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

I'm thrilled to announce the latest release of MetaTS, a #Python package that simplifies and accelerates global #timeseries #forecasting using #meta-learning.

You can find MetaTS on GitHub here: https://github.com/DrSasanBarak/metats

Meta-learning has emerged as a winning solution for recent time series #forecasting competitions, and MetaTS is designed to make #meta-learning more accessible to researchers and data scientists. With MetaTS, you can easily generate meta-features using automated feature extraction and deep unsupervised learning, implement base-forecaster models, and optimize meta-parameters using a flexible and customizable pipeline.

In addition to providing a user-friendly toolkit for meta-learning, MetaTS also unifies the available Python libraries that can be useful for time series forecasting. You can leverage the power of #Sktime, #Nixtla, #Darts, and other libraries to create base forecasters and explore different meta-model architectures, including #stacking and #ensembling.

I'm proud of what we've achieved with MetaTS, and I believe it can be a valuable resource for anyone looking to improve their time series forecasting #performance. The latest version of the package is available on GitHub, and we welcome any feedback or contributions to help make MetaTS even better.

This can not be done without a great dedication and contribution of my colleague @AmirabbasAsadi .

Be tuned about this project on my LinkedIn

Thank you for your support!

دوستانی که علاقمند به فهم بیسیک مدلهای متالرنینگ هستن، اینجا یه پرزنتی کلی از این اپروچ انجام شده.

همون طور که دیروز در گروه بحث شد، یکی از کاربردهای deep unsupervised learning در زمینه feature extraction در فاینانس هم در این پکیج کاور شده.

برای اطلاعات بیشتر در این حوزه، لینکدین من و امیر عباس رو فالو کنید