Deep Time

برای "ما انسان ها"، مهم‌تر از نتایج فوق‌العاده از جدیدترین مدل LLM و احتمالا مهم‌تر از تمامی پیشرفت‌های هوش مصنوعی در سال‌های آینده، جلوگیری از یک فاجعه شناختی برای بشریت است:
وابستگی و واگذاری شناختی به هوش مصنوعی

عنوان مقاله گویاست:
Large-Language Models as a Cognitive Virus

طبق این تحقیق گسترده‌ که با همکاری هاروارد انجام شده، مسئله استفاده کردن یا استفاده نکردن از LLM ها نیست. مسئله حتی استفاده زیاد یا کم نیست. مسئله استفاده درست است به نحوی که توانایی شناختی ما انسان‌ها با تمرین و پاداش دادن به مواردی مانند خواندن، نوشتن، استنتاج، توانایی تایید، حل مسئله مستقل، تفکر انتقادی، استفاده از منابع دانش غیر از LLM و ... حفظ شود که در این صورت فراگیر شدن هوش مصنوعی سازنده هم خواهد بود.

اما مهم تر اینکه این تحقیق با مدلسازی اپیدمیولوژیکی سه گروه افراد با نحوه متفاوت در استفاده از LLM هشدار می‌دهد که اگر میزان cognitive offloading از حدی بالاتر رود، بازگشت به سطح قبلی امکان پذیر نخواهد بود.

بنابراین در عین نیاز به یادگیری استفاده از ابزار مدرن، Agent ها، AutoResearch و غیره همچنان به یادگیری ریاضیات، علوم پایه، کدنویسی و توانایی طراحی، تایید و به چالش کشیدن روند کار نیاز است.

پ.ن: در مورد نحوه استفاده بیشتر می‌نویسم اما حتی
"Think first, ChatGPT later"
بسیار موثر هست. که البته به چه میزان عمیق و با جزئیات فکر کردن خودش طیف گسترده‌ای از نحوه استفاده میسازه. این پست هم مرتبط با این موضوع هست. و مقاله
The Shrinking Landscape of Linguistic Diversity in the Age of Large Language Models

یک علت سرعت بالای Inference در LLM ها استفاده از تکنیک Speculative Decoding هست.
دقت کرده باشید در مدل‌های مدرن سرعت تولید توکن بسیار زیاد هست. اما زمانی که یک مدل با صدها میلیارد پارامتر سرو میشه حتی با وجود Parallelism از انواع TP, PP, EP و تعداد بالای GPU و NVLink و ... به اندازه کافی سریع نخواهد شد.

این تکنیک سال ۲۰۲۳ توسط گوگل معرفی شد و از ایده‌ی قدیمی Speculative Execution در CPU الهام گرفته شده. مقاله جالبی داره.

روش: بجای این که مدل بزرگ تمام فرآیند تولید رو انجام بده، یک مدل خیلی کوچکتر با نام Draft به شکل Auto Regressive چندین (فرضا ۱۰) توکن رو تولید میکنه و مدل بزرگ با نام Target فقط در یک forward pass تمام این توکن‌هارو verify میکنه و فرضا میگه ۶ توکن اول درست هست اما توکن ۷ فلان هست و مجدد مدل کوچک تولید خواهد کرد.

مزیت: سرعت بالا میره (بعضا تا چندین برابر) اما دقت اصلا فدا نمیشه و ریاضیات زیبایی هم داره که اینجا نمیگنجه اما ثابت میشه که distribution خروجی کامل با حالتی که همه تولید رو مدل بزرگ انجام بده یکی هست‌. میتونید Greedy Decoding هم داشته باشید.

روش‌های SOTA:
میتونید روش‌هایی مثل
DFlash 2
Dspark
EAGLE 3
MTP
رو ببینید که اکثرا مدل draft نیاز به train داره و فقط هم برای این مورد کاربرد داره و یک مدل مستقل نیست اما در حالت Distributed میتونید Vanilla SD استفاده کنید.

