Quant Research Workstation

یک محیط پژوهشی دسکتاپ با پایتون که دیتاست‌های تاریخی را به ستاپ‌های مبتنی بر قواعد و مدل‌های یادگیری ماشین تبدیل می‌کند و سپس آن‌ها را با اعتبارسنجی زمان‌محور، Walk-Forward، Forward Test و آزمایش آستانه و ریسک ارزیابی می‌کند.

وضعیت پروژهمحیط پژوهشی فعال برای ساخت ستاپ‌های Rule-Based، مدل‌های Classification و Regression، Gateها و شواهد اعتبارسنجی موردنیاز برنامه‌های بعدی.

نقش سامانهمحیط دسکتاپ پژوهش و اعتبارسنجی که آماده‌سازی دیتاست، استخراج Setup قابل تفسیر، آزمایش ML، اعتبارسنجی زمان‌محور و Forward Test آفلاین را به هم متصل می‌کند.

محیط اجرابرنامه دسکتاپ Python؛ فناوری‌های نماینده شامل pandas، NumPy، scikit-learn، CatBoost، XGBoost، LightGBM، PyTorch، Matplotlib و ابزارهای GUI است.

دسترسی به کدکدبیس خصوصی

کد Production خصوصی باقی می‌ماند؛ بکاپ GitHub ارسالی، مستندات امن برای پورتفولیو، تصاویر ثبت‌شده و در صورت وجود Public Demo تمیز را فراهم می‌کند.

مبنای شواهد مخزننسخه مخزن بررسی‌شده: ۶ مرداد ۱۴۰۵ / ۲۷ ژوئیه ۲۰۲۶

براساس بکاپ GitHub ارسالی بررسی شد: README اصلی، سند معماری، نمونه خروجی‌ها، تصاویر ثبت‌شده و بسته Public Demo بدون وابستگی خارجی.

فناوری‌ها

مسئله مهندسی

وقتی استخراج ستاپ، مهندسی ویژگی، آموزش مدل، اعتبارسنجی و بررسی Forward Test میان اسکریپت‌ها و Notebookهای جدا پخش باشند، مقایسه نتایج و تکرار دقیق آزمایش‌ها دشوار می‌شود.

راهکار سامانه

این برنامه کشف قواعد انجمنی و روش‌های جست‌وجو را با CatBoost طبقه‌بندی و رگرسیون، مدل‌های Gate یا Regime در تایم‌فریم بالاتر، مدل‌های کلاسیک و سری زمانی، اعتبارسنجی Purge/Embargo، Walk-Forward، مقایسه مدل، Forward Test روی CSV و Grid Search آستانه و ریسک در یک گردش‌کار متصل جمع می‌کند.

دامنه مهندسی

بارگذاری CSV، بررسی ستون‌ها، فیلتر تایم‌فریم و شرایط، انتخاب Feature/Target، مدیریت Missing Value و آماده‌سازی Leakage-Aware.
استخراج Setup قابل تفسیر با Association Rule، FP-Growth، ECLAT، تحلیل Support جهت‌دار، فیلتر Reward، Greedy Search و Genetic Search.
پژوهش CatBoost برای Classification، Regression و Gate/Regime با تنظیم Metric، Early Stopping، Sampling، Regularization و Split.
آزمایش Classic ML شامل مدل‌های خطی، Random Forest، Gradient Boosting، XGBoost، LightGBM، CatBoost، SVM و SVR.
آزمایش Time-Series و Neural Forecast با DLinear، TSMixer، GRU، LSTM Attention، Transformer Encoder، CNN1D، TCN، ResNet1D، PatchTST، TFT، NHITS، NBEATSx، TimesNet، TiDE و iTransformer.
اعتبارسنجی Sequential، Walk-Forward، Purged، Embargoed، Fold-Based و نگهداری Last Fold برای ارزیابی شبیه اجرای زنده.
Forward Test آفلاین با آستانه‌ها، فرض‌های ریسک، Prediction، Equity/Drawdown، Diagnostics، جدول مقایسه و خروجی Run.
ثبت آزمایش با Hyperparameter Sweep، Leaderboard، Metadata، کنترل اجرای تکراری، ذخیره مدل، نمودار، Log و Report.

