За неделю с 16 по 23 февраля 2026 вышло много работ про ИИ в финансах. Мы разобрали десятки статей и выбрали самое важное.

Алготрейдинг
ИИ помогает находить рыночные аномалии и строить стратегии. Вот три ключевые работы:
1. Исследование про стратегический разрыв — как компании задерживают публикацию данных, чтобы рынок медленнее реагировал. Авторы предлагают методы регулирования.
2. FactorMiner — алгоритм, который сам находит торговые сигналы и убирает лишние.
3. Анализ инсайдерских намерений — как искажение отчетности создает несправедливые преимущества и как это исправить.

Оптимизация портфеля
1. Глубокое обучение с подкреплением показало лучшие результаты, чем классические методы по Sharpe и просадкам.
2. Квантовые алгоритмы для оптимизации портфеля — QAOA с новой инициализацией работает быстрее обычных методов.

Риски и микроструктура рынка
1. Автоделеверидж — как снижать избыточные ликвидации на фьючерсах. Формализовано как задача онлайн-обучения.
2. Фиксированные точки Тарского — алгоритмы для расчёта точек клиринга в финансовых сетях. Помогает оценить устойчивость системы.

Каждую неделю мы перебираем десятки новых научных препринтов и выбираем самое важное.

1. Алгоритмическая торговля
Новое исследование о биткоине показывает, как правильно настраивать торговые стратегии с walk-forward тестированием. Более точный подбор длины окон уменьшает просадки и улучшает результаты. Ссылка

Другая работа сравнивает торговлю на централизованных и децентрализованных биржах. Разные комиссии и задержки исполнения влияют на прибыль — это важно учитывать. Ссылка

Прогнозирование цен на электричество тоже переходит на машинное обучение. Новые модели учитывают не только точные цифры, но и рыночные факторы. Ссылка

2. Управление рисками
Риски можно оценивать по новостям. Трансформеры (тип нейросетей) хорошо работают даже с малым количеством данных. Ссылка

Для банков разработали модель, которая учитывает взаимное влияние через разные каналы. Это помогает точнее предсказывать кризисы. Ссылка

Новый метод оценки облигаций быстрее считает риски в больших сетях. Полезно для инвесторов. Ссылка

Каждую неделю мы разбираем сотни свежих исследований по алготрейдингу и количественным финансам. Вот главное за последние дни.

1. Квантовые алгоритмы для деривативов
Появились работы по применению квантовых вычислений в ценообразовании. В исследовании показано, что квантовые методы ускоряют расчёты для сложных моделей вроде CIR и Heston. Другая статья предлагает новый подход к ценообразованию через оптимальный транспорт — это помогает точнее оценивать сложные деривативы.

2. Новые методы управления рисками
В работе описан лес квантильной регрессии — он точнее считает VaR в реальном времени. Ещё одно исследование предлагает метод контроля хвостовых рисков для нестабильных рынков. А анализ Wishart-процессов даёт формулы для расчёта условных рисков.

3. Оптимизация портфелей
В BPASGM используют графовые модели для отбора активов — это снижает ошибки и повышает доходность. Фурье-RQMC методы улучшают оценку рисков при распределении капитала.

Что дальше
Квантовые вычисления будут развиваться для сложных моделей. Управление рисками станет более адаптивным. Графовые модели и машинное обучение войдут в стандартные методы оптимизации портфелей.

Разбираем свежие научные работы по алгоритмической торговле. Каждую неделю анализируем десятки, а иногда и сотни статей и выбираем самое важное.

Гибридные стратегии с ИИ

Исследования показывают, что сочетание машинного обучения с классическим техническим анализом даёт хорошие результаты.

В работе про гибридную систему авторы объединили трендовые и возвратные стратегии с анализом рыночных настроений через FinBERT и XGBoost. За 24 месяца модель показала доходность 135.49%, обогнав основные индексы.

Другая статья, AlphaCFG, предлагает новый способ поиска факторов для стратегий — через грамматики. Это делает модели понятнее без потери эффективности.

Ещё одно исследование изучает криптовалютные нарративы. Авторы с помощью NLP анализируют, как заявления проектов влияют на цену.

Адаптация к рыночным изменениям

Рынки нестабильны, и стратегии должны подстраиваться.

