Исполнение, market impact, alpha-фичи и стат-арбитраж: развёрнутые саммари (34 позиции)
Пометки: 💻 — репозиторий с кодом · 🧮 — статья с моделью или формулами.
Часть I. Исполнение и market impact (22)
Природа ценового воздействия
A Bayesian Derivation of the Square Root Law of Market Impact 🧮
arXiv:2303.08867 · Saddier, Marsili, 2023–2024 (4 ревизии)
Одна из самых красивых работ подборки. Показано, что основные эмпирические факты о влиянии последовательности сделок на цену восстанавливаются в удивительно простой модели с полностью байесовскими рыночными ожиданиями. А именно: (i) поведение вида квадратного корня для ожидаемого изменения цены от суммарного проторгованного объёма, (ii) переход к линейному режиму на малых объёмах, (iii) затухание импакта обратно к равновесию после окончания серии сделок.
Простота вывода добавляет веса его робастности и универсальности и проясняет происхождение эффекта. Ключевая интерпретация: закон квадратного корня возникает из переоценки рынком потока заявок, порождаемого мета-ордерами — то есть рынок систематически считает, что за наблюдаемым потоком стоит больше информированного объёма, чем есть на самом деле.
Price Impact in Equity Auctions: Zero, Then Linear 🧮
arXiv:2301.05677 · Salek, Challet, Muni Toke (CentraleSupélec), 2023
Аукционы — это то, где сейчас проходит существенная и растущая доля объёма, особенно на европейских рынках, но литературы по ним мало. На качественных данных Парижской биржи получены статистические закономерности.
Первое: средняя плотность стакана линейна вокруг аукционной цены в момент клиринга и имеет большой пик ровно на аукционной цене. Линейная часть создаётся быстрыми трейдерами, пик — медленными.
Второе, и это главный результат: воздействие новой рыночной заявки или отмены в момент аукциона раскладывается на три режима по размеру заявки — (1) нулевое воздействие из-за дискретности цен, причём это держится для удивительно крупных заявок относительно объёма аукциона; (2) линейное воздействие для заявок вплоть до значительной доли аукционного объёма; (3) для ещё более крупных — нелинейное, часто суперлинейное.
Кому полезно: прямое опровержение переноса «закона квадратного корня» на аукционную фазу — там геометрия другая.
Microstructure Modes: собственные векторы потока и возврата 🧮
arXiv:2405.10654 · 2024
База данных Eurostoxx уровня order-by-order за 3+ года. Чтобы обойти проблемы высокочастотного шума, применяется двойное огрубление, позволяющее извлечь осмысленную информацию на минутном масштабе. Затем PCA строит «микроструктурные моды» — наиболее частые паттерны поток/доходность, — которые разделяются на симметричные и антисимметричные относительно bid-ask. Динамика мод описывается векторной авторегрессией.
Результаты: параметры VAR чрезвычайно стабильны во времени и дают относительно высокий R², особенно для симметричных мод ликвидности. При добавлении лагов модель становится маргинально неустойчивой, что отражает долгую память потоков и добавляет правдоподобия гипотезе об «эндогенных кризисах ликвидности».
Важная оговорка авторов: несмотря на все достоинства, VAR-каркас не воспроизводит закон квадратного корня для ценового воздействия. Полезно как честное описание границ линейных моделей.
Stochastic Thermodynamics in Price Impact 🧮
arXiv:2512.03123 · 2025
Импорт понятий стохастической термодинамики в моделирование импакта. Торговый цикл трактуется как неравновесный термодинамический процесс: ценовое воздействие — диссипативная работа, рыночный шум играет роль тепловых флуктуаций.
Доказан «Финансовый второй закон»: при общих выпуклых функционалах импакта любая стратегия round-trip даёт неположительную ожидаемую прибыль. Это структурное ограничение дополняется теоремой о флуктуациях, ограничивающей вероятность прибыльных циклов через диссипированную работу и волатильность рынка. Вводится статистический ансамбль стратегий, управляемый мерой Гиббса, что даёт разложение свободной энергии, связывающее ожидаемые издержки, энтропию стратегии и параметр «рыночной температуры». На выходе — строгие проверяемые неравенства, связывающие микроструктурный импакт с макроскопическими условиями отсутствия арбитража.
