Quant Researcher

🔥 Визуализация работы трансформеров позволяет наглядно представить, как модели вроде ChatGPT формируют ответы, подбирая слова и фразы.

Это помогает лучше понять процессы, происходящие внутри языковых моделей.

Простыми словами: такие визуализации дают возможность увидеть, как ChatGPT выбирает слова для формирования своих ответов.

https://moebio.com/mind/

@machinelearning_interview

🎩 Трейдер и наш друг Никита Селиванов о своем пути и квантах

https://youtu.be/vhunqRiZes8?feature=shared

Таймкоды:
00:45 Опыт Никиты: образование и начало карьеры
01:25 Карьера в трейдинге
06:14 Что такое “книга” в фонде?
07:15 Бэктест
10:57 Арбитраж и его значение
12:51 Основные роли в фонде: трейдеры, управляющие, аналитики и кванты. Как они взаимодействуют между собой?
17:50 Байсайд и селсайд
21:34 Сложности трейдинга
25:32 Внебиржевые сделки
28:39 Алгоритмические ордера
29:20 В чем заключается работа трейдера
30:26 Арбитраж и доходность облигаций
32:23 Шорт-трейд и его риски
40:56 Шорт и проценты
42:54 Фри флоат и расследование
44:16 Открытие торгов и прибыль
46:05 Путь в трейдинг, обучение и стажировка
53:51 Риск-менеджмент в трейдинге и его примеры
58:45 Автоматизация и роль трейдера
01:04:05 Структурный аналитик и трейдер
01:05:03 Трейдер и сейлс-трейдер
01:06:01 Разнообразие профессий в трейдинге
01:08:54 Аналитики и кванты
01:12:44 Развитие в трейдинге
01:15:55 Использование ChatGPT и других моделей

Quant Researcher

AI Хедж-фонд, finally…

Пруф-оф-концепт хедж-фонда на базе ИИ!!!

Классический такой фонд из:

- Ben Graham Agent 👑 – инвестирует с запасом прочности.
- Bill Ackman Agent 💪 – занимает смелые позиции.
- Cathie Wood Agent 🚀 – верит в инновации и рост.
- Charlie Munger Agent 🤝 – покупает отличные компании по справедливой цене.
- Stanley Druckenmiller Agent 📈 – ищет асимметричные возможности.
- Warren Buffett Agent 🔮 – выбирает замечательные компании по справедливой цене.
- Valuation Agent 💹 – рассчитывает внутреннюю стоимость акций.
- Sentiment Agent 😃 – анализирует рыночное настроение.
- Fundamentals Agent 📊 – анализирует фундаментальные данные.
- Technicals Agent 📉 – изучает технические индикаторы.
- Risk Manager ⚠️ – управляет рисками и лимитами.
- Portfolio Manager 📋 – принимает финальные торговые решения.

🚀 Запуск хедж-фонда

poetry run python src/main.py --ticker AAPL,MSFT,NVDA

- Для вывода рассуждений агентов:

poetry run python src/main.py --ticker AAPL,MSFT,NVDA --show-reasoning

- Для указания временного диапазона:

poetry run python src/main.py --ticker AAPL,MSFT,NVDA --start-date 2024-01-01 --end-date 2024-03-01

🗿 Запуск бэктестера

poetry run python src/backtester.py --ticker AAPL,MSFT,NVDA

- С указанием дат:

poetry run python src/backtester.py --ticker AAPL,MSFT,NVDA --start-date 2024-01-01 --end-date 2024-03-01

⁉️ Один вопрос, где агент-таролог, который учитывает движение планет в торговле?

‼️ А так проект интересный, можно даже подсмотреть что-то полезное. Структура хорошая же)

Quant Researcher

📊 Orderflow – пример агрегатора ордерфлоу, превращающий сырые трейды в свечи. Есть поддержка Binance, Bybit, Okx и Bitget.

🚨 Осторожно, код на тайпскрипте)

Зачем 👁️
• Позволяет обрабатывать orderflow в реальном времени.
• Полезный пример интеграции с TimescaleDB для хранения и анализа данных.
• База для алгоритмического анализа: например, stacked imbalances и high volume nodes.

