Deep Time
رفتن به کانال در Telegram
Machine Learning 💻 Quantitative Finance💲Time Series 📈 Artificial Intelligence 🤖Data Science 📚 Startup 🚀
نمایش بیشتر3 738
مشترکین
+224 ساعت
+37 روز
+1830 روز
در حال بارگیری داده...
کانالهای مشابه
ابر برچسبها
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
ژوئیه '26
ژوئیه '26
+27
در 0 کانالها
ژوئن '26
+75
در 1 کانالها
Get PRO
مه '26
+32
در 0 کانالها
Get PRO
آوریل '26
+6
در 0 کانالها
Get PRO
مارس '26
+1
در 0 کانالها
Get PRO
فوریه '26
+31
در 0 کانالها
Get PRO
ژانویه '26
+22
در 0 کانالها
Get PRO
دسامبر '25
+47
در 0 کانالها
Get PRO
نوامبر '25
+57
در 2 کانالها
Get PRO
اکتبر '25
+72
در 0 کانالها
Get PRO
سپتامبر '25
+47
در 2 کانالها
Get PRO
اوت '25
+47
در 0 کانالها
Get PRO
ژوئیه '25
+68
در 0 کانالها
Get PRO
ژوئن '25
+56
در 0 کانالها
Get PRO
مه '25
+84
در 1 کانالها
Get PRO
آوریل '25
+56
در 0 کانالها
Get PRO
مارس '25
+74
در 0 کانالها
Get PRO
فوریه '25
+67
در 0 کانالها
Get PRO
ژانویه '25
+145
در 3 کانالها
Get PRO
دسامبر '24
+151
در 0 کانالها
Get PRO
نوامبر '24
+481
در 3 کانالها
Get PRO
اکتبر '24
+120
در 0 کانالها
Get PRO
سپتامبر '24
+119
در 3 کانالها
Get PRO
اوت '24
+200
در 6 کانالها
Get PRO
ژوئیه '24
+102
در 0 کانالها
Get PRO
ژوئن '24
+308
در 1 کانالها
Get PRO
مه '24
+67
در 0 کانالها
Get PRO
آوریل '24
+116
در 4 کانالها
Get PRO
مارس '24
+86
در 0 کانالها
Get PRO
فوریه '24
+88
در 0 کانالها
Get PRO
ژانویه '24
+174
در 2 کانالها
Get PRO
دسامبر '23
+248
در 1 کانالها
Get PRO
نوامبر '23
+114
در 3 کانالها
Get PRO
اکتبر '23
+56
در 0 کانالها
Get PRO
سپتامبر '23
+34
در 0 کانالها
Get PRO
اوت '23
+55
در 0 کانالها
Get PRO
ژوئیه '23
+47
در 0 کانالها
Get PRO
ژوئن '23
+50
در 0 کانالها
Get PRO
مه '23
+42
در 0 کانالها
Get PRO
آوریل '23
+60
در 0 کانالها
Get PRO
مارس '23
+116
در 0 کانالها
Get PRO
فوریه '23
+50
در 0 کانالها
Get PRO
ژانویه '23
+61
در 0 کانالها
Get PRO
دسامبر '22
+31
در 0 کانالها
Get PRO
نوامبر '22
+36
در 0 کانالها
Get PRO
اکتبر '22
+34
در 0 کانالها
Get PRO
سپتامبر '22
+53
در 0 کانالها
Get PRO
اوت '22
+195
در 0 کانالها
Get PRO
ژوئیه '22
+74
در 0 کانالها
Get PRO
ژوئن '22
+115
در 0 کانالها
Get PRO
مه '22
+177
در 0 کانالها
Get PRO
آوریل '22
+84
در 0 کانالها
Get PRO
مارس '22
+83
در 0 کانالها
Get PRO
فوریه '22
+15
در 0 کانالها
Get PRO
ژانویه '22
+57
در 0 کانالها
Get PRO
دسامبر '21
+39
در 0 کانالها
Get PRO
نوامبر '21
+52
در 0 کانالها
Get PRO
اکتبر '21
+297
در 0 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 14 ژوئیه | +1 | |||
| 13 ژوئیه | +2 | |||
| 12 ژوئیه | +5 | |||
| 11 ژوئیه | +2 | |||
| 10 ژوئیه | +1 | |||
| 09 ژوئیه | +1 | |||
| 08 ژوئیه | +3 | |||
| 07 ژوئیه | 0 | |||
| 06 ژوئیه | +1 | |||
| 05 ژوئیه | +5 | |||
| 04 ژوئیه | +1 | |||
| 03 ژوئیه | +2 | |||
| 02 ژوئیه | +1 | |||
| 01 ژوئیه | +2 |
پستهای کانال
مدت زیادی باور بر این بود که به طور کلی Claude در نوشتن کد حرف اول رو میزنه. اما اخیرا که مدلهای جدید OpenAI معرفی شدن در یکسری کار پیچیده Quantitative Finance که برای سنجش مدلها استفاده میکنیم، مدل Sol بسیار بهتر از مدلهای Claude عمل کرد. مصرف توکن بهتری هم داشت.
