Алгоритмические торговые системы на фондовом рынке
Покупка
Новинка
Основная коллекция
Тематика:
Финансы. Денежное обращение. Кредит
Издательство:
Альпина ПРО
Год издания: 2026
Кол-во страниц: 99
Возрастное ограничение: 16+
Дополнительно
Цель настоящей книги заключается в систематическом изложении ключевых концепций и методов алгоритмической торговли, включая высокочастотные стратегии и интеграцию методов искусственного интеллекта. В книге рассматриваются исторические аспекты развития отрасли, классификация стратегий, принципы построения торговых систем, методы анализа и оптимизации инвестиционных портфелей, а также особенности работы на российских и международных финансовых рынках.
Тематика:
ББК:
УДК:
ОКСО:
- ВО - Бакалавриат
- 38.03.01: Экономика
- ВО - Магистратура
- 38.04.01: Экономика
- 38.04.08: Финансы и кредит
ГРНТИ:
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов
СОДЕРЖАНИЕ
ОБ АВТОРАХ ....................................................................................................................................................... 7
ВВЕДЕНИЕ ........................................................................................................................................................... 8
Глава 1. ИСТОРИЯ АЛГОРИТМИЧЕСКОЙ ТОРГОВЛИ НА ФОНДОВОМ РЫНКЕ ............................... 10
1.1. Ранние разработки ....................................................................................................................................... 10
1.2. Предпосылки возникновения торговых систем ........................................................................................ 11
1.3. Совершенствование и развитие фондовых рынков .................................................................................. 11
1.4. Искусственный интеллект и его влияние на финансовую индустрию ................................................... 11
1.4.1. Понятие искусственного интеллекта ....................................................................................................... 12
1.4.2. Наука о данных и искусственный интеллект в FinTech ......................................................................... 13
1.4.3. Почему AI и ML меняют индустрию финансовых технологий ............................................................ 14
1.4.4. Восемь вариантов AI и ML в финтехе ..................................................................................................... 15
1.4.5. Приложения искусственного интеллекта для финансового обслуживания ........................................ 16
1.5. Перспективы инвестиций с помощью AI ................................................................................................... 17
Глава 2. ОСНОВНЫЕ ВИДЫ УПРАВЛЕНИЯ АКТИВАМИ. ФИНАНСОВЫЕ
ИНСТРУМЕНТЫ В РОССИИ И В МИРЕ ........................................................................................................ 19
2.1. Паевые инвестиционные фонды (ПИФ) ..................................................................................................... 19
2.2. Мировой аналог ПИФ – ................................................................................................................................ 19
Mutual fund ..................................................................................................................................................... 19
2.3. Биржевой ПИФ .............................................................................................................................................. 20
2.4. Акции РФ ....................................................................................................................................................... 21
2.5. Портфели акций ............................................................................................................................................ 21
2.6. Закрытые паевые инвестиционные фонды (ЗПИФ) .................................................................................. 22
2.7. Хедж - фонды ................................................................................................................................................. 23
2.8. Фонды проблемных ценных бумаг (Distressed Funds) ............................................................................... 24
2.9. REIT Funds и их аналоги в России ............................................................................................................... 24
2.10. Робо-адвайзоры ............................................................................................................................................ 25
Глава 3. СТРАТЕГИИ АЛГОРИТМИЧЕСКОЙ ТОРГОВЛИ ............................................................ 26
3.1. Высокочастотная торговля и её будущее в финансах ................................................................. 26
3.1.1. Понятие и специфика высокочастотной торговли (HFT) ........................................................ 27
3.1.2. Формирование рынка .................................................................................................................. 31
3.1.3. Статистический арбитраж .......................................................................................................... 32
3.1.4. Микроструктурные стратегии и практики……………………………………………………. 32
3.1.5. Ведущие компании на мировом рынке высокочастотной торговли………………………… 33
3.1.6. Управляющий по тарговле фъючерсами (СТА)......................................................................... 34.