Как использовать 👨🏻‍🏫
1. Клонируем репозиторий:

   git clone git@github.com:focus1691/orderflow.git
     

2. Поднимаем PostgreSQL с TimescaleDB:

   docker run -d --name timescaledb -p 5433:5432 -e POSTGRES_PASSWORD=password timescale/timescaledb-ha:pg14-latest
     

3. (Опционально) Поднимаем RabbitMQ для прослушивания закрытия свечей:

   docker run -d --name rabbitmq -p 5672:5672 -p 15672:15672 -e RABBITMQ_DEFAULT_USER=admin -e RABBITMQ_DEFAULT_PASS=admin rabbitmq:4.0-management
     

4. Настраиваем переменные окружения (DB_URL, USE_RABBITMQ, порты для Binance, Bybit, Okx и Bitget, SYMBOLS) и запускаем сервисы через yarn.

Примеры: 🔍

👍🏻 Stacked Imbalances:

import { Orderflow } from 'chart-patterns';

const footprintCandlePrices = {
  '98891': { volSumAsk: 0.002, volSumBid: 0.611 },
  '98892': { volSumAsk: 0.002, volSumBid: 1.49 },
  '98893': { volSumAsk: 0.005, volSumBid: 1.386 },
  '98894': { volSumAsk: 0.022, volSumBid: 2.58 },
  '98895': { volSumAsk: 0.018, volSumBid: 2.18 },
};

const stackedImbalance = Orderflow.detectStackedImbalances(footprintCandlePrices, {
  threshold: 200, // Минимальный процент дисбаланса
  stackCount: 3,  // Количество подряд идущих дисбалансов
  tickSize: 0.1,  // Шаг цены
});

console.log(stackedImbalance);

👍🏻 High Volume Nodes:

const highVolumeNodes = Orderflow.findHighVolumeNodes(footprintCandlePrices, { 
  threshold: 0.3, // 30% от общего объёма
});

console.log(highVolumeNodes);

Репозиторий: github.com/focus1691/orderflow 📌

Quant Researcher

🤽‍♂️ А что если построить граф библиотек Питона?

На днях на fi-le.net вышел пост "A Map of Python": автор выгрузил данные PyPi через JSON API и BigQuery, отфильтровал около 100 000 пакетов (больше двух зависимостей) и визуализировал их. В результате получилась интерактивная карта, где numpy соседствует с among-us-always-imposter-hack.

Репозиторий с исходниками также доступен: https://github.com/lennart-finke/pypi-map

Возможно, где-то там есть и ваш самописный пакет для бэктестирования? 😄

Quant Researcher

👩‍🚀 Стоит ли менять профессию, если очень хочется стать квантом?

Обсудили в коротком ролике:
00:11 - В кванты из другой профессии в 33 года. Реально?
05:14 - Про препятствия и усилия при переходе в кванты
07:45 - Финансы. Программирование. Математика. Дотягивание нужных скиллов
09:12 - Опыт найма на позицию кванта, без квантового опыта
12:06 - От стажера кванта до Senior: как складывается карьера
13:21 - Совет всем, кто хочет поменять профессию

🚀 Ссылка: https://youtu.be/Dijt6XcYEgg

Quant Researcher

Если вы ещё не используете LLM, то мы идём к вам!

У Андрея Карпатого вышел видос про практическое применение LLM на конкретных кейсах. Если вы ещё не используете LLM, это видео станет отличным онбордингом!

Также у Андрея есть видео, где он рассказывает про LLM на базовом уровне. Это тоже полезно знать, чтобы лучше писать промты.

Мы считаем, что половина успеха в использовании LLM — это умение писать промты. Для этого нужно иметь общее представление о доменной области и понимать принципы работы и ограничения моделей.

Quant Researcher

Что почитать на выходных: «The Art of Latency Hiding in Modern Database Engines» от Kaisong Huang и соавторов

В работе рассматриваются методы скрытия различных видов задержек в современных OLTP-движках. Может быть актуально в разработке высокопроизводительных систем или ТЧЕ-ФЭ-ТИ (простите, мы пересмотрели туториалов на Ютубе).