Trading in the Sunshine or in the Shade 🧮
arXiv:2606.15715 · Barone, Lillo, 2026
Редкий случай прямой эмпирической проверки теории sunshine trading — гипотезы, что публичное раскрытие торговых намерений снижает adverse selection, привлекает предоставление ликвидности и уменьшает издержки исполнения. Свидетельств мало, потому что предварительное объявление крупных заявок в традиционных рынках почти не встречается.
Площадка — Hyperliquid, полностью ончейн-стакан для криптоперпетуалов, где нативные для протокола TWAP-заявки раскрывают свои параметры с момента создания и остаются видимыми, пока активны. По данным на уровне адресов реконструировано 4.3 млн скрытых мета-ордеров и сопоставлено с 465 тыс. видимых TWAP-исполнений.
Результаты: два стиля исполнения резко различаются — скрытые мета-ордера следуют front-loaded U-образным расписаниям, согласующимся с оптимальным исполнением при транзиентном импакте, тогда как TWAP торгуют почти равномерно. Проверены предсказания Admati–Pfleiderer (1991): видимые TWAP несут меньшие издержки исполнения и оставляют меньший постоянный импакт, чем сопоставимые скрытые мета-ордера. Скрытые мета-ордера, исполняемые рядом с уже видимым однонаправленным TWAP-потоком, несут более высокие постоянные издержки — издержки adverse selection смещаются на тех, кто не объявляет. Наконец, видимые TWAP-программы действительно привлекают ликвидность: пока они активны, отображаемая глубина растёт и книга наклоняется в поглощающую сторону тем сильнее, чем крупнее объявленная заявка.
Прочее по природе импакта
- Passive Market Impact: A Point Process Approach — полный перевод на русский · arXiv:2412.07461: Hawkes-пропагатор с κ(q); пассивный impact limit orders, queue-reactive LOB, scaling limits и аппроксимации для брокеров (Ouazzani Chahdi, Rosenbaum, Szymanski, 2026).
- Non-uniformly Sampled Price Impact (DTRW) — полный перевод на русский · оригинал: arXiv:2310.06079: DTRW-схема аномальной диффузии в lit стакане; flash-лимитки и market orders, kinks в impact, неравномерное семплирование и cubic-spline smoothing (Diana, Gebbie, UCT, 2023/2025).
- Realtime Price Impact Detection — полный перевод на русский · оригинал: arXiv:2606.13419, Зовко о детекции импакта в живом потоке заявок.
- Strategic Informed Trading and Private Information — полный перевод на русский · arXiv:2404.08757: PI равновесие CARA-normal; инсайдер internalize impact, неинформированные price takers; публичный сигнал размытее, CE инсайдера монотонна в точности сигнала (Anthropeos, Robertson, 2025).
- Bitcoin market impact и внутридневная динамика — перевод.
- Online Order Flow Learning: байесовские методы детекции точек разлада для потока и импакта — перевод.
Оптимальное исполнение: модели и алгоритмы
Model Predictive Control For Trade Execution 🧮
arXiv:2603.28898 · McAuliffe, Liew, Li, Ushenin, Wang, Tasos, Pearce, Tasoulis, Bertsekas, Tsagaris, 2026
Самая «производственная» работа раздела — и по составу авторов (среди них Димитри Берцекас), и по постановке. Задача: исполнить крупную клиентскую заявку в непрерывном двойном аукционе при ограничениях по времени и ликвидности.
MPC-каркас балансирует три конкурирующие цели: завершение заявки, рыночное воздействие и издержки упущенной возможности. Алгоритм ведётся торговым расписанием (TWAP или VWAP), но допускает отклонения ради снижения ожидаемых издержек с учётом риска. На каждом шаге решается быстрая квадратичная программа, обменивающая ожидаемые транзакционные издержки на отклонение от расписания, с остаточным членом стоимости, выведенным из простой базовой политики. Приблизительное следование расписанию поддерживается явными границами, а ограничения на дисперсию отклонения дают прямой контроль риска.
