Quant Cricle

معرفی کتاب

این آخر هفته، ۳ فصل اول کتاب Designing Data-Intensive Applications رو خوندم. به نظرم اگر کسی دنبال یه درک پایه‌ای ولی کاربردی از سیستم‌هایی باشه که با داده در مقیاس بالا کار می‌کنن — مخصوصاً در حوزه‌هایی مثل #الگوتریدینگ یا توسعه استراتژی‌هایی که نیاز به پردازش حجم زیادی از دیتای لایو مارکت دارن — این کتاب میتونه یه دید خوبی بده که این سیستم هارو چجوری توسعه بدین بهتره.

نکته جذابش اینه که همه مفاهیم با تمرکز روی سیستم‌های اسکیل‌پذیر توضیح داده شدن، پس برای هر کسی که با معماری سیستم‌های دیتامحور سروکار داره، خیلی مفیده.

پ.ن: اگه خواستید سریع‌تر برید جلو، استفاده از NotebookLM واقعاً کمک می‌کنه

https://github.com/hungdangit95/IT-Book/blob/master/Designing%20Data-Intensive%20Applications%20The%20Big%20Ideas%20Behind%20Reliable%2C%20Scalable%2C%20and%20Maintainable%20Systems%20(Martin%20Kleppmann)%20(z-lib.org).pdf

یه استراتژی HFT داشتم که مدت‌زمانی روش کار کردم؛ هسته‌ی اصلیش بر مبنای نسبت تغییرات حجم در سرخط اردربوک (Order Book Delta) بود. به‌طور خاص، وقتی این نسبت بیش از سه برابر میانه‌ی چهار ساعت گذشته می‌شد — یا به‌عبارتی داخل کوانتایل اول یا سوم قرار می‌گرفت — اون رو به‌عنوان یک آنومالی تشخیص می‌دادم.

این آنومالی‌ها معمولاً نشانه‌ای از فشار خرید یا فروش غیرعادی بودن، که منجر به نوسانات سریع قیمت می‌شدن. در این شرایط وارد یک موقعیت بسیار کوتاه‌مدت روی یک میکروترند می‌شدم. هدفم گرفتن سودهای بسیار کوچک ولی با تعداد بالا بود — که در مجموع منجر به بازدهی قابل‌توجهی می‌شد.

سوال مصاحبه بلک راکی

چطور بفهمیم یه استراتژی واقعاً ارزش ریسک رو داشته؟

نسبت کالمر یک معیار بازدهی تعدیل‌شده بر اساس ریسک است که عملکرد یک سرمایه‌گذاری را نسبت به بیشینه افت سرمایه (Maximum Drawdown) می‌سنجد. این نسبت به‌ویژه برای ارزیابی عملکرد صندوق‌های پوشش ریسک (Hedge Funds)، معاملات آتی مدیریت‌شده و استراتژی‌هایی که با نوسان و افت سرمایه قابل توجهی همراه هستند، مفید است.

نمایشگاه اینوتکس بنظرم هر سال داره ضعیف تر میشه. هیچ تیم یا محصول قوی نبود.
با چنتا از غرفه ها صحبت کردیم حتی محصول نداشتن فقط یه سایت بالا اورده بودن.
عجیییبه

چالش‌های بازار آپشن

هزینه‌های فی معاملات آپشن به مراتب بیشتر از اسپات و فیوچرز است. پیچیدگی‌های آپشن چین و کتاب سفارشات باعث می‌شود قیمت‌ها نوسانات زیادی داشته باشند و حجم معاملات در بعضی قیمت‌ها کم باشد.

برای تست سیستم اردرگذاری‌مون، حدود ۱۵۰ دلار فی پرداخت کردیم تا سناریوهای مختلف رو بررسی کنیم و عملکرد بهینه‌تری داشته باشیم.

