اکنون در دسترس! پژوهش تلگرام ۲۰۲۵ — مهمترین بینشهای سال 
@machinelearningnet
رفتن به کانال در Telegram
3 291
مشترکین
-124 ساعت
+47 روز
+1030 روز
در حال بارگیری داده...
کانالهای مشابه
ابر برچسبها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
ژوئن '26
ژوئن '26
+33
در 0 کانالها
مه '26
+24
در 0 کانالها
Get PRO
آوریل '26
+12
در 0 کانالها
Get PRO
مارس '26
+3
در 0 کانالها
Get PRO
فوریه '26
+9
در 0 کانالها
Get PRO
ژانویه '26
+10
در 0 کانالها
Get PRO
دسامبر '25
+18
در 1 کانالها
Get PRO
نوامبر '25
+22
در 1 کانالها
Get PRO
اکتبر '25
+109
در 1 کانالها
Get PRO
سپتامبر '25
+53
در 0 کانالها
Get PRO
اوت '25
+33
در 0 کانالها
Get PRO
ژوئیه '25
+137
در 0 کانالها
Get PRO
ژوئن '25
+140
در 9 کانالها
Get PRO
مه '25
+131
در 1 کانالها
Get PRO
آوریل '25
+75
در 1 کانالها
Get PRO
مارس '25
+61
در 0 کانالها
Get PRO
فوریه '25
+23
در 0 کانالها
Get PRO
ژانویه '25
+72
در 0 کانالها
Get PRO
دسامبر '24
+125
در 0 کانالها
Get PRO
نوامبر '24
+77
در 0 کانالها
Get PRO
اکتبر '24
+359
در 4 کانالها
Get PRO
سپتامبر '24
+54
در 0 کانالها
Get PRO
اوت '24
+158
در 2 کانالها
Get PRO
ژوئیه '24
+37
در 1 کانالها
Get PRO
ژوئن '24
+21
در 0 کانالها
Get PRO
مه '24
+45
در 0 کانالها
Get PRO
آوریل '24
+107
در 3 کانالها
Get PRO
مارس '24
+46
در 1 کانالها
Get PRO
فوریه '24
+196
در 1 کانالها
Get PRO
ژانویه '24
+71
در 0 کانالها
Get PRO
دسامبر '23
+81
در 0 کانالها
Get PRO
نوامبر '23
+51
در 1 کانالها
Get PRO
اکتبر '23
+52
در 1 کانالها
Get PRO
سپتامبر '23
+22
در 0 کانالها
Get PRO
اوت '23
+43
در 0 کانالها
Get PRO
ژوئیه '23
+46
در 0 کانالها
Get PRO
ژوئن '23
+38
در 0 کانالها
Get PRO
مه '23
+40
در 0 کانالها
Get PRO
آوریل '23
+50
در 0 کانالها
Get PRO
مارس '23
+33
در 0 کانالها
Get PRO
فوریه '23
+52
در 0 کانالها
Get PRO
ژانویه '23
+47
در 0 کانالها
Get PRO
دسامبر '22
+45
در 0 کانالها
Get PRO
نوامبر '22
+24
در 0 کانالها
Get PRO
اکتبر '22
+30
در 0 کانالها
Get PRO
سپتامبر '22
+43
در 0 کانالها
Get PRO
اوت '22
+54
در 0 کانالها
Get PRO
ژوئیه '22
+50
در 0 کانالها
Get PRO
ژوئن '22
+203
در 0 کانالها
Get PRO
مه '22
+110
در 0 کانالها
Get PRO
آوریل '22
+135
در 0 کانالها
Get PRO
مارس '22
+87
در 0 کانالها
Get PRO
فوریه '22
+126
در 0 کانالها
Get PRO
ژانویه '22
+299
در 0 کانالها
Get PRO
دسامبر '21
+47
در 0 کانالها
Get PRO
نوامبر '21
+22
در 0 کانالها
Get PRO
اکتبر '21
+41
در 0 کانالها
Get PRO
سپتامبر '21
+16
در 0 کانالها
Get PRO
اوت '21
+29
در 0 کانالها
Get PRO
ژوئیه '21
+51
در 0 کانالها
Get PRO
ژوئن '21
+73
در 0 کانالها
Get PRO
مه '21
+65
در 0 کانالها
Get PRO
آوریل '21
+110
در 0 کانالها
Get PRO
مارس '21
+362
در 0 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 20 ژوئن | 0 | |||
| 19 ژوئن | +1 | |||
| 18 ژوئن | +2 | |||
| 17 ژوئن | +2 | |||
| 16 ژوئن | +1 | |||
| 15 ژوئن | +2 | |||
| 14 ژوئن | +1 | |||
| 13 ژوئن | +2 | |||
| 12 ژوئن | +3 | |||
| 11 ژوئن | +3 | |||
