Проектно-учебная лаборатория «Искусственный интеллект в математических финансах»

В современном мире технологии искусственного интеллекта (ИИ) играют важную роль в различных областях, включая математические финансы. Эти две области сливаются вместе, обеспечивая новые возможности и перспективы в анализе данных, прогнозировании рыночных тенденций и оптимизации финансовых стратегий. Многие модели из финансовой математики были разработаны для применения на ликвидных рынках. В ситуации неликвидных рынков многие модели не показывают необходимого качества работы.  Использование методов ИИ является следующим шагом в развитии сферы математических финансов и, в особенности, микроструктуры рынка

Проектно-учебная лаборатория «Искусственный интеллект в математических финансах» предполагает проведение регулярных исследований применения ИИ для решения научных и прикладных задач в сфере математических финансов. Ключевые исследования лаборатории связаны с направлениями Мультиагентных систем, RL для задачи маркет мейкера и хеджирования активов, а также Генеративных моделей. Уже сейчас лаборатория ведет активные переговоры с индустриальными партнерами о возможных проектах и НИР.

В Лаборатории реализуются следующие проекты:

• Проект «Agent based Simulator»

Возрастающая сложность финансовых рынков привела к соответствующему увеличению сложности их структуры данных. Ранее разработанные модели неадекватны для описания и прогнозирования событий, в том числе так называемых событий «Черного лебедя». Для решения этой проблемы планируется разработать рыночный симулятор на основе ABM для анализа резких выбросов, также известных как бифуркации финансовых временных рядов. Этот симулятор позволяет оценить кросс-рыночные эффекты в различных рыночных условиях и особенно полезен для понимания динамики взаимосвязанных финансовых систем. Целью такого симулятора будет исследование передачи шоков между двумя рынками и оценка этих эффектов при различных рыночных условиях.

• Проект «Расчет Value-at-Risk и Expected Shortfall с помощью глубоких генеративных моделей»

Глубокие генеративные модели (GAN, VAE, Normalizing Flow, Denoising Diffusion) в последнее время получили широкую известность в сфере генерации изображений. Однако, несколько последних исследований показывают многообещающие результаты генеративных моделей для задачи заполнения пропусков и вероятностного прогнозирования временных рядов. Подобные подходы могут использоваться и для создания синтетических финансовых данных. Риск метрики Value-at-Risk и Expected Shortfall широко используется в инвестиционных банках и хедж фондах для оценки риска портфеля инвестиций, однако для расчета метрик в настоящий момент используются классические методы (RiskMetrics, GARCH, Historical Simulations, Variance-Covariance, t-Copula). У таких методов есть недостатки, например, предположение и соответствии доходностей портфеля некоторому классу распределений. Недавно были сделаны первые попытки оценки риска с помощью вероятностных нейронных сетей, однако применение глубоких генеративных моделей для этой задачи остается неисследованной областью. В рамках работы предлагается разработать новый метод оценки риска на основе глубоких генеративных моделей и сравнить его с классическими подходами и современными нейросетевыми подходами.

• Проект «Reinforcement Learning for Delta-hedging with illiquid markets»

Существующие алгоритмы определения оптимальных весов портфеля для минимизации риска потерь (дельта-хеджирование) в случае использования производных финансовых продуктов (деривативов) разработаны в строгом предположении высокого объем торгов и высокой ликвидности рынка. Текущая динамика торгов и структура торговой книги показывают, что финансовые рынки стали слабо ликвидными, что делает не возможным использование существующих решений. Методы Reinforcement learning зарекомендовали себя для возможного использования и решения выше описанной задачи. Так как динамика торговой книги описывается тремя типами ордеров: лимитными, рыночными и аннулирующими, - построение RL-алгоритма на основе обучения агента при обратной связи с «внешней средой» может оказаться единственным способом решения задачи дельта-хеджирования на неликвидных рынках. В результате работы Лаборатории будет обеспечено проведение регулярных научных семинаров, а также привлечены прикладные проекты, выполняемые в интересах компаний-партнеров.

К участию в научно-исследовательских проектах, в том числе для выполнения курсовых проектов, бакалаврских и магистерских ВКР, привлекаются студенты, проходящие обучение на факультете компьютерных наук НИУ ВШЭ, а также иных факультетах/филиалах в случае, если направление исследования прямо или косвенно совпадает с направлениями исследований данной Лаборатории. Лучшие студенты получат оффер на позицию стажера-исследователя.

По вопросам участия в научной деятельности проектно-учебной лаборатории «Искусственный интеллект в математических финансах» обращаться к руководителю лаборатории Петру Лукьянченко plukyanchenko@hse.ru