@machinelearningnet

فرصت همکاری در موقعیت Quantitative Trading Researcher در کارگزاری مفید

ما به دنبال یک محقق معاملات کمی برای پیوستن به تیم معاملات الگوریتمی خود هستیم. فرد در این نقش مسئول طراحی، آزمایش و بهبود استراتژی‌های معاملاتی در الگوریتم‌های اجرا، بازارگردانی و استراتژی‌های کمی سودآور خواهد بود.

کاندیدای ایده‌آل باید مهارت‌های قوی تحقیق کمی، درک عملی از بازار سهام و توانایی برنامه‌نویسی را با هم ترکیب کند. این نقش به کسی نیاز دارد که بتواند ایده‌های معاملاتی را به استراتژی‌های قابل آزمایش تبدیل کند، بک تست‌های قوی بسازد، عملکرد را تجزیه و تحلیل کند و از نزدیک با توسعه‌دهندگان و معامله‌گران همکاری کند تا استراتژی‌های موفق را به سمت تولید سوق دهد.

برای مشاهده شرح کامل موقعیت و ارسال درخواست، از طریق لینک آگهی اقدام فرمایید.


https://jobinja.ir/companies/mofid-securities/jobs/tmCv

فرصت همکاری در موقعیت Product Owner در کارگزاری مفید

برای توسعه محصولات مالی و سرمایه‌گذاری، به دنبال یک Product Owner هستیم که در نقطه تلاقی دانش مالی، فناوری و توسعه محصول فعالیت کند.

اگر تجربه توسعه محصولات مالی دارید، با مفاهیم سرمایه‌گذاری، تحلیل و مدیریت پرتفو آشنا هستید و می‌توانید نیاز کاربران و کسب‌وکار را به راهکارهای قابل‌توسعه تبدیل کنید، خوشحال می‌شویم با شما آشنا شویم.

برای مشاهده شرح کامل موقعیت و ارسال درخواست، از طریق لینک آگهی اقدام فرمایید.

https://jobinja.ir/companies/mofid-securities/jobs/tGEU

سلام دوستان،
این مدت درگیر کار روی استراتژی های متفاوتی بودیم،
مدت زیادی تایم روی وریفای استراتژی کمودیتی گذاشتیم، و نتایج خوبی توی لایو گرفتیم.

دوره لایو ما داره یکساله میشه، و از طرفی مارکت کریپتو از خواب بیدار شده و حرکت های روندی جذابی شروع کرده .
خبر جالب، ترید سهام واقعی در بازار کریپتو هست
Real World Asset ( RWA)
که دارن حجم زیادی از مارکت رو تشکیل میدن. این میتونه فرصت زیادی برای استراتژی های حتی لانگ انلی هم ایجاد کنه.

چند تا استراتژی از جنس رنکینگ و تایمینگ رو هم استارت زدیم،

توی حوزه اکادمیک ۳ تا از مقالات بلاخره به راند دوم ریوایز رسیدن، همگی در زمینه کوانت هستن،
اونا هم اکسپت شدن اینجا درباره شون صحبت میکنیم،



پ.ن‌. یه خروجی اینکه کلا بیخیال RL توی ترید بشین ☺️ اینو بعد از یه مدت خوب وقت تلف کردن و کلی صحبت با پرفسور Cartea بهش رسیدم 😉

ارادت ☘

سال ۲۰۲۶، تقریبا نصف کتاب‌های الکترونیک چاپ شده در امازون، با ai تولید شدن!؟

خدا قوت 😏

@machinelearningnet2

پروپوزال‌هایی که این چند ماه دریافت کردم، نمیدونم چرا کوانت دولوپرها به عنوان کوانت ریسرچر اپلای میکنن! 🤔📉

توی دنیای کوانت فایننس، این دو نقش همیشه کنار هم میان ولی ماهیت کارشون کاملاً متفاوته. اول یه تعریف بیسیک از این دوتا بگم: 🧐