کاربرد در Quant Fiance: مشخصا HFT

پیرو بحث قبل، نسل جدیدی از Hedge Fund ها بر مبنای Foundational Model برای Trading در حال شکل گیری هست که سودهای بالایی گزارش کردن‌:

Prodigy Research
Launching news
Critique

اخیرا یک پروژه رو تحویل دادیم که برای Forecasting سری زمانی بود. نکته جالب اینکه از حدود ۳۶ مسئله مستقل، در بیش از ۶۰ درصد از حالات مدل
TimesFM 2 500M
بهترین عملکرد رو در بین همه مدل‌ها داشت. و در حالات دیگه هم بین چند مدل اول بود. دقت کنید که مدل‌های دیگه تک متغیره نبودن، با داده‌های این مسئله train میشدن و حتی HPO هم انجام شد. اما این مدل بدون نیاز به آموزش و فقط با خود متغیر اصلی به عنوان context عملکرد بهتری داشت.

چرا این مسئله مهم هست؟
بعد از سال‌ها به تازگی داریم میبینیم که Foundational Model ها در سری زمانی و tabular data هم رقابت میکنن و اگر در حال حل مسئله ای هستید باید تستشون کنید.

بعد از موفقیت TimesFM در این مدت، گوگل چند هفته قبل مدل TabFM هم برای Tabular data منتشر کرد.

کمی جزئیات:
اینجا که بر خلاف NLP بجای کلمات با اعداد سر و کار داریم نوع توکن سازی و patch شدن هم مکانیزم جالبی داره. فرضا هر ۳۲ عدد متوالی در سری زمانی یک توکن ورودی هست و خروجی هم ۱۲۸ عدد متوالی رو در یک forward path تولید میکنه. جزئیات دقیق در مقالات همین مدل‌ها.

در مورد استاندارد OKF از Google

به این پست اضافه کنم که:
۱- این کار گوگل از LLM Wiki آندره کارپاثی الهام گرفته شده
۲_ یک از دو فرد اصلی این پروژه آقای امیر حرمتی هستن که در این مورد مصاحبه فارسی هم داشته:
YouTube link

این آهنگ برای کساییه که توی این دنیای پر از ادعا، بی‌ادعا ترین قشر بودن...
به سلامتیِ سربازهای وظیفه‌ای که هیچوقت، هیچکس قدرشون رو ندونست🪖🥀

🆔 @radiometal_channel

مدت زیادی باور بر این بود که به طور کلی Claude در نوشتن کد حرف اول رو میزنه. اما اخیرا که مدل‌های جدید OpenAI معرفی شدن در یکسری کار پیچیده Quantitative Finance که برای سنجش مدل‌ها استفاده میکنیم، مدل Sol بسیار بهتر از مدل‌های Claude عمل کرد. مصرف توکن بهتری هم داشت.

مدل جدید Grok 4.5 هم در مصرف توکن و به نسبت دقتی که داره واقعا بی نظیر هست.

البته همه این موارد طبق مشاهدات محدود هست.

رقابت بین شرکت‌ها همیشه به نفع مردم تموم میشه مثل LLM ها که هر روز میشه لذت برد.
از اون طرف انحصار (مونوپلی یا اولیگوپلی)، فرضا مثل صنعت خودرو یا اکثر صنایع در ایران، کاملا فلج کننده هست.

اضافه کنم که موضوع فقط مدل‌های پولی نیست که اینم شاید برمیگرده به رقابت چین و آمریکا. تسک خیلی سخت داشتیم که در OpenCode با Deepseek V4 flash عالی بوده اما Claude نتونسته انجام بده. پیشنهاد میکنم همیشه مدل‌های مختلف رو تست کنید.

