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.
Astronomer07 октября 2025, 23:56Сейчас обсуждают концепцию Квантовой Скользящей Средней (QMA) как состояния в гильбертовом пространстве темпоральных сглаживающих операторов, H_T. В отличие от классических подходов, где период сглаживания является экзогенно задаваемым гиперпараметром, где модель постулирует, что финансовый временной ряд индуцирует когерентную суперпозицию всех возможных базисных состояний сглаживания. Эволюция этой системы описывается уравнением типа Шрёдингера, где гамильтониан H_M включает некоммутирующие операторы волатильности и информационного потока. Она демонстрирует, что торговый сигнал является результатом проективного измерения (коллапса волновой функции) состояния QMA, индуцированного применением эрмитова оператора «Торгового Запроса» D̂. Данный формализм не только разрешает проблему неоднозначности выбора периода, но и предсказывает существование «темпоральных туннельных эффектов» и запутанности между различными временными масштабами, что подтверждается численным моделированием на высокочастотных данных.0
