Каждую неделю мы разбираем десятки, а иногда и сотни научных статей и препринтов по алготрейдингу и количественным финансам. Вот что интересно за последние 7 дней.

Прогнозирование цен и волатильности
Основной тренд — улучшение точности прогнозов. Метод временной иерархической прогнозировки (THieF) даёт плюс 13% к точности предсказания цен на электроэнергию на день вперёд. Суть в согласовании прогнозов по часам и блокам контрактов. Подробности в статье Stealing Accuracy: Predicting Day-ahead Electricity Prices with Temporal Hierarchy Forecasting (THieF) (http://arxiv.org/abs/2508.11372v1).

Для крипторынков полезны модели стохастической волатильности с динамической асимметрией. Они лучше учитывают резкие скачки цен. Детали — в работе Dynamic Skewness in Stochastic Volatility Models: A Penalized Prior Approach (http://arxiv.org/abs/2508.10778v1).

Оптимизация портфелей
Классические методы уступают подходу DFL (обучение, ориентированное на решение). В статье Estimating Covariance for Global Minimum Variance Portfolio: A Decision-Focused Learning Approach (http://arxiv.org/abs/2508.10776v1) показано, что DFL даёт меньший разброс доходности портфеля.

Арбитраж на цифровых рынках
Платформа Polymarket стала источником крупных заработков. Трейдеры получили около $40 млн на неверном ценообразовании связанных активов. Об этом говорится в исследовании Unravelling the Probabilistic Forest: Arbitrage in Prediction Markets.

Авторы Measuring DEX Efficiency and The Effect of an Enhanced Routing Method создали метрику STAP. Она помогает измерить эффективность децентрализованных бирж и показывает, как новые алгоритмы увеличивают прибыль трейдеров.

В работе Performative Market Making описана модель, где участники рынка создают условия для собственных прогнозов и зарабатывают на этом.

Управление портфелем
Нормализация данных снижает эффективность портфельной оптимизации через обучение с подкреплением. К такому выводу пришли авторы Comparing Normalization Methods for Portfolio Optimization with Reinforcement Learning.

На этой неделе в научных работах по алгоритмической торговле и управлению портфелями особое внимание уделено новым методам анализа данных и оценки рисков. Мы отобрали ключевые исследования из сотен свежих статей и препринтов, чтобы показать главные тенденции.

Улучшение торговых стратегий
В работе Order Book Filtration and Directional Signal Extraction at High Frequency предлагается новый способ фильтрации данных о ценах и объемах в режиме реального времени. Авторы доказали, что это помогает точнее находить сигналы для сделок, убирая лишний «шум» в рыночных данных.

Квантовые вычисления в финансах
Исследование Quantum generative modeling for financial time series with temporal correlations показывает, как квантовые алгоритмы могут генерировать искусственные финансовые данные. Это полезно для обучения моделей, особенно когда реальных данных мало.

Риски и ESG-факторы
В статье ESG Risk: Lessons Learned from Utility Theory рассматривается, как экологические, социальные и управленческие факторы (ESG) влияют на выбор активов. Авторы предлагают новые способы оценки этих рисков.