حدودا بلافاصله بعد از قرارداد همکاری که با یک گروه معامله‌گر داشتیم، به نوعی خواستن نشون بدن که استراتژی قدرتمندی دارن و به شکل هیجانی با مشاوره‌ای که از تیم نرم‌افزاری خودشون گرفته بودن، طبق سیگنال سیستمشون معاملات پله‌ای باز کردن و در چند دقیقه چند هزار دلار باختن.

این نوع معاملات شاید بدون حضور نرم‌افزار زیاد باشه اما وقتی افرادی میان و استراتژی رو به هر نحوی بکتست میگیرن باید یک اصل نانوشته رو بدونن:

هدف از بکتست، اثبات کارا نبودن استراتژی هاست! وگرنه بسیاری از اکسپریمنت ها در بکتست میتونن به نتایج رضایت‌بخش غیرواقعی منجر بشن.
رویکرد تیم کوئانت باید skeptical بودن باشه که تا حد ممکن قبل از paper trading از بایاس ها جلوگیری بشه و بکتست تا حد ممکن به واقعیت نزدیک بشه. مشخصا این رویکرد میتونه باعث رنجش طرف مقابل شما بشه اما اینجا فرق رویافروش با کوئانت مشخص میشه.

اما با وجود مشخص شدن نتایج بد و ضرر، چرا رویافروش‌ها همچنان قربانی میگیرن و حسابی پول درمیارن؟ (البته این سوال فراتر از برنامه نویس هاست)
متأسفانه یا خوشبختانه اولویت مغز انسان حفاظت از روان هست و نه کشف واقعیت. پس اینطور تجربیات باخت پول خیلی اوقات فراموش میشن یا حداقل کمرنگ میشن تا انسان رنج کمتری تحمل کنه. اما دوپامین ناشی از حس "گنج پیدا کردن" حتی اگر فقط حس باشه خیلی اوقات قوی‌تر هست که باعث میشه جیب رویاپردازان تریدینگ خالی‌تر و جیب رویافروشان پر تر بشه.

درباره الگوریتمیک کردن استراتژی‌های معاملاتی

تریدر های حرفه‌ای زیادی در کانال هستن که مدت‌هاست (به طور دستی یا نیمه اتومات) فعالیت دارن. اما اکثرا تجربه خوبی از اتومات کردن، پیاده‌سازی نرم‌افزاری یا بکتست ندارن.

علت: اکثر تیم‌های نرم‌افزاری که تریدرها یا اساتید مدرس و ... باهاشون کار میکنن، حتی اگر کار درست باشن، کوئانت ندارن یا اگر دارن فقط اسمش هست!
مسائل کوئانت فایننس به طور خاص نیازمند domain expertise و تجربه معامله گری توسط اون تیم نرم‌افزاری هست (شرط لازم و نه کافی)

علت۱: در بازارهای مالی، تعداد مواردی که شاید کار رو از ریشه خراب کنن بسیار است یا به اصطلاح
Many things can go wrong
بنابراین شناخت این موارد اگر قرار باشه اتفاق بیفته احتمالا توسط کوئانت هست. از بایاس‌های بکتست گرفته تا اشتباهات در Execution و ...

علت۲: الگوریتمی که تریدر به شما میگه در خیلی موارد با چیزی که واقعا در ذهنش میخواد تفاوت داره (شاید بگید این بحث فهم بیزینس در حوزه‌های دیگر هم هست که حرف اشتباهی نیست). وظیفه شما به عنوان کوئانت این هست که اون خواسته‌ نهایی رو بتونی بفهمی، از زبان تریدری به کامپیوتر تبدیل کنی و پیاده کنی. البته در خیلی مسائل سوالات درست پرسیدن هم خیلی کمک میکنه.

پ.ن: یادم باشه درباره یک تجربه که داشتیم و با وجود اصرار ما به ترید نکردن، در چند دقیقه چند هزار دلار باختن صحبت کنم

معرفی KVarN

گوگل چند وقت پیش یک روش بهینه در مدیریت KV cache به نام TurboQuant معرفی کرد که اساسا خود KV Cache رو کوئانتایز میکرد و بعد برای پروسه attention مجدد تبدیل به دقت بالاتر.

