исследование

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).

Нашла интересное новое исследование о пенсии и необходимости формировать «собственный пенсионный фонд». ВЦИОМ провел опрос, в котором приняли участие 1,6 тыс. россиян старше 18 лет.

Какие интересные результаты он дал?

1️⃣ 76% россиян убеждены, что пенсии не хватит для нормальной жизни.

2️⃣ Когда начинать копить?

— 30% считает, это надо сделать до 25 лет;
— 25% считает, что лучший момент с 25 до 35 лет.

3️⃣ Отношение опрошенных к пенсии:

— 40% опрошенных считает, что пенсия как счастливый период, так считают 44% женщин и 35% мужчин.

— 44% считает, что пенсия — это тяжелое время, так как ты выпадаешь из активной жизни и происходит резкое сокращение доходов.

🟢 Радует, что понимание необходимости формирования капитала стало приходить в молодом возрасте. Помню, лет 10 назад молодежь мало интересовалась инвестициями и личными финансами. Сейчас, когда спрашиваю своих студентов, многие уже в теме инвестиций.

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.

Национальная цель «Комфортная и безопасная среда для жизни» предполагает повышение качества среды в ключевых населённых пунктах на 60% к 2036 году. Задача закреплена в нацпроекте «Инфраструктура для жизни», который предусматривает создание современных школ, больниц, университетских кампусов, культурных и спортивных объектов. Создать необходимую для этого инфраструктуру позволит государственно-частное партнёрство (ГЧП).

Механизм ГЧП давно и активно применяется во всем мире, позволяя создавать проекты высокой социальной значимости. Для России это особенно актуально: инфраструктура в огромной стране должна постоянно развиваться и модернизироваться, а значит – её рынок вечен. По данным исследования Национального центра ГЧП и компании «Технологии Доверия» («ТеДо») в прошлом году в РФ было заключено 210 ГЧП-соглашений в социальной сфере на общую сумму более 1 трлн рублей. Наибольшие объёмы инвестиций пришлись на образование и науку, здравоохранение, спорт, культуру и благоустройство территорий. К 2030 году потребность в инвестициях по проектам ГЧП составит не менее 0,5 трлн рублей, при этом доля социальной инфраструктуры достигнет 33% всех вложений.

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.

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.