3.2. Short-Term CTA................................................................................................................................. 34
3.2.1. Управляющий по торговле фьючерсами SHORT TERM CTA ................................................. 34
3.3. Факторные модели (factor trading) ................................................................................................. 34
3.4. Арбитражные стратегии ................................................................................................................. 35
3.5. Статистический арбитраж .............................................................................................................. 35
3.6. Маркет-мейкерство ......................................................................................................................... 35
3.7. Dark pool
trading........................................................................................................................................................ 36
3.8. Рыночный тайминг .......................................................................................................................... 36
3.9. Ребалансировка индексных фондов……………………………………………………………… 36
Глава 4. ОСНОВНЫЕ ВЫЗОВЫ И ПЕРСПЕКТИВЫ АЛГОРИТМИЧЕСКИХ
ТОРГОВЫХ СИСТЕМ ........................................................................................................................... 37
4.1. Инвестиции будущего и исторические показатели ...................................................................... 37
4.1.1. Квантовые стратегии и ESG……………………………………………………………...…..…. 37
4.1.2. Опыт остаётся ключом к эффективности ................................................................................... 38
4.1.3. Преимущество в оперативности данных .................................................................................... 38
4.1.4. Сложные стратегии и высокая альфа .......................................................................................... 38
4.1.5. Цена на интеллектуальные бета-продукты……………….......................................................... 39
4.1.6. Ценностный фактор в современных условиях............................................................................. 39
4.1.7. Роль человеческого капитала в эффективности отрасли......................................................... 39
Глава 5. ESG-ИНВЕСТИЦИИ .............................................................................................................. 40
5.1. ESG – актуальный путь к лучшему обществу ............................................................................. 40
Глава 6. ПОСТРОЕНИЕ ЭФФЕКТИВНЫХ АЛГОРИТМИЧЕСКИХ ТОРГОВЫХ
СИСТЕМ................................................................................................................................................. 42
6.1. Алготрейдинг: как создаются и работают алгоритмы ................................................................42
6.1.1. Как найти «тот самый» алгоритм ...............................................................................................43
6.2. Основные требования к построению эффективной стратегии ...................................................44
6.3. Проблемы метода количественных инвестиций ..........................................................................46
6.4. Как повысить коэффициент Шарпа в алгоритмических стратегиях ..........................................48
6.5. Как обойти оверфиттинг при построении алгоритма ..................................................................50
6.6. Результаты продуктовалгоритмической стратегий…………………………………………...…53
6.7. Использование альфа-стратегий в комбинированных инвестиционных продуктах…………..58
6.8. Перспективы рынка алгоритмической торговли .......................................................................... 60
Справочник инвестора …………………………………………………………………………….60
Использованная литература……………………………………………………………………….85
Дополнительная литература…………………………………………………………………….... 96
…………………………………………………………………………………………………………
ОБ АВТОРАХ
Шляпочник Яков Леонидович, российский
предприниматель, физик, эксперт в области
количественных методов инвестирования и
алгоритмических стратегий. Автор книг о
структурированных продуктах и психологии
инвестирования. Создатель курса о количественном
подходе к инвестированию для профессиональных
инвесторов («Школа Московской биржи», 2017 год). В
2016 году разработал и запустил курс «Прикладная
статистика» для студентов ФАЛТ МФТИ. В
профессиональной тематике — более 25 лет.
С 1997 по 2002 годы работал генеральным директором в
компании ООО «Русские фонды».
С 2002 по 2003 годы занимал должность президента
агропромышленного холдинга «Русагрокапитал».
С 2003 по 2014 годы — председатель совета директоров
ЗАО УК «Норд-Капитал».
С 2014 года по настоящее время — частный инвестор. В 2003 году вошёл в Топ-100 самых
профессиональных менеджеров России по версии ИД «Коммерсантъ».
Пикман Виталий Семёнович — предприниматель,
частный инвестор. Автор книги «Эффективные системы
продаж телекоммуникационных услуг на массовом
рынке». В 2008–2016 гг. работал в
телекоммуникационных компаниях на различных
руководящих должностях. С 2016 года — заместитель
директора производственно-строительной компании. В
2019 году удостоен звания «Предприниматель года» в
номинации «Промышленность» (Министерство
экономического развития РК, ФПП). Более четырёх лет
занимается исследованиями в области количественных
методов инвестирования и стоимостного инвестирования.
ВВЕДЕНИЕ
Применение информационных технологий и алгоритмических методов в инвестиционной
деятельности является одной из ключевых тенденций современного финансового рынка. Развитие
вычислительных систем и алгоритмов анализа данных позволяет автоматизировать процессы оценки
финансовых инструментов, принятия инвестиционных решений и управления рисками. В результате
алгоритмическая торговля стала неотъемлемой частью функционирования фондовых рынков,
оказывая влияние на ликвидность, волатильность и структуру торговых операций [1].
