Исследования недели: квантовые вычисления и ИИ в финансах
На этой неделе большинство научных работ посвящено применению современных вычислительных методов в финансах — квантовых вычислений и искусственного интеллекта. Учёные исследуют, как эти технологии могут улучшить алгоритмическую торговлю, управление рисками и прогнозирование рынков. Каждую неделю мы анализируем десятки, а иногда и сотни свежих публикаций, чтобы выделить самое важное.
Основные направления исследований
Квантовые вычисления в финансовом моделировании
Новые работы показывают, как квантовые алгоритмы повышают точность финансовых моделей.
- В исследовании "Enhanced fill probability estimates in institutional algorithmic bond trading using statistical learning algorithms with quantum computers" предложен метод оценки вероятности исполнения заявок при торговле облигациями. Комбинация машинного обучения и квантовых вычислений улучшает точность прогнозов на 34%, несмотря на шумы в квантовых системах.
- В статье "Quantum Adaptive Self-Attention for Financial Rebalancing: An Empirical Study on Automated Market Makers in Decentralized Finance" исследуется квантовая модель для перебалансировки активов в децентрализованных финансах. Результаты показывают лучшую доходность с поправкой на риск.
Машинное и глубокое обучение в трейдинге
Методы ИИ продолжают помогать в оптимизации торговли и управлении портфелями.
- В "Increase Alpha: Performance and Risk of an AI-Driven Trading Framework" представлена нейросетевая модель, генерирующая торговые сигналы для 800+ акций США. Она показывает высокий коэффициент Шарпа и низкую корреляцию с рынком.
- В "Analysis of the Impact of an Execution Algorithm with an Order Book Imbalance Strategy on a Financial Market Using an Agent-based Simulation" предложен алгоритм, учитывающий дисбаланс заявок (OBI). Он особенно эффективен в нестабильных рыночных условиях.
- В работе "Predictive Performance of LSTM Networks on Sectoral Stocks in an Emerging Market: A Case Study of the Pakistan Stock Exchange" анализируется применение LSTM-сетей для прогнозирования цен акций на развивающихся рынках. Наибольшая точность достигается в стабильных и ликвидных секторах.
Управление рисками и анализ временных рядов
Разрабатываются новые подходы к оценке рисков и обработке рыночных данных.
- В "The randomly distorted Choquet integrals with respect to a G-randomly distorted capacity and risk measures" предложен новый метод расчёта рисков с использованием случайных искажений интегралов Шоке. Это расширяет классические меры, такие как Value at Risk.
- В "Enhancing OHLC Data with Timing Features: A Machine Learning Evaluation" показано, что добавление данных о времени в OHLC (открытие-максимум-минимум-закрытие) улучшает прогнозирование средневзвешенной цены (VWAP).
Что дальше
Исследователи ожидают больше гибридных решений, сочетающих классический машинный интеллект и квантовые алгоритмы. Особый интерес вызывают модели, способные адаптироваться к резким изменениям рынка. Рост объёмов данных, включая микроструктуру рынка, также стимулирует создание более точных прогнозных систем.
__________________________________________________________________________
Пишу про автоматизацию трейдинга и умные инструменты. Подписывайтесь на мой Telegram-канал, чтобы не пропустить ничего интересного!