Все выпуски

В статье решается актуальная научно-практическая задача математического моделирования и прогнозирования процессов диффузии инноваций и технологических замещений на рынках с ограниченной емкостью. Целью работы является преодоление структурных ограничений классических феноменологических подходов, таких как модели Басса, Гомперца и Мэнсфилда, связанных с жестко фиксированной асимметрией S-образных кривых и отсутствием явного микроэкономического обоснования динамики систем. В основу исследования положен междисциплинарный подход, основанный на переносе экологической концепции рационирования ограниченных ресурсов (модель Ардити–Гинзбурга–Контуа) в теорию операционного менеджмента посредством использования клиринговой функции Кармаркара и производственной функции Леонтьева–Либиха. Автором аналитически выведен альтернативный закон диффузии технологических инноваций, представленный в виде неявной зависимости времени от кумулятивного объема продаж или общего числа потребителей. Для идентификации неизвестных параметров модели по эмпирическим данным применен численный метод инвертирования неявной функции на основе нелинейной оптимизации наименьших квадратов, обеспечивающий высокую вычислительную стабильность алгоритма. Проведена сравнительная эмпирическая верификация предложенного закона в сопоставлении с классическими мировыми аналогами на двух контрастных макроэкономических кейсах: динамике кумулятивных продаж потребительской электроники Apple iPod (сорок девять квартальных точек) и развитии рынка подписок на мобильный интернет в Германии (восемнадцать годовых точек). Оценка качества аппроксимации осуществлялась по критерию остаточной суммы квадратов и коэффициенту детерминации. Показано математическое преимущество авторской модели, продемонстрировавшей наименьшую ошибку невязки на макроэкономических данных высокотехнологичных рынков за счет гибкого параметра асимметрии, адаптирующегося под стартовый лаг-период рынка. Научная новизна работы заключается в фундаментальном обосновании макроэкономической S-кривой через баланс уравнений системы «потребитель–ресурс». Разработанный математический аппарат может быть непосредственно использован аналитическими агентствами, регуляторами сектора информационно-коммуникационных технологий и менеджментом компаний для среднесрочного планирования емкости рынков и прогнозирования точек перегиба, соответствующих пикам темпов технологического замещения.

The author presents a new macroeconomic model designed to analyze and forecast technology diffusion processes in markets characterized by bounded capacity. The study addresses the major limitations of classical phenomenological models, such as the Bass and Gompertz frameworks, which suffer from a rigidly fixed trajectory asymmetry and lack explicit microeconomic foundations. To overcome these constraints, we employ an interdisciplinary approach that transfers the ecological concept of limited resource rationing from the Arditi–Ginzburg–Contois model into operations management theory. This framework integrates the Karmarkar clearing function with the Leontief–Liebig production function to establish a rigorous dynamic balance. By applying this integration, the author analytically derives an alternative technological innovation diffusion law that expresses time as an explicit function of the cumulative market volume. To identify parameters from empirical data, the study develops a robust numerical grid inversion algorithm that utilizes vector linear interpolation within the MATLAB computing environment. This approach avoids iterative root-finding errors and ensures high computational stability for the non-linear least squares optimization procedure. We test the empirical validity of the developed diffusion law using two distinct historical macroeconomic cases: the quarterly cumulative sales of the Apple iPod and the annual subscription data for the mobile broadband market in Germany. The resulting statistical metrics demonstrate that the proposed model provides superior approximation quality and mathematical advantages on high-tech market data due to its highly flexible asymmetry parameter. The fundamental scientific novelty of this research lies in the theoretical justification of the macroeconomic S-curve through the internal balance equations of an open chemostat-type system operating under a competitive vacuum. The proposed mathematical apparatus offers a practical tool for corporate management and regulatory agencies to plan market capacity and accurately forecast peak technological substitution rates.

Высокочастотная алгоритмическая торговля — это подкласс трейдинга, ориентированный на получение прибыли на субсекундных временных интервалах. Такие торговые стратегии не зависят от большинства факторов, подходящих для долгосрочной торговли, и требуют особого подхода. Было много попыток использовать методы машинного обучения как для высоко-, так и для низкочастотной торговли. Однако они по-прежнему имеют ограниченное применение на практике из-за высокой подверженности переобучению, требований к быстрой адаптации к новым режимам рынка и общей нестабильности результатов. Мы провели комплексное исследование по сочетанию известных количественных теорий и методов обучения с подкреплением, чтобы вывести более эффективный и надежный подход при построении автоматизированной торговой системы в попытке создать поддержку для известных алгоритмических торговых техник. Используя классические теории поведения цен, а также современные примеры применения в субмиллисекундной торговле, мы применили модели обучения с усилением для улучшения качества алгоритмов. В результате мы создали надежную модель, использующую глубокое обучение с усилением для оптимизации параметров статических торговых алгоритмов, способных к онлайн-обучению на живых данных. Более конкретно, мы исследовали систему на срочном криптовалютном рынке, который в основном не зависит от внешних факторов в краткосрочной перспективе. Наше исследование было реализовано в высокочастотной среде, и итоговые модели показали способность работать в рамках принятых таймфреймов высокочастотной торговли. Мы сравнили различные комбинации подходов глубинного обучения с подкреплением и классических алгоритмов и оценили устойчивость и эффективность улучшений для каждой комбинации.

High frequency algorithmic trading became is a subclass of trading which is focused on gaining basis-point like profitability on sub-second time frames. Such trading strategies do not depend on most of the factors eligible for the longer-term trading and require specific approach. There were many attempts to utilize machine learning techniques to both high and low frequency trading. However, it is still having limited application in the real world trading due to high exposure to overfitting, requirements for rapid adaptation to new market regimes and overall instability of the results. We conducted a comprehensive research on combination of known quantitative theory and reinforcement learning methods in order derive more effective and robust approach at construction of automated trading system in an attempt to create a support for a known algorithmic trading techniques. Using classical price behavior theories as well as modern application cases in sub-millisecond trading, we utilized the Reinforcement Learning models in order to improve quality of the algorithms. As a result, we derived a robust model which utilize Deep Reinforcement learning in order to optimise static market making trading algorithms’ parameters capable of online learning on live data. More specifically, we explored the system in the derivatives cryptocurrency market which mostly not dependent on external factors in short terms. Our research was implemented in high-frequency environment and the final models showed capability to operate within accepted high-frequency trading time-frames. We compared various combinations of Deep Reinforcement Learning approaches and the classic algorithms and evaluated robustness and effectiveness of improvements for each combination.