"Exciting News! 📢

In today's ever-changing market landscape, traditional portfolio selection methods fall short due to the dynamic nature of financial data. That's where our pattern matching approach with clustering shines.
🌟In our new paper, we've developed an online portfolio selection strategy that adapts to market changes, maximizing expected growth while considering ESG factors. 🌍📊

Our research tackles the challenge of non-stationarity in finance, which often trips up conventional machine learning algorithms. By incorporating nonlinear entropy between the shares and creating a dynamic pattern-matching approach, we beat many benchmark algorithms in live trading.

🌟🌟One key finding: ESG portfolios ♻️obtained the best deflated Sharpe ratio—indicating their strong performance beyond market growth. These findings highlight the tremendous potential of responsible investing.🌿💰

I'd like to extend my gratitude to the team, Ali Fereydoni and Mehrzad Asadi, which have the main contributions to this research. 🚀

کتاب جدید مارکوس دپرادو ، که در قالب یک مقاله ssrn قبلا چاپ شده بود، در مورد casual graph و casual investing هست که یک زمینه ریسرچ جالبی رو ارائه میکنه که بتونیم بجای استفاده گله ای از فیچرها، بتونیم آنالیز علیت روی فیچرها داشته باشیم و عوامل اصلی driver قیمت رو دربیاریم .

تاپیک بسیار جذابی خواهد بود برای ریسرچ های بعدی در زمینه آنالیز فیچرها و ساخت استراتژی های که با فیچرهای عامل، بجای معلول ساخته میشن،

وقتی شرایط مارکت عوض میشه، کل استراتژی های ساخته شده از این فاکتورهای وابسته اشتباه میشن، در واقع یاد میکیریم بجای فاکتور وابسته ای که خودش متغیر ی عامل دیگه ای هست، خوب اون عامل اصلی رو دیتکت کنیم

پرزنت همین کتاب با خود دپرادو :

https://youtu.be/9w7A4JCd-vk?si=Pz-KK3kpxD5Uz9jj

سلام،
این یکی دو هفته احتمالا این گزارش رو دیدین.
یه چند تا نکته بابت این دارم،

نکته اول : نویسنده اول قسمت تایم سری گزارش، دیدگاه بسیار درستی نسبت به فضای این حوزه داره و در واقع feature extraction رو اوجب واجبات میدونه. ایده ای هم داره استفاده از Generative AI برای اینکار هست و یا از مدلهای ML بتونیم فیچرهای خوب جنریت کنیم .
مثلا شما بتونید از ایده مدلهای تولید تصویر بر اساس AI ، بتونی فیچرهای تایم سری استخراج کنی! این کارها شدنیه، البته ما چند تا از اپروچ هارو دولوپ کردیم که بزودی پرزنت خواهم کرد. اما بدور از کار اینده ی ما، بنظرم این کار جای زیادی داره و کار llm ها این فَضا تولید فیچر خواهد بود تا فورکاست و اینا.

دوم: انسامبل اصولا این فضا بهتر از سینگل مدل جواب خواهد داشت. هر کاری میکنید حتما با یک اپروچ هوشمند انسامبل کنید

سوم: مسابقات مختلف دیتای tabular رو ببینی اصولا xgboost خوب بوده، اما تجربه ی من از تایم سری این بود که همیشه RF بهتر از این بود😉

چهارم: چون من به کریپتو علاقمند هستم، نتایج این مسابقه جالب بود
G-research

🎊یه آپدیت بابت مسابقات پیشبینی بازار سهام چند روز بعد خواهم داد

شاید علاقمند به دیدن سولوشن نفر اول همین مسابقه پیشبینی crypto باشین ( نکته چهارم بالا) که اینجا توضیح اش اورده شده. ساختار مدل اش هم توی شکل بالا نشون داده شده

@machinelearningnet

واقعا این معرکه conformal forecasting رو متوجه نمیشم😭، چیزی که سالها بوده و ما در حوزه statistical forecasting کلی مدل و اپروچ در زمینه interval forecasting داریم، حالا چون مدل عوض شده و تبدیل به ماشین لرنینگ شده واقعا احساس میکنه طرف جایزه نوبل باید ببره برای پرزنت چیزی که بوده 😉😁 خیلی جالبه استفن کولاسا ( یکی از بهترین های retail forecasting ) هم که آب پاکی رو ریخت روی دستش 🙈 همون بدرد پست های لینکدین میخوره، والا نمود واقعی که پرفورمنس خوبی ازش ببینیم وجود نداره. 🙈😉