Данные: полгода NASDAQ level 3 плюс симулированные заявки. Результат: сокращение schedule shortfall примерно на 40–50% относительно бенчмарков с пересечением спреда и значимое снижение проскальзывания. Добавление предиктивной информации о цене в базовую политику ещё улучшает результат — то есть каркас модульно стыкуется с прогнозными компонентами.
Кому полезно: если нужен исполнительный алгоритм, который можно объяснить риск-менеджменту и задеплоить, это самый близкий к продакшену вариант.
Optimal Execution with Machine Learning 🧮
arXiv:2204.08581 · 2022
Дискретное время, мгновенный импакт и стохастическая устойчивость (resilience). Два результата. Первый: для линейного транзиентного импакта выведена рекурсия в замкнутой форме для оптимальной стратегии — расширение детерминированных результатов Obizhaeva & Wang (2013) на стохастический случай. Второй: для нелинейного транзиентного импакта в постановке Bouchaud et al. (2004) разработан численный алгоритм на динамическом программировании и глубоком обучении — actor-critic каркас с двумя нейросетевыми суррогатами: для функции ценности и для обратной связи управления.
Отдельно ценно: гибкая масштабируемость нейросетевых аппроксиматоров позволяет параметрическое обучение — несколько модельных и рыночных параметров включаются в пространство входов. Поскольку точная калибровка импакта и resilience крайне трудна, критично понимать чувствительность политики исполнения к этим параметрам; сеть органично масштабируется по входным измерениям и точно приближает оптимальные стратегии в широком диапазоне конфигураций. Приложен полностью воспроизводимый Jupyter-ноутбук.
Optimal Execution с сигналом на Meyer-σ-полях 🧮
arXiv:2306.00621 · 2023
Модель импакта, где изменения цен порождаются исключительно потоком заявок. Стохастический импакт рыночных заявок и интенсивности прихода лимитных и рыночных заявок — функции процесса рыночной ликвидности, отражающего баланс спроса и предложения ликвидности. Лимитные и рыночные заявки взаимно возбуждают друг друга, поэтому ликвидность возвращается к среднему.
Через теорию Meyer-σ-полей вводится краткосрочный сигнальный процесс, из которого трейдер узнаёт о надвигающихся изменениях потока. Его сделки влияют на рынок через тот же механизм, что и чужие. Новая версия СДУ типа Маркуса аккуратно описывает тонкий тайминг рыночной динамики в моменты, когда его заявки совпадают с чужими. В этой постановке выводится уравнение ГЯБ для функции ценности, решается численно, и показано, как трейдер использует сигналы для улучшения исполнения и для спекулятивных стратегий.
Optimal Trading under Instantaneous and Persistent Price Impact 🧮
полный перевод на русский · arXiv:2507.17162 · Chan, Sircar, Zimbidis (Princeton), 2025
Динамическая оптимизация портфеля с предсказуемыми доходностями, мгновенными транзакционными издержками, ценовым воздействием и стохастической волатильностью — расширение классических результатов Garleanu & Pedersen (2013), где волатильность постоянна.
Сложность в нелинейности возникающих уравнений ГЯБ. Решение — многомасштабное разложение по волатильности, охватывающее динамику на разных временных масштабах: сингулярное возмущение для быстрого возвращающегося к среднему фактора волатильности и регулярное — для медленного. Дополнительно введена аппроксимация для малого импакта с проверкой численной точности. Асимптотические приближения выведены до второго порядка; Монте-Карло показывает, насколько эти поправки улучшают P&L стратегии.
Optimal Execution при time-varying ликвидности (DDQL) 🧮
полный перевод на русский · arXiv:2402.12049 · Macrì, Lillo (SNS Pisa / Bologna), 2024
Классические решения оптимального исполнения часто предполагают постоянный market impact, тогда как ликвидность динамична и латентна. Авторы применяют Double Deep Q-learning к Almgren–Chriss с линейными, но time-varying коэффициентами temporary и permanent impact — детерминированные линейные trends и square-root mean-reverting стохастические процессы.
