Новые исследования в алгоритмической торговле и риск-менеджменте

На этой неделе большинство работ было посвящено машинному обучению и новым вычислительным методам в трейдинге и управлении рисками. Основной тренд — использование больших языковых моделей (LLM) и трансформеров для прогнозирования и оптимизации портфелей.

Все данные взяты из свежих научных статей и препринтов. Каждую неделю мы анализируем сотни работ и отбираем самое важное.

Основные направления

1. ИИ в трейдинге и управлении портфелем

Исследования сосредоточены на улучшении стратегий через анализ настроений и прогнозные модели.

• LLM для оптимизации портфеля
Фреймворк 3S-Trader использует языковые модели для оценки акций, выбора стратегий и адаптации к рынку. Результаты показывают высокую доходность «3S-Trader: A Multi-LLM Framework for Adaptive Stock Scoring, Strategy, and Selection in Portfolio Optimization».

• Риски стратегий на базовых моделях
Исследование предлагает расширить модель CAPM, чтобы разделить систематические и индивидуальные риски при использовании foundation models «Trading with the Devil: Risk and Return in Foundation Model Strategies».

• Функции потерь для ранжирования акций
Сравнение разных функций потерь в трансформерных моделях для прогноза доходности. Это помогает точнее выбирать активы в портфель «On Evaluating Loss Functions for Stock Ranking: An Empirical Analysis With Transformer Model».

2. Управление рисками и вычислительные финансы

Новые методы оценки рисков, особенно с использованием высокочастотных данных.

• Измерение рисков через высокочастотные данные
Подход Realized Risk Measures (RRM) улучшает прогнозирование VaR и Expected Shortfall «A high-frequency approach to Realized Risk Measures».

• Ковариация на данных свечей
Фреймворк для оценки ковариации по свечным данным. Позволяет точнее определять рыночную нейтральность «Beyond Returns: A Candlestick-Based Approach to Spot Covariance Estimation».

• Новости и факторы для прогноза доходности
Исследование комбинирует количественные факторы и новостной поток из LLM для предсказания доходности акций «Exploring the Synergy of Quantitative Factors and Newsflow Representations from Large Language Models for Stock Return Prediction».

3. Анализ временных рядов и статистика

Методы для прогнозирования волатильности и рыночной динамики.

• Новостной сентимент и волатильность
BERT и GARCH модели показывают, что негативные новости о геополитике снижают стабильность рынка «Sentiment and Volatility in Financial Markets: A Review of BERT and GARCH Applications during Geopolitical Crises».

• Прогноз рыночных пузырей
Трехэтапный метод на основе машинного обучения предсказывает пузыри на S&P 500, используя новости и макроэкономические данные «A three-step machine learning approach to predict market bubbles with financial news».

• Мультифрактальность в криптовалютах
Анализ показывает, что временные корреляции влияют на сложность ценовых движений в крипторынке «Multifractality and its sources in the digital currency market».

• Бутстрэп для оптимизации портфеля
Непараметрический метод улучшает устойчивость стратегий "(Non-Parametric) Bootstrap Robust Optimization for Portfolios and Trading Strategies".

Что дальше

Будут развиваться гибридные модели — комбинация классических методов с глубинным обучением. Важны интерпретируемость моделей и адаптация к быстрым изменениям рынка.

Растет интерес к прогнозированию экстремальных событий (крахи, пузыри) и управлению рисками при использовании LLM в трейдинге. Высокочастотные данные и мощные вычисления позволят создавать более точные системы для работы в реально

Пишу про автоматизацию трейдинга и не только. Канал