🔬 کوانت ریسرچر (Quant Researcher)
کارش پیدا کردن «آلفا»ست — یعنی همون سیگنالی که میشه ازش پول درآورد. 💰
وظایفش معمولاً اینهاست:
• تحلیل داده‌های مالی و کشف الگوها و ناکارآمدی‌های بازار 📊
• طراحی و تست فرضیه‌های معاملاتی (hypothesis testing) 🧪
• ساخت و بک‌تست استراتژی‌ها و مدل‌های پیش‌بینی 📈
• کار با مدل‌های آماری، یادگیری ماشین و بهینه‌سازی پورتفولیو 🤖
• ارزیابی ریسک و سنجش پایداری سیگنال‌ها ⚖️

سوال اصلیش اینه: «چی کار می‌کنه؟» ❓

🛠️ کوانت دولوپر (Quant Developer)
کارش تبدیل ایده‌ی ریسرچر به یک سیستم واقعی، پایدار و سریعه. ⚡
وظایفش معمولاً اینهاست:
• پیاده‌سازی استراتژی‌ها در محیط پروداکشن 🏗️
• ساخت زیرساخت معاملاتی: data pipeline، execution engine، سیستم مانیتورینگ 🔄
• بهینه‌سازی سرعت و کارایی (به‌خصوص در فرکانس بالا) 🚀
• اتصال به صرافی‌ها/بروکرها و APIها 🔌
• تضمین پایداری، تست و کیفیت کد ✅

سوال اصلیش اینه: «چطور درست و سریع کار کنه؟» ⏱️

ریسرچر بدون دولوپر، ایده‌اش روی کاغذ می‌مونه 📄. دولوپر بدون ریسرچر، سیستمی می‌سازه که چیزی برای اجرا نداره 🏚️.

کدوم سخت‌تره؟! سختی ریسرچ خیلی خیلی بالاست! 📉📈 با مهارت‌هایی که AI داره بهتون میده، عملاً میتونی خیلی کارهای کوانت دولوپر رو هم انجام بدی 🤖، اما اصولاً دولوپرها از فضای کوانت ریسرچ دور هستن و اون یکی هم که فکر میکنه کار راحتی هست، اصولاً توی توهم هست 🌫️. در واقع تولید آلفا اونقدر نوآوری نیاز داره که حد نداره 🌌، اما سیستم منطقی ترید برای یه تیم متوسط یه کار خیلی روتین هست (نمیگم استک Jane Street بالا بیاد) 🏦.

اما در کل موفق‌ترین تیم‌های کوانت جایی‌ان که این دو نقش به‌صورت بی‌نقص با هم کار می‌کنن 🤝.

خوب حالا فکر کن یه دولوپر بهت پروپوزال جنریت آلفا میفرسته، چی میشه؟ 🤨 یه چیز کلی بدون عمق، پر از فضای شنیده‌ها! 🚫

خوب چیکار باید کرد؟ بعدا در موردش صحبت میکنیم ...

@machinelearningnet2

اصولا هر سال من چند تا پروژه کوانت با دانشجوهای ارشد دانشگاه لانچ میکنم و امسال دوباره پروژه ما جایزه بهترین و تکنیکال‌ترین پروژه بیزینس اسکول و دانشکده ریاضی رو باهم گرفت، ☺️🎓

پروژه در واقع درباره رژیم دیتکشن روی کریپتو با مدلهای سیگنچر بود و ریاضیات و مباحث کدینگ سنگینی داشت، 📉🧮🖥️

این دانشجوی منم قبلا دکترا از چین داشت و اومده بود دوباره مستر کوانت فاینانس بگیره و الانم توی یه هج فاند توی چین کار پیدا کرده. 🇨🇳📚💼

برگردم به همون پست قبلی، اینجا هم دوباره یه مساله واقعی داشتیم که راه حلش قسمتی از پروداکت واقعی میشه، انالیز رفتار استراتژی در رژیم‌های مختلف و فرموله کردن اپدیت استراتژی برای تغییر رژیم‌های آینده ، 📊🔄

الان داریم یه پلتفرم برای دیتاهای میکرولول کریپتو بالا میاریم، 🚀📱 این پلتفرم باعث میشه دیتاهای خوبی از مارکت بتونیم انالیز کنیم،

