Алгоритмические торговые системы на фондовом рынке

Яков Шляпочник, Виталий Пикман

Алгоритмические торговые системы на фондовом рынке

Знак информационной продукции (Федеральный закон № 436–ФЗ от 29.12.2010 г.)

© ООО «Альпина Диджитал», 2026

* * *

Все права защищены. Данная электронная книга предназначена исключительно для частного использования в личных (некоммерческих) целях. Электронная книга, ее части, фрагменты и элементы, включая текст, изображения и иное, не подлежат копированию и любому другому использованию без разрешения правообладателя. В частности, запрещено такое использование, в результате которого электронная книга, ее часть, фрагмент или элемент станут доступными ограниченному или неопределенному кругу лиц, в том числе посредством сети интернет, независимо от того, будет предоставляться доступ за плату или безвозмездно.

Копирование, воспроизведение и иное использование электронной книги, ее частей, фрагментов и элементов, выходящее за пределы частного использования в личных (некоммерческих) целях, без согласия правообладателя является незаконным и влечет уголовную, административную и гражданскую ответственность.

Об авторах

Шляпочник Яков Леонидович, российский предприниматель, физик, эксперт в области количественных методов инвестирования и алгоритмических стратегий. Автор книг о структурированных продуктах и психологии инвестирования. Создатель курса о количественном подходе к инвестированию для профессиональных инвесторов («Школа Московской биржи», 2017 год). В 2016 году разработал и запустил курс «Прикладная статистика» для студентов ФАЛТ МФТИ. В профессиональной тематике – более 25 лет.

С 1997 по 2002 годы работал генеральным директором в компании ООО «Русские фонды».

С 2002 по 2003 годы занимал должность президента агропромышленного холдинга «Русагрокапитал».

С 2003 по 2014 годы – Председатель Совета директоров ООО «Алго Капитал».

С 2014 года по настоящее время – частный инвестор. В 2003 году вошёл в Топ–100 самых профессиональных менеджеров России по версии ИД «Коммерсантъ».

Пикман Виталий Семёнович – предприниматель, частный инвестор. Автор книги «Эффективные системы продаж телекоммуникационных услуг на массовом рынке». В 2008–2016 гг. работал в телекоммуникационных компаниях на различных руководящих должностях. С 2016 года – заместитель директора производственно-строительной компании. В 2019 году удостоен звания «Предприниматель года» в номинации «Промышленность» (Министерство экономического развития РК, ФПП). Более четырёх лет занимается исследованиями в области количественных методов инвестирования и стоимостного инвестирования.

Введение

Применение информационных технологий и алгоритмических методов в инвестиционной деятельности является одной из ключевых тенденций современного финансового рынка. Развитие вычислительных систем и алгоритмов анализа данных позволяет автоматизировать процессы оценки финансовых инструментов, принятия инвестиционных решений и управления рисками. В результате алгоритмическая торговля стала неотъемлемой частью функционирования фондовых рынков, оказывая влияние на ликвидность, волатильность и структуру торговых операций[1].

История и развитие алгоритмической торговли

Первые исследования и практические применения количественных методов на финансовых рынках относятся к концу 1970-х годов, когда появились высокопроизводительные вычислительные системы, способные обрабатывать значительные массивы данных в режиме реального времени. Одним из первых исследователей, применивших математические методы к торговле, стал Эдвард Торп, разработавший модели оценки вероятностей и стратегии прогнозирования цен на основе исторических данных и статистических закономерностей[2].

В 1980–1990-х годах алгоритмические подходы получили дальнейшее развитие с появлением специализированных компаний, ориентированных на количественные инвестиции. Одним из наиболее известных примеров является Renaissance Technologies, основанная Джеймсом Саймонсом. Компания применяет сложные математические модели и статистические алгоритмы для анализа рыночных данных и разработки инвестиционных стратегий, демонстрируя устойчивые результаты на различных рынках[3].

С начала XXI века алгоритмическая торговля приобрела глобальный характер. Получили распространение системы высокочастотной торговли (High-Frequency Trading, HFT), позволяющие совершать большое количество сделок с минимальными временными задержками. Такие системы используют автоматизированные алгоритмы для оценки ценовых дисбалансов, арбитражных возможностей и управления портфелем в режиме реального времени[4].

Основные концепции и классификация стратегий

Алгоритмические стратегии классифицируются на основе применяемых методов анализа и целей торговли. Альфа-стратегии ориентированы на получение дохода независимо от общего направления рынка и основаны на выявлении дисбалансов и статистических закономерностей в котировках. Бета-стратегии следуют за динамикой рынка и используются для хеджирования рисков или воспроизведения рыночного движения[5].

