Семинары лаборатории

На семинаре рассмотрено сравнительное исследование токсичности order-flow на двух структурно различных площадках: криптовалютной бирже Binance и регулируемой фондовой бирже MOEX. Использованы высокочастотные данные, проанализированы классические метрики токсичности и их первые разности для выявления динамических асимметрий. В качестве прокси-индикатора токсичности обсуждалось прогнозирование проскальзывания цены относительно VWAP с применением модели машинного обучения XGBoost.

На семинаре рассмотрена динамика токсичного потока заявок на финансовых рынках и роль высокочастотной торговли (HFT) в формировании неблагоприятного отбора (adverse selection). Особое внимание уделено тому, как быстрые автоматизированные стратегии влияют на соотношение информированных и неинформированных участников рынка, а также на устойчивость внутридневной ликвидности.

Проектный семинар посвящен исследованию методов персонализации диффузионных моделей при ограниченном количестве изображений. Рассмотрена проблема переобучения на частные детали и представлен подход временного перераспределения шагов диффузии — Time-Step Reweighting. Метод использует неравномерное распределение timestep-ов, концентрируясь на областях с наиболее информативными признаками, и корректирует веса обучения для сохранения несмещенности. Такой принцип позволяет усилить усвоение ключевых характеристик объекта и повысить устойчивость персонализации без изменения архитектуры модели и увеличения вычислительных затрат.

На семинаре было рассмотрено, как мультиагентные системы используются для исследования сложных процессов в экономике и финансах. Было показано, почему одних исторических данных недостаточно для проверки многих гипотез, и каким образом симуляторы, основанные на взаимодействии агентов, позволяют воспроизводить рыночную динамику и реакцию системы на внешние воздействия.

Подробно разобраны ключевые элементы таких моделей – понятия агента, шока и ограничений, возникающих при их построении. Особый акцент сделан на примерах практического применения: моделировании различных стратегий поведения в торговых системах, исследовании автоматических маркетмейкеров (AMM) и альтернативных рыночных механизмов. Отдельно рассмотрена роль пулов ликвидности и их отличие от традиционных order book-систем.

Проектный семинар посвящен глубокому разбору современных методов управления нейросетевыми генеративными моделями. Мы рассмотрели ключевые механизмы точного контроля, такие как IP-Adapter, LoRA и ControlNet, позволяющие задавать содержание, стиль и позу генерируемого изображения. Отдельное внимание уделено переходу от статических изображений к видео через архитектуры Animate Anyone и UniAnimate. Также затронуты методы оптимизации вычислений, критически важные для практического применения. Всё это рассмотрено в контексте прикладной задачи — виртуализации примерки одежды в ecom, где точность и реалистичность являются ключевыми факторами.

В рамках семинара были рассмотрены методы оценки галлюцинаций в генерации диффузионных моделей. Основное внимание уделено детерминистичному методу, суть которого заключается в отображения изображений в одномерное пространство и кластеризации в плоскости характеристик Complexity–Entropy для полученных из изображений временных рядов, что позволяет оценить степень уверенности в принадлежности генерации к классу галлюцинаций.

В исследовании, которое было рассмотрено в рамках проектного семинара, анализируются точки бифуркации в финансовых моделях с цветным шумом, а также изучается динамика рынка с участием трейдеров, использующих различные стратегии. Основное внимание уделено стохастической модели Васичека, в которой численно изучается влияние цветного шума на точки изменения (change-points) с применением методов машинного обучения (LSTM). Параллельно рассматривается симуляция рынка с одной ценной бумагой, где трейдеры адаптируют свои стратегии в зависимости от рыночных условий.

Результаты исследования объединяют теоретический анализ стохастических систем с практическим моделированием рыночной динамики, что может быть полезно для разработки устойчивых торговых алгоритмов и риск-менеджмента.

