتکا قرار داده‌اید. یا مثلا ممکن است همین سهم از نظر بنیادی ۲۰۰ تومان ارزش‌گذاری شود ولی شما حد ضرر را ۱۳۰ تومان قرار داده باشید و به محض اینکه به این قیمت می‌رسد فروش می‌زنید؛ درحالی‌که ارزش ذاتی سهم بسیار بالاتر است. در اینجا ۱۳۰ تومان که به عنوان حد ضرر مشخص کردید یک نقطه اتکا است که بیهوده به آن تکیه کرده‌اید و با ارزش ذاتی هم‌خوانی ندارد. 👈ریسک دوم تحلیل تکنیکال: تفسیر‌به‌رای: تنوع اندیکاتورها، تنوع انواع قیمت (تعدیل‌شده، تعدیل‌نشده، پایانی، آخرین قیمت و ...)، تجربه هر فرد و ... باعث شده که تحلیل تکنیکال تا حدودی نسبت به تفسیربه‌رای ضعف داشته باشد. برای مثال ممکن است شخصی از یک نمودار با اندیکاتورهای منتخب خود، پیشنهاد فروش بدهد و فرد دیگر با اندیکاتورهای مورد استفاده خود، پیشنهاد خرید بدهد. همچنین در مواردی که هیجان بازار بالا است، احتمالا تضاد در تفسیر نمودارها بیشتر می‌شود. همچنین جهت بازار (در حال‌صعود یا در حال نزول)، می‌تواند بر تفسیر نمودار تاثیر بگذارد. مثلا وقتی بازار رو به رونق است احتمالا تحلیلگران شانس بیشتری به شکستن مقاومت‌ها می‌دهند و اگر واگرایی منفی در روند قیمت ببینند وزن کمتری به آن می دهند. اساس رفتاری تحلیل‌گر نیز بر تفسیر نمودار تاثیر می‌گذارد. یک تحلیلگر ریسک‌گریز که حجم معاملات بالایی دارد، احتمالا در مقاومت‌های مهم منتظر شکستن مقاومت یا در نظر گرفتن حد ضرر نمی‌شود و تمایل به فروش و شناسایی سود برای وی در اولویت است. در نقطه مقابل، تحلیل‌گران جسور قرار دارند که احتمالا ریسک بیشتری می‌کنند و در انتظار شکستن مقاومت می‌مانند. @VI_School

درس‌‌هایی از مدیریت ریسک (کیفیت سود) بخش چهارم 👈قیمت در صورت کسر p/e به هیچ تخمین و برآوردی نیاز ندارد، اما سود در مخرج کسر نیازمند برآورد و تخمین است. یک نکته با اهمیت در بحث سود، کیفیت است. سودی با کیفیت است که بخش عمده آن نقدی باشد. 👈بیشتر شرکت‌ها فروش خود را به صورت نسیه انجام می‌دهند و به محض اینکه شرکت خریدار می‌پذیرد که کالا را مالک شده است، شرکت فروشنده درآمد را شناسایی می‌کند (به صورت ساده اصل تحقق درآمد) و وجه نقد را بعدا دریافت می‌کند. در واقع زمان دریافت وجه نقد با زمان شناسایی درآمد یکی نیست. در این قاعده، هزینه‌ها هنگام تحقق درآمد شناسایی می‌شود که به آن اصل تطابق هزینه با درآمد می‌گویند. 👈 این تفاوت زمانی بین دریافت و شناسایی وجه نقد، زمانی مشکل‌ساز می‌شود که شرکت به دلایل مختلف نتواند به راحتی وجوه خود را وصول کند. برای مثال شرکتی مثل تویوتا که محصول باارزش تولید می‌کند، تمام محصول خود را پیش‌فروش می‌کند و زمان دریافت وجه نقد زودتر از شناسایی درآمد محصول است. زمان اجرای طرح تحول سلامت شرکت‌های دارویی پول فروش دارو را با ماه‌ها تاخیر دریافت کردند و متحمل هزینه‌های زیادی شدند. 👈 به ارقام غیر نقد در حسابداری، ارقام تعهدی می‌گویند و مهم‌ترین سنجه کیفیت سود، سطح ارقام تعهدی در صورت‌های مالی یک شرکت است. ساده‌ترین راه شناسایی ارقام تعهدی مراجعه به صورت تطبیق یا نقد حاصل از عملیات (در پایان صورت‌های مالی) است. نقد حاصل از عملیات به‌طور دقیق نشان می‌دهد چه میزان از سود نقدی و چه میزان غیر نقدی، چه میزان از سود عملیاتی و چه میزان غیر عملیاتی است. 👈 نقد حاصل از عملیات، علاوه‌براین‌که عینی‌ترین شاخص سود نقدی است، نشان‌دهنده میزان سود عملیاتی است، سودی که معمولا پایدار است و شرکت قادر است در سال‌های بعد (عموما چرخه بلندمدت) آن را تکرار کند. یک عامل تفسیر نادرست نسبت p/e در نظر گرفتن سود‌های غیرعملیاتی ناپایدار است. سودهای غیر عملیاتی ناپایدار در اثر فروش دارایی، فروش سرمایه‌گذاری، بازگشت ذخایر و ... شناسایی می‌شوند. سود غیرعملیاتی نظیر سود سپرده و ... نیز اگرچه غیرعملیاتی هستند، ولی معمولا پایداراند. 👈در تصویر ارائه شده مشاهده می‌کنید که باکس قرمز ارقام عملیاتی و باکس آبی ارقام تعهدی را نشان می‌دهد. در محاسبه سود شرکت‌ها، در نظر گرفتن کیفیت و میزان عملیاتی بودن سود، عامل مهمی در کاهش سطح ریسک سرمایه‌گذاری است. شرکت‌هایی که عملیات قوی دارند و محصول با ارزش‌افزوده بالا تولید می‌کنند، سود نقدی بیشتری دارند و عملیات آنها پایدارتر است. @VI_School

#صورت‌تطبیق یا #نقد حاصل از عملیات 👈یکی از مهم‌ترین یادداشت‌های صورت‌های مالی است که معمولا در پایان یادداشت ها ارائه می‌شود. 👈با این صورت می توان درک درستی از کیفیت سود شرکت بدست آورد. 👈سودی با کیفیت است که اجزا نقدی آن بیشتر و ارقام تعهدی آن کمتر است. 👈 پست بعدی در باب کیفیت سود را مطالعه کنید. @VI_School