Методы алгоритмической торговли включают статистический и математический анализ, обработку временных рядов, машинное обучение (Machine Learning, ML) и элементы искусственного интеллекта (Artificial Intelligence, AI). Важной составляющей является оптимизация стратегий с учётом транзакционных издержек, ликвидности финансовых инструментов и вероятности реализации прогнозов. Современные алгоритмы способны одновременно анализировать данные с нескольких рынков, выявлять временные аномалии и автоматически корректировать позиции[6].

Практическое применение и международный контекст

Алгоритмические стратегии применяются как институциональными инвесторами, так и специализированными компаниями на международных финансовых рынках. Их использование способствует повышению эффективности управления капиталом, снижению влияния человеческого фактора и ускорению обработки информации. Применение высокочастотных стратегий требует соблюдения нормативных требований, мониторинга рыночной инфраструктуры и оценки воздействия на ликвидность и волатильность[7].

В России применение алгоритмических и высокочастотных стратегий развивается поэтапно.

Компании используют как отечественные, так и международные инструменты, интегрируя алгоритмы анализа и управления рисками в торговые платформы. Современные подходы включают разработку собственных моделей, а также адаптацию методов, применяемых на зарубежных рынках[8].

Цели и структура книги

Цель настоящей книги заключается в систематическом изложении ключевых концепций и методов алгоритмической торговли, включая высокочастотные стратегии и интеграцию методов искусственного интеллекта. В книге рассматриваются исторические аспекты развития отрасли, классификация стратегий, принципы построения торговых систем, методы анализа и оптимизации инвестиционных портфелей, а также особенности работы на российских и международных финансовых рынках[9].

Автор – Я. Л. Шляпочник – на основе многолетнего опыта разработки и внедрения алгоритмических стратегий в компании «Алго Капитал» систематизирует подходы к построению торговых систем, охватывающих широкий спектр инструментов и рынков. Представленные материалы формируют теоретическую базу и практические рекомендации для исследования и применения алгоритмических методов в современной финансовой индустрии[10].

Глава 1

История алгоритмической торговли на фондовом рынке

1.1. Ранние разработки

Автоматизация обработки торговых заявок на финансовых рынках начала активно развиваться в 1970-х годах с внедрением Нью-Йоркской фондовой биржей системы Designated Order Turnaround (DOT)[11]. Данная система обеспечивала передачу рыночных и лимитных ордеров в электронном формате непосредственно биржевым специалистам.

В 1984 году система DOT была заменена усовершенствованной версией SuperDOT[12], что позволило расширить функциональные возможности электронного доступа и ускорить процесс исполнения заявок.

На этапе открытия торгов была внедрена служба автоматизированной отчётности Opening Automated Report Service (OARS), предназначенная для предварительной обработки поступающих заявок до начала торговой сессии[13].

В дальнейшем получила распространение технология Smart Order Routing (SOR), обеспечивающая автоматический поиск наилучших цен на финансовые инструменты с целью минимизации времени исполнения ордеров и торговых издержек[14].

Появление полностью электронных рынков стало предпосылкой развития программной торговли. Программные стратегии применялись для автоматизированного входа и выхода из позиций с учётом рыночных параметров и заранее заданных правил[15].

С 1980-х годов программная торговля активно использовалась в стратегиях индексного арбитража и динамического формирования синтетических опционов на портфели фондовых активов с применением дельта-хеджирования, основанного на модели Блэка—Шоулза[16].

Программная торговля рассматривалась в экспертных отчётах, включая доклад Комиссии Брэди, как один из факторов, способствовавших краху фондового рынка в 1987 году[17]. При этом убедительных эмпирических доказательств определяющего влияния компьютеризированной торговли на рыночные обвалы представлено не было, и дискуссии по данному вопросу продолжаются[18].

С 2009 года система SuperDOT была заменена платформой Super Display Book (SDBK)[19], а впоследствии – универсальной торговой платформой Universal Trading Platform (UTP)[20].

1.2. Предпосылки возникновения торговых систем

Разработка модели ценообразования опционов Блэка—Шоулза в 1973 году стала важным этапом в развитии количественных методов на финансовых рынках[21]. Данная модель позволяет оценивать стоимость европейских опционов на основе предполагаемой волатильности базового актива[22].

