Машинное обучение в финансах: главные исследования недели

На этой неделе в научных публикациях выделились две ключевые области применения машинного обучения: алгоритмическая торговля и анализ финансовых данных. Все данные взяты из свежих исследований — мы еженедельно анализируем сотни работ, чтобы отобрать самые значимые.

Большинство новых работ посвящено интеграции машинного обучения в алгоритмическую торговлю. Особое внимание уделяется обучению с подкреплением (Reinforcement Learning) и глубоким нейросетям. Они позволяют создавать адаптивные торговые системы.

Работа QTMRL: An Agent for Quantitative Trading Decision-Making Based on Multi-Indicator Guided Reinforcement Learning представляет торгового агента, который использует несколько технических индикаторов вместе с обучением с подкреплением. Этот подход оказался прибыльнее традиционных методов и лучше контролирует риски.

Другое важное исследование — Optimal Quoting under Adverse Selection and Price Reading. Оно предлагает метод для маркет-мейкеров, помогающий корректировать котировки с учётом информационных рисков. Это выходит за рамки стандартных моделей.

Вторая группа работ исследует прогнозирование финансовых данных с помощью глубоких нейросетей.

Модель FinCast: A Foundation Model for Financial Time-Series Forecasting — первая специализированная модель для предсказания рыночных данных. Её обучили на большом объёме финансовой информации, и она хорошо работает без дополнительной настройки.

В работе Is attention truly all we need? An empirical study of asset pricing in pretrained RNN sparse and global attention models изучают механизмы внимания в нейросетях для оценки активов. Они особенно эффективны во время высокой волатильности, например в период пандемии.

Ещё одно исследование Forecasting Probability Distributions of Financial Returns with Deep Neural Networks показывает, что LSTM-сети с особым типом распределения лучше традиционных методов в оценке рисков.

В ближайшем будущем ожидается развитие гибридных моделей — они будут сочетать классические финансовые теории с машинным обучением. Это сделает торговые стратегии устойчивее. Также продолжат совершенствовать модели для финансовых данных, особенно их способность работать без дополнительного обучения.

Увеличится внимание к методам, которые учитывают нестабильность рынка, например во время кризисов. Ещё одно важное направление — создание более понятных моделей, чтобы повысить доверие к ним в финансовой сфере.

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