ساخت پایپ‌لاین داده‌های مالی سری‌زمانی و مدل‌سازی گراف (GNN)

درود و احترام ما به یک توسعه‌دهنده ارشد پایتون (مسلط به Data Science و Deep Learning) نیاز داریم تا یک موتور پردازش زنده برای داده‌های سری‌زمانی ناهمگام (Asynchronous) بسازد. سیستم باید داده‌های خام را از چند API بگیرد، محاسبات ریاضی مشخصی روی آن‌ها انجام دهد و خروجی را برای پیش‌بینی احتمالات به یک شبکه عصبی گرافی (GNN) بسپارد. ​شرح وظایف (در ۴ فاز اجرایی): ​فاز ۱: مهندسی داده (Data Ingestion & Alignment) ۱. اتصال به APIهای مالی (شامل ThetaData برای آپشن، FRED/FMP برای ماکرو، و Polygon یا APIهای مشابه برای کندل‌های ۱ دقیقه‌ای ۶ نماد اصلی). ۲. ساخت یک دیتابیس سری‌زمانی و همگام‌سازی (Time-Synchronization) دقیق داده‌های کُند (روزانه) با داده‌های سریع (۱ دقیقه‌ای و ۵ دقیقه‌ای) با استفاده از Forward-Fill. نکته حیاتی: نباید مطلقاً هیچ‌گونه تقلب زمانی (Look-ahead Bias) در ردیف‌های دیتافریم وجود داشته باشد. ​فاز ۲: پردازش ریاضی و مهندسی ویژگی (Feature Engineering) ۳. پیاده‌سازی فرمول‌های مشخص ریاضی روی زنجیره آپشن (محاسبه مجموع حاصل‌ضرب Open Interest در Gamma در قیمت) برای یافتن سطوح حداکثری (Max Positive/Negative Levels). ۴. محاسبه Rolling Z-Score (پنجره ۶۰ روزه) روی داده‌های اقتصاد کلان. ۵. محاسبه ماتریس "علیت گرنجر" (Granger Causality) یا Cross-Correlation شیفت‌یافته روی ۶ نماد لایو، برای تشخیص اینکه کدام نماد "پیشرو" (Leader) و کدام "پیرو" است. ​فاز ۳: هوش مصنوعی و مدل‌سازی (AI & Graph Modeling) ​۶. تبدیل ماتریس علیتِ فاز قبل به یک گراف جهت‌دار (Directed Graph) با استفاده از NetworkX یا PyG. ۷. طراحی و آموزش یک شبکه عصبی گرافی (ترجیحاً در PyTorch) که ویژگی‌های فاز ۲ و ساختار گراف را به عنوان ورودی بگیرد. ۸. لایه خروجی مدل باید یک تابع Softmax باشد که احتمال وقوع ۳ کلاس (رشد، ریزش، خنثی) را در بازه زمانی آینده پیش‌بینی کند. ​فاز ۴: داشبورد مانیتورینگ زنده ۹. ساخت یک رابط کاربری مینیمال با Streamlit که خروجی‌های زنده (اعداد محاسبه شده فاز ۲، نام نماد لیدر، و درصد احتمالات مدل GNN) را نمایش دهد. ​مهارت‌های الزامی شما: ​تسلط فوق‌العاده به Python, Pandas, NumPy. ​تجربه عملی در کار با داده‌های مالی نامانا (Non-stationary) و همگام‌سازی آن‌ها. ​تسلط به PyTorch و معماری‌های پیشرفته (ترجیحاً PyTorch Geometric). ​نحوه شروع کار (تسک آزمایشی - پولی): کار را به صورت فازبندی شده پیش می‌بریم. مایلستون اول (آزمایشی) فقط شامل فاز ۱ (استخراج داده‌های ThetaData و FRED و همگام‌سازی آن‌ها در یک دیتافریم تمیز) است. در صورت تایید کیفیت کد و بهینه‌بودن سرعت، بلافاصله وارد فازهای ریاضی و هوش مصنوعی می‌شویم. نکته : آموزش های الزامی بصورت انگلیسی یا مطالب مربوطه در اختیار فرد قرار میگیرد و بصورت تسک ۱۳ یا ۱۴ مرحله ای خواهد بود و تمامی نیازهای فرد رو برآورد و تحویل می‌دیم ، ترجیحا تیم بهتر از یک فرد است ! لطفا با دقت مطالعه کنید و آگاهانه تصمیم بگیرید فردی که آگاهی ندارد لطفا وارد نشوید