اگه علاقمند به این شکل ریسرچ‌های کوانت هستین (بهینه‌سازی استرتژی، دولوپ استراتژی، پرتفولیو سلکشن، میکرواستراکچر) و قبلا چند تا مساله mathematical finance رو حل کردین، در تماس باشیم 📩

@Sasanbarak

بعضی اتفاقات زندگی وقتی که کلا درگیر یه مساله ی دیگه هستی، تورو سورپرایز میکنه! ✨

مقاله ما با عنوان
«Dual resource constrained flexible job shop scheduling with sequence-dependent setup time»
از سوی انتشارات Wiley به‌عنوان یکی از پربازدیدترین مقالات سال ۲۰۲۵ در مجله Expert Systems شناخته شده است. 📈🏆

علتش اش هم ساده بود، این یه پروژه خیلی کاربردی و عملی بود که حتی برای یه شرکت تولیدی داشتیم پیاده سازی میکردیم، 🏭🛠

🔔 نکته‌ای کوتاه درباره اهمیت این مسئله:
بیشتر پژوهش‌های حوزه زمان‌بندی انعطاف‌پذیر، ماشین‌آلات را به‌عنوان تنها گلوگاه در نظر می‌گیرند و به‌طور ضمنی فرض می‌کنند که اپراتورها همیشه در دسترس هستند. اما کارخانه‌های واقعی اینطور نیستن؛ نیروی انسانی یک محدودیت مهم است و عواملی مانند مهارت‌ها، زمان‌های بیکاری و هزینه‌های اپراتورها بر آنچه واقعاً در محیط تولید امکان‌پذیر است تأثیر می‌گذارند. 🤖👷‍♂️

توی این مقاله، ما به این مشکل تمرکز کردیم و عوامل مختلف انسانی را وارد مسئله زمان‌بندی می‌کنیم؛ و اینجوری سیستم‌های تولیدی را طراحی کردیم که هم واقعاً کارآمد باشه و هم در عمل قابلیت اجرا داشته باشه. ✅🚀

📄 https://onlinelibrary.wiley.com/doi/10.1111/exsy.13669

پ.ن. یه پروژه هم یکساله با یکی از نویسندگان این مقاله داشتیم، اونم اگه پروداکت کنیم درباره اش صحبت میکنم😏

پ.ن‌.۲. چرا مسایل غیر از کوانت فاینانس، رنگ دیگه ندارن 😭😁

@machinelearningnet2

سلام دوستان 👋،

تقریباً ۷ ماه شده که الگوریتم ترید ما توی بازار کریپتو لایو هست 🚀. الان تعدادی فاند در لندن و دوبی روش سرمایه‌گذاری کردن 💰 و برای اونا ترید می‌زنیم.

این یک مدل برای مدیریت پول‌های بزرگ هست و سیستم ما مارکت‌نیوترال است ⚖️. یعنی درگیر این نیست که بازار روند بالا گرفته یا پایین، بیت‌کوین میریزه یا میره بالا 📉📈. تا زمانی که ولاتیلیتی در بازار وجود داره، بر اساس inefficiency موجود در بازار ریترنِش رو تولید میکنه 📊.

وقتی یه مدل سیستماتیک می‌سازی که کاملاً الگوریتمیک ترید میکنه، بغیر از خوب بودن مدل و استراتژی، نحوه execution خیلی مهم میشه ⚙️. در واقع میتونه یه مدل خوب سر execution بد خراب بشه 🛠️.

این مدل بعد از نزدیک ۱ سال کار با یکی از بهترین کوانت ریسرچرهای که البته خیلی شانسی باهاش آشنا شدم 👨‍🔬، به ثمر رسیده. در ورژن اولیه، سیستم اردرگذاری ساده‌ای داشت. بعد از فاز اول لایو، مجبور شدیم ۲-۳ ماه برای مدل execution سیستم وقت بذاریم و برا اون هم ریسرچ زیادی انجام بدیم 🔬.