یکی از دوستام برای تیمش دنبال یه مهندس هوش مصنوعی باتجربه می‌گرده برای ساخت مدل و تحلیل داده‌های مارکت.
تجربه کار با TensorFlow لازمه.
تیم قوی هستن و درآمد دلاری هم دارن.

اگر کسی علاقه داره، رزومتون برام بفرستین، خوشحال میشم ریفرتون کنم! 📩

چطور تیم‌های تحلیل داده‌های مالی و الگوتریدینگ می‌تونن سرمایه جذب کنن؟

در یکی از بخش‌های ایونت گردهمایی الگوتریدینگ، آقای بنی هاشمی شرایط و مراحل جذب سرمایه از شتاب‌دهنده‌ها و منابع مالی برای تیم‌های فعال در تحلیل داده‌های مالی و ترید صحبت کردند. این بخش از ایونت فرصتی عالی بود تا تیم‌های نوپا با چالش‌ها و فرصت‌های این صنعت آشنا بشن و مسیرهایی رو برای جذب سرمایه و رشد در این حوزه پیدا کنن.

دیتای تاریخی سه ماهه‌ی آپشن‌های کریپتو از Deribit رو با استفاده از Tardis جمع‌آوری کردیم. حجم دیتا به حدود ۱ ترابایت رسید و هزینه جمع‌آوریش تقریباً ۴۰ میلیون تومان شد.
برآورد کردیم که اگر بخوایم کل دیتای تاریخی آپشن‌ها رو تهیه کنیم، هزینه‌ای حدود ۸۰ هزار دلار خواهد داشت.
این فقط یک نمونه کوچیکه از اینکه چقدر داده‌های تاریخی در بازارهای مالی ارزشمند هستند.

رکیب پورتفولیو و ترند ریورسال

توی این سه ماه، یه hashtag#استراتژی که یه مدت روش کار کرده بودم رو وارد فاز لایو فروارد تست کردم. استراتژی ترکیبیه از مدل پورتفولیو HRP (Hierarchical Risk Parity) و یک الگوریتم ترند ریورسال که روزانه فقط یک معامله بر اساس دینامیک hashtag#ریسک انجام می‌ده.

نتایج سه ماه تست لایو:
ماه اول: ۳.۳۲٪
ماه دوم: ۴.۱۷٪
ماه سوم: ۴.۱۹٪

ریسک هر معامله به‌صورت دینامیک و بر پایه‌ی مجموع hashtag#واریانس سبد تنظیم می‌شه.
یه چیزی که تو این مسیر خیلی برام روشن شد اینه که اگر ریسک دینامیک رو استاتیک مدیریت کنم، عملاً ریسک رو مدیریت نکردم — فقط چشم‌بسته دارم ترید می‌کنم.

استراتژی ساده و سودده برای تتر/ریال

یک استراتژی خیلی ساده و سودده برای بازار تتر/ریال می‌تونه استفاده از گرید تریدینگ در رنج‌های کوتاه باشه؛ با تمرکز بر میانه نوسان روزانه بازار بر اساس داده‌های یک سال اخیر. این روش کمک می‌کنه حتی در صورت حرکت بازار به سمت مخالف، دچار ریسک بالا نشیم.

مزیت اصلی این استراتژی اینه که با حفظ فاصله‌های مشخص بین پله‌های خرید و فروش، در شرایط خلاف روند هم می‌تونیم ریسک رو کنترل کنیم و همچنان احتمال سودآوری رو حفظ کنیم.

اگه AI خوب کد نمیزنه , بخاطر اینه که رو کدهای خود شما train شده 😀✌️

ببخشید با تاخیر ویدیو به دستم رسید
ویدیو جلسه دوم کلاس که مرتبط با جلسه اربیتراژ بود

احتمال همه جا

احتمال اینکه اگه یکی بهم لبخند زد از من خوشش اومده چقدره؟

P(علاقه به شما | لبخند زد) = P(لبخند می‌زند | علاقه دارد) × P(علاقه دارد) / P(لبخند می‌زند)

به زبان ساده، اگر طرف مقابل به طور کلی به همه لبخند میزنه احتمال اینکه لبخندش نشونه علاقه باشه، کمتره. اما اگر معمولاً جدی هست و فقط به من لبخند زده احتمال علاقه بیشتر میشه.

