Новые исследования по алгоритмической торговле – неделя 19-26 января
Разбираем свежие научные работы по алгоритмической торговле и анализу данных. Каждую неделю мы просматриваем сотни статей и выбираем ключевые. Вот что стоит внимания на этой неделе.
1. Алгоритмическая торговля
Основной фокус — эффективность интрадейных стратегий и их оптимизация. В работе A Learnable Wavelet Transformer for Long-Short Equity Trading and Risk-Adjusted Return Optimization предложена модель WaveLSFormer. Она использует вейвлет-анализ (способ обработки сигналов) и показывает доходность с высоким Sharpe ratio (2.157 ± 0.166).
Другое важное исследование —Market Making and Transient Impact in Spot FX. В нём изучают, как краткосрочные рыночные движения влияют на маркет-мейкинг в валютных парах.
2. Прогнозирование временных рядов
Много работ по анализу данных, особенно в финансах и медицине. В статье Demystifying the trend of the healthcare index: Is historical price a key driver? исследуют индексы здравоохранения. Используют nowcasting — прогнозирование на основе самых свежих данных — и получают высокую точность предсказаний.
В работе Brownian ReLU(Br-ReLU): A New Activation Function for a Long-Short Term Memory (LSTM) Network предлагают новую функцию активации для LSTM-сетей (тип нейросетей для анализа последовательностей). Она лучше работает с финансовыми временными рядами.
3. Машинное обучение в финансах
Станет ли ИИ надёжным инструментом? В статье Look-Ahead-Bench: a Standardized Benchmark of Look-ahead Bias in Point-in-Time LLMs for Finance оценивают проблему look-ahead bias — когда модель «подглядывает» в будущие данные при обучении. Вводят эталонный тест, чтобы такие ошибки можно было выявлять.
Что дальше?
Скорее всего, исследования продолжат развиваться в сторону гибридных моделей: трансформеры + классические методы анализа данных. Также внимание сместится на устойчивость алгоритмов в нестабильных условиях.
Если есть вопросы по конкретным работам — пишите, обсудим.
