Открываю серию. Каждую пятницу одна академическая работа, простым языком. Своя, коллег, классика. Без формализма.
Зачем мне всё это
Меня иногда спрашивают: зачем мне, назавовём это, академический, если ты занимаешься HFT и делаешь продукты с командой SDF Solutions? Изначально это был способ систематизировать информацию на новом уровне. До сих пор интерес остаётся сравнимый со спортивным 👀 А для тех кто читает со стороны бизнеса: структура научной работы идентична запуску проекта. Цель, задачи, гипотезы, данные, проверка, выводы. Один и тот же подход, в академической среде формализован сильнее. Микс этих двух школ даёт очень хорошую оптику на любую задачу.
Берзон, магистратура, БРИКС
Начну с самой первой работы. 2021 год, магистратура по финансовому инжинирингу. Берзоном Николаем Иосифовичем соглашается на работу над совместной публикации, тема инвестиционная привлекательность фондовых рынков БРИКС.
Для меня это первый раз когда я делаю что-то на таком уровне, не курсовая, не диплом. Рецензенты, доработки, нюансы научного письма от и до. Опыт сильно отрезвляет.
Структурные продукты и факторное инвестирование
Через пару лет с Антоном Мамочкиным пишем продолжение про финансовые структурные продукты на рынках БРИКС. Видим направление с большим потенциалом, такая ниша где академия реально встречается с финансовым инжинирингом.
Потом работа со Светланой Речмединой и Берзоном Николаем Иосифовичем про факторное инвестирование: Факторное инвестирование: теперь изменение цены акций можно объяснить? И вот тут впервые в моих работах появляются модели машинного обучения (LSTM,GRU, Xgboost и тд.).
От прогноза рынка к прогнозу волатильности
Дальше у меня сместился интерес. От прогнозов доходностей к прогнозам волатильности. Это совсем другой класс задач: волатильность кластеризуется, имеет память, на шоки реагирует не так как цена. Математически интереснее, а в торговле хорошо раскрывается🛠 В 2025 выпускаю статью про применение ML для прогноза волатильности. В 2026 продолжение, уже про институциональные стратегии.
📄 Лысенок Н. И. Применение машинного обучения для прогнозирования волатильности и улучшения торговых стратегий на российском фондовом рынке // Фундаментальная и прикладная математика. 2025. Т. 25. № 4. С. 90-107.
📄 Лысенок Н. И. Эффективность применения прогнозов волатильности в активных торговых стратегиях институциональных инвесторов на российском рынке акций // Фундаментальная и прикладная математика. 2026. Т. 26. № 3. С. 33-42.
Что показал на цифрах: ML-модели поднимают точность прогноза на 23% против классических подходов. Доходность инвестора при их использовании растёт до 13% годовых на российском рынке акций. Работает на реальных данных MOEX, есть всё на Github.
Параллельно работаю над кандидатской.
Тема: «Эффективность применения прогнозов волатильности в активных торговых стратегиях институциональных инвесторов на российском рынке акций».
Изначально, кстати, думал писать про структурные продукты. Но если честно, с этой темой на сто процентов лучше справится Мария Владимировна Ткаченко. Её публикации на эту тему есть на сайте ВШЭ, рекомендую.
Что я считаю главным
Дело не в моделях, дело в подходе. Рынок устроен слоями: макро, рынок, волатильность, стратегия. Если каждый слой собран от и до, стратегия получает системное преимущество, не точечное угадывание. Системные подходы строятся годами. Один слой здесь, второй там, и вот уже видна архитектура. В следующих частях подробнее поговорим про применение прогнозов волатильности в торговых стратегиях. Что реально работает на нашем рынке, а что только красиво на бумаге 🎓
P.S. Мне понравился формат серий, и хочу запустить серию по «Миллиардам», буду постепенно разбирать тонкие моменты сериала, которые ловит только глаз практика: HFT, прайм-брокеры, инсайды, регуляторы, как реально устроены фонды. До встречи в воскресенье 👀
P.P.S. Третий график отражает QLike прогнозов волатильности разными моделями (меньше=лучше)