ترکیب چند مدل بر پایه ریاضیات مالی و stochastic پروسس برای سیگنال جنریشن و یه مدل execution میکرولول (بر اساس LOB) 📉 کمک کرده که نتایج توجیه‌پذیر و برای سرمایه‌گذار institutional کم‌ریسک‌تر باشه 🏦.

شما باید بفهمید حتی اگه مدل کار نکرد چرا کار نمیکنه 🤔 و کی سیستم شما میتونه سود خوبی بسازه 💸.

این مسیر ما با توسعه مدل دومی که اواخر فاز پروداکشن هست ادامه داره، اما میخوام با سرمایه‌گذاری‌های ایرانی که توی این حوزه فعال هستن هم صحبت کنم که متوجه بشم چه خروجی از مارکت کریپتو انتظار دارن 🤝. اگه کسی رو سراغ دارین بهش مارو معرفی کنید 🗣️.

ما هم ظرفیت همکاری در بازارهای سهام و هم مدیریت سرمایه داریم 💼.
فاند منیجرهای و سرمایه گذارهای ایرانی که خارج از ایران هم فعال هستن، در صورت علاقه، میتونم سیستم و خروجی هارو تشریح کنم و براشون مدیریت سرمایه بکنیم ☘

This is a call for partnership and fund management based on a system that I belive to its potential and shows fantastic outputs 💥

با تشکر ☘
دکتر ساسان براک
@sasanbarak

سلام دوستان.

این مدت از مدل‌های زبانی (LLMها) 🤖 در طراحی و ارزیابی استراتژی‌های معاملاتی و کوانت استفاده کردم که ایرادات جالبی داشتن:

استفاده از Train/Test به جای Walk-Forward 📉
بسیاری از مدل‌ها از تقسیم‌بندی static داده‌ها استفاده می‌کنند، در حالی که برای معاملات مالی باید از Walk-Forward Validation استفاده شود تا از بیش‌برازش و Data Snooping جلوگیری شود. تقریبا اکثر دانشجوهای من اول همین اشتباه رو انجام دادن! 😊

ضعف در Feature Engineering ⚙️

مدل‌ها معمولاً فقط ویژگی‌های ساده مثل مومنتوم و نسبت‌ها را می‌سازند و در شرایط خاص بازار هیچ خلاقیت خاصی ندارند. مساله های کوانت ، درست کردن فیچر مفید خیلی برای حل مساله حیاتی هست، و واقعا domain knowledge خوبی میخواد،
گاهی هم ممکنه داده‌های غیرعادی ولی معتبر را به اشتباه خطا تشخیص دهند. 🤔

ثابت نگه داشتن Hyperparameterها 🫥
اگر مدل برای یک مسئله (مثلاً بازده ساعتی) تنظیم شده باشد، ممکن است همان تنظیمات را برای مسئله‌ای دیگر (مثلاً بازده روزانه) نیز استفاده کند، در حالی که باید کل فرآیند تنظیم مجدداً انجام شود. بخاطر حجم کدها این تنظیمات گم میشه!

نادیده گرفتن هزینه‌های واقعی معامله 🐷
مدل‌ها اغلب سود را بدون در نظر گرفتن کارمزد، اسلیپیج، نقدشوندگی، ظرفیت بازار و تأخیر اجرا محاسبه می‌کنند.
در نتیجه عملکرد بک‌تست ممکن است بسیار بهتر از عملکرد واقعی باشد. 📊

این مدل‌های AI 🤖 در تحقیقات کوانت خیلی می‌تونن مفید باشند، اما اگر دقیقاً متوجه نشین مساله چیه، ممکن است اشتباهات مهمی در اعتبارسنجی، مهندسی فیچرها، تنظیم مدل و شبیه‌سازی معاملات انجام بدین. ⚠️

@machinelearningnet2

ترامپ با خودش زیرساخت برده چین!
اون ساختمان مایکروسافت زیرساخت نیست.
اون مغز متفکر، اون صاحب ایده، اون آدمیه که پشت اون سازمانه؛ اون زیرساخته.

