یک دسته از استراتژی هایی که مدتی هست بهش متمرکز شدیم ، مدل‌هایی هست که از رفتار گروه‌های مختلف کوین ها در بازار کریپتو ناشی میشه، 💠

در مثال بالا dex ها و btc مثلا یه تفاوت ۲۰ درصدی از بازده نشون دادن،

اصولا مدلهای مارکت نیوترال این شکلی از این ولاتلیتی بازار بیشترین بهره رو میبرن ، 📈

پ.ن. هنوز بازی کریپتو ادامه داره 🔸

@machinelearningnet

New paper out 🎉


Our latest research emerged from a simple yet profound question: How can we truly understand the heartbeat of cryptocurrency markets?

Using a Directional Change (DC) methodology, we've developed a meta-learning framework that implementing adaptive parameter tuning and dynamic feature selection for crypto algorithmic trading.

💡 Key scientific innovations:
-🔹 Event-driven price sampling (DC) replacing constant frequency methods. It means DC method samples prices based on significant market movements rather than fixed time intervals, enhancing its flexibility in responding to market volatility
- 🔸Meta-learning model trained on multi-dimensional feature sets in different regime
-🔻 Return-weighted training approach enhancing model sensitivity



Key findings ⚡️:
🔻 Four group of features ( almost 300 features) show that there is no single group work best in all situation!

🔍 Analysis of the meta-learning models shows a low correlation between outputs from models trained on distinct feature categories, suggesting that each group captures a unique aspect of parameter selection in different conditions.

🔸 Feature behavior analysis reveals that different categories were most informative at various points in the history, with strategy meta-information and DC indicators standing out as the most impactful features


Interested in diving deeper? read the paper here: linkedin 💠


Group : @machinelearningnet
Channel: @machinelearningnet2

اینم یه ایده تحلیلی جالب برای قیمت بیتکوین هست که از پترن مچینگ میاد 🔸

با چند تا تیم از بچه های عالی گروه، در حال ریسرچ روی چند تا ایده در فضای پترن مچینگ هستیم👌،

قبلا راجع به مدلهای این حوزه توی این پست مقداری بحث کردیم، اما علنا کل مدلهای بر پایه distance در این حوزه ضعف دارن و در سری جدید مقالات قراره این مشکلات رو هایلایت کنیم و اپروچ های بهتری از فاصله اقلیدسی ارایه کنیم 💠

عجیبه که کار قوی هم توی پترن مچینگ در فاینانس زیاد نیست و هنوز جای کار برای دوستان ریسرچر زیاده، 😊

در واقع ایده، استفاده از مدل شباهتی هست که بجای فاصله، بتونه دقت بهتري از توزیع داده ها ارائه بده، همین ایده رو در نظر بگیرید و ادامه بدین 😉

@machinelearningnet2

و اما داستان ترید و نتایج و دغدغه ها💠

در این سال‌ها از ۲۰۲۲ من الگوریتم لایو توی مارکت کریپتو داشتم، ولی آشنایی من با کریپتو میرسه به ۲۰۱۶ که اتریوم رو به قیمت ۹ دلار ترید زدم، اون زمان اصلا نمیدونستم چیه، فکر میکردم یه چیزی برای دانشگاه eth Zurich باشه 😁😂
از ۲۰۱۳ توی فارکس بودم و در واقع تز ارشدم که درباره الگوریتمک تریدینگ بود و ۱۳۸۷-۱۳۸۸ دفاع کردم رو اونجا پیاده کرده بودم و داشتم ترید میکردم!🫥 ولی بعد از نزدیک ۸ سال توی اون بازار و سود خیلی خوب، مطمئن شدم فارکس ارزش ذاتی خاصی نداره و درنتیجه از ۲۰۲۱ همه چی رو فول اتوماتیک کردم⚙️ و از اواسط ۲۰۲۲ وارد الگوریتمیک تریدینگ توی کریپتو شدم ⭐،
از همون شروع تا الان اونقدر چلنج داشتم که باید کتاب براش بنویسم⭐️، واقعا کار الگوریتم قابل گفتنی ترین قسمت کاره اما چلنج های زیادی هست. از داشتن اکانت vip مناسب، رگولیشن تا مدیریت حواشی تیم و کار ، وقتی هم که میخوای پول بزرگ مدیریت کنی واقعا بازی سخت سخت میشه.

اون اوایل فقط یه استراتژی long only داشتم، یعنی همیشه فلت و بیرون از مارکت بود تا اینکه یه فرصت ترند رو به بالا پیدا کنه و ترید کنه ، ولی بعد از نزدیک یکسال بحث و پرزنت، تازه فهمیدم نظر مارکت روی چیه و مارکت دنبال چی هست! 🧠
بعدش الگوریتم رو عوض کردیم و تبدیل به الگوریتم های کم ریسکتر کردیم.

