Открытие лаборатории «Искусственный интеллект в математических финансах» ФКН

YOUTUBE · 01.12.2025 04:36

Ключевые темы и таймкоды

Открытие лаборатории искусственного интеллекта в математических финансах

0:02

В МФТИ открывается лаборатория искусственного интеллекта в математических финансах, которая будет заниматься исследованиями в области адаптивных алгоритмов и задач маркетмейкера на неликвидных рынках.
Лаборатория будет взаимодействовать с индустриальными партнерами для решения прикладных задач.

Задачи и направления исследований

3:43

Лаборатория фокусируется на задачах, связанных с адаптацией алгоритмов и задачей маркетмейкера на неликвидных рынках.
Также планируется исследовать задачи генеративных моделей и привлекать индустриальных партнеров для выполнения прикладных проектов.

Взаимодействие с лабораторией

6:22

Присоединиться к лаборатории можно через одного из трех научных сотрудников, через гранты или через участие в проектах.
Для тех, кто хочет заниматься исследованиями, есть возможность стать стажером-исследователем и продолжить свою научную деятельность.

Введение

12:44

Алексей представляет себя и рассказывает о своем опыте работы в финансовой сфере.
Денис представляет себя и свою компанию, которая занимается исследованиями в области ликвидности на криптовалютных биржах.

Обучение с подкреплением

17:54

Денис рассказывает о задачах, которые решаются с помощью обучения с подкреплением, таких как оптимизация портфеля, оценивание, хижирование и оптимизация исполнения.
Он объясняет, что обучение с подкреплением отличается от обычного машинного обучения тем, что у него нет размеченного датасета, но есть среда, в которой агент может отправлять действия и получать награды.

Маркет-мейкинг

23:29

Денис объясняет, что в финансах агенты становятся более чувствительными к риску, и что вместо сырых наград агентам выдаются функции полезности от них.
Он также обсуждает проблемы, связанные с размерностью среды и обучением с подкреплением.

Способы формирования среды

27:51

Денис предлагает несколько способов формирования среды для обучения с подкреплением в задаче маркет-мейкинга, включая использование истории торгов, фичи-инжениринг и предобучение агентов на других задачах.

Исторические среды

28:56

Исторические среды основаны на исторических данных и предполагают обучение на истории.
Примеры исторических сред: маркет-реплей и трансфер-лерн.

Генеративные модели

30:21

Генеративные модели основаны на обучении на истории и генерации следующего состояния лимит ордербука.
Примеры генеративных моделей: условные генеративные модели и ганны.

Проекты

38:28

В видео представлены проекты, связанные с обучением агентов для маркет-мейкинга на реальных данных.
Проекты включают в себя обучение в исторических средах, генеративные модели и поиск аномалий.

Введение

43:43

В видео обсуждаются основные этапы исследования в области маркет-мейкинга и хеджирования деривативов.
Рассматриваются различные подходы к обучению и оптимизации алгоритмов, а также выбор бенчмарка стратегии.

Обучение с использованием аналитических моделей

46:22

Обсуждается возможность использования аналитических моделей для моделирования движения цены и процесса прихода новых заявок.
Рассматривается возможность получения аналитического решения для таких моделей и сравнение его с результатами обучения.

Трансфер обучения и обучение с использованием нейронных сетей

48:31

Обсуждается возможность использования трансфер обучения для предобучения нейронной сети и последующего обучения для торговли.
Рассматривается возможность использования нейронных сетей для предсказания динамики лимит ордербуков и обучения на основе этих данных.

Взаимное влияние и мультистаканы

52:23

Обсуждается влияние мультистаканов на результаты предсказания цен и результаты ре-агентов.
Рассматривается возможность улучшения результатов предсказания цен и ре-агентов при использовании фичей из разных стаканов.

Заключение

54:18

Приглашение к обсуждению и обсуждению возможных направлений исследований и проектов.
Возможность публикации слайдов и материалов для дальнейшего изучения.

Владимир, исследователь из Сбербанка

55:28

Владимир работает в Сбербанке и занимается моделями торговой банковской книги.
Он также преподает в Высшей школе экономики и рассказывает о своем опыте работы в лаборатории.

Оптимизация исполнения заявок

58:24

Владимир рассказывает о своем исследовании, посвященном оптимизации исполнения заявок на покупку и продажу ценных бумаг.
Он объясняет, что задача оптимизации может быть решена в различных постановках, включая минимизацию издержек и хеджирование позиций.

Торговый портфель и банковская книга

1:01:16

Владимир объясняет, что торговый портфель - это термин, используемый в банковской сфере для разделения активов на банковскую торговую книгу.
Он также упоминает Базисский комитет по международному надзору и рассказывает о своей работе в лаборатории.

Торговый портфель и его оценка

1:02:45

Торговый портфель - это все, что не относится к банковской книге, обычно это финансовые инструменты, на которых банк хочет заработать в краткосрочной перспективе.
Торговый портфель занимает меньше 5% от общего портфеля банка, но может измеряться в миллиардах рублей.

Оценка потенциальных потерь торгового портфеля

1:03:42

Существует две метрики риска: стоимость подвика и экспектор шорт фол.
Стоимость подвика - это квантнт распределения, то есть процент лучших и худших убытков портфеля.
Экспектор шорт фол - это средний из самых плохих убытков портфеля.

Формирование выборочного распределения стоимости портфеля

1:09:16

Историческое имитационное моделирование - выбор исторического окна и расчет ежедневного распределения портфеля.
Нормальное распределение - оценка двух параметров: ожидания и дисперсии.

Модели машинного обучения для оценки связей между активами

1:14:15

Структура корреляции между активами нестабильна во времени и меняется во время кризиса.
Базисский комитет ввел понятие хвостовых корреляций, когда активы начинают коррелировать друг с другом во время кризиса.

Обсуждение методов оценки риска

1:16:26

В видео обсуждается использование внутренних моделей для оценки риска, которые были разрешены в 1996 году.
В 2021 году было принято новое регулирование, которое заменило использование внутренних моделей на использование эксперта шорф.

Примеры моделей и их использование

1:21:26

Обсуждаются различные модели, используемые для оценки риска, такие как эксперт шорф, вейви риск и проумовское движение.
В последнее время стали использоваться методы машинного обучения, такие как вариационный автоинкодер, для улучшения оценок риска.

Применение методов машинного обучения для улучшения оценок риска

1:27:34

В видео рассказывается о попытке использовать генеративные модели для улучшения оценок риска, используя методы машинного обучения.
В прошлом использовались параметрические методы и гарч метрикс, но сейчас данные стали более доступными, и можно использовать их для улучшения оценок риска.

Обсуждение результатов и планов

1:29:40

В видео обсуждаются результаты и планы по работе над проектом.
Рассматриваются различные подходы к оценке рисков и их валидации.

Вопросы и ответы

1:32:15

Участники задают вопросы и обсуждают результаты.
Организаторы благодарят за участие и приглашают к сотрудничеству.