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

ادامه ماجرای open Ai نیاز به یک پست جدید داره، پست قبلی

چند روز پیش هم گفتم این شرکت با این حرکت هاش بعیده بشه یک هیولا و الان فکر میکنم احتمالا با ماکروسافت تلفیق بشه.

در کل مساله داره هر روز بغرنج تر میشه ،

💥بورد open ai قرار بود ceo شرکت رقیب یعنی Anthropic رو بکنن رئیس openAi ، حالا امشب اینا یه ورژن جدید ارائه دادن 👆 ،

💥از اونور ۹۰ درصد کارکنان openai گفتن که کل board باید استعفا بدن، از اونور Sam رفته ماکروسافت، و احتمالا ماکروسافت دست روی کل بیزینس open ai خواهد گذاشت و اونوقت بورد چی میشه معلوم نیست.

💥البته اون بورد خیلی تعطیل هستن. بدون شک بهترین ریسرچرهای دنیا بودن، اما تجربه ران یه شرکت رو نداشتن، زدن هم شرکت و هم خودشون رو نابود کردن.

💥از اونور یه دعوای منطقی هم هست بین کسانی که میخوان AI بدون رگولیشن و قوانین محدود کننده پیشرفت کنه، و اونایی که دسترسی به AGI رو هنوز زود میدونن و میترسن،

❌اما اینجا یه فکت عجیب هست. بنظرم Satya Nadela بزرگترین ceo تک در دنیا هست. اینکه چطور در یک روز سم و گِرک رو استخدام کرد واقعا خاص بود!

پ.ن. خوب سم برگشته انگار، با Board جدید😂 چه خبره اونجا🙈

Introduction to Machine Learning with Python and Scikit-Learn Course 🚀🚀🚀

Another FreeCodeCamp course recently published for machine learning with Python. This is a long one (18 hours) that provides an in-depth introduction to machine learning and covers topics such as:
✅ Linear Regression and Gradient Descent
✅ Logistic Regression for Classification
✅ Decision Trees and Random Forests
✅ Gradient Boosting Machines with XGBoost
✅ Unsupervised Learning using Scikit-Learn
✅ Machine Learning Project from Scratch
✅ Deploying a Machine Learning Project with Flask

Course 📽️: https://www.youtube.com/watch?v=hDKCxebp88A

#datascience #python #machinelearning #scikitlearn

بنظرم هر کاری اینا توی oxford man میکنن ارزش خوندن داره 😍

دوستانی که از من میپرسن و ایده برای تز میخوان، لطفا بشینن مقالات oxford man رو بخونن، پر از مفاهیم جدید برای ماشین لرنینگ در فاینانس هست 🌺👌

اینجا لیست working paper های این موسسه رو میتونید ملاحظه کنید

https://www.maths.ox.ac.uk/groups/mathematical-finance/research-mathematical-finance/mcf-working-papers-2023


@machinelearningnet

الان که تب استفاده از Q learning و Q* بتازگی زیاد شده و دارن روند پیشرفت llm رو به سمت RL میبرن ( حداقل میگن که مارکتینگ کنن😜 والا بقول Lecun موضوع چیز دیگه ای هست) ، بنظرم خیلی خوبه این مقاله
Recent Advances in Reinforcement Learning in Finance
رو یه مرور کنیم 👌

این بنظرم بهترین مقاله review در زمینه مدلهای RL در فاینانس هست، اکثر کاربردهای RL در فاینانس و مقالات مرتب اش رو لیست کرده که بنظرم برای دوستایی که میخوان توی این حوزه ریسرچ کنن، یکی از بهترین منابع هست،

پ.ن‌. یه روش هم ما به این کاربردها اضافه میکنیم که بزودی آپدیت میکنم،

در کنار این مباحث، یکی از کارهای خوب استفاده از Rl در فاینانس مقاله deep hedging پرفسور Hans Buehlr هست که به عنوان کوانت فاند ۲۰۲۳ انتخاب شده و بتازگی کدهاش رو هم آپدیت کرده

@machinelearningnet

در ادامه همین بحث RL ، یه پکیج خیلی معروفی هست به اسم FinRL که چندین ساله هر ساله یه ورژن کارشون رو توی nips چاپ میکنن،

تقریبا من کتابخونه ی اپن سورس بهتری از این توی RL با پایتون ندیدم، یکی دوتای دیگه هم هست مثل pgportfolio اینا که دیگه آپدیت نمیشه،

حالا اینا اخیرا یه رقابت RL تو finance برگزار کردن که چند روز پیش تموم شده و منتظریم اپروچ برنده هاش اعلام بشه.

https://finrl-contest.github.io/

مسابقه در دو سکشن، ترید و اردر گذاری انجام شده .