پ.ن. البته هدف از این پست این نبود که interval forecasting و یا پیاده سازی روی مدل های ماشین لرنینگ اون ( conformal ) چیز درستی نیست، یا توانایی نداره. در حالیکه همین الان هم توی صنعت درواقع پیشبینی نقطه ای کمتر استفاده میشه، بلکه بیشتر مساله من یکی توی لینکدین هست که احساس میکنه فورکاستینگ به قبل و بعد از conformal تقسیم شده 🙈، والا کانال فارسی ما سعی میکنه علم رو ترویج بده تا کل کل رو 🌺😍

اینم یاد مدل nbeats میندازه منو، اومدن بعد از مسابقه m4، یه مقاله دادن بیرون و ادعا کردن از نتیجه الگوریتم نفر اول ( syml) چندین درصد بهتر شدن، اما دوستان نویسنده روی همین دیتاهای چند تا مسابقه فورکاستینگ موسوم به M اورفیت کرده بودن و دیگه ازش خبری نشد،
این قضیه این مقاله nixtla هم همون نشه ؟! 😜😊،

مدتی بود فکر میکردم مایکروسافت تقریبا همه بیزینس ها رو خواهد بلعید! 🙈 با این حجم پیشرفتی که در gen ai دارن و این سرمایه و ریسورس ها، تقریبا همه شرکتها برای اتومیت کردن کارها، وابسته اونا خواهند شد، همین الانم که ما از gpt ها استفاده میکنیم، کل اطلاعات در خدمت ماکروسافت برای فروش در اینده به خود ما جمع آوری و تحلیل میشه،
این ذهنیت غالب مقداری هم ترسناک بود و البته با یک پست جالب از 🤗 hugging face تلطیف شد!
پست جالب بالا، یکی از بهترین توصیه های هست که در سال‌های آتی میشه به بیزینس ها کرد،
اولا نشون میده بدون شک همه ی بیزینس ها باید به این سمت برن و یا دچار عدم کارایی شدیدی خواهند شد❌
ثانیا، مدل کوچیک تخصصی خودشون رو دولوپ کنن💥،
اینکه چقدر این مدلها میتونه موفق و کارا باشه یک بحث هست که احتمالا همه شرکتهارو مجاب به استخدام مهندس های gen ai کنه، اما در کل ما بجز اتومیت کردن چاره ای نخواهیم داشت،

هدفم از این بحث ها این بود که یک دوره Generative AI for Everyone
رو Andrew Ng داره بزودی میزاره که توش درباره پیاده سازی و ساختن این مدلها برای بیزینس خودتون بحث خواهد کرد، 😍

لینک کورس بزودی آپدیت میشه

یکی از بزرگترین مسابقات سرمایه گذاری که در سطح جهانی بین تیم های دانشگاهی دنیا برگزار میشه،
Bloomberg global trading challenge
بلومبرگ هست.

هر تیم باید یک میلیون دلار رو فقط روی سهام پرتفولیو ببنده . این مسابقه تقریبا دو ماه طول میکشه و گروه‌ها توی این مدت میتونن با انواع اپروچ های کوانت یا ماکرو بین نزدیک ۱۲۰۰۰ تا سهام از اکثر کشورهای دنیا ( بغیر ایران بدون شک) سبدشون رو انتخاب کنن.

سال پیش نزدیک ۹۵۰ تیم از کل دانشگاه‌های دنیا توی این مسابقات شرکت کرده بودن و تیم دانشگاه ساوتهمتون مقام اول دنیا رو کسب کرد. من یکی از Faculty Advisor های تیم بودم که این افتخار نصیب ما هم شد 🌺😍

This year, 948 teams invested a total of $785,061,647 of virtual cash over 4,469 individual stocks. The winning team was University of Southampton in the United Kingdom, which was able to generate a relative profit of $305,644.

