<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>волатильность &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/volatilnost/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 11 Dec 2025 01:11:52 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>волатильность &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>EGARCH, TGARCH, FIGARCH для моделирования асимметричной волатильности</title>
		<link>https://mlgu.ru/6807/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 11 Dec 2025 00:51:07 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[garch]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[эконометрические модели]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6807</guid>

					<description><![CDATA[Волатильность большинства финансовых активов ассиметрична: негативные шоки увеличивают ее сильнее, чем позитивные той же величины. Классическая модель GARCH (1,1) предполагает симметричный отклик условной дисперсии, что приводит к систематическим ошибкам в оценке риска и неэффективному хеджированию опционных позиций. Эконометрические модели EGARCH, TGARCH и FIGARCH расширяют базовую спецификацию GARCH, позволяя моделировать асимметричные эффекты и долгую память в [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Портфель максимальной диверсификации (Maximum Diversification Portfolio)</title>
		<link>https://mlgu.ru/6651/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 27 Nov 2025 11:15:38 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6651</guid>

					<description><![CDATA[Портфель максимальной диверсификации (Maximum Diversification Portfolio) представляет альтернативу классическим подходам к формированию инвестиционных портфелей. В отличие от метода Марковица, который требует оценки ожидаемой доходности активов, максимальная диверсификация фокусируется исключительно на структуре риска. Метод строится на максимизации диверсификационного коэффициента — отношения взвешенной волатильности отдельных активов к волатильности портфеля. Подход особенно востребован институциональными инвесторами, поскольку устраняет необходимость [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Портфель минимальной волатильности (Minimum Variance Portfolio)</title>
		<link>https://mlgu.ru/6636/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 26 Nov 2025 20:47:29 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6636</guid>

					<description><![CDATA[Портфель минимальной волатильности (Minimum Variance Portfolio, MVP) — метод построения инвестиционного портфеля, где целевая функция оптимизации направлена исключительно на минимизацию риска, без учета ожидаемой доходности активов. Подход решает задачу поиска такой комбинации весов активов, при которой волатильность портфеля достигает минимального значения при заданных ограничениях. Классическая теория портфеля Марковица требует оценки двух параметров: ожидаемой доходности и [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Скорость и ускорение в последовательностях временных рядов. Методы расчета</title>
		<link>https://mlgu.ru/6001/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 02 Nov 2025 10:36:14 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[сплайны]]></category>
		<category><![CDATA[торговые алгоритмы]]></category>
		<category><![CDATA[фильтры]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6001</guid>

					<description><![CDATA[В анализе временных рядов скорость показывает, как быстро изменяется значение показателя во времени, а ускорение — насколько стремительно меняется сама скорость. По сути, это первая и вторая производные функции по времени, которые в дискретных данных приближенно рассчитывают как разности между последовательными значениями. В алгоритмическом трейдинге эти метрики применяются для детекции разворотов тренда, измерения волатильности режима [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Wavelet-анализ финансовых данных: преобразование Фурье vs вейвлеты, многомасштабный анализ волатильности</title>
		<link>https://mlgu.ru/5927/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 31 Oct 2025 20:57:16 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[wavelets]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5927</guid>

					<description><![CDATA[Финансовые временные ряды нестационарны: волатильность меняется, тренды возникают и исчезают, корреляции нестабильны. Классический частотный анализ предполагает постоянство частотных компонент во времени, что противоречит природе рыночных данных. Вейвлет-преобразование решает эту проблему через одновременный анализ во временной и частотной областях. Эта статья сравнивает подходы Фурье и вейвлетов к анализу финансовых данных, объясняет механику вейвлет-преобразования и показывает практическое [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Алгоритмы оценки хеджирующих стратегий</title>
		<link>https://mlgu.ru/5764/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 27 Oct 2025 22:03:32 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[управление рисками]]></category>
		<category><![CDATA[хеджирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5764</guid>

					<description><![CDATA[Эффективность хеджирования измеряется не столько доходностью, сколько степенью снижения риска. Портфель может показывать нулевую или отрицательную доходность, но если волатильность снизилась на 70%, хедж работает. Задача алгоритмов оценки — количественно определить, насколько инструмент защиты выполняет свою функцию и оправдывает затраты на его поддержание. Метрики эффективности хеджирования Классические портфельные метрики (коэффициент Шарпа, максимальная просадка) не учитывают [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Показатели ликвидности акций и методы их расчета</title>
		<link>https://mlgu.ru/5097/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 08 Oct 2025 22:54:37 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[алгоритмические стратегии]]></category>
		<category><![CDATA[аномалии]]></category>
		<category><![CDATA[биржевая аналитика]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5097</guid>

					<description><![CDATA[Ликвидность определяет возможность быстро купить или продать актив без существенного влияния на его цену. Для алгоритмической торговли это критический параметр: низкая ликвидность увеличивает издержки исполнения, ограничивает размер позиций и повышает риски проскальзываний. Количественная оценка ликвидности позволяет фильтровать торгуемую вселенную, оптимизировать исполнение ордеров и лучше управлять рисками портфеля. Ликвидность имеет несколько измерений: объем торгов, ширину спреда, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>LSTM для прогнозирования волатильности: многослойные архитектуры и sequence-to-sequence подходы</title>
		<link>https://mlgu.ru/4634/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 26 Sep 2025 12:10:51 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[deep learning]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4634</guid>

					<description><![CDATA[В течение последних нескольких лет работы с временными рядами финансовых данных я неоднократно сталкивался с проблемой прогнозирования волатильности. Классические GARCH модели и их вариации показывают ограниченную эффективность при краткосрочных и intraday-стратегиях, особенно когда рынок демонстрирует резкие структурные сдвиги. Сегодня хочу поделиться своими наблюдениями о применении LSTM архитектур для решения этой задачи &#8212; от базовых многослойных [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Модели переключения режимов (Regime Switching) для моделирования изменений финансовых рынков</title>
		<link>https://mlgu.ru/4572/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 22 Sep 2025 17:17:24 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[хеджирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4572</guid>

					<description><![CDATA[В мире количественных финансов существует фундаментальная проблема: многие популярные финансовые модели предполагают стационарность процессов там, где ее попросту нет. Рынки не остаются в одном состоянии &#8212; они переключаются между различными режимами волатильности, тренда и корреляций. Именно здесь модели переключения режимов становятся полезным практическим инструментом для построения эффективных торговых стратегий и управления рисками. Концептуальная основа моделей [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Винеровские процессы в биржевой торговле</title>
		<link>https://mlgu.ru/4008/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 30 Aug 2025 09:20:11 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[арбитражная торговля]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4008</guid>

					<description><![CDATA[Винеровские процессы, названные в честь математика Норберта Винера, представляют собой математический инструмент описания случайных движений. Анализ винеровских процессов крайне важен, поскольку они стали краеугольным камнем современной финансовой инженерии. В отличие от примитивных технических индикаторов, которые пытаются найти закономерности там, где их нет, процессы Винера признают фундаментальную случайность рынка и работают с ней, а не против [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