Ф. Блэк и М. Шоулз показали, что динамическая стратегия пересмотра портфеля способствует снижению инвестиционного риска[23]. Дальнейшее расширение модели, выполненное Робертом С. Мертоном, легло в основу современной теории ценообразования производных финансовых инструментов[24].

1.3. Совершенствование и развитие фондовых рынков

В 1990-х годах получили развитие сети электронной связи (Electronic Communication Networks, ECN), позволившие осуществлять торговые операции за пределами традиционных биржевых площадок[25].

В 2001 году в США была внедрена десятичная система котирования, в результате чего минимальный шаг цены сократился с 1/16 доллара до $0,01[26]. Это способствовало росту рыночной ликвидности и ускорению развития алгоритмической торговли.

Использование методов TWAP и VWAP стало стандартной практикой при распределении крупных торговых ордеров[27].

В 2005 году Комиссия по ценным бумагам и биржам США (SEC) внедрила Национальную рыночную систему управления, усилив требования к обеспечению наилучшей доступной цены исполнения сделок[28].

1.4. Искусственный интеллект и его влияние на финансовую индустрию

Методы искусственного интеллекта (Artificial Intelligence, AI) и машинного обучения (Machine Learning, ML) применяются для анализа больших массивов данных и поддержки процессов принятия инвестиционных решений[29]. Технологии глубокого обучения (Deep Learning, DL) и обучения с подкреплением (Deep Reinforcement Learning, DRL) позволяют выявлять сложные нелинейные зависимости и формировать автономные торговые стратегии[30].

Примеры самообучающихся алгоритмов, включая AlphaGo Zero компании DeepMind, демонстрируют потенциал автономного обучения без использования предварительно размеченных исторических данных, что указывает на возможности дальнейшего развития интеллектуальных торговых систем[31].

Рис. 1. Пример применения AI/ML в алгоритмической торговле

1.4.1. Понятие искусственного интеллекта

В научной и профессиональной среде продолжаются дискуссии относительно содержания и границ понятий искусственного интеллекта и машинного обучения. AI представляет собой совокупность методов и технологий, основанных на использовании больших массивов данных, значительных вычислительных ресурсов и алгоритмов машинного обучения, предназначенных для решения задач различной степени сложности[32]. Системы AI способны выполнять как формализованные, так и слабо формализованные задачи, а в ряде случаев – адаптироваться к изменяющимся условиям на основе накопленного опыта, имитируя отдельные элементы человеческого обучения и принятия решений[33].

Машинное обучение (Machine Learning, ML) рассматривается как одно из ключевых направлений искусственного интеллекта. Оно фокусируется на разработке алгоритмов и моделей, которые анализируют большие объёмы данных, выявляют устойчивые закономерности и используют их для формирования прогнозов и поддержки процессов принятия решений[34]. В отличие от традиционных алгоритмических подходов методы машинного обучения предполагают не жёстко заданные правила, а адаптацию модели на основе эмпирических данных, что позволяет применять их для прогнозирования будущих событий в условиях неопределённости[35].

Анализ программных решений, используемых на российском финансовом рынке и аккредитованных Банком России, Национальной ассоциацией участников фондового рынка (НАУФОР) и иными уполномоченными организациями, показывает, что около 70% таких систем относятся к базовым формам инвестиционного консультирования и автоматизированного управления активами[36]. Оставшаяся часть включает более сложные программные продукты, в том числе решения, использующие методы искусственного интеллекта, машинного обучения и смежные технологии анализа данных.

Конец ознакомительного фрагмента.

Текст предоставлен ООО «Литрес».

Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.

Notes

1

Kissell R. The Science of Algorithmic Trading and Portfolio Management. – Amsterdam: Academic Press, 2014. – 312 p.

2

U.S. Securities and Exchange Commission. Regulation NMS. – Washington, DC: SEC, 2005. – 180 p.

3

Russell S., Norvig P. Artificial Intelligence: A Modern Approach. – 4th ed. – Boston: Pearson, 2021. – 1136 p.

4

Sutton R. S., Barto A. G. Reinforcement Learning: An Introduction. – 2nd ed. – Cambridge: MIT Press, 2018. – 552 p.

5

Silver D. et al. Mastering the Game of Go without Human Knowledge // Nature. – 2017. – Vol. 550. – P. 354–359.

6

Nilsson N. J. The Quest for Artificial Intelligence. – Cambridge: Cambridge University Press, 2010. – 578 p.