Ключевой результат: признаков инвентарь плюс время недостаточно для детекции направления trend; добавление mid-price резко улучшает learning. При mixed train (растущий и падающий impact) агент с ценой в состоянии достигает почти оптимальных издержек на test. В стохастическом режиме DDQL превосходит аппроксимацию Barger–Lorig без явной оценки параметров модели.
FlowOE: Imitation Learning для оптимального исполнения 🧮
полный перевод на русский · arXiv:2506.05755 · Li, Chen (Stevens Institute of Technology), 2025
Статические модели Алмгрена–Кришша часто субоптимальны на динамичном рынке. FlowOE — каркас имитационного обучения на flow matching с Shortcut policy: единая модель учится на демонстрациях Almgren–Chriss, Heston-Optimal и PPO и адаптивно выбирает подходящее экспертное поведение при стохастической vol Хестона и вогнутом temporary impact.
Inference сокращён до 1–5 шагов ODE вместо сотен; fine-tuning добавляет корректирующее действие к экспертному baseline. На 14 400 симуляциях Shortcut PPO стабильно бьёт TWAP, VWAP и AC-Approx по implementation shortfall и AC objective во всех сценариях высокой/низкой vol и impact — по утверждению авторов, первое применение flow matching к стохастическому OE.
Adaptive RL для трекинга VWAP 🧮
arXiv:2307.10649 · 2023
Проблема предшествующих работ: они выбирают относительно короткий торговый горизонт, из-за чего точно отслеживать дневной кумулятивный VWAP трудно — вариации финансовых данных внутри короткого горизонта незначительны.
Решение использует U-образный паттерн внутридневных объёмов и PPO как алгоритм обучения. Архитектура двухуровневая: трансформер улавливает общее (глобальное) распределение дневных объёмов в форме U, а LSTM обрабатывает распределение заявок внутри меньших (локальных) интервалов. Эксперименты показывают, что такая двухуровневая схема повышает точность приближения кумулятивного VWAP по сравнению с прежними RL-моделями.
Broker Performance Optimization 🧮
arXiv:2405.18936 · 2024
Практичная задача: фирмы полагаются на брокеров из-за ограниченных внутренних ресурсов, но как оценить, чей алгоритм исполнения лучше? Методология оценки эффективности брокерских алгоритмов по торговым данным.
Фокус на двух компонентах издержек: линейной, количественно описывающей краткосрочное качество исполнения, и квадратичной, связанной с ценовым воздействием сделок. В модели с транзиентным импактом выведены аналитические формулы оценки обеих. Точность оценки повышена новыми приёмами — в частности, взвешиванием изменений цены по их ожидаемому импактному содержанию. Результат — существенное улучшение оценок и линейных, и импактных издержек, то есть работающий каркас выбора наиболее выгодного брокера.
Прочее по исполнению
- Large Order Trading with HFT — полный перевод на русский · arXiv:2403.08202: трёхпериодная модель Kyle; IT рандомизирует заявки против нескольких anticipatory HFT; рекомендации по смешанной стратегии при числе HFT больше 3.
- Optimal Trading with Price Impact — полный перевод на русский · arXiv:2507.17162: multiscale SV поправки к Gârleanu–Pedersen; singular и regular perturbation, аппроксимация малого impact, Monte Carlo PnL.
- Stochastic Order Flow Unwinding — полный перевод на русский · arXiv:2310.14144: оптимальная разгрузка стохастического in-flow в CRB/MM; feedback-стратегия с поправкой на прогноз потока и Riccati ODE.
- Deep Attentive Survival Analysis in LOBs — полный перевод на русский · arXiv:2306.05479: свёрточно-трансформерная оценка fill probability на Nasdaq; proper scoring rules и fill внутри спреда.