لینک خبر و توضیحات بلومبرگ🌺

یه مدت قبل هم در مسابقات m6 که برای پیشبینی سهام هست، یکی از دوستان ما در این گروه نفر اول شد، سعی میکنم یه جلسه برای ارائه اپروچ اش هماهنگ کنم🌺

#خودمون رو دست کم نگیریم😜

این هفته این مسابقه برای سال ۲۰۲۳ -۲۰۲۴ دوباره شروع شده ، و تیم من فعلا روی انرژی و defensive هست، سختی مسابقه اینکه نمیتونی شورت سل بزنی، والا خیلی از سکتور های مارکت رو میشد الان شورت کرد،
امروز nvidia نزدیک ۷.۵ درصد ریخت ☺️

https://arxiv.org/abs/2310.07820

مقاله ی بسیار جالبی در مورد استفاده از مدلهای LLM در تایم سری فورکاستینگ. در واقع ایده اینکه که پیشبینی عدد بعدی سری رو تبدیل به پیشبینی توکن بعدی تکس در نظر میگیرن،

داریم به روزهایی میرسیم که بدون LLM ها کاملا عقب خواهیم موند.

اتفاق خیلی جذاب جدید، دادن فایل های PDF و اکسل به GPT برای تحلیل هست!

براحتی از Dall-E میتونیم برای تولید عکس ها استفاده کنیم و انواع مختلف فایل رو به gpt4 بدیم و صدها پلاگین رو بصورت اتوماتیک برای آنالیز های خودمون استفاده کنیم،
برای کمپین های مارکتینگ، برای آنالیز مدلها مون، و احتمالا بزودی برای ساختن آپ های تخصصی دیگه روز به روز کمتر نیاز به متخصص خواهیم داشت،

نسل جدید، اولین چیزی که باید یاد بگیرن، استفاده درست از این ابزار هست، 😊

@machinelearningnet

User Interface ( UI) v.s. User Experience (UX)
😁🤦‍♂

این کنفرانس ICAIF خیلی در زمینه AI و فاینانس معروفه و اصولا مقالات بسیار جالبی توش پرزنت میشه ، هزینه ثبت نام virtual اش ۱۰۰-۲۰۰ دلاره و بنظرم برای بچه های دانشجوی ارشد و دکترا که دنبال ایده پایان نامه هستن بسیار عالی میتونه باشه ،

مقالات زیادی هم در زمینه AI in finance از هج فاندهای بزرگ دنیا توش پرزنت خواهد شد.

https://ai-finance.org/

برای سالهای بعد هم جزو اولویت های سابمیت مقاله خیلی خوب میتونه باشه

این کورس Andrew Ng امروز آنلاین شد، خیلی تکنیکال نیست، برای کسانی که میخوان وارد فضا بشن خوبه 🌺

لینک🪝

پرزنت های کنفرانس پایتورچ 2023 رو هم در یوتیوب بارگذاری کردن، میتونید در مورد خیلی از تاپیک های generatative AI سخنرانی های خوبی پیدا کنید
📽️👇🏼

Link

#pytorch #datascience #deeplearning #machinelearning

The Rise of Multimanager Platforms: The New Titans in the Hedge Fund Industry 🌟
The hedge fund landscape is undergoing a seismic shift. Multimanager platforms are emerging as the new powerhouses, leaving traditional hedge funds in the dust when it comes to asset growth, performance, and hiring 📈.

A recent report from Goldman Sachs's prime-brokerage unit shines a spotlight on this trend, with industry giants like Citadel, Millennium Management, and Point72 leading the charge.

📌 Key Insights:
💰 Asset Growth: Multimanager platforms saw a 15% surge in assets, reaching $368 billion in the year ending June 30. In contrast, the rest of the industry lagged behind with just over a 2% growth 📊.

👥 Talent Magnet: These platforms ramped up their headcount by an impressive 22% during the same period, while the broader industry saw a mere 1% uptick 📈.

📊 Performance Metrics: Boasting an average annualized return of 4.5%, multimanager firms outshone the industry average of 3.4%, and that too with less risk 🛡.

🏆 Size Matters: Platforms with assets exceeding $10 billion delivered annualized returns of 7.9%, outperforming their smaller counterparts 🥇.

📚 Market Footprint: Despite holding only 9% of hedge-fund assets, these platforms command 30% of the gross market value in U.S. stocks, largely due to the leverage they employ 📈.