اما vLLM با بنچمارک نشون داد که این کم شدن Memory Usage یا افزایش ظرفیت به قیمت از دست رفتن Accuracy و کم شدن throughput هست. این کاهش دقت خصوصا در long-cotext بیشتر دیده میشه چراکه error ها با این تبدیل به مرور زیاد میشن.

حالا Huawei روش KVarN رو معرفی کرده که نه تنها دقت رو حفظ میکنه بلکه throughput رو افزایش میده و کار اصلیش هم که ۴ برابر کردن ظرفیت KV-cache (حتی این هم بهتر از TurboQuant)
Paper
Github

مزیت برای استفاده: در یک فورک vLLM ارائه شده.

هوش مصنوعی و خصوصا LLM ها دنیای بازار‌های مالی رو متحول کردن (واضحا!). به همین دلیل در مورد LLM ها بیشتر پست‌های تکنیکال میذارم.

در سطح Trade:
اگر به عنوان یک کوئانت فقط روش‌های کلاسیک آماری/ دیتاساینس و مهندسی داده بلد باشید از رقابت کنار میرید. برای مثال بغیر از استفاده بهینه از مدل‌ها برای کدنوشتن و ... باید بتونید روش‌های LLM Inference سریع و در عین حال دقیق رو مسلط باشید و چند ثانیه/ میلی ثانیه در پردازش اطلاعات با LLM برتری پیدا کنید که معنیش در trading مشخص هست. تسلط و شناخت این حوزه برای کوئانت‌های نسل جدید اهمیت بالایی داره.

در سطح Investment:
اگر با LLM و ذاتش که نیاز به Memory هست آشنا میبودید احتمالا نیم نگاهی به سهام شرکت Micron داشتید که در ۶ ماه ۳۵۵ درصد سود داده.

یا فرضا اگر سال قبل در کامیونیتی‌های LLM گشت میزدید رشد Player 2 در GPU که AMD هست رو پیشبینی میکردید که در یک سال ۳۱۵ درصد رشد داشت.

پ.ن: انگیزه زوری بود برای گرفتن زهر پست‌های تکنیکال بعدی در مورد
KV cache optimization
Speculative Decoding
Prefill decode disaggregation
...

یک مسئله جالب که این روزها بهش فکر میکنم تایید کورکورانه دوطرفه در تعاملات انسان با AI هست.

تایید کورکورانه از جانب انسان:
اینکه اگر شخصی فقط خروجی‌های هر مرحله از AI رو بدون بررسی تخصصی تایید کنه، دو مشکل خواهد داشت:
۱_ احتمال کیفیت پایین خروجی یا بهینه نبودن
۲_ خودِ این شخص به راحتی با AI جایگزین خواهد شد چون در مجموع ارزشی اضافه نخواهد کرد
پس اگر از آندره کارپاثی میشنوید که دیگه خودش تقریبا  کدی نمینویسه به این معنی نیست که کد رو بررسی نمیکنه، علمش رو نداره، یا ساختارهارو نقد نمیکنه.

تایید کورکورانه از جانب هوش مصنوعی:
اینکه هوش مصنوعی به دلیل تمایل به راضی کردن کاربر یا بایاس شدن به دلیل کانتکست، احتمالا ایده‌های کاربر رو دست بالا خواهد گرفت که ممکن هست بعد از ماه‌ها کار اشکالات در عمل مشخص بشن. این مورد هم مجددا بر دوش انسان هست تا با تخصص و تفکر انتقادی تشخیص داده بشه.

از طرفی بحث هزینه Agent ها و مصرف توکن که اخیرا برای شرکت‌ها دردسر ساز شده رو در نظر بگیرید که اهمیت استفاده بهینه و وجود تخصص رو بسیار بالا برده.