История и развитие алгоритмической торговли
Первые исследования и практические применения количественных методов на финансовых рынках
относятся к концу 1970-х годов, когда появились высокопроизводительные вычислительные системы,
способные обрабатывать значительные массивы данных в режиме реального времени. Одним из
первых исследователей, применивших математические методы к торговле, стал Эдвард Торп,
разработавший модели оценки вероятностей и стратегии прогнозирования цен на основе исторических
данных и статистических закономерностей [2].
В 1980–1990-х годах алгоритмические подходы получили дальнейшее развитие с появлением
специализированных компаний, ориентированных на количественные инвестиции. Одним из наиболее
известных примеров является Renaissance Technologies, основанная Джеймсом Саймонсом. Компания
применяет сложные математические модели и статистические алгоритмы для анализа рыночных
данных и разработки инвестиционных стратегий, демонстрируя устойчивые результаты на различных
рынках [3].
С начала XXI века алгоритмическая торговля приобрела глобальный характер. Получили
распространение системы высокочастотной торговли (High-Frequency Trading, HFT), позволяющие
совершать большое количество сделок с минимальными временными задержками. Такие системы
используют автоматизированные алгоритмы для оценки ценовых дисбалансов, арбитражных
возможностей и управления портфелем в режиме реального времени [4].
Основные концепции и классификация стратегий
Алгоритмические стратегии классифицируются на основе применяемых методов анализа и целей
торговли. Альфа-стратегии ориентированы на получение дохода независимо от общего направления
рынка и основаны на выявлении дисбалансов и статистических закономерностей в котировках. Бетастратегии следуют за динамикой рынка и используются для хеджирования рисков или
воспроизведения рыночного движения [5].
Методы алгоритмической торговли включают статистический и математический анализ, обработку
временных рядов, машинное обучение (Machine Learning, ML) и элементы искусственного интеллекта
(Artificial Intelligence, AI). Важной составляющей является оптимизация стратегий с учётом
транзакционных издержек, ликвидности финансовых инструментов и вероятности реализации
прогнозов. Современные алгоритмы способны одновременно анализировать данные с нескольких
рынков, выявлять временные аномалии и автоматически корректировать позиции [6].
Практическое применение и международный контекст
Алгоритмические стратегии применяются как институциональными инвесторами, так и
специализированными компаниями на международных финансовых рынках. Их использование
способствует повышению эффективности управления капиталом, снижению влияния человеческого
фактора и ускорению обработки информации. Применение высокочастотных стратегий требует
соблюдения нормативных требований, мониторинга рыночной инфраструктуры и оценки воздействия на ликвидность и волатильность [7]. В России применение алгоритмических и высокочастотных стратегий развивается поэтапно. Компании используют как отечественные, так и международные инструменты, интегрируя алгоритмы анализа и управления рисками в торговые платформы. Современные подходы включают разработку собственных моделей, а также адаптацию методов, применяемых на зарубежных рынках [8]. Цели и структура книги Цель настоящей книги заключается в систематическом изложении ключевых концепций и методов алгоритмической торговли, включая высокочастотные стратегии и интеграцию методов искусственного интеллекта. В книге рассматриваются исторические аспекты развития отрасли, классификация стратегий, принципы построения торговых систем, методы анализа и оптимизации инвестиционных портфелей, а также особенности работы на российских и международных финансовых рынках [9]. Автор — Я. Л. Шляпочник — на основе многолетнего опыта разработки и внедрения алгоритмических стратегий в компании «Алго Капитал» систематизирует подходы к построению торговых систем, охватывающих широкий спектр инструментов и рынков. Представленные материалы формируют теоретическую базу и практические рекомендации для исследования и применения алгоритмических методов в современной финансовой индустрии [10].
