Обзор новых исследований в алгоритмической торговле

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.

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

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.

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.

Статья "A Microstructure Analysis of Coupling in CFMMs" объясняет, как смарт-контракты влияют на ценообразование, особенно когда один рынок работает как «оракул» для другого. Важно для стратегий в децентрализованных финансах.

В "Nonparametric Estimation of Self- and Cross-Impact" улучшают методы оценки, как большие заявки воздействуют на цену. Это помогает снизить рыночное влияние при торговле крупными объёмами.

Новые методы для анализа новостей, прогноза крипторынков и оптимизации портфелей в нестабильных условиях.

В "An Adaptive Multi Agent Bitcoin Trading System" агент использует LLM (большие языковые модели) для генерации сигналов и управления позициями. Он сам корректирует стратегии без ручных донастроек — особенно полезно в крипте.

Статья "Crisis-Aware Regime-Conditioned Diffusion with CVaR Allocation" предлагает модель, которая учитывает рыночные режимы и риски (CVaR). Это помогает снижать просадки во время резких движений рынка.

Исследование "Evaluating Investment Performance: The p-index and Empirical Efficient Frontier" добавляет p-индекс в факторные модели. Это улучшает их точность, особенно для акций с NYSE.

В "Attention Factors for Statistical Arbitrage" предложен метод для поиска схожих активов и рыночных неэффективностей. Алгоритм показывает высокий коэффициент Шарпа.

Новые подходы для точного моделирования цен на высокочастотных рынках.

В "The Pitfalls of Continuous Heavy-Tailed Distributions in High-Frequency Data Analysis" показано, почему непрерывные распределения плохо работают для очень частых данных. Авторы предлагают модифицированный метод оценки.

Будут развиваться гибридные модели — смесь классических подходов с глубоким обучением. Особый упор на:

__________________________________________________________________________Пишу про автоматизацию трейдинга и умные инструменты. Подписывайтесь на мой Telegram-канал, чтобы не пропустить ничего интересного!