7

McCarthy J. What Is Artificial Intelligence? – Stanford: Stanford University, 2007. – 24 p.

8

Bishop C. M. Pattern Recognition and Machine Learning. – New York: Springer, 2006. – 738 p.

9

Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. – 2nd ed. – New York: Springer, 2009. – 745 p.

10

Банк России. Обзор рынка инвестиционного консультирования в Российской Федерации. – М.: Банк России, 2022. – 68 с.

11

International Organization of Securities Commissions. Guidance on Automated Investment Advice. – Madrid: IOSCO, 2017. – 44 p.

12

Банк России. Требования к программным продуктам, используемым при инвестиционном консультировании: информационное письмо. – М.: Банк России, 2021. – 32 с.

13

Organisation for Economic Co-operation and Development. Artificial Intelligence in Society. – Paris: OECD Publishing, 2019. – 290 p.

14

Provost F., Fawcett T. Data Science for Business. – Sebastopol: O’Reilly Media, 2013. – 414 p.

15

Ernest P. Chan. Quantitative Trading: How to Build Your Own Algorithmic Trading Business. – Hoboken: John Wiley & Sons, 2004. – 288 p.

16

Damodaran A. Investment Valuation: Tools and Techniques for Determining the Value of Any Asset. – 3rd ed. – Hoboken: John Wiley & Sons, 2012. – 992 p.

17

Kahn R. N. Financial Risk Management for Asset Managers. – New York: McGraw-Hill, 2015. – 432 p.

18

Sironi P. FinTech Innovation: From Robo-Advisors to Goal Based Investing and Gamification. – Chichester: John Wiley & Sons, 2016. – 264 p.

19

Davenport T. H., Ronanki R. Artificial Intelligence for the Real World // Harvard Business Review. – 2018. – Vol. 96, No. 1. – P. 108–116.

20

Brynjolfsson E., McAfee A. The Second Machine Age. – New York: W. W. Norton & Company, 2014. – 336 p.

21

Gomber P., Kauffman R. J., Parker C., Weber B. On the Fintech Revolution // Journal of Management Information Systems. – 2018. – Vol. 35, No. 1. – P. 220–265.

22

Arner D. W., Barberis J., Buckley R. P. The Evolution of Fintech // Georgetown Journal of International Law. – 2016. – Vol. 47. – P. 1271–1319.

23

Jordan M. I., Mitchell T. M. Machine Learning: Trends, Perspectives, and Prospects // Science. – 2015. – Vol. 349, No. 6245. – P. 255–260.

24

Bohnert A., Fritzsche A., Gregor S. Digital Transformation in the Insurance Industry // Geneva Papers on Risk and Insurance. – 2019. – Vol. 44. – P. 327–347.

25

Dal Pozzolo A., Bontempi G., Snoeck M. Adversarial Drift Detection // IEEE International Conference on Data Mining. – 2014. – P. 210–219.

26

Wedel M., Kannan P. K. Marketing Analytics for Data-Rich Environments // Journal of Marketing. – 2016. – Vol. 80, No. 6. – P. 97–121.

27

Altman E. I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // Journal of Finance. – 1968. – Vol. 23, No. 4. – P. 589–609.

28

Jung D., Glaser F., Kopplin W. Robo-Advisory // Electronic Markets. – 2019. – Vol. 29. – P. 355373.

29

Narayanan A., Bonneau J., Felten E., Miller A., Goldfeder S. Bitcoin and Cryptocurrency Technologies. – Princeton: Princeton University Press, 2016. – 336 p.

30

Schwab K. The Fourth Industrial Revolution. – Geneva: World Economic Forum, 2016. – 184 p.

31

Goodfellow I., Bengio Y., Courville A. Deep Learning. – Cambridge: MIT Press, 2016. – 775 p.

32

Financial Action Task Force. Opportunities and Challenges of New Technologies for AML/CFT. – Paris: FATF, 2021. – 64 p.

33

Arner D. W., Buckley R. P., Zetzsche D. A. FinTech, RegTech and the Reconceptualization of Financial Regulation // Northwestern Journal of International Law & Business. – 2017. – Vol. 37, No. 3. – P. 371–413.

34

McKinsey Global Institute. Artificial Intelligence: The Next Digital Frontier? – New York: McKinsey & Company, 2017. – 75 p.

35

World Economic Forum. The Future of Financial Infrastructure. – Geneva: WEF, 2018. – 160 p.

36

Accenture. Banking Technology Vision. – Dublin: Accenture, 2020. – 88 p.