قدرت آمریکا توی سیمان و شیشه و آسمان‌خراش نیست.
قدرتش آدم‌هایی‌ان که رئیس‌جمهورش برای نگه داشتنشون می‌جنگه، بهشون بها میده.

زیرساخت واقعی، اون جوان ایرانیه که با اذان صبح اعدام میشه .
اون نخبه‌ایه که چمدون به دست از کشور فرار می‌کنه.
اون جوونیه که با اون همه استعداد، آخرش باید توی خیابون دستفروشی کنه.

کشوری که مغزهاشو می‌کشه، نخبه‌هاشو فراری میده و استعدادهاشو تحقیر می‌کنه، حتی اگر پر از نفت، برج و موشک باشه، باز هم فقیره.

جامعه‌ای که انسان ارزشمندش را نابود کند، هنوز در منطق عصر حجر و تفکر ارتجاعی گیر کرده

@machinelearningnet2

در راستای همون پست های استراتژی، مدتی هست روی چند تا مساله کوانت واقعی ( و البته سخت☺️) تمرکز کردیم.

اگه علاقمند به این شکل ریسرچ های کوانت هستین ( بهینه سازی استرتژی، دولوپ استراتژی، پرتفولیو سلکسن، میکرواستراکچر) و قبلا چند تا مساله mathematical finance رو حل کردین، به من پیام بدین .

@Sasanbarak

سال پیش با یکی از دانشجوهای دانشگاه تهران روی یه استراتژی MFT توی بازار کریپتو کار میکردیم. 📈

مساله متالرنیگ و بهینه سازی استرتژی مارکت نیوترال بود. 🧠🔍 این دانشجوم از Cass business school توی لندن افر فول فاند دکترا گرفت و البته قبول نکرد و جای دیگه ای الان دکترا میخونه. 🎓

امسال هم با دانشجوی دیگه ای روی استراتژی شبیه اون و البته با دیدگاه مالی تر کار میکردم، خوشبختانه امسال هم این دانشجوم موفق شد همون پوزیشن فول فاند بیزینس اسکول cass رو بگیره و البته اکسپت کرد ☺️🎉

جالبه جفت این دانشجوها اسمشون روی همون مقاله هست و مقاله در یک ژورنال خوب تحت داوری هست ☺️📝،

مقاله پر برکت بود 😁 فکرم اینکه یه سال دیگه کش بدیم یه دانشجوی دیگه هم فول فاند بگیره ☺️

پ.ن. ریسرچ خوب انجام بدی ، اونی که باید ، میبینه ☘✨

Trading AI Agents

A short review of the TradingAgents open-source project - an AI agent that simulates the functionality of a hedge fund.

https://www.youtube.com/watch?v=9FoEsXNGLwI

سلام دوستان 👋،

یه چیزی که همیشه می‌بینم قاطی میشه، تفاوت بین مدل‌های مومنتوم و مارکت‌نیوتراله 🤔. خیلی خلاصه بخوام بگم، این دوتا اصلاً فلسفه‌شون فرق داره.

مدل‌های مومنتوم basically دارن روی جهت بازار شرط می‌بندن 🎲. یعنی فکر می‌کنی میره بالا، لانگ می‌گیری 📈، فکر می‌کنی میاد پایین، شورت می‌کنی 📉. همه‌چی هم تا حد زیادی وابسته‌ست به اینکه forecastت چقدر خوب باشه 🔮. به همین خاطر هم معمولاً drawdownهاش بالاتره 📉، چون اگه بازار خلاف پیش‌بینی حرکت کنه، مستقیم ضربه می‌خوری 💥. ولی خب مزیتش اینه که پیاده‌سازی و executionش خیلی straightforwardتره 🚀.

اما مارکت‌نیوترال یه داستان دیگه‌ست 🔄. اینجا اصلاً نمی‌خوای جهت بازار رو حدس بزنی 🚫🔮. هدفت اینه که خودت رو تا حد ممکن نسبت به market direction خنثی کنی و سود رو از inefficiency بگیری 💰.