مدل جدید Grok 4.5 هم در مصرف توکن و به نسبت دقتی که داره واقعا بی نظیر هست.
البته همه این موارد طبق مشاهدات محدود هست.
رقابت بین شرکتها همیشه به نفع مردم تموم میشه مثل LLM ها که هر روز میشه لذت برد.
از اون طرف انحصار (مونوپلی یا اولیگوپلی)، فرضا مثل صنعت خودرو یا اکثر صنایع در ایران، کاملا فلج کننده هست.
| 2 | #موقت:
پوزیشن دکتری
Distributed LLM Training
با فاند صنعتی (مقدار فاند بیشتر از نرمال هست). فرصت همکاری با یک شرکت پیشگام در این حوزه.
اگر در این زمینه کار کردید بررسی کنید. شاید همکار شدیم! | 884 |
| 3 | حدودا بلافاصله بعد از قرارداد همکاری که با یک گروه معاملهگر داشتیم، به نوعی خواستن نشون بدن که استراتژی قدرتمندی دارن و به شکل هیجانی با مشاورهای که از تیم نرمافزاری خودشون گرفته بودن، طبق سیگنال سیستمشون معاملات پلهای باز کردن و در چند دقیقه چند هزار دلار باختن.
این نوع معاملات شاید بدون حضور نرمافزار زیاد باشه اما وقتی افرادی میان و استراتژی رو به هر نحوی بکتست میگیرن باید یک اصل نانوشته رو بدونن:
هدف از بکتست، اثبات کارا نبودن استراتژی هاست! وگرنه بسیاری از اکسپریمنت ها در بکتست میتونن به نتایج رضایتبخش غیرواقعی منجر بشن.
رویکرد تیم کوئانت باید skeptical بودن باشه که تا حد ممکن قبل از paper trading از بایاس ها جلوگیری بشه و بکتست تا حد ممکن به واقعیت نزدیک بشه. مشخصا این رویکرد میتونه باعث رنجش طرف مقابل شما بشه اما اینجا فرق رویافروش با کوئانت مشخص میشه.
اما با وجود مشخص شدن نتایج بد و ضرر، چرا رویافروشها همچنان قربانی میگیرن و حسابی پول درمیارن؟ (البته این سوال فراتر از برنامه نویس هاست)
متأسفانه یا خوشبختانه اولویت مغز انسان حفاظت از روان هست و نه کشف واقعیت. پس اینطور تجربیات باخت پول خیلی اوقات فراموش میشن یا حداقل کمرنگ میشن تا انسان رنج کمتری تحمل کنه. اما دوپامین ناشی از حس "گنج پیدا کردن" حتی اگر فقط حس باشه خیلی اوقات قویتر هست که باعث میشه جیب رویاپردازان تریدینگ خالیتر و جیب رویافروشان پر تر بشه. | 1 803 |
| 4 | درباره الگوریتمیک کردن استراتژیهای معاملاتی
تریدر های حرفهای زیادی در کانال هستن که مدتهاست (به طور دستی یا نیمه اتومات) فعالیت دارن. اما اکثرا تجربه خوبی از اتومات کردن، پیادهسازی نرمافزاری یا بکتست ندارن.
علت: اکثر تیمهای نرمافزاری که تریدرها یا اساتید مدرس و ... باهاشون کار میکنن، حتی اگر کار درست باشن، کوئانت ندارن یا اگر دارن فقط اسمش هست!
مسائل کوئانت فایننس به طور خاص نیازمند domain expertise و تجربه معامله گری توسط اون تیم نرمافزاری هست (شرط لازم و نه کافی)
علت۱: در بازارهای مالی، تعداد مواردی که شاید کار رو از ریشه خراب کنن بسیار است یا به اصطلاح
Many things can go wrong
بنابراین شناخت این موارد اگر قرار باشه اتفاق بیفته احتمالا توسط کوئانت هست. از بایاسهای بکتست گرفته تا اشتباهات در Execution و ...
علت۲: الگوریتمی که تریدر به شما میگه در خیلی موارد با چیزی که واقعا در ذهنش میخواد تفاوت داره (شاید بگید این بحث فهم بیزینس در حوزههای دیگر هم هست که حرف اشتباهی نیست). وظیفه شما به عنوان کوئانت این هست که اون خواسته نهایی رو بتونی بفهمی، از زبان تریدری به کامپیوتر تبدیل کنی و پیاده کنی. البته در خیلی مسائل سوالات درست پرسیدن هم خیلی کمک میکنه. | 2 243 |
| 5 | معرفی KVarN
گوگل چند وقت پیش یک روش بهینه در مدیریت KV cache به نام TurboQuant معرفی کرد که اساسا خود KV Cache رو کوئانتایز میکرد و بعد برای پروسه attention مجدد تبدیل به دقت بالاتر.
اما vLLM با بنچمارک نشون داد که این کم شدن Memory Usage یا افزایش ظرفیت به قیمت از دست رفتن Accuracy و کم شدن throughput هست. این کاهش دقت خصوصا در long-cotext بیشتر دیده میشه چراکه error ها با این تبدیل به مرور زیاد میشن.
