алгоритм

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.

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.

Введение: От алфавита к словам

В первой части мы создали для нашего алгоритма «алфавит» — систему из 153 уникальных состояний, которая ёмко и точно описывает каждый отдельный ценовой бар. Мы научили его «видеть» и понимать рыночную ситуацию на фундаментальном уровне.

Но один кирпичик — еще не стена. Одна буква — еще не слово. Сегодня мы движемся дальше: наша задача — научить алгоритм анализировать составные паттерны, последовательности этих «кирпичиков», и находить в них статистически значимые аномалии, которые могут указывать на высоковероятные сценарии развития событий.

Часть 1: Главный вызов — проклятие большой размерности

Самая большая сложность, с которой мы сталкиваемся на этом пути, — это экспоненциальный рост количества возможных комбинаций. Это классическая проблема анализа данных, известная как «проклятие размерности».

Если одиночный бар может находиться в одном из 153 состояний, то для паттерна, состоящего всего из 5 баров, теоретическое число возможных комбинаций составит 153⁵ — это астрономическая величина, превышающая 8 миллиардов.

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.

Введение: Искусственный трейдер

Представьте себе трейдера-виртуоза. Он с первого взгляда на график оценивает обстановку: «Цена росла последние полчаса — это неспроста», или «Падение было слишком сильным и резким — вряд ли кто-то рискнет штурмовать предыдущий максимум». Его решения основаны на опыте, интуиции и распознавании неочевидных даже для него самого паттернов.

А теперь представьте, что мы хотим создать его цифровую копию. Алгоритм, который не просто слепо следует кодексу правил, а видит, анализирует и мыслит как человек, обладая при этом вычислительной мощью машины. Это наша амбициозная цель.

С чего же начинается любое обучение? С умения видеть. И это — первый и критически важный шаг. Мы создаем для нашего алгоритма «зрение», способное воспринимать и интерпретировать рыночную информацию на человеческом, понятном уровне.

Часть 1: Пропасть между человеком и машиной

Проблема в том, что фразы «сильное падение» или «ровный рост» для компьютера — просто бессмысленный набор символов. Что такое «сильно»? На 100 пунктов? На 1%? А «быстро» — это за минуту, час или день? Человеческий мозг оперирует контекстом и относительными понятиями, а машине нужны четкие, формализованные инструкции.

Скальпинг — это вид торговли, где счёт идет на секунды, поэтому успех сильно завязан на времени. И речь не только о том, как быстро терминал передает ваши действия. Арбитражникам нужен доступ к нескольким биржам сразу, тем, кто торгует по классике — простой и понятный интерфейс, а техногикам — гибкая настройка клавиш. Так какой терминал выбрать?

Мы рассказали, какие параметры важны для разных стратегий скальпинга и сравнили популярные торговые терминалы: TigerTrade, CScalp, Scalpee, MetaScalp, ATAS, Vataga.

Торговля от плотностей/по стакану или пипсовка

Плотность — это крупная лимитная заявка или сразу несколько рядом. Скальперу нужны те, что находятся на уровнях поддержки и сопротивления. Торговать можно двумя способами: на пробой или на отскок.

Пробой: Цена проходит сильный уровень. Цель здесь — войти в сделку в момент, когда этот уровень «пробивают» и быстро закрыть ее, чтобы забрать профит.