چلنچ بعدی اسکیل پذیری الگوریتم بود.🔻 مثلا شما نمیتونستی روی کوین ۵۰ ام بازار مثلا ۵۰۰k دلار ترید بزنی، و همه چی بهم می‌ریخت.

با اومدن روی بازار perp / futures اینا رو هم حل کردیم و الگوریتم جواب همه ی این چلنج هارو میداد، بعدش رسیدیم به درست کردن پایپلاین ترید برای بازار فیوچرز و اونم با یک تیمی انجام دادیم، و چند روز پیش هم گفتم هنوز دنبال نیرو برای این قسمت هستم.✅✅


چی یاد گرفتم!؟🍀

برای نزدیک ۲۰۰ تیم خارجی پرزنت کردم، برای ۱۰ تیم بزرگ instutional money ترید زدم✔️. اونقدر مصاحبه و پرزنت برای سیستم و الگوریتم و انواع استراتژی انجام دادم که تقریبا ته هر مصاحبه ای الان میشه توافق کاری⬛️، اما هنوز بزرگترین چلنج ما با دولوپرها هست بجای کوانت ها! 💤

نکته ی عجیب این بیزینس اینکه دولوپ یه مجموعه ترید هیچ چیز عجیبی نداره، قرار نیست نوآوری داشته باشی، و اصولا چیزی هست که یکبار انجام میشه و میره روی نگهداری، و شاید تا یکی دوسال یه gpt کل این پک رو انجام بده، اما فعلا همین کار پیرمون کرده 🤨

اینم بگم البته که الان با تیم های کار میکنم که برای همین سیستم ترید میان و مثلا اردر گذاری بهینه رو کار میکنن، این بازی البته برای ۱ میلیون به بالاست اما مثلا استفاده از RL و اینا برای همچین سیستمی فوقالعاده بازار خوبی داره. این برخلاف بالایی نوآوری داره👍

در مقابلش استراتژی موجود شدیدا زنده ای هست💫، میتونه توی یه رژیم الگوریتم جواب بده و رژیم بعدی اصلا منفجر بشه 🔥! روزی که داری استراتژی x رو لایو داری، باید بفکر استراتژی y باشی و یا اینکه بدونی بازار روی رژیم های مختلف چه رفتاری با استراتژی تو داره. بتونی یه مدل adaptive برای بهینه سازی پارامترها و ترین اونا درست کنی.🛡

پروسه کوانت non stop هست والا اینهمه کوانت ریسرچر دریافتی بالایی نداشت 🔸

دلیل از این بحث ها: 💡

۱. متوجه بشین توی چه زمینی / لوول ی میخواین بازی کنید. خیلی هارو دیدم به دلیل اینکه چیزی بلدن میخوان وارد مارکت فاینانس بشن اما نمیدونن چیکار میکنن، خود من ۳ سال با وجود الگوریتم عالی، همش چالش مدیریت کردم 🔭 این برای من که توی آکادمیک بودم و بخوام وارد گود بیزینس بشم واقعا سخت بود و هنوزم هست. این چند سال تلاش میشه نذری همین تغییر فاز ↗️

۲. وارد شدن به فین تک سخته، فروختن پروداکت مالی برای بازار خارجی چلنج زیادی داره ( پول خوبی هم داره)، و نیاز داره طرف ارتباطات قوی داشته باشه، اما مهمتر از اون فهم درست نیاز بازاره، ⚡️

۳. در این مدت فهمیدم کلید موفقیت در ۲ تا عامل هست. ۱. نیاز مارکت رو بشناسی، نه اینکه چیزی بلدی پس یه چیزی درست کنی ۲. وقتی یه محصول درست ساختی ، ارتباطات باعث میشه بتونی اونو بفروشی و بعدش ارتباطات بیشتری پیدا کنی. یه champion نیاز داری که معرفی ات کنه🎊

۴. مانع بزرگ دیگه پرزنت و مارکتینگ کاره، روزی که من شروع کردم به پرزنت الگوریتم، با وجود اینکه مشکل زبان انگلیسی نداشتم، اما به تته پته می‌افتادم! سوالهای پرسیده میشد که اصلا نمیدونستم، یکی لحجه امریکایی داشت یکی بریتیش، یکی هندی. از هر پرزنت یه چیزی یاد میگیرین، پس اصلا از ارائه کارتون نترسین⛔️


پ.ن. ۱. این داستان ادامه داره. پست بعدی روی ریزالت هست، چطوری ریزالت بکتست چندبار مارو بفنا داد :)) 📉

پ.ن.۲. هر وقت پاپلاین ترید حرفه ای شد، حتما یه پرزنت اینجا میزاریم. واقعا این چیزی هست که بهش توجه نکردیم ، اما
بود آیا؟! 😁

ارادت
@machinelearningnet2
@machinelearningnet

یه بحثی اونروز سر یک پروژه scheduling که ماه‌هاست در حال پیشرفت هست با اعضای تیم انجام می‌دادیم.