لایه‌های معماری و مسئولیت

ورود و آماده‌سازی داده

ورودی‌های ساختاریافته بازار را به دیتاست جدولی یا ترتیبی تبدیل می‌کند و ترتیب زمانی، Feature، Target، Filter و کنترل Leakage را حفظ می‌کند.

استخراج و Mining ستاپ

ترکیب‌های قابل تفسیر شرایط را جست‌وجو و براساس Support، جهت، Reward و هدف Search رتبه‌بندی می‌کند.

مدل‌سازی و Forecast

مسیرهای Classic ML، CatBoost، Deep Time-Series و Neural Forecast را در یک رابط پژوهشی اجرا می‌کند.

اعتبارسنجی و Forward Test

قبل از استفاده هر خروجی در سیستم بعدی، Splitهای زمان‌محور و دیتای دیده‌نشده را اعمال می‌کند.

مدیریت آزمایش و Artifact

Configuration، گزارش Fold، فایل مدل، Prediction، Leaderboard، نمودار و پوشه‌های Run را برای مقایسه و بازبینی سازمان‌دهی می‌کند.

گردش‌کار عملیاتی

یک دیتاست تاریخی یا خروجی بازار بارگذاری می‌شود.
ستون‌ها، Label، Target، Reward، تایم‌فریم و Filter انتخاب می‌شوند.
دیتاست جدولی یا ترتیبی با کنترل ترتیب و Leakage آماده می‌شود.
Setupهای کاندید با FP-Growth، ECLAT، Greedy یا Genetic Search استخراج می‌شوند.
Feature یا Ruleهای منتخب وارد آزمایش مدل می‌شوند.
مدل‌های CatBoost، Classic ML، Deep Time-Series یا Neural Forecast آموزش داده می‌شوند.
Sequential، Walk-Forward، Purged، Embargoed و Fold-Based Validation تنظیم می‌شود.
Metric، Log، Artifact، Calibration و Metadata مدل‌ها مقایسه می‌شوند.
مدل منتخب روی CSV دیده‌نشده در Forward Test اجرا می‌شود.
Decision، Threshold، Equity/Drawdown، توزیع Score و ترکیب Signal بررسی می‌شود.
Report، Prediction، جدول مقایسه و Artifact قابل تکرار صادر می‌شود.

رابط‌های داده و فرمان

رابط	جهت	کاربرد
دیتاست پژوهشی CSV	منبع داده → Workstation	مشاهدات مرتب بازار، Featureها، Label، Target، Reward و زمینه تایم‌فریم را فراهم می‌کند.
Model و Metadata Artifact	Workstation ↔ مخزن Artifact	مدل کاندید، Snapshot تنظیمات، Featureهای مورد انتظار و وضعیت اعتبارسنجی را نگهداری می‌کند.
دیتاست Forward Test	CSV دیده‌نشده → Forward Test Lab	Artifact پژوهشی را روی داده‌ای که در آموزش همان Run استفاده نشده ارزیابی می‌کند.
Report و Export	Workstation → بازبینی/پژوهش بعدی	Prediction، Leaderboard، خلاصه Fold، نمودار، Log، JSON و جدول مقایسه تولید می‌کند.

