We're excited to announce that our #fund has once again outperformed the Barclays crypto hedge index in February.
Find our factsheet here: https://deepfinancecapital.org/dfo-fund/


We are proud of our team's ongoing commitment to innovation and rigorous risk management, and we look forward to sharing more updates on our performance and strategies in the future.



Stay tuned with our monthly report here in our LinkedIn page: https://www.linkedin.com/company/deepfinancecapital/

تحلیل جالبی درباره market share مدلهای الگوریتمیک تریدینگ

علاوه بر مدلهایی با کانسپ تئوري قوی، بعضی از این مدلها، از ایده های تریدرهای institutional money موفق استخراج میشه ( بر اساس domain knowledge طرف از بازار)، اما آنالیز هارو اتومیت و رول بیس میکنن و باعث میشه شما با سرعت بیشتری فیچرهای زیادی رو بررسی کنید، و به طبع به استراتژی های سودده تری برسید،

با این پیشرفت در مدلهای computing ، سوددهی تریدهای دستی سخت و سختر خواهد شد،

@machinelearningnet2

یکی از تاپیک های داغ امروزه در کوانت، بحث causal inference هست که اخیرا جوایزی هم برای مقالات برگزیده این حوزه در نظر گرفتن (لینک). یکی از پرزنت های جالب که بیسیک هم هست این پرزنت keith McNulty هست که از روی کتابی به اسم Statistical Rethinking ارائه شده و در کنفرانس R پرزنت شده، کدهای پرزنت هم در گیت هاب موجوده. میتونه یه مقدمه بیسیک برای ورود به این حوزه باشه،

@machinelearningnet2

اصولا من برای فورکاستینگ روی تایم سری های بیزینس به مدلهای آماری بیشتر اعتقاد دارم تا مدلهای ml و دیپ،
در کل اگه هم بخوام با ml کاری رو پیشبینی کنم، catboost و light gbm و RF اصولا انتخاب های اصلی من خواهند بود،
تقریبا هم مدلهای دیپ لرنینگ که باهاشون کار کردم، خروجی جالبی برای فورکاست مستقیم ts نداشتن، اما کارهای این حوزه انجام دادیم که از مدلهای دیپ به شکل متفاوتی برای پیشبینی استفاده کردیم و نتایج جالبی داشته (بزودی پکیج اش رو منتشر خواهیم کرد)،

در کنار این مدلهای point forecasting، یه حوزه مهم دیگه که بیشتر برای بیزینس مفیدتر هست، interval forecasting هست، اصولا شاید بهتون بگم توی صنعت، خیلی پیشبینی یک نقطه بدرد نمیخوره، بیشتر دنبال یک بازه ای از پیشبینی هستن که بتونن روش planning انجام بدن و سناریو سازی کنن،
یکی از اپروچ های که تقریبا اخیرا خیلی خوب کار شده conformal prediction هست که‌ گیت هاب زیر اکثر پرزنت، مقالات و کدهای مهم این حوزه رو جمع کرده


https://github.com/valeman/awesome-conformal-prediction

حتما اگه پیاده کردین نظرتون رو شیر کنید

@machinelearningnet2

اگه مثل من بخاطر دسترسی به بعضی از پکیج های فورکاستینگ، هنوز با R زیاد سر و کار دارین، یا کورس teaching برای R دارین، یکی از کارهای جالب استفاده از R-Markdown هست. این مارکدان یک کاری شبیه نوتبوک پایتون توی R هست که اصولا تجربه من نشون داده دانشجوها راحتر میتونن مطالب رو دنبال کنن و به فهم پرزنت و داکیومنت سازی کمک زیاد میکنه .

یه اینترو ساده در گیت هاب خیلی کارا کل مباحث رو جمع کرده و یک آموزش از یوتیوب برای اینکار کل کار شمارو راه میندازه،
@machinelearningnet2

حالا که بحث R و پایتون شد، اتفاقا گروهی بتازگی ( به اسم nixtla ) اکثر مدلهای فورکاستینگ آماری موجود در R رو در پایتون پیاده سازی کردن.

نکته مهم اینکه سرعت اجرای مدلها از خود بیس R الگوریتم هم بهتره و واقعا دست مریزاد دارن،

علاوه بر مدلهای اماری، چندین الگوریتم کارا ماشین لرنینگ و دیپ رو هم برای تایم سری فورکاستینگ کاور کردن، و کد بالا پیاده سازی چند خطه از همون اپروچ conformal forecasting هست،

مثلا پیاده سازی سریعی برای Nbeats انجام دادن، اینو بگم که nbeats بهترین جواب را روی m4 competition داده و اما من ندیدم جای دیگه ای اصلا خوب کار کنه و اساتید افسانه ای دیپ لرنینگ روی m4 اینو اورفیت کردن 😁.

چند تا از مدلهای پکیج تایم سری gluon رو هم پیاده سازی کردن،
TCN, DilatedRNN, NHITS, ESRNN

خوشبختانه ما هم برای پکیجی که بزودی ارائه میکنم، از مدلهای nixtla استفاده کردیم.


@machinelearningnet2

یکی از بحث های جالب کوانت که اخیرا توجه منو خیلی به خودش جلب کرده، مدلهای پترن مچینگ هست که سعی در پیدا کردن پترن های شبیه الان در گذشته و پیش‌بینی بازار بر اساس اون ها هستن،

این پترن ها حتما نباید روی قیمت باشه، میتونن روی فیچرهای ماکرو باشن، مثلا بررسی فیچرهای ماکرو امسال با دیتاهای هیستوریکال، نشون میده امسال خیلی شبیه سال‌های ۱۹۸۵-۱۹۸۹ هستیم و خروجی بازارها برای اون بازه رو هم در شکل میبینید ( یکی از دلایل اوج گرفتن قیمت طلا هم از روی این پترن مشهود هست) ،
یکی از پیاده سازی های پایتون برای پترن مچینگ پکیج استامپی هست که البته تبلیغ اش بیشتر از کارایی اش هست 😉

حالا از این پترن مچینگ علاوه بر کشف motif و رژیم detection , برای online portfolio selection هم استفاده میکنن و اصولا با نوع آوری هایی نتایج خوبی میشه گرفت.

یک نمونه از مقایسه اپروچ های مختلف online portfolio selection در این نت‌بوک اومده که جالبه آخرش نتیجه گرفته مدل بنچ مارک
Constant Rebalanced Portfolios
رو به سختی میشه beat کرد.

در این حوزه اخیرا کاری ما انجام دادیم که یک اپروچ ترکیبی از پترن مچینگ و کلاسترینگ برای پرتفولیو سلکشن هست

من سعی میکنم پکیج این کارمون رو پابلیش کنم که دوستانی که این حوزه کار میکنن، بتونن استفاده کنن، اما اصولا کار flexible تری از استامپی انجام شده 😁

A Novel Online Portfolio Selection Based on Pattern Matching and ESG Factors

این کار بنظرم خیلی جای پیشرفت داره و اوردن پترن مچینگ ماکرو فیچرها بجای فقط price رو هم در پکیج سعی می‌کنیم کاور کنیم،

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4355713

اینم آخرین پست علمی امروز ، یک call for paper برای ژورنال Applied Sciences هست در زمینه مدلینگ در emergency response systems ، حوزه مقالاتش برای بچه های operational research هست که یاد دوران ارشد مهندسی صنایع با این تاپیک ها بخیر،
من ادیتور این cfp هستم و اطلاعات بیشتر رو از روی لینکدین من میتونید پیدا کنید

توی لینکدین، بیشتر کارهای فاند dfo رو هم کاور میکنم،🌺

@machinelearningnet2