Математика кванта: карта

Теория вероятностей как математическая дисциплина может и должна быть построена на аксиомах совершенно так же, как геометрия и алгебра.

---

Математический ров кванта

В эпоху развития генеративных нейросетей и общедоступных библиотек программирование само по себе перестало быть уникальным преимуществом. Настоящий конкурентный ров (moat) количественного специалиста — это фундаментальный математический аппарат.

Умение доказать, почему дисконтированная цена актива является мартингалом, как поправка Ито второго порядка объясняет вогнутость опционного профиля, или почему метод главных компонент (PCA) сжимает кривую доходности облигаций в три числа — вот что отделяет инженера, создающего рыночную альфуАльфа (Alpha)α = Rᵢ − (R_f + β(Rₘ − R_f))Избыточная доходность стратегии относительно рыночного риска (бенчмарка). Мера мастерства кванта.Подробнее →, от того, кто лишь временно её одалживает.

Разберем пять столпов квантовой математики, их прикладное воплощение на бирже, распределение по профессиям и причины, по которым классическая университетская математика терпит крах при столкновении с реальным рынком.

---

1. Пять столпов квантовой математики

I. Теория вероятностей (Probability Theory)

Фундаментальный язык описания неопределённости. Вместо примитивного мышления «вырастет или упадёт» теорвер приучает к расчёту математического ожидания (EV) и оценке условных вероятностей.

• Теорема Байеса: $P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}$ Применение: Динамический пересчёт вероятности разворота тренда в реальном времени при получении микроструктурных дисбалансов из книги заявок (Order Book Imbalance).
• Условное матожидание относительно фильтрации $\mathbb{E}[X | \mathcal{F}_t]$: Фундамент мартингального подхода к оценке деривативов во времени.
• Цепи Маркова: Моделирование переходов между фазами рынка (спокойный флэт, взрывная волатильность, панический обвал).

II. Математическая статистика и временные ряды

Главный инструмент фильтрации шума. Позволяет отличить случайное историческое совпадение от устойчивой рыночной закономерности.

• Коинтеграция временных рядов: Математическая основа парного трейдинга (Pairs Trading). Если цены акций $A_t$ и $B_t$ нестационарны, но их линейная комбинация: $y_t = A_t - \beta B_t \sim I(0)$ является стационарной, это даёт безрисковый статистический арбитраж с возвратом к среднему (mean-reversion).
• Модели авторегрессионной волатильности (ARCH / GARCH): $\sigma^2_t = \omega + \alpha \epsilon^2_{t-1} + \beta \sigma^2_{t-1}$ Применение: Моделирование кластеризации волатильности (после бурного дня на рынке с высокой вероятностью следует бурный день).
• Поправка Ньюи — Уэста (Newey-West): Корректировка стандартных ошибок регрессии при наличии автокорреляции и гетероскедастичности.

III. Линейная алгебра и матричный анализ

Вычислительный движок, преобразующий хаос тысяч котировок в понятные факторы риска и сбалансированные портфели.

• Ковариационная матрица $\Sigma$ и портфель Марковица: Дисперсия многомерного портфеля описывается компактной квадратичной формой: $\sigma^2_p = w^T \Sigma w$ Задача оптимизации сводится к поиску вектора весов $w$, минимизирующего дисперсию при целевой доходности $\mu^T w$.
• Метод главных компонент (PCA): Спектральное разложение ковариационной матрицы процентных ставок позволяет сжать сложную кривую доходности гособлигаций в три ключевых фактора, объясняющих подавляющую часть её динамики[1]:
  1. Level (Сдвиг): параллельный подъём или падение всей кривой.
  2. Slope / Steepness (Наклон): изменение разницы между короткими и длинными ставками.
  3. Curvature / Bow (Изгиб): динамика среднесрочных облигаций относительно краев.

IV. Математический анализ и численные методы

Мост, переводящий абстрактные дифференциальные уравнения в работающий машинный код.

• Разложение в ряд Тейлора (Греки опционов): Изменение цены опциона $C$ аппроксимируется полиномом Тейлора второго порядка: $dC \approx \Delta dS + \frac{1}{2}\Gamma (dS)^2 + \Theta dt + \mathcal{V} d\sigma$ где $\Delta$ — первая производная по цене, $\Gamma$ — вторая производная (выпуклость), $\Theta$ — временной распад.
• Метод Ньютона — Рафсона: Итерационный поиск корней нелинейных уравнений для расчёта неявной волатильности (Implied Volatility), которую невозможно выразить из формулы Блэка — Шоулза аналитически.
• Симуляции Монте-Карло и метод конечных разностей (FDM): Численное решение уравнений в частных производных (PDE) для экзотических опционов со сложными граничными условиями.

V. Стохастический анализ (Stochastic Calculus)

Королевская дисциплина финансовой математики, описывающая процессы под воздействием непрерывного броуновского шума $W_t$.

