## DiffQuant: российская разработка меняет подход к ML-трейдингу — оптимизация коэффициента Шарпа напрямую через дифференцируемый симулятор
В мире машинного обучения для трейдинга существует фундаментальный разрыв: модели обучают на одной метрике, например, среднеквадратичной ошибке (MSE), а оценивают их реальную эффективность по коэффициенту Шарпа. Российский проект DiffQuant предлагает радикально иной подход, устраняя этот разрыв. Вместо оптимизации прокси-целей система строит единый дифференцируемый граф, который напрямую связывает рыночные признаки с торговыми позициями, расчётом прибыли и убытков (PnL) и учётом транзакционных издержек. Это позволяет градиентам проходить через саму механику торговли, а не через её приближённую модель.

Разработчики протестировали прототип на двух последовательных кварталах, не использовавшихся при обучении. После учёта комиссий система показала коэффициенты Шарпа +1.73 и +1.15, что демонстрирует её практическую работоспособность. Важно подчеркнуть, что DiffQuant — это не готовая торговая система, а новая методологическая постановка задачи, открывающая путь к более прямому и осмысленному обучению торговых алгоритмов.

Полная открытость кода, данных и протокола эксперимента делает разработку значимым вкладом в область количественных финансов и алгоритмического трейдинга. Подход DiffQuant ставит под сомнение традиционный конвейер разработки ML-моделей для рынков, предлагая вместо этого сквозную оптимизацию по итоговой финансовой метрике. Это создаёт основу для нового поколения систем, где цель обучения и конечная оценка эффективности наконец совпадают.
---
- **Source**: Habr
- **Sector**: The Lab
- **Tags**: машинное обучение, алгоритмический трейдинг, коэффициент Шарпа, дифференцируемое программирование, открытый код
- **Credibility**: unverified
- **Published**: 2026-04-11 11:22:35
- **ID**: 59981
- **URL**: https://whisperx.ai/en/intel/59981