در واقع ما هر وقت از LLM ها برای پروداکت استفاده کردیم نتایج اش اونوقدر نیاز به وریفای داشت که بهتر بود از اول مینوشتیم، در واقع شاید برای کارهای بیسیک و اینکه بدونی خروجی کارت چیه ازش استفاده کنی اما وقتی کار بزرگ هست، واقعا دادن یه فاز کار به llm ها خروجی جالبی تهش نداره. این بحث تخصصی هست اما علت پست من این نیست،

واقعا اینکه nvidia برنده این بازی LLM ها هست بحثی نیست، تقریبا هیچ کس اندازه اونا سود نکرده، نه دولوپر ها و نه استفاده کننده ها. این بحث های 'دنیای که نیاز به یادگیری کدینگ نداری' واقعا برام علامت سوال بزرگی هست، آدمی در حد Jensen که اینهمه دنباله رو داره واقعا بخاطر مارکتینگ یه همچین چیزی رو میگه واقعا ناراحت کننده هست!

بلاخره اینا کارشون فروش هرچی بیشتر gpu هست، اما وقتی این ایده با وجود شرکت های مثل deep seek که با ۶ میلیون دلار تونستن از openai مدل بهتری بسازن ، اونوقت دیگه بازی عوض میشه . چیزی که یه آنالیزور اقتصادی از میزان سود nvidia حساب میکرده میشه نصف !
اینجوری میشه که امروز قبل از اپن بازار، ۱۱ درصد افت کرده و از سقف نزدیک ۱۸ درصد ( فعلا)،

تهش این هایپ ادامه داره و اینا به روند پر سودشون ادامه خواهند داد، اما نکته جالب تغییر پیشبینی های مالی ماست که چطوری میتونه واقعا با یک پدیده جدید اینجوری بسرعت عوض بشه.

فعلا این بحث deep seek خیلی تبعات خواهد داشت. حتی تبعات تغییر نحوه سرمایه گذاری هج فاندها روی شرکتهای متنوع بجای تمرکز صرف به آمریکا،

من همیشه وقتی دانشجوی خودم رو اینجا میدیدم، قشنگ اخر ترم چینی ها با وجود ساکت بودن، یه سر و گردن بهتر از باقی هستن، هم از لحاظ تعهد کاری که حتی اگه چیزی رو نمیدونن توی ۳ ماه میرن متخصص کار میشن و هم اینکه الکی هیچوقت ادعا و های هوی مثل اروپایی ها و هندی ها ندارن.

این روحیه نتایج اش رو توی علم و صنعت داره نشون میده، از اونور BYD و اینم deep seek


اپدیت: 🤩🤩
فعلا Nvidia امروز تا ۱۸ درصد هم ریخت، بزرگترین ریزش یک سهم در یک روز از نظر مالی در تاریخ سهام آمریکا! ◻️

اخباری میاد که Deep Seek کلی پردازنده H100 برای شرکت نویدیا داشته، این احتمال زیاد بازی سیاسی میتونه باشه، در واقع وقتی شما با این میزان هزینه کم بتونی خدماتی در حد open ai رو بدی، بی‌شک هزینه عملیاتی ات خیلی کمتر هست.

@machinelearningnet2

🔸ورژن جدیدی از Skfolio رلیز شده (ر.ک به پست قبلی)
کار جذاب این ورژن اضافه کردن سینتتیک دیتا برای بهینه سازی پرتفولیو هست. 💠

They can now perform portfolio optimisation using synthetic data (GANs, VAEs, Vine Copulas, etc.) and run extreme yet plausible stress tests.

اضافه کردن دیتای سنتتیک برای حتی ترین مدلهای فورکاست توی فاینانس خیلی مهم هست، ✔️
ما توی پرزنت های کتاب دپرادو که توی آپارات هست، در فصل ۱۳ کتاب درباره همین مدلهای تولید داده های شبیه مارکت پرزنت داشتیم، ✅
اینکه vae و gan بتونه کاری بکنن من شک دارم اما مدل Vine Copulas شون مدل جدیدی هست 🫥

@machinelearningnet

وقتی در بازار crash اتفاق میوفته، اصولا بازار بصورت کاملا همبسته میریزه، مدلهای پرتفولیو که بر اساس کورولیشن کار میکنن، سهامی که فقط اندکی از روند کورولیشن بازار متفاوت هستن رو وارد پرتفولیو میکنن و اصولا پرتفولیو تبدیل به یک مدل ناکارآمد میشه، ⛔
این اتفاق در نمودار بالا هم مشخصه ( تبدیل شدن نمودار در زمان از آبی به قرمز شدید )
که علنا در زمان کوید بازار شدیدا کورولیشن بالایی گرفته و مدلها ناکارامد شده، ⭐️



شما چه پیشنهادی برای درست کردن پرتفولیو در زمان کرش بعدی دارین ؟🧠

@machinelearningnet2