• Лемма Ито (Ключевая формула финансовой инженерии): Поскольку квадратичное приращение винеровского процесса $(dW_t)^2 = dt$, в дифференциале функции от случайного процесса член второго порядка не исчезает: $df(S_t, t) = \left( \frac{\partial f}{\partial t} + \mu S_t \frac{\partial f}{\partial S} + \frac{1}{2} \sigma^2 S_t^2 \frac{\partial^2 f}{\partial S^2} \right) dt + \sigma S_t \frac{\partial f}{\partial S} dW_t$ Слагаемое $\frac{1}{2} \sigma^2 S^2 \frac{\partial^2 f}{\partial S^2} dt$ — это знаменитая поправка Ито на выпуклость, благодаря которой дельта-хеджированный портфель приносит безрисковую ставку доходности.
• Теорема Гирсанова и EMM Ширяева: Переход от физической вероятностной меры $\mathbb{P}$ к риск-нейтральной мартингальной мере $\mathbb{Q}$, в которой дисконтированные цены активов становятся мартингалами.
• Процесс Орнштейна — Уленбека: $dX_t = \theta (\mu - X_t) dt + \sigma dW_t$ Стохастическое уравнение с возвратом к среднему, лежащее в основе моделей процентных ставок (модель Васичека) и торговли спредами.

---

2. Распределение математики по ролям

Не каждому специалисту нужно в совершенстве знать исчисление Маллявена. В индустрии существует чёткое разделение труда:

---

3. Почему обычной университетской математики недостаточно

Выпускники мехматов и физтехов часто терпят фиаско на первом году работы в фонде, пытаясь напрямую применить академические модели к бирже. На это есть три фундаментальные причины:

1. Проблема тяжёлых хвостов (Fat Tails / Лептокуртичность)

В учебниках большинство теорем опирается на красивое симметричное нормальное распределение Гаусса.
Однако распределение доходностей реальных биржевых активов лептокуртично: оно имеет высокий острый пик и сверхтяжёлые хвосты.

2. Нестационарность рынков (Смена режимов)

В физике законы Ньютона и уравнения Максвелла неизменны. В квантовых финансах законы пишутся поведением людей и алгоритмов, которые адаптируются к рынку.
Математическое ожидание $\mu$, волатильность $\sigma$ и ковариационная матрица $\Sigma$ постоянно дрейфуют во времени. Модель, показавшая фантастический результат на истории 2022–2024 годов, полностью разрушается при смене ключевой ставки или геополитическом кризисе (Alpha Decay).

3. Backtest Overfitting и Lookahead Bias

Главная ловушка исследователя — бесконечный прогон параметров через Grid Search на исторических данных (p-hacking):

• Если протестировать 1 000 случайных бессмысленных стратегий, чисто статистически около 50 из них покажут высокий коэффициент Шарпа на истории. Исследователь принимает случайный рыночный шум за закономерность.
• Классическая кросс-валидация ($k$-fold) в финансах не работает из-за автокорреляции: информация из будущего просачивается в прошлое (Lookahead Bias).
• Решение: Методология Маркоса Лопеса де Прадо — комбинаторная очищенная кросс-валидация (CPCV) с эмбарго и расчётом дефлированного коэффициента Шарпа (DSR).

---

4. Золотой канон литературы для кванта

---

---

Источники

1. [1] Common Factors Affecting Bond Returns Robert Litterman, José Scheinkman — The Journal of Fixed Income, т. 1, № 1 · июнь 1991, с. 54–61 Классическая работа о трёх факторах кривой доходности — уровень, наклон, кривизна. Сама статья платная; по ссылке — разбор ФРБ Сан-Франциско, где приводится оценка «более 99% движения доходностей»; другие академические цитирования дают около 95%.
2. [2] When Genius Failed: The Rise and Fall of Long-Term Capital Management Roger Lowenstein, Random House · 2000, с. 127 Оценка риск-моделей LTCM: чтобы потерять весь капитал за год, потребовалось бы событие в десять стандартных отклонений. По ссылке — независимый разбор Marc Rubinstein с тем же эпизодом.
3. [3] Основы стохастической финансовой математики. Т. 1: Факты. Модели. Т. 2: Теория А. Н. Ширяев, МЦНМО · 2016 Русскоязычный канон по стохастике в финансах: мартингалы, мера Гирсанова, безарбитражность.
4. [4] Stochastic Integral Kiyosi Itô — Proceedings of the Imperial Academy (Tokyo), т. 20, № 8 · 1944, с. 519–524 Первая работа Ито о стохастическом интеграле — фундамент леммы Ито. В открытом доступе.
5. [5] Advances in Financial Machine Learning Marcos López de Prado, Wiley · февраль 2018, ISBN 978-1-119-48208-6 Источник по переобучению бэктестов, комбинаторной кросс-валидации и вероятности переобучения (PBO).

Ссылки сверены 4 сентября 2026

Проверьте себя