این inefficiency می‌تونه جاهای مختلف باشه 🧩:
مثلاً:
- دلتا نیوترال کردن پوزیشن‌ها ⚖️
- pair trading یا همون relative mispricing 🤝
- اختلاف قیمت بین CEX و DEX 🏦
- یا حتی inefficiencyهای execution و latency ⚡

یه نکته مهم اینه که اینجا forecasting هنوز می‌تونه کمک کنه، ولی هسته اصلی کار نیست 🎯. اصل کار پیدا کردن اون mismatchهاست 🔍.

حالا چرا کمتر آدم‌ها میرن سمتش؟ چون واقعاً سخت‌تره 🤯.

بزرگ‌ترین چالش به نظر من: fee 💸. اگر نتونی fee، اسلیپیج و execution رو کنترل کنی، کل edge از بین میره 🚫📉. برعکس، اگر اینا رو خوب manage کنی، این مدل‌ها می‌تونن خیلی تمیز و consistent کار کنن ✨.

تجربه شخصی خودم این بوده که: مارکت‌نیوترال‌ها اگر درست پیاده‌سازی بشن ✅، هم drawdown پایین‌تری دارن 🛡️، هم رفتارشون پایدارتره 🌊، و از نظر risk-adjusted واقعاً جذاب‌ترن 💎.

برای همین هم خیلی از fundهای جدی، مخصوصاً کوانت ها، تمرکزشون بیشتر روی همین مدله 🏛️.

در مقابل، مومنتوم‌ها راحت‌تر لانچ میشن 🚀 و بعضی وقت‌ها هم سودهای شارپ میدن 📈، ولی از اون طرف volatility و ریسک‌شون هم بالاتره ⚠️.

این خیلی پست کلی هست اما خلاصه بگم:
مومنتوم → ساده‌تر، ولی پرنوسان‌تر 🎢
مارکت‌نیوترال → سخت‌تر، ولی اگر درست اجرا بشه، حرفه‌ای‌تر

بعدا یه پست می‌زنم درباره یه چلنج های واقعی مارکت‌نیوترال که خودمون درگیرشیم 😊

سلام دوستان،

همون‌طور که بعضی از دوستان در جریان هستن ، مدتیه که ما الگوریتم‌های لایو رو در سیستم Algorithmic Trading در بازار فیوچرز کریپتو فعال کردیم و در حال اجرای تعداد زیادی ترید به‌صورت زنده هستیم. در این مسیر، حجم قابل‌توجهی از اگزکیوشن‌ها انجام شده و طبیعتاً این مقیاس از اجرا، اهمیت بهینه‌سازی در Order Placement و Execution رو دوچندان می‌کنه.

در حال حاضر تمرکز ما روی بهبود کیفیت اجرا، کاهش اسلیپیج و افزایش کارایی در لایه اگزکیوشن هست. به همین خاطر، از دوستانی که در این حوزه تخصص دارند—به‌ویژه در فضای کریپتو—خوشحال می‌شیم که وارد گفتگو بشیم و از تجربیات هم استفاده کنیم.

این حوزه به‌طور کلی دو بخش کلیدی داره:

1. سرعت و بهینگی در اجرا (Execution Speed & Efficiency)
2. توسعه مدل‌ها و رویکردهای کوانت (Quantitative Methods)

اگر در هر یک از این زمینه‌ها تجربه یا علاقه دارید، خوشحال می‌شم پیام بدید تا بیشتر در این مورد صحبت کنیم و ببینیم چطور می‌تونیم همکاری مؤثری داشته باشیم.

ممنون از توجه‌تون ☘
@sasanbarak

نوروز مبارک ❤️
به امید آزادی ایران🤍

#چیزی_عادی_نشده

#همه شهر ایران جگر خسته اند، به کین_سیاوش کمر بسته اند ☘

وظیفه ی ما جامعهٔ علمی و دانشگاهیان 👇

لطفا به صلاحدید شیر کنید🙏


پست: لینکدین

با هر last seen recently جدیدی که توی گروه میبینم، لبخند میزنم! سطح شادی ام همین قدر کوتاه شده.


#کشتار_سیستماتیک
#جنایت_ساختاری
#غم_خشم
#حکومت_فاسد_دینی