Исследования недели: ML в трейдинге и анализе рынка

На этой неделе больше всего работ посвящено двум направлениям:

1. Машинное обучение (ML) для алгоритмической торговли
2. Анализ временных рядов с помощью глубокого обучения

1. ML в алгоритмическом трейдинге

Больше всего исследований — про обучение с подкреплением (RL). В них показывают, что RL и нейросети помогают делать торговые стратегии гибкими и устойчивыми.

— В работе QTMRL: An Agent for Quantitative Trading Decision-Making Based on Multi-Indicator Guided Reinforcement Learning предлагают торгового агента, который учитывает несколько технических индикаторов и адаптируется под рынок. Этот метод зарабатывает больше и лучше управляет рисками, чем классические подходы.

— Optimal Quoting under Adverse Selection and Price Reading — про оптимизацию котировок для маркет-мейкеров. Тут предлагают способ корректировать заявки, учитывая риски из-за информационного дисбаланса.

2. Глубокое обучение для прогнозирования рынков

Вторая группа работ — про анализ временных рядов. Акцент на предобученных моделях (foundation models), которые могут работать без дополнительной настройки.

— FinCast: A Foundation Model for Financial Time-Series Forecasting — первая модель для прогноза цен, обученная на огромном объеме данных. Она даёт точные прогнозы без подгонки под конкретный актив.

— Is attention truly all we need? An empirical study of asset pricing in pretrained RNN sparse and global attention models — сравнение моделей для оценки активов. Лучше всего работают RNN с механизмами внимания, особенно во время высокой волатильности (например, в пандемию).

— Forecasting Probability Distribitions of Financial Returns with Deep Neural Networks — про прогнозирование распределения доходности. LSTM-модели здесь точнее классических эконометрических методов.

Что дальше?

Будут развиваться:
• Гибридные модели, которые соединяют классическую финансовую теорию и ML.
• Foundation models для рынков — они смогут работать «из коробки» на разных активах.
• Методы, которые лучше учитывают нелинейность и резкие изменения рынка.
• Интерпретируемые модели — чтобы доверие к ним в индустрии росло.

Все данные — из свежих научных статей. Каждую неделю мы разбираем сотни исследований, чтобы выбрать самое полезное.

Пишу про автоматизацию трейдинга и не только. Канал