- Interpretable ML for HFT execution — полный перевод на русский · arXiv:2307.04863: IPCW на цензурированных заявках, решение «лимитка или маркет».
- Optimal Execution Liquidity — полный перевод на русский · arXiv:2402.12049: DDQL выучивает оптимальные стратегии при time-varying ликвидности без знания модели impact.
- Stochastic volatility в стратегиях по стакану — Springer через RePEc: оптимальные стратегии с моделями импакта и стохастической волатильностью при разных функциях полезности.
- Deep Factor Residuals Trading — полный перевод на русский · arXiv:2412.11432: репликация DLSA (G-P-Z) на данных США 2016–2024; out-of-sample Sharpe иногда выше 10 — авторы предупреждают о переобучении и отсутствии издержек.
Часть II. Alpha-фичи и factor mining (4)
AlphaForge: двухстадийная генерация формульных альф 🧮
Полный перевод на русский · оригинал: arXiv:2406.18394 · 2024
Эволюция области изложена авторами кратко: ручное извлечение → генетическое программирование → RL, добывающий набор комбинационных факторов с фиксированными весами (текущий передний край). Проблема последнего подхода: результативность полученных альф непостоянна, а негибкость фиксированных весов не позволяет адаптироваться к меняющемуся рынку.
AlphaForge разделяет задачу на две стадии. Генерация: генеративно-предсказательная нейросеть создаёт факторы, используя сильные способности глубокого обучения к пространственному поиску и одновременно сохраняя разнообразие. Комбинирование: модель комбинации учитывает временную результативность факторов при отборе и динамически подстраивает веса каждой компонентной альфы.
Эксперименты на реальных данных показывают превосходство над современными бенчмарками в добыче формульных альф, а также заметный прирост портфельной доходности — в том числе, по утверждению авторов, на реальных деньгах.
⭐ AlphaGen: синергичные наборы формульных альф через RL 💻🧮
GitHub: RL-MLDM/alphagen · KDD 2023
Референсная реализация направления, от исследовательской группы MLDM (IIP, ICT, CAS). Ключевая идея в названии: генерируется не набор лучших по отдельности альф, а синергичный набор — то есть пул, где факторы дополняют друг друга.
Архитектура репозитория удобна для переиспользования. Центральный интерфейс — AlphaCalculator с методами calc_single_IC_ret, calc_single_rIC_ret, calc_mutual_IC (IC между двумя альфами — именно это даёт синергию) и calc_pool_IC_ret / calc_pool_rIC_ret (сначала линейная комбинация альф, затем IC/Rank IC против цели). Свой пайплайн расчёта подключается реализацией этого интерфейса; авторы отдельно напоминают нормализовать значения альф перед комбинированием, так как масштабы могут различаться радикально.
Обучение — maskable PPO (совместим со stable-baselines3), пулы альф сохраняются в человекочитаемом JSON. Есть бейзлайны: модифицированный gplearn (генетическое программирование) и DSO (deep symbolic optimization). Отдельный модуль alphagen_llm — абстракции LLM-клиентов, промпты и итеративные процедуры генерации альф через LLM (работа HARLA, Frontiers of Computer Science, 2026); есть скрипт, проверяющий, как системный промпт влияет на долю валидных альф у LLM. Данные — Qlib для метаданных плюс baostock для собственно цен (авторы прямо пишут о сомнениях в качестве данных Qlib).
Прочее по генерации альф
- alpha-gfn — nshen7/alpha-gfn: фреймворк глубокого RL для генерации альфа-факторов на GFlowNet (Python/PyTorch). GFlowNet здесь уместен: он генерирует разнообразные объекты пропорционально награде, а не сходится к одному оптимуму — что для пула альф важнее, чем максимум по одной.
- QuantGPT / LLM-Driven Alpha Factory — Miasyster/QuantGPT: агентная «фабрика альф», где LLM самостоятельно проводят бэктесты и анализируют факторы.
Часть III. Стат-арбитраж и mean reversion (8)
Раздел небольшой и заметно менее плотный по содержанию, чем предыдущие: половина — посты и учебные репозитории.