В работе про исполнение ордеров использовали алгоритм MAP-Elites. Он создаёт разные стратегии под конкретные условия — например, низкую ликвидность или высокую волатильность.

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.

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.

Эта неделя принесла новые работы по алгоритмической торговле. Разбираем самое важное из исследований в машинном обучении, квантах и управлении рисками. Все данные — из свежих научных статей.

Основные работы

1. Улучшенное прогнозирование индексов
Модель IGA-SVR для долгосрочных прогнозов показала результат лучше, чем стандартные LSTM. Использует генетические алгоритмы для подбора параметров. Подробности — в исследовании по адаптивному прогнозированию.

2. Быстрое опционное ценообразование
Гибридный алгоритм сочетает ML и численные методы. Ускоряет расчёты в разы по сравнению с классическими подходами. Подробнее — в работе по ускоренному ценообразованию.

3. Квантовые модели для рынков
Физики применили теорию квантовых полей (φ⁴-теория) к финансовым данным. Модель точно воспроизводит рыночную волатильность и редкие события, помогая предсказывать кризисы. Исследование здесь.

4. Системный риск-радар
Новый фреймворк на основе графов выявляет скрытые связи на рынках. Помогает замечать структурные сдвиги до кризиса. Методика описана тут.

На этой неделе в научных публикациях и препринтах по алготрейдингу и количественным финансам выделилось три ключевых направления. Мы разбираем сотни свежих работ каждую неделю — вот что важно.

1. Новые методы расчёта цен на опционы
Больше всего статей вышло по вычислительным финансам (q-fin.CP). В работе Convolution-FFT for option pricing in the Heston model предложили метод Convolution-FFT для расчёта цен опционов в модели Хестона. Метод даёт точные результаты без больших вычислительных затрат.

Другое исследованиеPredicting Price Movements in High-Frequency Financial Data with Spiking Neural Networks показывает, как спайковые нейронные сети (это тип ИИ, похожий на работу мозга) могут предсказывать скачки цен на высокочастотных данных. В тестах модель показала доходность 76.8%.

Ещё одна полезная система — A Unified AI System For Data Quality Control and DataOps Management in Regulated Environments. Она автоматически проверяет качество данных в финансовых компаниях, где жёсткие регуляторные требования.

С 24 ноября по 1 декабря 2025 года вышло много работ по алготрейдингу и количественным финансам. Мы разбираем сотни препринтов каждую неделю и выбираем самое важное.

Оптимизация портфеля
Несколько исследований посвящены новым методам управления инвестициями. В статье про трансферное обучение авторы используют данные с разных рынков, чтобы повысить доходность портфеля. Их метод даёт лучший коэффициент Шарпа — это мера, которая учитывает и прибыль, и риск.

Другая работа — оптимизация портфеля с ESG-данными. ESG — это экологические, социальные и управленческие факторы. Авторы комбинируют их с классической моделью Black-Litterman и получают 40-45% годовых.

Ещё одна интересная статья — сигнатуры для ценообразования опционов. Метод учитывает рыночные искажения и помогает точнее оценивать стоимость деривативов.

Управление рисками
Здесь выделяется исследование про квантовые сети активов. Авторы применяют квантовые методы, чтобы находить скрытые зависимости между активами. Это помогает лучше оценивать риски.

На этой неделе больше всего работ было по алгоритмической торговле, вычислительным финансам и рискам. В основном учёные применяли машинное обучение и ИИ — чтобы торговать точнее и безопаснее.

Основное
1. Алгоритмическая торговля + машинное обучение
Много статей про то, как нейросети помогают в трейдинге.
— Гибридные модели предсказывают риски и ищут выгодные сделки «Causal and Predictive Modeling of Short-Horizon Market Risk and Systematic Alpha Generation Using Hybrid Machine Learning Ensembles». 
— Системы на нескольких ИИ анализируют фундаментальные данные в китайском рынке «Hierarchical AI Multi-Agent Fundamental Investing: Evidence from China's A-Share Market».
— Роботы учатся исполнять ордера эффективнее «Right Place, Right Time: Market Simulation-based RL for Execution Optimisation».
— Новостной сентимент используют для торговли«News-Aware Direct Reinforcement Trading for Financial Markets». 

2. Портфели и риски
Как собрать портфель и не потерять на комиссиях: