Каждую неделю мы просматриваем десятки-сотни новых научных работ по трейдингу и алгоритмам. Вот что выделилось на этой неделе.

1. Как предсказать волатильность крипты
Криптовалюты сильно прыгают в цене, поэтому их сложно прогнозировать. В статье Probabilistic Forecasting Cryptocurrencies Volatility: From Point to Quantile Forecasts предлагают новый метод – QRS. Он оценивает вероятности резких скачков на логарифмах данных. Простые линейные модели с ним работают лучше сложных.

Другое исследование – Sentiment-Aware Mean-Variance Portfolio Optimization for Cryptocurrencies – добавляет к анализу настроения из соцсетей и технические индикаторы. Стратегия дала +38,7% против +8,85% у Bitcoin, но и просадки у неё выше (-18,5%).

Вывод: крипту стоит анализировать не только по цифрам, но и по настроению рынка.

2. Нейросети для портфелей
LSTM-сети (особый тип нейросетей) хорошо предсказывают изменения в портфелях. В работе Investment Portfolio Optimization Based on Modern Portfolio Theory and Deep Learning Models их используют для расчёта корреляций активов. Результаты лучше, особенно на долгих периодах.

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.