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