Обзор новых исследований в алгоритмической торговле

На этой неделе большинство работ было про использование ИИ и машинного обучения в торговых алгоритмах и управлении портфелями. Особенно много внимания уделяли крипторынкам — их высокой волатильности и новым подходам к арбитражу и хеджированию.

Все данные ниже — из свежих научных статей. Каждую неделю мы отбираем сотни работ и разбираем самое важное.

1. ИИ в алгоритмической торговле

Основной тренд — сложные алгоритмы на основе ИИ. Особенно для работы с высокочастотными данными и адаптацией стратегий.

• Моделирование книги ордеров
В статье "A Deterministic Limit Order Book Simulator with Hawkes-Driven Order Flow" предложили симулятор, который точнее воспроизводит реальные рыночные условия. Он использует процесс Хоукса, чтобы учитывать скопления заявок в потоке ордеров — это важно для высокочастотных трейдеров.

• Хеджирование опционов с глубоким обучением
В работе "Application of Deep Reinforcement Learning to At-the-Money S&P 500 Options Hedging" алгоритм TD3 (разновидность глубокого обучения) показал лучшие результаты, чем классическое дельта-хеджирование. Особенно когда рынок нестабилен или комиссии высокие.

• Микроструктура рынка в DeFi
Статья «A Microstructure Analysis of Coupling in CFMMs» объясняет, как смарт-контракты влияют на ценообразование, особенно когда один рынок работает как «оракул» для другого. Важно для стратегий в децентрализованных финансах.

• Влияние крупных ордеров
В «Nonparametric Estimation of Self- and Cross-Impact» улучшают методы оценки, как большие заявки воздействуют на цену. Это помогает снизить рыночное влияние при торговле крупными объёмами.

2. Машинное обучение и портфели

Новые методы для анализа новостей, прогноза крипторынков и оптимизации портфелей в нестабильных условиях.

• Адаптивный торговый бот для Bitcoin
В «An Adaptive Multi Agent Bitcoin Trading System» агент использует LLM (большие языковые модели) для генерации сигналов и управления позициями. Он сам корректирует стратегии без ручных донастроек — особенно полезно в крипте.

• Управление рисками в кризис
Статья «Crisis-Aware Regime-Conditioned Diffusion with CVaR Allocation» предлагает модель, которая учитывает рыночные режимы и риски (CVaR). Это помогает снижать просадки во время резких движений рынка.

• Новые индексы для оценки доходности
Исследование «Evaluating Investment Performance: The p-index and Empirical Efficient Frontier» добавляет p-индекс в факторные модели. Это улучшает их точность, особенно для акций с NYSE.

• Арбитраж с факторами внимания
В «Attention Factors for Statistical Arbitrage» предложен метод для поиска схожих активов и рыночных неэффективностей. Алгоритм показывает высокий коэффициент Шарпа.

3. Анализ временных рядов

Новые подходы для точного моделирования цен на высокочастотных рынках.

• Проблемы тяжёлых хвостов
В «The Pitfalls of Continuous Heavy-Tailed Distributions in High-Frequency Data Analysis» показано, почему непрерывные распределения плохо работают для очень частых данных. Авторы предлагают модифицированный метод оценки.

Что дальше?

Будут развиваться гибридные модели — смесь классических подходов с глубоким обучением. Особый упор на:
• Умение работать с новостями и неструктурированными данными.
• Снижение рисков в условиях волатильности.
• Более понятные и интерпретируемые алгоритмы.

Пишу про автоматизацию трейдинга и не только. Канал