Работы с моделями
- Select and Trade: Hierarchical RL для парного трейдинга — полный перевод на русский · оригинал: arXiv:2301.10724: feudal HRL (TRIALS) совместно обучает отбор пары (Bi-GRU + temporal attention, contextual bandit) и торговлю (POMDP, long/short/clear); S&P 500 и CSI 300, 2000–2020 — TRIALS SR 1,84 / 1,91 vs отрицательный SR у GGR и cointegration.
- Advanced Statistical Arbitrage with RL — полный перевод на русский · оригинал: arXiv:2403.12180: model-free EMRT для коэффициентов спреда и Q-learning на недавних трендах цены; 10 пар S&P 500 (2022 formation / 2023 trading), RL превосходит Distance Method и OU по Sharpe и cumulative PnL.
- Monte Carlo для парного трейдинга на процессах Леви — полный перевод на русский · оригинал: arXiv:2309.05512: оптимальные стратегии на спредах с возвратом к среднему, управляемых процессами Леви; исследуется зависимость от параметров модели.
- Signature Decomposition for Trading — полный перевод на русский · оригинал: arXiv:2505.05332: парный трейдинг на сигнатурах путей (path signatures) — декомпозиция на segmented signature и covariation of increments как двойные фильтры; стратегия SE-SIG-DIFF на минутных фьючерсах CN/US (ноя–дек 2024) превосходит baseline по Sharpe, доходности и max drawdown.
- Statistical Arbitrage Optimization — полный перевод на русский · оригинал: arXiv:2406.10695: graph clustering (SPONGEsym) + ансамбль ML-классификаторов качества сигналов, Kelly и time-variant stop/take profit на S&P 500 (2000–2022); out-of-sample ARC 49,3%, IR* 1,30 vs benchmark Cartea et al. с издержками 0,05% — 1,13% / 0,14.
- Stat Arb Portfolio Construction через графы отношений предпочтения — DOI: 10.1016/j.eswa.2023.121906: способ примирить противоречивые торговые сигналы при построении портфеля.
- OU Pairs Trading — полный перевод на русский · оригинал: arXiv:2412.12458: предварительное исследование; стратегия на процессе Орнштейна–Уленбека ловит тренд, но проигрывает из-за нестационарности пар и ограничений подбора параметров. Полезно как отрицательный результат.
- ESG Pairs Algorithm — полный перевод на русский · оригинал: arXiv:2401.14761: парный трейдинг в связке с ESG-рейтингами.
Код и обсуждения
- Pairs-Trading-With-Python — KidQuant: учебная демонстрация парного трейдинга на статистике и финансовой теории.
- mean_reversion_strategies — thekioskman: разработка и тестирование стратегии возврата к среднему в backtrader.
Что стоит прочитать первым
Если проектируете исполнение: MPC For Trade Execution (Берцекас и соавторы; квадратичная программа на каждом шаге, −40–50% schedule shortfall, ограничения на дисперсию отклонения как явный контроль риска), Optimal Execution with Machine Learning (замкнутая рекурсия для линейного случая + actor-critic с параметрическим обучением и воспроизводимым ноутбуком), Broker Performance Optimization (как вообще измерять, чей алгоритм лучше).
Если моделируете импакт: байесовский вывод закона квадратного корня — самое ясное объяснение, откуда он берётся; «Zero, then linear» — почему в аукционах он не работает; Microstructure Modes — честная демонстрация того, что линейный VAR закон квадратного корня не воспроизводит.
Если добываете альфы: AlphaGen как рабочая база (интерфейс AlphaCalculator, mutual IC для синергии пула, бейзлайны gplearn и DSO в комплекте), AlphaForge — за динамические веса вместо фиксированных.
Отрезвляющее: OU Pairs Trading (нестационарность пар убивает красивую теорию), Deep Factor Residuals Trading (слишком хорошие результаты репликации как сигнал переобучения), Trading in the Sunshine (издержки adverse selection не исчезают, а перекладываются на тех, кто не объявляет о своих намерениях).