ГЛАВА 1 ИСТОРИЯ АЛГОРИТМИЧЕСКОЙ ТОРГОВЛИ НА ФОНДОВОМ РЫНКЕ 1.1.Ранние разработки Автоматизация обработки торговых заявок на финансовых рынках начала активно развиваться в 1970-х годах с внедрением Нью-Йоркской фондовой биржей системы Designated Order Turnaround (DOT) [11]. Данная система обеспечивала передачу рыночных и лимитных ордеров в электронном формате непосредственно биржевым специалистам. В 1984 году система DOT была заменена усовершенствованной версией SuperDOT [12], что позволило расширить функциональные возможности электронного доступа и ускорить процесс исполнения заявок. На этапе открытия торгов была внедрена служба автоматизированной отчётности Opening Automated Report Service (OARS), предназначенная для предварительной обработки поступающих заявок до начала торговой сессии [13]. В дальнейшем получила распространение технология Smart Order Routing (SOR), обеспечивающая автоматический поиск наилучших цен на финансовые инструменты с целью минимизации времени исполнения ордеров и торговых издержек [14]. Появление полностью электронных рынков стало предпосылкой развития программной торговли. Программные стратегии применялись для автоматизированного входа и выхода из позиций с учётом рыночных параметров и заранее заданных правил [15]. С 1980-х годов программная торговля активно использовалась в стратегиях индексного арбитража и динамического формирования синтетических опционов на портфели фондовых активов с применением дельта-хеджирования, основанного на модели Блэка—Шоулза [16]. Программная торговля рассматривалась в экспертных отчётах, включая доклад Комиссии Брэди, как один из факторов, способствовавших краху фондового рынка в 1987 году [17]. При этом убедительных эмпирических доказательств определяющего влияния компьютеризированной торговли на рыночные обвалы представлено не было, и дискуссии по данному вопросу продолжаются [18]. С 2009 года система SuperDOT была заменена платформой Super Display Book (SDBK) [19], а впоследствии — универсальной торговой платформой Universal Trading Platform (UTP) [20]. 1.2. Предпосылки возникновения торговых систем Разработка модели ценообразования опционов Блэка—Шоулза в 1973 году стала важным этапом в развитии количественных методов на финансовых рынках [21]. Данная модель позволяет оценивать стоимость европейских опционов на основе предполагаемой волатильности базового актива [22].
Ф. Блэк и М. Шоулз показали, что динамическая стратегия пересмотра портфеля способствует снижению инвестиционного риска [23]. Дальнейшее расширение модели, выполненное Робертом С. Мертоном, легло в основу современной теории ценообразования производных финансовых инструментов [24]. 1.3. Совершенствование и развитие фондовых рынков В 1990-х годах получили развитие сети электронной связи (Electronic Communication Networks, ECN), позволившие осуществлять торговые операции за пределами традиционных биржевых площадок [25]. В 2001 году в США была внедрена десятичная система котирования, в результате чего минимальный шаг цены сократился с 1/16 доллара до $0,01 [26]. Это способствовало росту рыночной ликвидности и ускорению развития алгоритмической торговли. Использование методов TWAP и VWAP стало стандартной практикой при распределении крупных торговых ордеров [27]. В 2005 году Комиссия по ценным бумагам и биржам США (SEC) внедрила Национальную рыночную систему управления, усилив требования к обеспечению наилучшей доступной цены исполнения сделок [28]. 1.4. Искусственный интеллект и его влияние на финансовую индустрию Методы искусственного интеллекта (Artificial Intelligence, AI) и машинного обучения (Machine Learning, ML) применяются для анализа больших массивов данных и поддержки процессов принятия инвестиционных решений [29]. Технологии глубокого обучения (Deep Learning, DL) и обучения с подкреплением (Deep Reinforcement Learning, DRL) позволяют выявлять сложные нелинейные зависимости и формировать автономные торговые стратегии [30]. Примеры самообучающихся алгоритмов, включая AlphaGo Zero компании DeepMind, демонстрируют потенциал автономного обучения без использования предварительно размеченных исторических данных, что указывает на возможности дальнейшего развития интеллектуальных торговых систем [31].