| 10 ژوئن | +2 | |||
| 09 ژوئن | +2 | |||
| 08 ژوئن | +2 | |||
| 07 ژوئن | 0 | |||
| 06 ژوئن | +1 | |||
| 05 ژوئن | +3 | |||
| 04 ژوئن | +3 | |||
| 03 ژوئن | 0 | |||
| 02 ژوئن | +2 | |||
| 01 ژوئن | +1 |
پستهای کانال
+1
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
| 2 |  بعضی اتفاقات، 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 یکسال با یکی از نویسندگان این مقاله داشتیم، اونم اگه پروداکت کنیم درباره اش صحبت میکنم😏
@machinelearningnet2 | 692 |
| 3 |  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 یه 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 من میتونم سیستم و خروجی هارو تشریح کنم ☘
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
@sassnbarak | 2 339 |
| 4 | 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 اتفاقات 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 | 1 771 |
| 5 |  ترامپ با خودش زیرساخت برده چین!
اون ساختمان مایکروسافت زیرساخت نیست.
اون مغز متفکر، اون صاحب ایده، اون آدمیه که پشت اون سازمانه؛ اون زیرساخته.
قدرت آمریکا توی سیمان و شیشه و آسمانخراش نیست.
قدرتش آدمهاییان که رئیسجمهورش برای نگه داشتنشون میجنگه، بهشون بها میده.
زیرساخت واقعی، اون جوان ایرانیه که با اذان صبح اعدام میشه .
اون نخبهایه که چمدون به دست از کشور فرار میکنه.
اون جوونیه که با اون همه استعداد، آخرش باید توی خیابون دستفروشی کنه.
کشوری که مغزهاشو میکشه، نخبههاشو فراری میده و استعدادهاشو تحقیر میکنه، حتی اگر پر از نفت، برج و موشک باشه، باز هم فقیره.
جامعهای که انسان ارزشمندش را نابود کند، هنوز در منطق عصر حجر و تفکر ارتجاعی گیر کرده
@machinelearningnet2 | 2 299 |
| 6 | در راستای همون پست های استراتژی، مدتی هست روی چند تا مساله کوانت واقعی ( و البته سخت☺️) برای حل با RL تمرکز کردیم.
اگه علاقمند به این شکل ریسرچ های کوانت هستین و قبلا پروژه های RL عملیاتی داشتین دوست دارم باهم تبادل نظر کنیم .
@Sasanbarak | 1 291 |
| 7 | سال پیش با یکی از دانشجوهای دانشگاه تهران روی یه استراتژی MFT روی بازار کریپتو کار میکردیم. مساله متالرنیگ و بهینه سازی استرتژی مارکت نیوترال بود،
این دانشجوم از Cass business school توی لندن افر فول فاند دکترا گرفت و البته قبول نکرد و جای دیگه ای الان دکترا میخونه.
امسال هم با دانشجوی دیگه ای روی استراتژی شبیه اون و البته با دیدگاه مالی تر کار میکردم، خوشبختانه امسال هم این دانشجوم موفق شد همون پوزیشن فول فاند بیزینس اسکول cass رو گرفت و البته اکسپت کرد ☺️
جالبه جفت این دانشجوها اسمشون روی همون مقاله هست و مقاله در یک ژورنال خوب تحت داوری هست ☺️،
اصولا ریسرچ خوب انجام بدی ، اونی که باید میبینه ☘ | 1 643 |
| 8 | Trading AI Agents
A short review of the TradingAgents open-source project - an AI agent that simulates the functionality of a hedge fund.
https://www.youtube.com/watch?v=9FoEsXNGLwI | 1 598 |
| 9 | سلام دوستان 👋،
یه چیزی که همیشه میبینم قاطی میشه، تفاوت بین مدلهای مومنتوم و مارکتنیوتراله 🤔. خیلی خلاصه بخوام بگم، این دوتا اصلاً فلسفهشون فرق داره.
