ML

Небольшая заметка — посмотрел интересное видео около ML о том как адаптировать торговые стратегии к изменениям рыночного режима (regime changes).
И здесь основная проблема в нестационарности финансовых временных рядов, где статистические свойства (среднее, дисперсия и др.) постоянно меняются со временем.

У видео есть автоперевод на русский язык.

Видео: https://www.youtube.com/watch?v=X5QcNyYRMqQ


Автор рассматривает три метода адаптации:

• Кодирование скрытых состояний (Encoding Hidden States): использование средних и других признаков для передачи «памяти» модели о предыдущей динамике рынка.
• Онлайн-обучение (Online Learning): использование алгоритмов, таких как Passive Aggressive Regressor, которые непрерывно корректируют веса модели при каждом новом тике данных, позволяя стратегии быстро переключаться между импульсной торговлей и возвратом к среднему.
• Обучение с подкреплением (Reinforcement Learning): моделирование торговли как задачи «двурукого бандита». Автор подчеркивает важность использования энтропийной регуляризации, которая предотвращает застревание модели в локальных оптимумах и заставляет её продолжать «исследование» рынка даже после изменения условий.

Попалась статейка на хабре

habr.com/ru/companies/airi/articles/1011256/

Статья большая, но самое интересное в конце.

Ежели кто в теме рубит и есть котировки на большую глубину — имеет смысл поковырять, адаптировать модельку.

Я бы поковырял — но котировок большой глубины в привычных местах на финаме и  мфд скачать не смог.

Все обрезали нафиг! 

Наткнулся недавно на интервью от сентября 2025 года с Эрни Чаном (Ernie Chan) — это известный эксперт в области количественных финансов и алгоритмической торговли, частный алготрейдер и управляющий. Они известен как квант (quantitative analyst) то есть специалист, использующий математические и статистические методы для разработки автоматизированных торговых стратегий.

Ссылка: www.youtube.com/watch?v=JOsu3kamlYo 

Он тоже говорит что машинное обучение (ML) не гарантирует успеха, если данные доступны всем и успех в трейдинге часто зависит от уникальных данных и ресурсов в этом срезе.

Иронизирует о том, что надо собрать как можно больше данных — высокочастотные данные, новостные данные, фундаментальные данные — просто собрать как можно больше данных и запустить на них нейронную сеть — она выдаст прогноз и вы разбогатеете 💰.

Я побывал на Perm Winter School '26, это такая ежегодная научно‑практическая конференция, объединяющая студентов, ученых и экспертов из финансовой, ИТ и экологической сфер. Она некоммерческая.

И если честно на ней я надеялся услышать что‑то вроде того что «ИИ уже почти научился зарабатывать на рынке, осталось чуть‑чуть шлифануть».

Но получилось наоборот — если обобщить опыт всех спикеров и дискуссии, которые я услышал, то картина будет довольно неприятной для тех кто до сих пор ищет «кнопку бабло» в теме больших языковых моделей (LLM).

На конференции было порядка десяти докладов и в один текст статьи это не оформить — он получится слишком длинный, поэтому в этой первой части статьи о Perm Wesna School '26 я разберу популярный миф о том, что ИИ хорошо предсказывает финансовый рынок.

Конференцию организовали классический и технический университеты города Перми.

На прошедшей неделе в Москве состоялось мероприятие, посвящённое машинному обучению (Machine Learning) в трейдинге. Название мне показалось весьма злободневным: «ML в трейдинге: как выжить, если ты один, а против тебя — хедж-фонды с бесконечным бюджетом».

Я бы хотел побывать на нём лично, но из Перми ехать далековато (только Тимофею дарят по 150 тр чтобы поднять настроение) и поэтому я отдал билет другу. Так что отдельное спасибо Сергею Степаняну за то, что он приехал в Москву из Ярославля и фактически стал моими глазами и ушами — то, что вы читаете — это его наблюдение, мои размышления и немного здравого смысла. 

Прежде чем мы начнем копаться в серверах и ФОТе, давайте настроимся на правильную волну. DDX Fitness называет свою модель «Luxury Low-cost». Это звучит примерно так же концептуально, как в старом добром клипе «Ленинграда»:

Сколько? — 1300 — Ничесе, а что так дорого? — Экслюзивная вещь, лимитед идишен, не всем по карману.

Время после нового года решил провести с пользой и окунуться в машинное обучение. Заняться Machine Learning — и посмотреть получится что‑то или нет с российским рынком акций на Московской бирже.

Моей целью было построить такую систему, которая будет учиться на истории и в перспективе торговать лучше чем случайное блуждание 50/50. Но из‑за комиссий и спреда подобные блуждания изначально отрицательны — чтобы выйти в плюс надо как минимум покрывать комиссии.

Если говорить о результатах очень кратко, то технически всё работает, но вот финансовый результат на грани безубыточности.

Если Вы только интересуетесь этой темой Вы можете посмотреть какие‑то шаги в моей статье, а если Вы уже опытный разработчик подобных систем, то можете подсказать что‑нибудь в комментариях.

Причём вся эта работа выглядит совершенно не так как показывается в фильмах про уолл‑стрит: фактически это написание скриптов и монотонный запуск и всё происходит полностью локально на компьютере.

Каждую неделю мы разбираем свежие научные работы по алгоритмическому трейдингу и количественным финансам. Вот что выделилось за 5–12 января 2026 года.

1. Адаптивные модели для прогнозирования
Сейчас активно развиваются модели, которые подстраиваются под меняющиеся рыночные условия. Например, в этой работе показано, как фильтр Калмана и модели Марковского переключения улучшают прогнозы во время кризисов на корейском рынке.

В другом исследовании предложили стратегию для прогнозирования спредов на рынке электроэнергии — она учитывает резкие скачки цен в разных зонах.

Ещё одна статья посвящена прогнозированию корреляций акций. Гибридные нейросети помогают лучше группировать активы для портфельных стратегий.

2. Машинное обучение в портфелях
ML всё чаще используют для оптимизации портфелей. В работе представлена модель DeePM — она даёт стабильную доходность даже при высокой волатильности.

Другое исследование сравнивает методы пассивного инвестирования. Нейросети и оптимизационные модели тут показывают лучшие результаты.

Недавно купил книгу «Кванты. Как волшебники от математики заработали миллиарды и чуть не обрушили фондовый рынок», которую её автор Скотт Паттерсон написал ещё в 2010 году. Книга издана на русском языке в 2014, но я познакомился с ней только недавно и понял что в книге очень хорошо расписана хронология развития алгоритмической торговли и чем она заканчивалась. Спойлер: ничем хорошим в итоге, но в моменте очень выгодно для участников.

Решил сделать статью по мотивам книги — краткую выжимку идей о том, какими алгоритмами и в какое время зарабатывались деньги. Первая часть этой статьи — на основе этой книги, а вторая этой часть — на основе открытых данных из интернета.

Причём странная деталь — заказал книгу на обычном маркетплейсе, но книга шла из‑за рубежа и пришла даже без указания тиража — то есть какая‑то условно китайская копия — раньше с такими не сталкивался.

Ниже первая часть, которая написана на основе этой книги.