Алготорговля и ML в финансах: что нового в науке на этой неделе

Каждую неделю мы просматриваем сотни свежих научных статей и препринтов по алгоритмической и количественной торговле. Всё, что написано ниже, взято из реальных исследований, а не из новостей или чьих-то мнений. Вот что важного вышло на этой неделе.



Как понять, что крупный игрок двигает рынок прямо сейчас

Работа Realtime price impact detection предлагает способ засекать ценовое воздействие в режиме реального времени. Ценовое воздействие — это когда чья-то сделка сама по себе двигает цену. Обычно это признак крупного участника или алгоритма.

Авторы строят метод на синхронности тайминга событий. Грубо говоря, если сделки и движения цены совпадают по времени не случайно, а с определённой регулярностью, это сигнал. Это не фильтрация шума постфактум, а попытка поймать момент воздействия именно тогда, когда он происходит. Для HFT и мониторинга ликвидности это потенциально полезный инструмент.



Transformer для прогноза индексов: помогает ли аугментация данных

В работе Robust Transformer-Based One-Step Stock Index Forecasting via Shifted Data Augmentation исследователи применяют Transformer-модели для предсказания фондовых индексов. Transformer — это архитектура нейросети, изначально разработанная для текста, но сейчас активно используемая в финансовых временных рядах.

Ключевая идея — аугментация данных со сдвигом (shifted augmentation). Аугментация — это искусственное расширение обучающей выборки, когда из исходных данных генерируются новые примеры. Здесь данные сдвигаются во времени, чтобы модель училась на большем числе вариаций. Тестировалось на индексах VN30 и S&P 500. Точность прогнозов выросла. Вывод простой: даже хорошая модель работает лучше, если её правильно накормить данными.



Как измерять риск от ИИ-агентов в трейдинге

Belief at Risk: Quantifying Agentic AI Model Risk with LLM-Inferred Bayesian State Filters — работа про оценку рисков агентных ИИ-систем. Агентный ИИ — это когда модель не просто отвечает на вопросы, а самостоятельно принимает решения и действует. В трейдинге это, например, автономный бот, который сам выбирает стратегию.

Проблема в том, что такие системы сложно контролировать. Авторы предлагают использовать байесовские фильтры состояний, которые выводятся через большие языковые модели (LLM). Байесовский фильтр — это математический инструмент, который обновляет оценку текущего состояния системы по мере поступления новых данных. По сути, исследователи строят рамку, которая позволяет следить за тем, во что «верит» ИИ-агент в каждый момент, и на основе этого оценивать его риск. Тема актуальная: автономные торговые системы уже существуют, а методов их аудита почти нет.



Волатильность на крипторынке и гибридные модели

В работе Beyond the Smile: A Hybrid Convolutional VAE for Crypto Volatility Surfaces строится гибридная модель для прогноза поверхностей волатильности на криптовалютных рынках. Поверхность волатильности — это трёхмерная картинка, которая показывает, как меняется ожидаемая волатильность в зависимости от страйка опциона и срока до экспирации. Название «Beyond the Smile» — отсылка к «улыбке волатильности», известному эффекту на опционных рынках.

Модель объединяет свёрточные нейросети (CNN) и вариационный автоэнкодер (VAE). CNN хорошо улавливают локальные паттерны в данных, а VAE умеет генерировать и сжимать информацию в компактное представление. Вместе они дают более точный прогноз формы поверхности волатильности. Авторы показывают, что гибрид работает лучше, чем каждый из компонентов по отдельности.



Общая картина недели

Три направления, которые доминируют в этом выпуске: анализ рыночного воздействия (q-fin.TR), машинное обучение для финансов (cs.LG) и оценка рисков (q-fin.RM). Исследования движутся в сторону более точного контроля над тем, что происходит внутри торговых систем, будь то крупный игрок на рынке или автономный ИИ

Пишу про автоматизацию трейдинга и не только. Канал