مدلهای مومنتوم basically دارن روی جهت بازار شرط میبندن 🎲. یعنی فکر میکنی میره بالا، لانگ میگیری 📈، فکر میکنی میاد پایین، شورت میکنی 📉. همهچی هم تا حد زیادی وابستهست به اینکه forecastت چقدر خوب باشه 🔮. به همین خاطر هم معمولاً drawdownهاش بالاتره 📉، چون اگه بازار خلاف پیشبینی حرکت کنه، مستقیم ضربه میخوری 💥. ولی خب مزیتش اینه که پیادهسازی و executionش خیلی straightforwardتره 🚀.
اما مارکتنیوترال یه داستان دیگهست 🔄. اینجا اصلاً نمیخوای جهت بازار رو حدس بزنی 🚫🔮. هدفت اینه که خودت رو تا حد ممکن نسبت به market direction خنثی کنی و سود رو از inefficiency بگیری 💰.
این inefficiency میتونه جاهای مختلف باشه 🧩:
مثلاً:
- دلتا نیوترال کردن پوزیشنها ⚖️
- pair trading یا همون relative mispricing 🤝
- اختلاف قیمت بین CEX و DEX 🏦
- یا حتی inefficiencyهای execution و latency ⚡
یه نکته مهم اینه که اینجا forecasting هنوز میتونه کمک کنه، ولی هسته اصلی کار نیست 🎯. اصل کار پیدا کردن اون mismatchهاست 🔍.
حالا چرا کمتر آدمها میرن سمتش؟ چون واقعاً سختتره 🤯.
بزرگترین چالش به نظر من: fee 💸. اگر نتونی fee، اسلیپیج و execution رو کنترل کنی، کل edge از بین میره 🚫📉. برعکس، اگر اینا رو خوب manage کنی، این مدلها میتونن خیلی تمیز و consistent کار کنن ✨.
تجربه شخصی خودم این بوده که: مارکتنیوترالها اگر درست پیادهسازی بشن ✅، هم drawdown پایینتری دارن 🛡️، هم رفتارشون پایدارتره 🌊، و از نظر risk-adjusted واقعاً جذابترن 💎.
برای همین هم خیلی از fundهای جدی، مخصوصاً market makerها، تمرکزشون بیشتر روی همین مدله 🏛️.
در مقابل، مومنتومها راحتتر لانچ میشن 🚀 و بعضی وقتها هم سودهای شارپ میدن 📈، ولی از اون طرف volatility و ریسکشون هم بالاتره ⚠️.
در کل:
مومنتوم → سادهتر، ولی پرنوسانتر 🎢
مارکتنیوترال → سختتر، ولی اگر درست اجرا بشه، حرفهایتر 🧠
اگر خواستید، یه پست بعدی میزنم درباره یه چلنج های واقعی مارکتنیوترال که خودمون درگیرشیم و اینکه دقیقاً کجاهاش دردسر داشت 😅👇 | 0 |
| 10 | سلام دوستان،
همونطور که بعضی از دوستان در جریان هستن ، مدتیه که ما الگوریتمهای لایو رو در سیستم Algorithmic Trading در بازار فیوچرز کریپتو فعال کردیم و در حال اجرای تعداد زیادی ترید بهصورت زنده هستیم. در این مسیر، حجم قابلتوجهی از اکسکیوشنها انجام شده و طبیعتاً این مقیاس از اجرا، اهمیت بهینهسازی در Order Placement و Execution رو دوچندان میکنه.
در حال حاضر تمرکز ما روی بهبود کیفیت اجرا، کاهش اسلیپیج و افزایش کارایی در لایه اکسکیوشن هست. به همین خاطر، از دوستانی که در این حوزه تخصص دارند—بهویژه در فضای کریپتو—خوشحال میشیم که وارد گفتگو بشیم و از تجربیات هم استفاده کنیم.
این حوزه بهطور کلی دو بخش کلیدی داره:
1. سرعت و بهینگی در اجرا (Execution Speed & Efficiency)
2. توسعه مدلها و رویکردهای کوانت (Quantitative Methods)
اگر در هر یک از این زمینهها تجربه یا علاقه دارید، خوشحال میشم پیام بدید تا بیشتر در این مورد صحبت کنیم و ببینیم چطور میتونیم همکاری مؤثری داشته باشیم.
ممنون از توجهتون ☘
@sasanbarak | 0 |