Основные идеи:

🎯 Корутины для минимизации переключений: Использование стэклесс корутин позволяет с минимальными затратами переключаться между транзакциями, эффективно скрывая задержки при обращениях к памяти.

🚀 Асинхронное I/O: Применение io_uring и асинхронных вызовов дает возможность не простаивать на ожидании операций с диском, что критично при работе с cold store.

🔄 Двухочередная система планирования: Разделение транзакций на in-memory и storage-bound позволяет оптимально использовать ресурсы системы и поддерживать высокую пропускную способность даже при смешанных нагрузках.

Для углубления рекомендуем:
- Изучить основы модели coroutine-to-transaction (например, в CoroBase).
- Ознакомиться с документацией по io_uring и асинхронному I/O в Linux.
- Просмотреть репозиторий проекта на GitHub: github.com/sfu-dis/mosaicdb

Интересно в целом почитать, как устроены знакомые механизмы и как люди придумывают всякие хитрости для их ускорения.

Quant Researcher

Но коты же одинаковые...

Quant Researcher

Уходит эпоха 252 торговых дней...

Ладно, крипта сразу живет в 365 24/7 режиме торгов. А вот для российского рынка бектестить стратегии станет интереснее. До 1 марта 2025 в году будет 252 торговых дня, а потом примерно 354 в 2025 и 365 торговых дней с 2026. Бедные стажеры, фисящие бектесты либы!

#MOEX
Московская биржа запускает на фондовом рынке торги в выходные дни

1 марта 2025 года на рынке акций Московской биржи стартуют торги в выходные дни в экспериментальном режиме,

На первом этапе к торгам в выходные будут допущены наиболее ликвидные акции. Для снижения рисков волатильности и обеспечения ликвидности ценовые границы в ходе торгов в выходные будут сужены – максимально допустимое изменение цены бумаги составит 3% от цены закрытия предыдущего торгового дня – и не будут изменяться.

🕵️ Ваши покорные слуги перевели Кримсона на язык КВАнтов:

LLM — это «стохастические попугаи» и там до «мышления» не то что далеко, а оно в этой парадигме невозможно в принципе. При этом LLM будут успешно заменять значимую часть КВАНТОВОЙ РАБОЧЕЙ СИЛЫ, потому что значимой части КВАНТОВОЙ РАБОЧЕЙ СИЛЫ до ПРОФИТА так же далеко, как и LLM.

Оригинальная цитата:

Если интересно моё мнение, то на данный момент я считаю, что LLM — это «стохастические попугаи» и там до «мышления» не то что далеко, а оно в этой парадигме невозможно в принципе. При этом LLM будут успешно заменять значимую часть человеческой рабочей силы, потому что значимой части человеческой рабочей силы до мышления так же далеко, как и LLM.

Хорошо сказано 👍🏻

Quant Researcher

Ответы ЕГЭ 2025 Advances in Financial Machine Learning

Делимся решениями упражнений из книги. Они помогут проверить собственные решения или подсмотреть ответ, но мы настоятельно рекомендуем сперва решить задачу самостоятельно. Так оно лучше запомнится.

📌 Почему это важно?

- Даёт структурированную базу для разработки и тестирования стратегий

- Покрывает ключевые темы: тройные барьеры, размер позиции, фильтры, фичи для ML

🛠 Cтек:

- Python 3.7.4, numpy 1.17.3, scipy 1.3.1, numba 0.49.1

- pandas 1.0.3, matplotlib 3.1.1, sklearn 0.23.1, statsmodels 0.10.1

🔹 Бонус: Автор приложил скрипт для генерации синтетических данных — если будет нужно ЭЙЧЕЙФТИ.

📜 “Каждая успешная стратегия всегда подкреплена либо теорией, либо результатами. Одно ведёт к другому.”

Quant Researcher

Quant Researcher pinned «🐸 Да кто такой этот ваш квант? Позвали коллег, чтобы обсудить, кто такие КВАнты и чем они занимаются, получить советы по образованию и обучению, а также узнать, почему работа кванта — это бесконечный челлендж и какие возможности для роста она открывает. …»

А вот контрпример, когда кванты могут в DataScience на высоком уровне!

