Финансовые рынки часто подвергаются различным формам манипуляций, в том числе pump-and-dump схемам, которые приводят к значительной волатильности цен и финансовым потерям для инвесторов. В предыдущих исследованиях на тему криптовалютных рынков  использовались методы машинного обучения для раннего выявления целей манипуляций. Однако эти методы имели серьезные ограничения из-за дисбалансов в исторических данных. Чтобы решить эти проблемы, мы предлагаем новый фреймворк для обнаружения целей манипуляций, включающий двухэтапную нормализацию данных, специфичную оптимизацию алгоритмов и новые микроструктурированные признаки. На семинаре было рассмотрено несколько подходов на основе градиентного бустинга, включая оптимизацию гиперпараметров с учетом несбалансированности классов и алгоритмы ранжирования. Результаты предложенных алгоритмов превосходят существующие методы, достигая точности 5% в топ-1 и 45% точности в топ-10 на тестовой выборке с сильным дисбалансом классов (дисбаланс классов составляет примерно 270).

В своей классической работе Гроссман и Стиглиц [1980]* показывают, что цены на финансовые активы неизбежно содержат определенную степень неэффективности при ненулевых информационных издержках. Однако, этот результат был получен в парадигме рациональных ожиданий, предъявляющих нереалистичные требования к рациональности агентов, и постулирует лишь невозможность эффективного равновесия, не затрагивая динамику эффективности рынка. Симуляционные мультиагентные модели с элементом рыночного отбора позволяют изучить динамику эффективности рынка в условиях, когда агенты ограниченно рациональны и адаптивны. Мы моделируем поведение инвесторов с помощью т.н. алгоритма  многорукого бандита и обнаруживаем U-образное отношение эффективности рынка к информационным издержкам.
* Grossman, Sanford J., and Joseph E. Stiglitz. "On the impossibility of informationally efficient markets." The American economic review 70, no. 3 (1980): 393-408.

Докладчик: Алексей Пастушков, стажер-исследователь ПУЛ "ИИ в математических финансах".

На семинаре была представлена исследовательская работа, целью которой являлся анализ точек разрыва в стохастических моделях процентной ставки под воздействием цветных шумов. Исследовалось влияние цветных шумов на количество точек разрыва и их частоту, а также возможности их обнаружения с использованием нейросетевого подхода. Объектом исследования являлась стохастическая модель Васичека, которая используется для моделирования процентных ставок. Методология исследования включала в себя аппроксимацию численных решений модели методом Эйлера-Маруямы, калибровка параметров модели, а также адаптацию шага интеграции. Отдельно были рассмотрены методы обнаружения точек разрыва и их применение для сгенерированных данных. В качестве итога исследования представлены результаты работы моделей глубинного обучения для детекции точек разрыва в данных, сгенерированных под воздействием шумов.