С помощью агент-ориентированной симуляционной модели мы изучаем, как выбор стратегии предоставлнения ликвидности зависит от используемого трейдерами алгоритма обучения. В предыдущих исследованиях по данной тематике для рынков дилерского типа был получен результат о иррелевантности используемого алгоритма. Мы находим единственное некооперативное равновесие по Нэшу в нашей модели и показываем, что для двух из трех протестированных алгоритмов трейдеры сходятся к существенному занижению предоставляемой ликвидности по сравнению с некооперативной равновесной стратегией. 

Фиктивная торговля (wash trading) остается серьезной проблемой на децентрализованных биржах, особенно в высокоспекулятивных сегментах, таких как мемкойны, где искусственная торговая активность искажает показатели ликвидности и ценообразования. В отличие от традиционных финансовых рынков и централизованных бирж с лимитными ордерами, автоматизированные маркет-мейкеры (AMM) основаны на особых механизмах, требующих специализированных методов выявления манипуляций.

В данном исследовании предлагается комплексный подход к выявлению фиктивной торговли на Uniswap v2 с применением графового анализа, позволяющего адаптировать существующие методики детекции к среде AMM.
Мы собрали уникальный датасет с историческими рыночными данными по торговле мемкойнами и разработали несколько методов выявления фиктивных сделок: (1) эвристический метод, основанный на подходах из традиционных финансов, и (2) два графовых метода, моделирующих взаимодействие трейдеров в виде ориентированных графов для идентификации циклов фиктивной торговли. Ключевые графовые признаки, такие как цикличность транзакций и кластеризация адресов, используются для повышения точности детекции.

Оценка предложенных методов показывает, что графовые подходы превосходят классические техники в выявлении фиктивной торговли на AMM-биржах. Наш анализ позволяет количественно оценить объемы фиктивной торговли в пулах и продемонстрировать ее влияние на ликвидность и формирование цен. Данное исследование вносит вклад в развитие ончейн-аналитики финансовых манипуляций, предлагая масштабируемую, основанную на данных методологию, адаптированную к манипуляциям в среде AMM. Результаты работы представляют ценность для регуляторов, разработчиков и пользователей децентрализованных бирж.

На семинаре были рассмотрены белый, красный и зеленый шумы в финансовых временных рядах и их влияние на обнаружение точек перехода. Также были вынесены на обсуждение стохастические модели, включая процесс Орнштейна–Уленбека, и методы численного анализа, такие как усреднение Крылова–Боголюбова. Особое внимание уделили зеленому шуму и его роли в необратимых переходах между состояниями системы.

Помимо этого, рассмотрели алгоритмы обнаружения точек перехода (PELT) и машинное обучение (LSTM, CatBoost) для классификации состояний временных рядов, и подчеркнули значимость выбора модели шума для повышения эффективности прогнозирования и управления рисками.

The article "Market efficiency, informational asymmetry and pseudo-collusion of adaptively learning agents" was presented and discussed at the seminar. Abstract: We examine the dynamics of informational efficiency in a market with asymmetrically informed, boundedly rational traders who adaptively learn optimal strategies using simple multiarmed bandit (MAB) algorithms. The strategies available to the traders have two dimensions: on the one hand, the traders must endogenously choose whether to acquire a costly information signal, on the other, they must determine how aggressively they trade by choosing the share of their wealth to be invested in the risky asset. Our study contributes to two strands of literature: the literature comparing the effects of competitive and strategic behavior on asset price efficiency under costly information as well as the actively growing literature on algorithmic pseudo-collusion in financial markets. We find that for certain market environments our results contradict the predictions of Kyle [1989] in that a market with strategically acting traders can be more efficient than a purely competitive one. Furthermore, we obtain novel results on the ability of independently learning traders to coordinate on a pseudo-collusive behavior, leading to non-competitive pricing. Contrary to some recent contributions (see e.g. [Cartea et al. 2022]), we find that the pseudo-collusive behavior in our model is robust to a large number of agents, demonstrating that even in the setting of financial markets with a large number of independently learning traders non-competitive pricing and pseudo-collusive behavior can frequently arise. 

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).

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.

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.