🚨 Industry Pain Points:
💸 High Fees: The cost of entry can be steep, as multimanager platforms often come with higher fees 🚫.

🔄 Talent Retention: With rapid growth comes the challenge of retaining top talent, especially when portfolio managers have the freedom to trade independently 🔄.

⚖️ Risk Management: Coordinating risk parameters across a multitude of portfolio managers is a Herculean task 🏋️‍♂️.

Multimanager platforms are not just a trend; they're a paradigm shift in the hedge fund industry 🌐. They offer a compelling blend of diversification, performance, and scale, but not without their own set of challenges

یه تجربه ی تلخ اما واقعی از دکترا😭😂

اینجا در مورد Bloomberg GPT پرزنتی فرستاده شده، مدل بهتری ازش با hugging face دولوپ شده به اسم FinGPT که خیلی از مشکلات( مخصوصا هزینه fine tune ) رو نداره،

BloombergGPT trained an LLM using a mixture of finance data and general-purpose data, which took about 53 days, at a cost of around $3M). It is costly to retrain an LLM model like BloombergGPT every month or every week, thus lightweight adaptation is highly favorable. FinGPT can be fine-tuned swiftly to incorporate new data (the cost falls significantly, less than $300 per fine-tuning).

2). Democratizing Internet-scale financial data is critical, say allowing timely updates of the model (monthly or weekly updates) using an automatic data curation pipeline. BloombergGPT has privileged data access and APIs, while FinGPT presents a more accessible alternative. It prioritizes lightweight adaptation, leveraging the best available open-source LLMs.

3). The key technology is "RLHF (Reinforcement learning from human feedback)", which is missing in BloombergGPT. RLHF enables an LLM model to learn individual preferences (risk-aversion level, investing habits, personalized robo-advisor, etc.), which is the "secret" ingredient of ChatGPT and GPT4.

دیروز FinGpt - forecaster رو هم ارائه کردن، که stock price رو بر اساس دیتای نیوز اون شرکت پیشبینی میکنه! با Llama 2 و بر اساس متد LoRA فاین تیون کردن و میتونه پیشبینی هفتگی بده، قضیه جذاب‌تر میشه 😉،

❌قبلا هم گفتم، بهتره کلا همه چیز رو ول کنید ، یه ماه وقت بزارین برای دولوپ کردن و کار کردن با مدلهای اپن سورس LLM, چون علنا هیچ کاری بزودی بدون اونا کارایی خاصی نخواهد داشت و در صورت عدم استفاده ، شمارو براحتی از رقیباتون عقب خواهد انداخت، edge مارکت فاینانس هم داره با این سختر میشه و آلفا کمتر 😏

FinGPT: Open-Source Financial LLM

واو! سم اخراج شد!؟😳

Mr. Altman’s departure follows a deliberative review process by the board, which concluded that he was not consistently candid in his communications with the board, hindering its ability to exercise its responsibilities. The board no longer has confidence in his ability to continue leading OpenAI.

اوه😳

❌اپدیت:
به دنبال انتشار خبر اخراج سم آلتمن از مجموعه OpenAI، گِرِگ بروکمن، یکی دیگر از بنیان‌گذاران این شرکت، خروج خود را از OpenAI اعلام کرد. او مشخصاً تغییرات اخیر در مجموعه OpenAI را دلیل خروج خود از این شرکت عنوان کرده است.

پ.ن. میگن خود LLM اخراجش کرده یا یدونه LLM گذاشتن بجاش 🤦‍♂️😁 ( به نقل یکی از بچه های خودمون)

پ.ن. ۲!

The OpenAI board is in discussions with Sam Altman to return to the company as its CEO

این که open ai با این کارها، تبدیل به هیولایی در اینده بشه، برای من عجیب خواهد بود، 😳

https://openai.com/blog/openai-announces-leadership-transition

This is the quote I am falling in love with:

❌❌❌❌

The magic you are looking for is in the work you are avoiding 🤦‍♂

❌❌❌❌❌

💥Absolutely insane


@machinelearningnet

این پرزنت جالبی باید باشه و احتمالا روی اپروچ های تیم های اول بحث کنن

https://lu.ma/uo6b7wkv