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.

Каждую неделю мы отбираем и разбираем десятки свежих препринтов научных работ по алгоритмической торговле. Вот что сейчас в фокусе исследований.

Генеративные модели для рыночных данных

Ученые активно работают над моделями, которые имитируют рыночные данные. Это нужно для стресс-тестирования и торговли в условиях неопределенности.

В работе «Nested Optimal Transport Distances» предлагают новый метод оценки таких моделей. Он помогает точнее предсказывать поведение рынка, что важно для хеджирования и алгоритмов на основе обучения с подкреплением.

Другое исследование «Painting the market: generative diffusion models for financial limit order book simulation and forecasting» использует диффузионные модели — технологию, похожую на ту, что создает изображения в нейросетях. Здесь ее применили к данным стакана заявок, чтобы лучше предсказывать его изменения.

Микроструктура рынка и влияние ордеров

Как отдельные заявки меняют цену? В статье «The Subtle Interplay between Square-root Impact, Order Imbalance & Volatility II: An Artificial Market Generator» показано, что волатильность можно объяснить через влияние крупных ордеров. Их эффект на цену часто подчиняется закону квадратного корня.

На этой неделе больше всего работ посвящено двум направлениям:

1. Машинное обучение (ML) для алгоритмической торговли
2. Анализ временных рядов с помощью глубокого обучения

1. ML в алгоритмическом трейдинге

Больше всего исследований — про обучение с подкреплением (RL). В них показывают, что RL и нейросети помогают делать торговые стратегии гибкими и устойчивыми.

— В работе QTMRL: An Agent for Quantitative Trading Decision-Making Based on Multi-Indicator Guided Reinforcement Learning предлагают торгового агента, который учитывает несколько технических индикаторов и адаптируется под рынок. Этот метод зарабатывает больше и лучше управляет рисками, чем классические подходы.

— Optimal Quoting under Adverse Selection and Price Reading — про оптимизацию котировок для маркет-мейкеров. Тут предлагают способ корректировать заявки, учитывая риски из-за информационного дисбаланса.

2. Глубокое обучение для прогнозирования рынков

Вторая группа работ — про анализ временных рядов. Акцент на предобученных моделях (foundation models), которые могут работать без дополнительной настройки.