Обзор новых исследований по алготрейдингу и квантовым финансам

На этой неделе больше всего исследований посвящено квантовым вычислениям и машинному обучению в трейдинге и управлении рисками. Ученые ищут способы улучшить торговые стратегии, оптимизировать портфели и точнее прогнозировать рынки.

1. Квантовые вычисления в финансах (q-fin.CP, q-fin.TR)
Исследуют, как квантовые алгоритмы могут повысить точность финансовых моделей. Например, в этой работе (http://arxiv.org/abs/2509.17715v1) показано, что квантовые компьютеры помогают лучше оценивать вероятность исполнения заявок в трейдинге облигациями. Метод дает прирост точности до 34%, несмотря на шум в квантовых вычислениях.

Другое исследование (http://arxiv.org/abs/2509.16955v1) тестирует квантовые алгоритмы для автоматических маркет-мейкеров в DeFi. Они помогают эффективнее перебалансировать портфели и дают лучшую доходность с учетом риска.

2. Машинное обучение в трейдинге (cs.LG, q-fin.PM, q-fin.TR)
Продолжают улучшать торговые стратегии с помощью нейросетей. В одной из работ (http://arxiv.org/abs/2509.16707v1) предложен фреймворк, который генерирует сигналы для 800+ акций США с низкими затратами и высокой эффективностью (хороший коэффициент Шарпа, слабая корреляция с рынком).

Еще в статье (http://arxiv.org/abs/2509.16912v1) разработан алгоритм исполнения, который учитывает дисбаланс в стакане заявок (OBI). Это особенно полезно в нестабильных рынках.

Для развивающихся рынков, например Пакистана, показано (http://arxiv.org/abs/2509.14401v1), что LSTM-сети хорошо предсказывают цены закрытия, особенно в стабильных и ликвидных секторах.

3. Управление рисками и анализ временных рядов (q-fin.RM, q-fin.ST)
В одной работе (http://arxiv.org/abs/2509.17555v1) предложен новый способ оценки рисков с помощью модифицированных интегралов Шоке. Это расширяет классические методы, такие как Value at Risk.

Другое исследование (http://arxiv.org/abs/2509.16137v1) показывает, что добавление временных меток к OHLC-данным улучшает прогнозы VWAP (средневзвешенной цены по объему).

Что дальше?
Ожидается больше гибридных подходов — сочетание классического машинного обучения с квантовыми вычислениями. Особенно для оптимизации и управления рисками. Также будут развиваться адаптивные модели, которые лучше работают в меняющихся рыночных условиях.

Мы еженедельно анализируем сотни научных статей и препринтов, чтобы отобрать самое полезное. Все ссылки ведут на оригинальные исследования — можно углубиться в детали.

Пишу про автоматизацию трейдинга и не только. Канал