1.4.1. Понятие искусственного интеллекта В научной и профессиональной среде продолжаются дискуссии относительно содержания и границ понятий искусственного интеллекта и машинного обучения. AI представляет собой совокупность методов и технологий, основанных на использовании больших массивов данных, значительных вычислительных ресурсов и алгоритмов машинного обучения, предназначенных для решения задач различной степени сложности [32]. Системы AI способны выполнять как формализованные, так и слабо формализованные задачи, а в ряде случаев — адаптироваться к изменяющимся условиям на основе накопленного опыта, имитируя отдельные элементы человеческого обучения и принятия решений [33]. Машинное обучение (Machine Learning, ML) рассматривается как одно из ключевых направлений искусственного интеллекта. Оно фокусируется на разработке алгоритмов и моделей, которые анализируют большие объёмы данных, выявляют устойчивые закономерности и используют их для формирования прогнозов и поддержки процессов принятия решений [34]. В отличие от традиционных алгоритмических подходов методы машинного обучения предполагают не жёстко заданные правила, а адаптацию модели на основе эмпирических данных, что позволяет применять их для прогнозирования будущих событий в условиях неопределённости [35]. Анализ программных решений, используемых на российском финансовом рынке и аккредитованных Банком России, Национальной ассоциацией участников фондового рынка (НАУФОР) и иными уполномоченными организациями, показывает, что около 70 % таких систем относятся к базовым формам инвестиционного консультирования и автоматизированного управления активами [36]. Оставшаяся часть включает более сложные программные продукты, в том числе решения, использующие методы искусственного интеллекта, машинного обучения и смежные технологии анализа данных.
Регуляторные органы в большинстве стран исходят из того, что требования к программным продуктам должны определяться видом деятельности, которую они автоматизируют. В зависимости от функционального назначения такие системы подпадают под регулирование в сфере инвестиционного консультирования либо доверительного управления и, соответственно, должны соответствовать требованиям действующего лицензирования [37]. Использование автоматизированных решений предполагает формирование доказательной базы, сопоставимой с той, которая создаётся в процессе очного взаимодействия клиента с инвестиционным советником или доверительным управляющим. В настоящее время регуляторы уделяют повышенное внимание вопросам раскрытия информации об алгоритмах искусственного интеллекта, в частности составу, глубине и форме раскрытия сведений для инвесторов и надзорных органов. В Российской Федерации действуют процедуры аккредитации программных продуктов, а Банк России осуществляет разработку и актуализацию перечня требований к подобным системам [38]. Отдельным предметом международных дискуссий остаётся вопрос требований к квалификации персонала, участвующего в разработке, внедрении и эксплуатации систем искусственного интеллекта и машинного обучения, применяемых в инвестиционной деятельности [39]. Наиболее эффективное применение автоматизации и технологий AI/ML наблюдается в следующих областях: 1. В системах с экспоненциальным ростом объёмов данных, где использование AI/ML позволяет выявлять сложные закономерности и повышать качество аналитических выводов [40]. 2. В сферах, требующих оперативной реакции на рыночные события, что обусловливает рост спроса на алгоритмические инструменты и количественные стратегии, в том числе в деятельности хедж-фондов [41]. 3. В относительно неликвидных инвестиционных сегментах, включая проблемные активы, частный капитал, а также управление активами в сфере недвижимости и инфраструктурных проектов [42]. 4. При интеграции аналитических инструментов AI/ML для повышения эффективности работы инвестиционных аналитиков и портфельных менеджеров [43]. 5. В деятельности частных инвесторов, использующих автоматизированные решения для управления индивидуальными и гибридными инвестиционными стратегиями [44]. 6. В автоматизации бизнес-процессов инвестиционных компаний, охватывающей полный жизненный цикл управления инвестициями — от исследований и анализа до управления портфелем, бэк-офисного учёта, мониторинга и формирования отчётности. В данном случае технологии AI/ML, как правило, не подменяют процесс принятия инвестиционных решений, а используются для оптимизации процессов контроля, исполнения и сопровождения сделок [45]. Применение инструментов искусственного интеллекта и машинного обучения позволяет сократить временные затраты, повысить точность операций фронт-офисных подразделений и расширить возможности дистанционного доступа клиентов к инвестиционным услугам. Одновременно данные технологии способствуют повышению профессионального уровня аналитических подразделений инвестиционных компаний за счёт расширения аналитических и вычислительных возможностей [46]. 1.4.2. Наука о данных и искусственный интеллект в FinTech Финансовые технологии (Financial Technology, FinTech) представляют собой совокупность технологических решений, применяемых для разработки, улучшения и автоматизации продуктов и услуг в финансовой индустрии. К данному направлению относятся бизнес-модели и сервисы, использующие цифровые технологии для повышения эффективности финансовых процессов, качества обслуживания клиентов и снижения операционных издержек [47].