Обзор исследований по алготрейдингу и машинному обучению за неделю

Еженедельно мы анализируем сотни научных работ и препринтов по алготрейдингу, количественным финансам и машинному обучению. Рассказываем о главных направлениях исследований.

1. Алгоритмическая торговля и микроструктура рынка
Исследования сосредоточены на улучшении торговых стратегий. Рассматривают, как учитывать транзакционные издержки и рыночные режимы. Для этого предлагают новые методы управления портфелем FR-LUX (http://arxiv.org/abs/2510.02986v1) и модели книги заявок Mean-field theory (http://arxiv.org/abs/2510.01814v1). Также изучают, как использовать машинное обучение для создания безарбитражных поверхностей волатильности на рынке опционов Risk-Sensitive Option Market Making (http://arxiv.org/abs/2510.04569v1).

2. Оценка рисков и управление портфелем
Разрабатывают новые методы хеджирования деривативов. Например, предлагают объединить обучение с подкреплением и меры безопасности для снижения рисков Tail-Safe Hedging (http://arxiv.org/abs/2510.04555v1). Также исследуют, как оценивать риски в страховании жизни при неопределённости Robust risk evaluation (http://arxiv.org/abs/2510.01971v1). Новые подходы к распределению активов используют трансформеры Signature-Informed Transformer (http://arxiv.org/abs/2510.03129v1).

3. Вычислительные финансы и машинное обучение
Продолжают применять машинное обучение для сложных финансовых задач. Улучшают анализ текстовых данных, например, оценивают устойчивость NLP-моделей к изменениям в языке Quantifying Semantic Shift (http://arxiv.org/abs/2510.00205v1). Также предлагают модели для задач QA, которые лучше работают с количественными данными Expert Question Decomposition (http://arxiv.org/abs/2510.01526v1). Исследуют, как оптимизировать участие систем накопления энергии на рынках электроэнергии Joint Bidding (http://arxiv.org/abs/2510.03209v1). Создают новые бенчмарки для финансового QA на основе графов знаний FinReflectKG (http://arxiv.org/abs/2510.02906v1).

4. Обработка временных рядов
Используют новые архитектуры для прогнозирования финансовых данных. Например, предлагают гиперграфовый трансформер, который учитывает причинно-следственные связи и геометрические представления From News to Returns (http://arxiv.org/abs/2510.04357v1). Это улучшает прогнозирование доходности и классификацию рыночных режимов.

Что дальше
Будет больше интеграции машинного обучения с традиционными финансовыми моделями. Особенно в управлении рисками и алготрейдинге. Развивается интерпретируемый ИИ (Explainable AI) — он помогает внедрять сложные алгоритмы в регуляторных областях. Продолжат создавать специализированные финансовые наборы данных и бенчмарки. Усилия направлены на повышение устойчивости моделей к изменениям рынка и данных, а также на их адаптацию к макроэкономическим сдвигам.

Пишу про автоматизацию трейдинга и не только. Канал