Научные тренды в алготрейдинге: обзор за неделю
Каждую неделю мы отбираем и разбираем десятки свежих препринтов научных работ по алгоритмической торговле. Вот что сейчас в фокусе исследований.
Генеративные модели для рыночных данных
Ученые активно работают над моделями, которые имитируют рыночные данные. Это нужно для стресс-тестирования и торговли в условиях неопределенности.
В работе «Nested Optimal Transport Distances» предлагают новый метод оценки таких моделей. Он помогает точнее предсказывать поведение рынка, что важно для хеджирования и алгоритмов на основе обучения с подкреплением.
Другое исследование «Painting the market: generative diffusion models for financial limit order book simulation and forecasting» использует диффузионные модели — технологию, похожую на ту, что создает изображения в нейросетях. Здесь ее применили к данным стакана заявок, чтобы лучше предсказывать его изменения.
Микроструктура рынка и влияние ордеров
Как отдельные заявки меняют цену? В статье «The Subtle Interplay between Square-root Impact, Order Imbalance & Volatility II: An Artificial Market Generator» показано, что волатильность можно объяснить через влияние крупных ордеров. Их эффект на цену часто подчиняется закону квадратного корня.
Для DeFi тоже есть важные исследования. В «Dynamics of Liquidity Surfaces in Uniswap v3» разбирают, как меняется ликвидность в Uniswap. Это помогает оптимизировать работу алгоритмов на децентрализованных биржах.
Машинное обучение для прогнозирования
Подходы ML все чаще используют для поиска рыночных минимумов и аномалий. В «Predicting Market Troughs: A Machine Learning Approach with Causal Interpretation» показали, что волатильность опционов и ликвидность — ключевые факторы для предсказания дна рынка.
В криптотрейдинге важно увидеть нечестную игру. Система из статьи «HyPV-LEAD: Proactive Early-Warning of Cryptocurrency Anomalies through Data-Driven Structural-Temporal Modeling» лучше других обнаруживает схемы вроде pump-and-dump.
Что дальше?
Ожидается рост исследований по диффузионным моделям и причинно-следственному анализу в ML. Это не только улучшит прогнозирование, но и поможет объяснять рыночные события.
В ценообразовании опционов тоже будут прорывы. Работа «Deep Learning Option Pricing with Market Implied Volatility Surfaces» — пример того, как нейросети могут упростить оценку сложных инструментов.
