Каждую неделю мы разбираем десятки свежих научных статей по алгоритмической торговле и финансам. Вот главное за последние семь дней.

1. Алготрейдинг: точное ценообразование и оптимизация
Учёные продолжают улучшать методы расчёта цен на деривативы и оптимизации стратегий. В этой работе предложен новый подход без арбитража. Он использует нейросети для решения сложных уравнений и даёт точность до 0,04–0,07 цента на доллар контракта. Скорость расчётов выше метода Монте-Карло в 4,5 млн раз.

Другое исследование посвящено выбору лучших стратегий для портфелей в условиях, когда рынок ведёт себя нестабильно. Авторы используют уравнения Риккати — это математический инструмент для работы с динамическими системами.

2. Риск-менеджмент: кредитные потери и резервы
Актуальная тема — оценка вероятности невозврата кредитов. В статье сравнивают модели прогнозирования списаний по стандарту IFRS 9. Дискретная модель показала лучшие результаты.

Ещё одна работа предлагает новый метод расчёта резервов под убытки. Он основан на микромоделировании и улучшает классический метод цепной лестницы.

Разберём ключевые исследования по алгоритмической торговле и управлению рисками. Все данные — из научных работ и препринтов, опубликованных с 3 по 10 марта 2026 года.

1. Как алгоритмы предсказывают рынок
Новые модели используют графы и анализ настроений. Например, в этой работе графовая архитектура с BERT прогнозирует цены акций с высокой точностью (ошибка менее 1%).

Другое исследование (ссылка) объясняет, как трейдеры-имитаторы влияют на рынок. Чем больше таких участников, тем выше волатильность — это показано через агентное моделирование.

2. Как считать риски точнее
Классические методы плохо работают с зависимыми данными. В новом подходе предлагают разлагать корреляции на компоненты — это помогает лучше оценивать экстремальные риски.

3. Оптимизация портфеля
В статье анализируют динамическое управление активами. Метод снижает ошибки отслеживания, объединяя стратегии распределения.

Отдельно — работа по машинному обучению для ультракоротких опционов (подробности). Модель учитывает скачки волатильности и быстрые изменения цены.

Каждую неделю мы разбираем тучу научных статей и препринтов по алгоритмической и количественной торговле. Вот что выделили за период с 23 февраля по 2 марта 2026.

1. Алгоритмическая торговля и микроструктура рынка
Исследователи продолжают изучать микроструктуру рынка — механизмы ценообразования и исполнения сделок. В работе An Infinite-Dimensional Insider Trading Game расширили классическую модель Кайла на торговлю несколькими активами одновременно. Это помогает анализировать сложные стратегии.

Другое интересное исследование — TradeFM: A Generative Foundation Model for Trade-flow and Market Microstructure. Авторы создали модель, которая анализирует потоки сделок и находит закономерности, работающие на разных рынках.

В криптовалютах по-прежнему много неэффективностей, подтверждает работа Market Inefficiency in Cryptoasset Markets. Это мешает нормальному перераспределению капитала.

2. Языковые модели в трейдинге
Большие языковые модели (LLM, вроде ChatGPT) начинают применять в торговых системах. В исследовании Toward Expert Investment Teams: A Multi-Agent LLM System with Fine-Grained Trading Tasks показали, как система с несколькими «агентами», каждый из которых выполняет свою задачу, может давать лучшие результаты при том же уровне риска.

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.