در یک کلام، بازی عوض شده. میشه اینطور گفت که تخصص در برنامه‌نویسی، هوش مصنوعی و ریاضی:
۱_ اگر به شکل سطحی یا گاها متوسط باشه کم ارزش هست. اما در سال‌های گذشته اصلا اینطور نبود و تقاضا برای این سطوح زیاد بود.

۲_ اگر به شکل عمیق و تسلط بالا باشه، بسیار ارزشمند هست چراکه تنها این سطح از تخصص توانایی استفاده و مدیریت بهینه/کم هزینه AI رو خواهد داشت.

Brain Foundation Model
انگار داره کلاه سرمون میره
Sabi.com

این واقعا میتونه game changer باشه در دنیا. قطعا زندگی معلولین در آینده متفاوت میشه اما آیا این تنها استفاده هست؟!

دریافت سیگنال‌های مغزی به شکل wireless از طریق یک کلاه و تبدیل فکر به متن

و بعدش هم که مشخصه: متن به AI برای انجام کار

اما بازم میگم، تتها استفاده این موارد تبلیغی نخواهد بود. فکر کنید به روزی که کارمند ها مجبور به استفاده از این مورد بشن. همین اخیر هم خبر اومد که شرکت Meta در حال جمع‌آوری تمام اطلاعات مانیتورها، کلیک‌ها و تایپ و ... از کارمندان در آمریکا هست تا در یک سطح جدید مدل‌های هوش مصنوعی به هدف جایگزینی با انسان آموزش ببینن‌.

پ.ن: این مدت بخاطر شرایط ایران کمتر فعال بودم. اما سعی میکنم بیشتر پست بذارم. اتفاقات و آپدیت ها زیاد بودن. امیدوارم ایران زخمی و پردردمون ... "امید چیز خطرناکیه اندی‌‌"

کنفرانس NeurIPS 2025 یک بخش ویژه فایننس داره که میتونید ببینید:
NeurIPS 2025 Workshop on Generative AI in Finance

اولین سخنرانی که معرفی شده آقای Rama Cont استاد ریاضی فایننس و هوش مصنوعی فایننس از دانشگاه Oxford هست. نکته مهم اینکه ایشون ایرانی هستن و اتفاقا بسیار عرق ملی دارن. من از طریقی ایشون رو میشناسم و شاید فرصت شد یکبار در کانال بیان صحبت کنیم.

طبیعی هست که NVIDIA بی کار نخواهد نشست

ایده اساسی CUDA Tile تمرکز روی الگوریتم بجای درگیر شدن با پیچیدگی‌های سخت‌افزار در GPU Programming هست.

برای کار در پایتون:
NVIDIA CUDA Tile in Python

در ادامه‌ی پست‌های کانال، قصد داریم کتاب

Build A Robo-Advisor with Python: Automate Your Financial and Investment Decisions

را همراه با هم بخوانیم و بررسی کنیم. این کتاب توسط انتشارات Manning منتشر شده و تمرکز آن بر شیوه‌های مدیریت سرمایه‌گذاری مالی است. نگاه کتاب به سرمایه‌گذاری بلندمدت است و وارد مباحث مربوط به ترید نمی‌شود.

نویسندگان تلاش کرده‌اند به پرسش‌های زیر پاسخ دهند:

۱. چطور یک سبد سرمایه‌گذاری مناسب تشکیل دهیم؟ چه مقدار از دارایی در بورس باشد؟ چه مقدار در رمزارزها؟ و هر سهم بورسی چه وزنی در کل سبد داشته باشد؟

۲. سطح ریسک‌پذیری ما چقدر است؟ و برای هر میزان ریسک، بهترین استراتژی کدام است؟

۳. چگونه میزان مالیات را به حداقل برسانیم؟ و چطور برای دوران بازنشستگی یک برنامه‌ریزی بلندمدت انجام دهیم؟

۴. چطوری مدیریت سرمایه‌گذاری را به صورت خودکار برنامه‌نویسی کنیم؟

از آن‌جا که نویسندگان کتاب در آمریکا زندگی می‌کنند، مثال‌ها و مفاهیم مربوط به حساب‌های بانکی، مالیات و قوانین سرمایه‌گذاری مبتنی بر ساختار آمریکا است، اما به‌گونه‌ای ارائه شده‌اند که بتوان معادل آن‌ها را در سایر کشورها نیز پیدا کرد.

این کتاب مجموعه‌ای گسترده از مباحث را پوشش می‌دهد. از الگوریتم‌های آماری و یادگیری تقویتی (RL) گرفته تا موضوعات مالی و برنامه‌نویسی. از آنجا که مطالب هر فصل نسبتاً سنگین است، پست‌های همخوانی کتاب جزئی‌تر خواهند بود. بنابراین ممکن است هر فصل به جای یک پست، در چند پست (چهار یا پنج) تقسیم شود تا درک مفاهیم آسان‌تر شود.

#BRP_RR

@metapageai

یک سریال آمریکایی دنبال می‌کنم که هفته‌ای یک قسمت میاد. اما زمان انتشار رسمی با زمانی که واقعا میشه دانلودش کرد بین یک ساعت تا یک روز متغیر بوده. دیدم که یکشنبه‌ها ممکن هست چندین بار در چند مقطع بخوام رفرش کنم که ببینم قسمت جدید آپلود شده یا نه و بازم شاید دوشنبه بیاد.
گفتم باید یک کد بزنم اتومات بشه کار.

تو چند دقیقه یک بات تلگرام نوشتم که وقتی اپیزود جدید اومد پیام بده و چند کار دیگه. معمولا اینطور سایت‌ها چون dynamic نیستن کار با bs4 انجام میشه و خیلی سادس. اما برای وبسایت‌های داینامیک مثل فروشگاه‌ها میتونید Selenium یا Playwright رو به صورت headless automation کار کنید.

نیازی به هزینه سرور هم نیست و میشه مجانی از Kaggle استفاده کنید که containerized میکنه. با همون تلگرام هم مانیتور کنید که هر زمان پایین اومد مجدد راه‌اندازی کنید.

نکته: با وجود LLM ها، حتی اگر دانش برنامه نویسی خیلی کمی دارید، باید بتونید زیر یک ساعت چنین رباتی رو بنویسید. به عنوان یک چالش انجام بدید: "Just Do It Mentality".

چی بهتر از اینکه کدها و سیستم‌ها مستقل از سخت‌افزار عمل کنن اون هم وقتی Chris Lattner این کار رو انجام بده.

زبان Mojo احتمالا میتونه بازی بین شرکت‌های سخت‌افزار و طراح GPU رو کاملا متحول کنه.
آقای Chris Lattner سازنده Mojo و فریمورک Max در واقع موارد زیر رو هم ساخته:
تکنولوژی LLVM
زبان Swift
زیرساخت کامپایلر MLIR
و ...

علت اصلیِ ترجیح GPU‌های Nvidia وجود CUDA بوده که مخصوص سخت‌افزار این شرکت هست و بسیار هم توسط برنامه‌نویس‌ها به بلوغ رسیده. اما علاوه بر بحث محدودیت سخت‌افزاری، یادگیری CUDA هم برای مهندسین زمان‌بر هست. حالا Mojo با سینتکس شبیه Python و نگاه Multi-platform، به شکل مستقل از سخت‌افزار، بر روی CPU, GPU, TPU سوار میشه و عملکردی نزدیک به CUDA داره. 

چنین قابلیتی مدیون سال‌ها تلاش برای LLVM و MLIR:
Multi-Level Intermediate Representation
بوده که در عمل به عنوان لایه‌ای واسط، بین کد شما و زبان ماشین قرار میگیرن.

همونطور که سال ۲۰۲۱ به خیلی دوستان گفتم سهام Nvidia بررسی کنن، الان پیشنهاد میکنم اگر دسترسی به شبکه‌های سرمایه‌گذاری خصوصی دارین روی
Modular
تحقیق کنید که اخیرا هم ۲۵۰ میلیون دلار raise کردن.

چطور وقتی انقدر نرخ باخت trader ها بالاست باز هم انگار همه ادعا دارن از اون درصد جزئی هستن که در بلند مدت برنده میشن (و به باخت ادامه میدن)؟

جواب سادس. اگر کسی در مجموع ۱۰ سال‌ اخیر ۸۰ درصد به حجم بالا ضرر کرده و در چند ماه اول امسال ۱۰ درصد سود با حجم پایین داشته هیچوقت به شما از اون باخت بزرگ و پایدار نمیگه و فقط برد اخیرش رو مطرح میکنه و از اون statement میده.

آیا این به قصد کلاهبرداری و دروغ از عمد هست؟ همیشه اینطور نیست. خیلی اوقات افراد ناخودآگاه به خودشون هم دروغ میگن و حافظه عمدا روی خاطرات ناگوار سرپوش میذاره. چرا؟ چون هدف مغز حفاظت از روان هست، نه کشف واقعیت. این باگ ذهنی دهه هاست که میلیاردها دلار به نفع بروکر‌ها، اکسچنج‌ها، کازینوها، پکیج فروش‌ها و رویافروش‌ها تموم شده.

نکته: خیلی از ایده‌ها که اکثر تریدرایِ خرد مثل جونشون ازش محافظت میکنن، بدون موارد پست قبل بسیار ریسکی هستن یا حتی هیچ ارزش ذاتی ندارن و اگر بتونید واقعا همه استیتمنت‌هارو باهم ببینید یا استراتژی رو اتومات کنید، هر پولی رو صفر میکنن.

بی‌دلیل نیست که ۹۰ الی ۹۹ درصد معامله‌گران خرد در بازارهای مالی در بلند مدت پول میبازن! (سرچ بزنید) بسیار بسیار زیاد هست دلایل جالبی که آدم‌ها به دام میفتن.
واقعیت trade در بازارهای مالی خیلی پیچیده‌تر از این هست که فرضا با LLM در بلند مدت موفق بمونید. برای احتمال موفقیت و سوددهی با ثبات و رسیک کنترل شده به طور خلاصه:

۱_ به یک استراتژی و ایده اولیه نیاز هست که همون بحث تعریف مسئله، مناطق پیشبینی پذیر و inefficiency در مارکت هست (بحثش گستردس)

۲_ نمیتونید به بررسی ایده‌تون با چشم در گذشته چارت اکتفا کنید و حتی بکتست‌های متاتریدر فقط احتمالا شما رو در چاه خواهد انداخت (این پست)

۳_ به شبیه‌سازی الگوریتم و بکتست استراتژی به صورت استاندارد و اجتناب از تله‌های بکتست و بایاس‌ها نیاز دارید که معمولا اینجا باگ زیاد پیدا خواهید کرد

۴_ حتی اگر استراتژی اساسا rule-based (یعنی ترکیب یکسری شرط مشخص) هست باید با data science و آمار احتمالات تحلیل و بررسی دقیق بشه در مرحله اول.

۵_بعد با ML و DS تا جای ممکن بهینه‌سازی و یا حتی یکسری مدل بخصوص برای آنالیز و پیشبینی حرفه‌ای تر. خیلی استراتژی‌ها تازه در این مرحله پایدار و سودده می‌شن.

۶_ بکتست استراتژی نهایی روی Holdout Set بدون تکرار یا با حداقل تکرار

۷_ پیاده سازی سیستم Trade Execution

۸_ ابتدا Paper Trade برای تست نرم‌افزار و استراتژی و بعد Live Trade با افزایش تدریجی سرمایه و مانیتورینگ عملکرد سیستم