arXiv · 17.07.2026 ·ИИ в бизнесе

Применение обучения с подкреплением для автоматизации трейдинга на основе новостного сентимента

Исследователи представили систему для автоматизированного принятия торговых решений по биткоину и акциям Tesla, используя глубокое обучение с подкреплением. Модель анализирует исторические рыночные данные в сочетании с новостным сентиментом, формулируя задачу как марковский процесс принятия решений. Сравнительный анализ четырех алгоритмов показал эффективность подхода Alpha-Reward для оптимизации стратегий «лонг», «шорт» или удержания активов.

В рамках задачи FinMMEval 2026 авторы сфокусировались на интеграции текстовых данных из новостных источников с количественными показателями рынка. Использование сентимент-анализа позволяет модели динамически корректировать веса в процессе обучения, что помогает учитывать эмоциональный фон рынка при формировании торговых сигналов. Такой подход минимизирует задержки в реакции на значимые информационные поводы, влияющие на волатильность активов.

Сравнение алгоритмов Policy Gradient (PG), Proximal Policy Optimization (PPO) и других методов глубокого обучения с подкреплением позволило выявить оптимальные конфигурации для работы с финансовыми временными рядами. Результаты демонстрируют, как агент может адаптироваться к изменяющимся рыночным условиям, используя комбинированные сигналы для максимизации доходности при заданных рисках.

Ключевые факты

Объекты анализа: криптовалюта Bitcoin (BTC) и акции компании Tesla (TSLA).
Методология: формулировка задачи как марковского процесса принятия решений (MDP) с дискретными действиями.
Алгоритмы: сравнительное тестирование Policy Gradient (PG), Proximal Policy Optimization (PPO) и других методов глубокого обучения с подкреплением.
Контекст: участие в задаче Task 3 лаборатории CLEF 2026 FinMMEval.
Цель: автоматизация ежедневных торговых решений на основе анализа новостей и исторических данных.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Исследования и наука Гибридный подход в трейдинге: объединение классического стоимостного инвестирования и ML Исследователи предложили новый метод отбора акций, объединяющий классические принципы стоимостного инвестирования Бенджамина Грэма с современными моделями машинного обучения. Авторы используют фундаментальные финансовые показатели как математический фильтр для нейросетей, что позволяет отсеивать рыночный шум и краткосрочные колебания, фокусируясь на компаниях с устойчивой долгосрочной стоимостью и предсказуемыми показателями эффективности. arXiv · Машинное обучение Алгоритмическое обучение стратегиям ставок в аукционах с бюджетными ограничениями Исследователи представили новый подход к автоматизации стратегий ставок в дискриминационных аукционах с учетом бюджетных ограничений. Модель оптимизирует совокупную полезность участника на протяжении T раундов, учитывая стоимость капитала и жесткие лимиты расходов. Решение преодолевает вычислительную сложность экспоненциального пространства действий, предлагая эффективные методы для динамического управления ставками в условиях неопределенности и конкурентной среды. Hacker News · ИИ в бизнесе Анализ эффективности ИИ-алгоритмов в автоматизированной торговле Разработчик провел исследование жизнеспособности торгового бота на базе больших языковых моделей, предназначенного для работы на криптовалютном рынке. В ходе эксперимента система анализировала новостные заголовки и рыночные данные для принятия решений о покупке или продаже активов. Целью проекта была проверка гипотезы о том, что современные модели способны находить неэффективности рынка и обеспечивать доходность выше рыночной. Hacker News · ИИ в бизнесе Автоматизация переобучения риск-моделей с помощью ИИ-агентов в Coinbase Команда Coinbase внедрила агентный подход для автоматизации цикла переобучения моделей оценки рисков. Система самостоятельно анализирует производительность алгоритмов, выявляет необходимость обновления, подготавливает данные и запускает процесс переобучения. Это решение позволило сократить время на рутинные операции по поддержке моделей и повысить оперативность реагирования на изменения в транзакционных данных. Hacker News · ИИ в бизнесе Применение машинного обучения в высокочастотной торговле Компания Hudson River Trading (HRT) раскрыла подходы к внедрению методов машинного обучения в алгоритмическую торговлю. Основной фокус сделан на преодолении проблем переобучения моделей, работе с зашумленными финансовыми данными и обеспечении низкой задержки при исполнении сделок. Статья описывает переход от классических статистических моделей к сложным нейросетевым архитектурам в условиях высококонкурентного рынка. arXiv · Машинное обучение Анализ рыночных настроений через синтез блокчейн-данных и соцсетей Исследователи представили модель классификации рыночных настроений, объединяющую ончейн-активность биткоина с данными из социальных сетей. В отличие от классических методов прогнозирования цен, новый подход фокусируется на интерпретации эмоционального фона рынка. Интеграция транзакционных данных блокчейна и текстового анализа позволяет точнее определять фазы рыночного цикла и поведенческие паттерны инвесторов в цифровые активы. arXiv · Данные и инжиниринг TSAI-MetaFraud: новый датасет для борьбы с мошенничеством в метавселенных Исследователи представили TSAI-MetaFraud — комплексный бенчмарк для обучения моделей обнаружения финансовых махинаций и подозрительного поведения в виртуальных экономиках. Набор данных объединяет транзакционную активность и поведенческие паттерны пользователей, что позволяет создавать более точные системы безопасности для метавселенных, где традиционные методы защиты часто оказываются неэффективными против ботов и сложных схем обмана. Hacker News · Машинное обучение Метод сбора токенов для улучшения обучения ИИ-агентов с подкреплением Исследователи Amazon представили новый подход к обучению ИИ-агентов, основанный на фиксации идентификаторов токенов в процессе их взаимодействия со средой. Метод позволяет более эффективно использовать обучение с подкреплением (RL), преобразуя последовательности действий в структурированные данные. Это помогает моделям точнее оценивать качество принятых решений и быстрее адаптироваться к сложным задачам в динамических условиях. arXiv · Машинное обучение Adaptive Financial Transformer: новая архитектура для прогнозирования доходности акций Исследователи представили Adaptive Financial Transformer (AFT) — специализированную архитектуру для прогнозирования доходности акций в условиях нестабильных рынков. В отличие от стандартных трансформеров, модель использует механизм динамического управления вниманием, который адаптируется к текущему рыночному режиму. Это позволяет эффективнее учитывать семантические связи между финансовыми индикаторами и повышать точность предсказаний в меняющейся экономической среде. arXiv · Исследования и наука Оптимизация стратегий дообучения encoder-decoder моделей Исследователи проанализировали влияние различных целей предобучения на эффективность encoder-decoder моделей в задачах генерации текста и ответов на вопросы. Работа демонстрирует, что комбинирование нескольких целевых функций при дообучении и промпт-тюнинге значительно повышает точность моделей при извлечении знаний и выполнении задач, требующих здравого смысла, предлагая новые подходы к адаптации архитектур под конкретные прикладные цели.

← Все материалы