توی این پست هم در مورد کار اخیرشان روی FinGpt توضیحاتی داده شد،

اینا هم در کنار پست قبلی میشه تکلیف ریسرچرهای گروه که روی RL در فاینانس کار میکنن،

💥یکی از بچه های گروه هم من میدونم یه پرتفولیو با RL توی بازار ایران داره و یکی از صندوق ها بزرگ رو داره مدیریت میکنه ،

منظورم اینکه اینا مباحث کاربردی هست که جواب هم میده،

برای اموزش:
ما یه پرزنت کتاب از مدلهای دیپ RL داشتیم (لینک)
و دوتا پرزنت هم در زمینه FinRL و Deep RL قبلا در گروه گذاشته بودم
لینک ۱ و لینک۲

@machinelearningnet

💥💥

من دوتا پایان نامه در زمینه آنالیز فاند ها و تریدرها با دوتا دانشجوی چینی ام کار کردم که بخاطر رفتن به کشورشون و درگیر کار شدن، نتونستیم تبدیل به خروجی مقاله ای یا پروداکت کنیم. کار خوبی انجام شده اما هنوز جای کار بیشتری برای تبدیل شدن به محصول یا مقاله هست.

دونفر از بچه ها که هم کدینگ با پایتون مسلط هستن و مقاله نوشتن ( یا سابمیت کردن) ، و یا پروداکت درست کردن لطفا رزومه بفرستن ( همین تلگرام) تا این‌کار رو باهاشون نهایی کنیم، ممنون

در این پست در مورد کنفرانس ICAIF 2023 حرف زدیم. این کنفرانس حرف نداره💥

بهترین مقاله اش مقاله ای بود که چند وقت پیش در زمینه سیمولیت limit order book ها از آکسفورد فرستاده شده،
اینا در واقع دوتا کار بک تو بک هم هستن که لینک اش رو اینجا میزارم،
1. JAX-LOB
2. Generative AI for LOB modeling

در واقع سال پیش هم یه مقاله فرستاده بودن که با lob بازار رو پیشبینی میکردن و واقعا alpha تولید کردن بودن ( واقعی نه مثل باقی ۹۵٪ مقالات). خود مقاله و کدهاش و پرزنت اش اینجا گذاشتن.

حالا در این کار جدید روی سیمولیت کردن lob تمرکز کردن که خیلی بعدا میتونه برای order placement کمک کنه،

قبلا یه چند تا پرزنت در همین گروه بابت order execution داشتیم که با RL کار شده بود.

اینارو ببینید، بعدش دیروز از دانشگاه Westminster برام تز فرستادن داوری کنم، تز دکترای طرف بود، ۵ تا مدل رو زده برای پیشبینی بیتکوین، توی انتشارات hindawi هم چاپ کرده، میخواد دفاع کنه ، مدل اورفیت، کار هیچ! حواستون باشه اینکه طرف انگلیس درس خونده، مثل اکسفورد هم داریم، اینجوری هم داریم، 😁

@machinelearningnet

الان که بحث LOB شد و سیمولیت اینا شد، اصولا چند تا روش مختلف برای اینکار هست،

agent-based models (ABMs), reinforcement learning (RL) environments, generative models, processing order flows from historical data sets and hand-crafted agents.

در مورد مدلهای hand crafter که از gpu اینا استفاده میشه پست قبل رو ببینید.

در زمینه ی مدلهای جنریتیو ai، یکی همین گن هست مثل این مقاله

البته مشکلاتی گن داره در صورت جنرال مثل اینا
training is notoriously unstable, often suffers from mode collapse, and requires specialised techniques such as weight clipping and gradient penalty to mitigate these issues

برای RL هم یه مقاله زیر همین پست دربارش میزارم.

جای یه کاری هم خالیه، استفاده از diffusion در این فضا، دیفیوژن ها که بیس dall-e هست واقعا نتایج خوبی گرفتن، ما هم کاری در زمینه گرفتن فیچر اتوماتیک از تایم سری ها برودی ارایه میدیم که اونجا هم نتایج بشدت جالبه ،
بنظرم میتونن از گن نتیجه ی بهتری بدن.


در کنارش خوب از همین ها برای سیگنال گرفتن هم استفاده میکنن ، مثل همین مقاله ، یا اون مقاله ای که پست قبلی فرستادم،

این فضا فقط مشکل کامپوتینگ احتمالا خواهید داشت ، چون نیاز به سورس محاسباتی قوی داره، و اخیرا میزان پابلیش خوبی هم روش انجام میشه.
قبلا خیلی مدلهای deep و ml رو روی ایده های فاینانس میزدی، اصلا قبول نمیکردن چاپ کنن، الان دقیقا هایپ مجلات اینوری شده،
@machinelearningnet

Staford released today the Python online version course for the ISLR book 💥.

The course covers topics such as:

✅ Regression and classification
✅ Linear model selection and regularization
✅ Non-linear Regression
✅ Tree-based methods
✅ Support vector machines
✅ Deep learning
✅ Unsupervised learning

𝐑𝐞𝐬𝐨𝐮𝐫𝐜𝐞𝐬 📚
Online course 📽️: YouTube

Book website: Here

Python version of the Book: Pdf

R version of the Book: Pdf

🌺🌺💥
@machinelearningnet

یکی از سوالاتی که اخیرا پرسیده میشه، استفاده از chatgpt برای ترید هست.

توی این ویدئو از هادسون تیمز، در مورد استفاده از chatgpt برای پیشبینی بازار بحث کردن و مزایا و معایب کاور شده و کلا نگاهی هم به ورژن های قبلی مدلهای زبانی داشتن

https://youtu.be/IiAiTxlCZrM


@machinelearningnet