Обзор новых исследований по алгоритмической торговле
Каждую неделю мы разбираем свежие научные работы по алгоритмическому трейдингу и количественным финансам. Вот что выделилось за 5–12 января 2026 года.
1. Адаптивные модели для прогнозирования
Сейчас активно развиваются модели, которые подстраиваются под меняющиеся рыночные условия. Например, в этой работе показано, как фильтр Калмана и модели Марковского переключения улучшают прогнозы во время кризисов на корейском рынке.
В другом исследовании предложили стратегию для прогнозирования спредов на рынке электроэнергии — она учитывает резкие скачки цен в разных зонах.
Ещё одна статья посвящена прогнозированию корреляций акций. Гибридные нейросети помогают лучше группировать активы для портфельных стратегий.
2. Машинное обучение в портфелях
ML всё чаще используют для оптимизации портфелей. В работе представлена модель DeePM — она даёт стабильную доходность даже при высокой волатильности.
Другое исследование сравнивает методы пассивного инвестирования. Нейросети и оптимизационные модели тут показывают лучшие результаты.
Ещё одна статья предлагает новый способ оценки рисков — с помощью топологического анализа данных.
3. Высокочастотный трейдинг (HFT)
В этой работе предложили архитектуру T-KAN для прогнозирования лимитных ордеров. Она работает лучше на длинных горизонтах.
Другое исследование разбирает, как меняются цены внутри дня в зависимости от капитализации компаний.
4. Новые вычислительные методы
Квантовые технологии начинают применять в финансах. Например, в этой статье квантовый Монте-Карло ускоряет расчёты цен опционов.
А здесь машинное обучение используют для прогнозирования кривой доходности облигаций.
Что дальше?
Скорее всего, будут развиваться адаптивные модели для работы в реальном времени. Также продолжат внедрять ML и квантовые технологии в управление рисками. Методы анализа высокочастотных данных и топологические подходы могут стать основой для новых стратегий.
Следующий обзор — через неделю.