07A

خروجی‌های سامانه

دیتاست فیلترشده و آماده مدل
جدول Setupهای Buy/Sell و خلاصه Ruleها
فایل مدل و Snapshot متادیتا
گزارش Fold و Walk-Forward
Prediction و Forward-Test CSV
نمودار Equity، Drawdown، Calibration و توزیع Score
Leaderboard، جدول مقایسه، Log و پوشه Run

07B

لایه‌های ایمنی و کنترل

پژوهش و اجرای زنده صریحاً جدا هستند و این برنامه سفارش بروکر ارسال نمی‌کند.
روش‌های زمان‌محور وابستگی به Random Splitهایی را کاهش می‌دهند که ممکن است اطلاعات آینده را نشت دهند.
Metadata مدل، Feature مورد انتظار، تنظیمات Run و Artifact کنار هم نگهداری می‌شوند تا Reproducibility و تشخیص Mismatch بهتر شود.
دیتاست، Feature، Label، Target، Threshold، مدل و اتصال Production خصوصی خارج از مرز انتشار عمومی باقی می‌مانند.

شواهد اعتبارسنجی

مستندات مخزن روش‌های Sequential، Walk-Forward، Purged، Embargoed، Fold-Based و Forward Test دیده‌نشده را به‌عنوان قابلیت سیستم تعریف می‌کند؛ این موضوع گواهی نتیجه یک استراتژی خاص نیست.
Public Demo بدون وابستگی خارجی، فقط رابط و کاملاً مصنوعی است؛ هیچ Estimator آموزش نمی‌دهد و هیچ استراتژی واقعی را ارزیابی نمی‌کند.
در بکاپ گواهی اعتبارسنجی Production یا گزارش عملکرد معاملاتی حسابرسی‌شده وجود ندارد و صفحه نیز چنین ادعایی نمی‌کند.

مرز اطلاعات عمومی و خصوصی

شواهد منتشرشده

گردش‌کار پژوهش، دسته‌های مدل، استخراج ستاپ، روش‌های اعتبارسنجی، تصاویر منتخب رابط و مستندات فنی غیرحساس.

پیاده‌سازی محافظت‌شده

دیتاست خصوصی، مدل‌های کامل، تعریف ویژگی‌های اختصاصی، خروجی‌های حساس آزمایش، یکپارچه‌سازی تولیدی و زیرساخت داخلی.

نحوه تفسیر و محدودیت‌ها

این برنامه محیط پژوهش و مهندسی مدل است و مستقیماً سفارش بروکر ثبت نمی‌کند.
Backtest، Walk-Forward و Forward Test آفلاین، شواهد پژوهشی هستند و نتیجه آینده را تضمین نمی‌کنند.
دیتاست خصوصی، فایل مدل‌های آموزش‌دیده، ویژگی‌های اختصاصی و خروجی‌های حساس آزمایش ممکن است منتشر نشوند.

شواهد تکمیلی رابط

شواهد استخراج‌شده از بکاپ GitHub

این تصاویر مستقیماً از بکاپ GitHub ارسالی استخراج شده‌اند و بدون بخش مخفی، در همین صفحه نمایش داده می‌شوند.

7 نمای مستند

پنل Feature Metrics در Quant Research Workstation برای انتخاب ستون و شرایط وابسته به تایم‌فریم. — **انتخاب Feature و Condition برای تعریف فضای پژوهش پیش از استخراج Rule و مدل‌سازی.**
جزئیات منبع
منبع: quant-research-workstation/images/metrics-h1.png

نمای پیشرفت Greedy Search برای استخراج Setup در Quant Research Workstation. — **پیشرفت جست‌وجوی مرحله‌ای هنگام ارزیابی و رتبه‌بندی ترکیب‌های کاندید شرایط.**
جزئیات منبع
منبع: quant-research-workstation/images/greedy-search-progress.png

نمای Genetic Search برای مقایسه Ruleهای Buy و Sell، تعداد، Reward و Distribution. — **مرور Setupهای قابل تفسیر استخراج‌شده با Genetic Search و شواهد جهت و Reward آن‌ها.**
جزئیات منبع
منبع: quant-research-workstation/images/genetic-setup-navigation.png

محیط تنظیم CatBoost برای Classification، Regression و Gate Model. — **سطح پژوهش CatBoost با کنترل Objective، Split، Metric، Regularization، Sampling و Early Stopping.**
جزئیات منبع
منبع: quant-research-workstation/images/catboost-dashboard.png

محیط مدل‌سازی Deep Time-Series با Window، Horizon، Walk-Forward، Architecture و GPU. — **پژوهش مدل‌های ترتیبی با پنجره زمانی، معماری، اعتبارسنجی و Device قابل تنظیم.**
جزئیات منبع
منبع: quant-research-workstation/images/time-series-dashboard.png

محیط انتخاب مدل و Search در Classic ML داخل Quant Research Workstation. — **آزمایش مدل‌های Baseline و Ensemble با کنترل مشترک Scoring، Search و Comparison.**
جزئیات منبع
منبع: quant-research-workstation/images/classic-ml-dashboard.png

Public Demo محیط Quant Research Workstation با Research Studio، ML Studio و Forward Test مصنوعی. — **نمایش رابط بدون وابستگی و با داده مصنوعی؛ بدون مدل، دیتاست، Training Logic یا اتصال اجرا.**
جزئیات منبع
منبع: quant-research-workstation/images/public-demo.png

شواهد قبلی پورتفولیو

2 نمای مستند

Quant Research Workstation

راهکار سامانه

رابط

جهت

کاربرد

دیتاست پژوهشی CSV

منبع داده → Workstation

مشاهدات مرتب بازار، Featureها، Label، Target، Reward و زمینه تایم‌فریم را فراهم می‌کند.

Model و Metadata Artifact

Workstation ↔ مخزن Artifact

مدل کاندید، Snapshot تنظیمات، Featureهای مورد انتظار و وضعیت اعتبارسنجی را نگهداری می‌کند.

دیتاست Forward Test

CSV دیده‌نشده → Forward Test Lab

Artifact پژوهشی را روی داده‌ای که در آموزش همان Run استفاده نشده ارزیابی می‌کند.

Report و Export

Workstation → بازبینی/پژوهش بعدی

Prediction، Leaderboard، خلاصه Fold، نمودار، Log، JSON و جدول مقایسه تولید می‌کند.

خروجی‌های سامانه

دیتاست فیلترشده و آماده مدل

جدول Setupهای Buy/Sell و خلاصه Ruleها

فایل مدل و Snapshot متادیتا

گزارش Fold و Walk-Forward

Prediction و Forward-Test CSV

نمودار Equity، Drawdown، Calibration و توزیع Score

Leaderboard، جدول مقایسه، Log و پوشه Run

لایه‌های ایمنی و کنترل

پژوهش و اجرای زنده صریحاً جدا هستند و این برنامه سفارش بروکر ارسال نمی‌کند.

روش‌های زمان‌محور وابستگی به Random Splitهایی را کاهش می‌دهند که ممکن است اطلاعات آینده را نشت دهند.

Metadata مدل، Feature مورد انتظار، تنظیمات Run و Artifact کنار هم نگهداری می‌شوند تا Reproducibility و تشخیص Mismatch بهتر شود.

دیتاست، Feature، Label، Target، Threshold، مدل و اتصال Production خصوصی خارج از مرز انتشار عمومی باقی می‌مانند.

نحوه تفسیر و محدودیت‌ها

این برنامه محیط پژوهش و مهندسی مدل است و مستقیماً سفارش بروکر ثبت نمی‌کند.

Backtest، Walk-Forward و Forward Test آفلاین، شواهد پژوهشی هستند و نتیجه آینده را تضمین نمی‌کنند.

دیتاست خصوصی، فایل مدل‌های آموزش‌دیده، ویژگی‌های اختصاصی و خروجی‌های حساس آزمایش ممکن است منتشر نشوند.

Quant Research Workstation

مسئله مهندسی

راهکار سامانه

دامنه مهندسی