حالا Huawei روش KVarN رو معرفی کرده که نه تنها دقت رو حفظ میکنه بلکه throughput رو افزایش میده و کار اصلیش هم که ۴ برابر کردن ظرفیت KV-cache (حتی این هم بهتر از TurboQuant)
Paper
Github
مزیت برای استفاده: در یک فورک vLLM ارائه شده. | 2 588 |
| 6 | هوش مصنوعی و خصوصا LLM ها دنیای بازارهای مالی رو متحول کردن (واضحا!). به همین دلیل در مورد LLM ها بیشتر پستهای تکنیکال میذارم.
در سطح Trade:
اگر به عنوان یک کوئانت فقط روشهای کلاسیک آماری/ دیتاساینس و مهندسی داده بلد باشید از رقابت کنار میرید. برای مثال بغیر از استفاده بهینه از مدلها برای کدنوشتن و ... باید بتونید روشهای LLM Inference سریع و در عین حال دقیق رو مسلط باشید و چند ثانیه/ میلی ثانیه در پردازش اطلاعات با LLM برتری پیدا کنید که معنیش در trading مشخص هست. تسلط و شناخت این حوزه برای کوئانتهای نسل جدید اهمیت بالایی داره.
در سطح Investment:
اگر با LLM و ذاتش که نیاز به Memory هست آشنا میبودید احتمالا نیم نگاهی به سهام شرکت Micron داشتید که در ۶ ماه ۳۵۵ درصد سود داده.
یا فرضا اگر سال قبل در کامیونیتیهای LLM گشت میزدید رشد Player 2 در GPU که AMD هست رو پیشبینی میکردید که در یک سال ۳۱۵ درصد رشد داشت.
پ.ن: انگیزه زوری بود برای گرفتن زهر پستهای تکنیکال بعدی در مورد
KV cache optimization
Speculative Decoding
Prefill decode disaggregation
... | 2 350 |
| 7 | یک مسئله جالب که این روزها بهش فکر میکنم تایید کورکورانه دوطرفه در تعاملات انسان با AI هست.
تایید کورکورانه از جانب انسان:
اینکه اگر شخصی فقط خروجیهای هر مرحله از AI رو بدون بررسی تخصصی تایید کنه، دو مشکل خواهد داشت:
۱_ احتمال کیفیت پایین خروجی یا بهینه نبودن
۲_ خودِ این شخص به راحتی با AI جایگزین خواهد شد چون در مجموع ارزشی اضافه نخواهد کرد
پس اگر از آندره کارپاثی میشنوید که دیگه خودش تقریبا کدی نمینویسه به این معنی نیست که کد رو بررسی نمیکنه، علمش رو نداره، یا ساختارهارو نقد نمیکنه.
تایید کورکورانه از جانب هوش مصنوعی:
اینکه هوش مصنوعی به دلیل تمایل به راضی کردن کاربر یا بایاس شدن به دلیل کانتکست، احتمالا ایدههای کاربر رو دست بالا خواهد گرفت که ممکن هست بعد از ماهها کار اشکالات در عمل مشخص بشن. این مورد هم مجددا بر دوش انسان هست تا با تخصص و تفکر انتقادی تشخیص داده بشه.
از طرفی بحث هزینه Agent ها و مصرف توکن که اخیرا برای شرکتها دردسر ساز شده رو در نظر بگیرید که اهمیت استفاده بهینه و وجود تخصص رو بسیار بالا برده.
در یک کلام، بازی عوض شده. میشه اینطور گفت که تخصص در برنامهنویسی، هوش مصنوعی و ریاضی:
۱_ اگر به شکل سطحی یا گاها متوسط باشه کم ارزش هست. اما در سالهای گذشته اصلا اینطور نبود و تقاضا برای این سطوح زیاد بود.
۲_ اگر به شکل عمیق و تسلط بالا باشه، بسیار ارزشمند هست چراکه تنها این سطح از تخصص توانایی استفاده و مدیریت بهینه/کم هزینه AI رو خواهد داشت. | 2 790 |
| 8 | Brain Foundation Model
انگار داره کلاه سرمون میره
Sabi.com
این واقعا میتونه game changer باشه در دنیا. قطعا زندگی معلولین در آینده متفاوت میشه اما آیا این تنها استفاده هست؟!
دریافت سیگنالهای مغزی به شکل wireless از طریق یک کلاه و تبدیل فکر به متن
و بعدش هم که مشخصه: متن به AI برای انجام کار
اما بازم میگم، تتها استفاده این موارد تبلیغی نخواهد بود. فکر کنید به روزی که کارمند ها مجبور به استفاده از این مورد بشن. همین اخیر هم خبر اومد که شرکت Meta در حال جمعآوری تمام اطلاعات مانیتورها، کلیکها و تایپ و ... از کارمندان در آمریکا هست تا در یک سطح جدید مدلهای هوش مصنوعی به هدف جایگزینی با انسان آموزش ببینن.
پ.ن: این مدت بخاطر شرایط ایران کمتر فعال بودم. اما سعی میکنم بیشتر پست بذارم. اتفاقات و آپدیت ها زیاد بودن. | 2 417 |
