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:

На этой неделе большинство работ было посвящено машинному обучению и новым вычислительным методам в трейдинге и управлении рисками. Основной тренд — использование больших языковых моделей (LLM) и трансформеров для прогнозирования и оптимизации портфелей.

Все данные взяты из свежих научных статей и препринтов. Каждую неделю мы анализируем сотни работ и отбираем самое важное.

Основные направления

1. ИИ в трейдинге и управлении портфелем

Исследования сосредоточены на улучшении стратегий через анализ настроений и прогнозные модели.

• LLM для оптимизации портфеля
Фреймворк 3S-Trader использует языковые модели для оценки акций, выбора стратегий и адаптации к рынку. Результаты показывают высокую доходность «3S-Trader: A Multi-LLM Framework for Adaptive Stock Scoring, Strategy, and Selection in Portfolio Optimization».

• Риски стратегий на базовых моделях
Исследование предлагает расширить модель CAPM, чтобы разделить систематические и индивидуальные риски при использовании foundation models «Trading with the Devil: Risk and Return in Foundation Model Strategies».

На этой неделе большинство работ было про использование ИИ и машинного обучения в торговых алгоритмах и управлении портфелями. Особенно много внимания уделяли крипторынкам — их высокой волатильности и новым подходам к арбитражу и хеджированию.

Все данные ниже — из свежих научных статей. Каждую неделю мы отбираем сотни работ и разбираем самое важное.

1. ИИ в алгоритмической торговле

Основной тренд — сложные алгоритмы на основе ИИ. Особенно для работы с высокочастотными данными и адаптацией стратегий.

• Моделирование книги ордеров
В статье "A Deterministic Limit Order Book Simulator with Hawkes-Driven Order Flow" предложили симулятор, который точнее воспроизводит реальные рыночные условия. Он использует процесс Хоукса, чтобы учитывать скопления заявок в потоке ордеров — это важно для высокочастотных трейдеров.

• Хеджирование опционов с глубоким обучением
В работе "Application of Deep Reinforcement Learning to At-the-Money S&P 500 Options Hedging" алгоритм TD3 (разновидность глубокого обучения) показал лучшие результаты, чем классическое дельта-хеджирование. Особенно когда рынок нестабилен или комиссии высокие.

Еженедельно мы анализируем сотни научных работ и препринтов по алготрейдингу, количественным финансам и машинному обучению. Рассказываем о главных направлениях исследований.

1. Алгоритмическая торговля и микроструктура рынка
Исследования сосредоточены на улучшении торговых стратегий. Рассматривают, как учитывать транзакционные издержки и рыночные режимы. Для этого предлагают новые методы управления портфелем FR-LUX (http://arxiv.org/abs/2510.02986v1) и модели книги заявок Mean-field theory (http://arxiv.org/abs/2510.01814v1). Также изучают, как использовать машинное обучение для создания безарбитражных поверхностей волатильности на рынке опционов Risk-Sensitive Option Market Making (http://arxiv.org/abs/2510.04569v1).

2. Оценка рисков и управление портфелем
Разрабатывают новые методы хеджирования деривативов. Например, предлагают объединить обучение с подкреплением и меры безопасности для снижения рисков Tail-Safe Hedging (http://arxiv.org/abs/2510.04555v1). Также исследуют, как оценивать риски в страховании жизни при неопределённости Robust risk evaluation (http://arxiv.org/abs/2510.01971v1). Новые подходы к распределению активов используют трансформеры Signature-Informed Transformer (http://arxiv.org/abs/2510.03129v1).

На этой неделе больше всего исследований посвящено квантовым вычислениям и машинному обучению в трейдинге и управлении рисками. Ученые ищут способы улучшить торговые стратегии, оптимизировать портфели и точнее прогнозировать рынки.

1. Квантовые вычисления в финансах (q-fin.CP, q-fin.TR)
Исследуют, как квантовые алгоритмы могут повысить точность финансовых моделей. Например, в этой работе (http://arxiv.org/abs/2509.17715v1) показано, что квантовые компьютеры помогают лучше оценивать вероятность исполнения заявок в трейдинге облигациями. Метод дает прирост точности до 34%, несмотря на шум в квантовых вычислениях.

Другое исследование (http://arxiv.org/abs/2509.16955v1) тестирует квантовые алгоритмы для автоматических маркет-мейкеров в DeFi. Они помогают эффективнее перебалансировать портфели и дают лучшую доходность с учетом риска.

2. Машинное обучение в трейдинге (cs.LG, q-fin.PM, q-fin.TR)
Продолжают улучшать торговые стратегии с помощью нейросетей. В одной из работ (http://arxiv.org/abs/2509.16707v1) предложен фреймворк, который генерирует сигналы для 800+ акций США с низкими затратами и высокой эффективностью (хороший коэффициент Шарпа, слабая корреляция с рынком).

Каждую неделю мы анализируем десятки научных статей, чтобы выделить ключевые тенденции в финансах, алготрейдинге и управлении рисками.

Вот что важно на этой неделе.

Машинное обучение для оценки рисков
Исследователи работают над тем, чтобы модели машинного обучения лучше предсказывали финансовые события и при этом оставались понятными для регуляторов.

В работе «Enhancing ML Models Interpretability for Credit Scoring» предложен гибридный метод, который делает кредитный скоринг точнее и прозрачнее.

Другое исследование — «Why Bonds Fail Differently?» представляет новую модель EMDLOT. Она прогнозирует дефолты облигаций, объясняя свои решения.

Алготрейдинг и рыночная микроструктура
Продолжают изучать, как алгоритмическая торговля влияет на резкие рыночные колебания.

В статье «Ultrafast Extreme Events» разбирают роль ликвидности в экстремальных событиях и восстановлении рынка. Это помогает создавать более устойчивые стратегии для высокочастотной торговли.

Исследование «Bootstrapping Liquidity in BTC-Denominated Prediction Markets» рассматривает, как обеспечить ликвидность в рынках предсказаний на основе биткоина.

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.