آخر هفته گذشته، با حمایت بروکر FX24، موفق شدیم اولین ایونت تخصصی #کوانت و #الگوتریدینگ را برگزار کنیم. در این رویداد، میزبان ۱۵۰ نفر از فعالان این حوزه از جمله متخصصان کوانت و دیتا از #کارگزاری‌ها، #صرافی‌های کریپتویی و #تریدرهای مستقل بودیم. این ایونت به لطف همکاری و تلاش دوستای خوبم اتفاق افتاد.

🔹 این ایونت فرصت فوق‌العاده‌ای برای شبکه‌سازی و ایجاد ارتباطات سازنده بود، و امیدوارم زمینه‌ساز همکاری‌های آینده در این حوزه شود.
🔹 از تمام دوستان و همکارانی که در برگزاری این رویداد همراه ما بودند، صمیمانه سپاسگزارم.

🔹 همچنین از مهمانان ارزشمندمان که تجربیات خود را در حوزه کوانت به اشتراک گذاشتند و به بررسی چالش‌های فنی پرداختند، قدردانی می‌کنم. همینجا از دوستان خوبم که تجربیات ارزشمندشون در اختیارمون قرار دادن هم تشکر کنم.

امیدوارم که با ادامه این مسیر، بتوانیم اکوسیستم کوانت و الگوتریدینگ را در کنار هم رشد دهیم. 🚀

چگونه معماری مدالیون در تحلیل داده‌های مالی کاربرد دارد؟
در تحلیل داده‌های مالی، دقت و کیفیت داده‌ها اهمیت بالایی دارد. معماری مدالیون یک روش مؤثر برای سازماندهی داده‌های بازار، معاملات و استراتژی‌های کمی است که باعث بهبود تدریجی داده‌ها در سه مرحله می‌شود:
🔹 لایه برنز (Bronze) – ذخیره داده‌های خام از منابع مختلف مانند APIهای بازار، لاگ‌های معاملات و داده‌های تاریخی بدون پردازش.
🔹 لایه نقره (Silver) – پاک‌سازی، نرمال‌سازی و حذف داده‌های نویزی مانند قیمت‌های پرت یا داده‌های ناقص.
🔹 لایه طلا (Gold) – ایجاد داده‌های آماده تحلیل برای مدل‌های کمی، محاسبه شاخص‌هایی مثل شارپ ریتیو، نسبت اطلاعات و تحلیل نقدینگی.
✅ چرا این معماری در فایننس مهم است؟
جلوگیری از استفاده از داده‌های خام و نامعتبر در استراتژی‌های معاملاتی
بهینه‌سازی سرعت پردازش و کاهش هزینه‌های ذخیره‌سازی
بهبود دقت سیگنال‌های معاملاتی و مدل‌های یادگیری ماشین
مثال کاربردی:
فرض کنید در حال ساخت یک مدل کمی برای پیش‌بینی نوسانات بازار هستید:
📌 در Bronze، داده‌های تیک‌ترید، قیمت‌ها و حجم معاملات را بدون فیلتر ذخیره می‌کنید.
📌 در Silver، داده‌های پرت را حذف و ناهنجاری‌های ناشی از اسپردهای غیرعادی را تصحیح می‌کنید.
📌 در Gold، داده‌های نهایی را برای محاسبه اندیکاتورهای فنی و مدل‌های ریسک‌پذیری استفاده می‌کنید.
در دنیای معاملات کمی، کیفیت داده = کیفیت سیگنال معاملاتی.
استفاده از معماری مدالیون کمک می‌کند تا از داده‌های بهینه و تمیز در استراتژی‌های خود استفاده کنید.