Все, наверное, уже слышали про DeepSeek, китайскую LLM, которая не уступает в бенчмарках OpenAI и LLAMA. Мы сами тестировали, по ощущениям это минимум уровень GPT-4. Уже реализован весь reasoning и поиск по интернету.

Самое интересное, что модель разрабатывает крупнейший хедж-фонд в Китае. По городской легенде у ребят просто простаивали GPU-кластеры и была сильная команда математиков и разработчиков уровня PhD лучших вузов.

Взято у Кримсона

[Reuters]: Затем в 2015 году Лян стал соучредителем квантового хедж-фонда, который использует сложные математические алгоритмы для [биржевой] торговли, а не человеческий анализ.

К концу 2021 года портфель фонда составил более 100 млрд юаней (13,79 млрд долларов США), но в апреле 2023 года он объявил в своём аккаунте WeChat, что расширит свою сферу деятельности за пределы инвестиционной отрасли и сосредоточит ресурсы на «исследовании сути AGI [Сильного ИИ]». DeepSeek был создан месяц спустя.
OpenAI определяет AGI [Сильный ИИ] как автономные системы, которые превосходят людей в большинстве экономически ценных задач.

Сотрудники DeepSeek в основном являются выпускниками и аспирантами ведущих университетов Китая, которые, по мнению Ляна, предпочитают работать в DeepSeek, потому что компания решает самые серьёзные задачи в области ИИ.
«Очевидно, что лучшие таланты привлекают решения самых сложных проблем мира», – заявил он в июле.

Meta уже анонсировала запуск специальных команд, чтобы зареверсинженирить, как китайцам удалось кратно снизить стоимость тренировки модели.

Отличная ролевая модель для кванта, на наш взгляд! Сначала поднять 100 млрд AUM, затем расширить декларацию фонда на инвестирование в ИИ и запустить конкурентную LLM в, казалось бы, алом океане.

Quant Researcher

Зачем учить базу в финансах?

Чтобы не переизобретать велосипед, как сделали авторы одной статьи. Они обучили сложную нейронку, докрутили RL и для весов выбрали функцию, которая очень напоминает классическое Sharpe Ratio.

Весь этот сложный алгоритм можно заменить на простой портфель Марковица с Efficient Frontier или в лоб Mean-Variance Optimization.

Это самая типичная ошибка, которую совершают Data-Scientists в финансах. Сразу пытаются зарядить супер-сложный алгоритм или нейронку. В итоге выходит не лучше любого базового алгоритма. По этой же причине более 99% статей по ML в финансах никогда не показывают положительный PnL на проде.

Чтобы не совершать таких ошибок, надо учить базу. Можно начать с книги Де Прадо:
1. *Advances in Financial Machine Learning* – ссылка
2. *Machine Learning for Asset Managers* – ссылка

А вся база выложена здесь: 20 обязательных книг для кванта

Quant Researcher

Я сейчас сдохну. Чуваки из хеджфонда сделали революционную LLM и вот это их функция рэнкинга в GRPO. Ничего не напоминает? А еще видимо как люди которым не привыкать писать лоу левел код для торговых систем они там на ручнике аллокациями памяти управляют вместо import pytorch as py.

🐸 Да кто такой этот ваш квант?

Позвали коллег, чтобы обсудить, кто такие КВАнты и чем они занимаются, получить советы по образованию и обучению, а также узнать, почему работа кванта — это бесконечный челлендж и какие возможности для роста она открывает.

Таймкоды:
00:23 - Про профессию Бориса
01:20 - Какие бывают кванты и чем они занимаются?
03:03 - Где работают такие специалисты?
03:54 - Кто может стать квантом?
04:32 - Про финансовую математику
05:05 - Из Data Science в Кванты
06:43 - База для квантов
08:17 - Старт Александра в индустрии
09:13 - Старт Бориса в профессии
10:29 - Большие деньги квантов
12:19 - Базовые стратегии квантов
13:20 - Где учиться на Кванта?
14:14 - 20 книг, чтобы стать квантом
15:20 - Best moment

💅 Если вы уже готовы стать КВАнтом, приходите на курсы: quant.courses.

Quant Researcher