Платон Барунин, выпускник бакалавриата МИЭФ 2025, победитель конкурса НИРС: «Самое интересное — наблюдать, как абстрактная идея превращается в работающий алгоритм»
Мы поздравили Платона и его научного руководителя с победой и поговорили с ними об участии в конкурсе, академической среде в МИЭФ и о том, что важно для абитуриентов.
Как научить алгоритм снижать финансовые риски. Что изучал Платон Барунин.
Работа Платона Барунина «Применение алгоритмов глубокого обучения с подкреплением для решения задачи оптимального хеджирования» посвящена одной из самых сложных и актуальных задач современного финансового анализа — управлению рисками на финансовых рынках с использованием методов машинного обучения. Финансовые рынки постоянно меняются, и вместе с ними меняется стоимость активов. Для банков, фондов и торговых подразделений важно не столько «угадать рынок», сколько защитить себя от случайных и резких колебаний цен. Именно эту задачу — оптимальное хеджирование — и взялся решать Платон Барунин в своей работе.
Классические финансовые модели обычно начинают с предположения о том, как именно ведет себя рынок. Если это предположение оказывается неверным, то и расчеты начинают «сыпаться». В своей работе Платон пошел другим путем: он отказался от заранее заданной модели рынка и вместо этого использовал рыночные симуляции и алгоритмы обучения с подкреплением.
Платон объясняет главную идею своей работы:
«Если совсем упростить, я изучал, как можно научить алгоритм автоматически снижать финансовые риски, не предполагая заранее, по каким законам движется рынок. Вместо этого мы создаем реалистичные рыночные симуляции и обучаем агента подстраиваться под них, учитывая реальные ограничения торговли».
Для более продвинутых знатоков финансовых рынков Платон Барунин дает более глубокое подробное описание:
«Представим участника финансового рынка — например, торговое подразделение банка. В ходе работы у него появляется портфель активов, и его цена постоянно меняется из-за внешних факторов. При этом задача такого подразделения обычно не “угадать движение рынка”, а вести операции и зарабатывать на своей деятельности. Поэтому важно, чтобы риск от колебаний цен был минимальным. Иначе случайное движение рынка может привести к большим потерям.
Классический подход в финансах часто устроен так: чтобы, например, посчитать стоимость опциона, мы предполагаем некоторую модель того, как именно ведет себя рынок. Если изначальное предположение о рыночной динамике было неверным, то и аналитическая оценка так же окажется неточной. Поэтому в таких задачах много внимания уходит на поиск “правильной” модели и на калибровку параметров модели к рынку.
Подход к решению этой задачи в моей работе был обратный. Представим, что мы не знаем ничего про истинную динамику рынка, то есть, не подразумеваем, что рынок движется согласно какой-то модели. Вместо этого, используя современные методы машинного обучения, мы можем получить реалистичные рыночные симуляции. На сгенерированных симуляциях мы можем обучить агента обучения с подкреплением подбирать портфель активов так, чтобы минимизировать подверженность риску.
Важно, что в таком обучении можно учитывать то, что в реальной торговле есть “несовершенства”: ограничения, издержки, трения, которые классические модели часто упрощают или не учитывают. Идея в том, что агент учится подбирать хеджирующий портфель так, чтобы он был оптимальным в этих условиях.
В итоге фокус смещается с бесконечного поиска “идеальной” модели рынка на развитие симуляционной модели, к которой алгоритм по мере обновлений может адаптироваться и переобучаться по мере изменения рыночных условий.
— Платон, почему Вы выбрали именно эту тему?
Мне было интересно работать на стыке финансовых рынков и машинного обучения. В процессе чтения научных статей я прочитал работу Deep Hedging, посвященную новому подходу к страхованию рисков на финансовых рынках. Мне понравилась постановка задачи. Я решил попробовать реализовать этот подход самостоятельно и оформить результаты в виде полноценного исследования.
— Как проходил процесс научной работы — от идеи до результата?
Работа шла шаг за шагом: сначала постановка задачи, затем выбор инструментов, эксперименты и уточнение подходов по ходу исследования. В процессе многое приходилось проверять на практике и упрощать, чтобы не потерять управляемость модели. Самым интересным было наблюдать, как абстрактная идея постепенно превращается в работающий алгоритм.
— Как происходило взаимодействие с научным руководителем?
Ярослав Александрович Люлько вел работу именно как наставник: помогал держать общее направление и вовремя указывал на потенциальные риски в подходе. Мы встречались примерно раз в месяц — я показывал текущие результаты, и мы обсуждали, что стоит уточнить, перепроверить или упростить.
Перед защитой мы также провели пробную защиту на исследовательском семинаре Quantitative Analysis. Это сильно помогло увидеть слабые места в презентации и лучше структурировать материал.
— Какую роль в Вашей работе сыграла академическая среда МИЭФ?
МИЭФ заложил очень крепкий фундамент знаний и навыков, без которого эта работа просто не состоялась бы. Факультет научил меня учиться системно и относиться к учебе как к интересной полноценной работе.
Сильная академическая культура и уважение к научно-исследовательской этике помогают делать исследования честно и аккуратно. Обязательная программа дала широкий набор инструментов, и я понял это особенно остро, когда начал применять их в дипломе.
Кроме того, я посещал факультативы по статистике и программированию. Например, на курсе по статистическому анализу данных я впервые начал работать с инструментами аналитики данных — и они пригодились и в дипломе, и в текущей работе.
— Что повлияло на Ваш интерес к науке больше всего?
Большую роль сыграло общение с преподавателями-исследователями МИЭФ, которые получили степень PhD в ведущих университетах мира. Когда человек не просто читает курс, а сам живет в исследовательской среде, это очень чувствуется. Степень PhD для меня стала маркером глубокого погружения в предмет и исследовательского пути.
Также сильное влияние оказали исследовательские семинары МИЭФ. Даже если не все понятно с первого раза, они дают первый контакт с идеями. Потом ты встречаешь их снова — и разбираться становится гораздо проще.
— Что, на Ваш взгляд, дает участие в научных конкурсах?
Это был мой первый конкурс, поэтому я пока не могу сделать универсальных выводов. Но точно понял одно: не стоит бояться подаваться на конкурсы. Сам процесс участия уже дает полезный опыт и дополнительную мотивацию посмотреть на свою работу со стороны.
— Поделитесь дальнейшими академическими и профессиональными планами.
Я планирую развиваться в направлении финансовых технологий. Есть идеи совмещать индустриальную практику с академической работой, но пока без конкретных планов — посмотрим, как будет складываться дальше.
— Что бы Вы посоветовали старшеклассникам, которые думают поступать в МИЭФ?
Во-первых, хорошо отдохнуть перед началом учебы — первый год в МИЭФ для меня оказался самым сложным.
Во-вторых, стараться находить интерес в предметах: это сильно упрощает обучение.
И, если есть возможность, я бы не спешил идти работать — университет дает редкое время, когда можно спокойно разбираться в новых идеях, видеть связи между курсами и углубляться в темы, которые поначалу кажутся совсем разрозненными.
Ярослав Люлько, доцент МИЭФ НИУ ВШЭ, научный руководитель Платона Барунина
Платона я обучал с 1 по 4 курс сначала теории вероятностей со статистикой, а потом и более специализированным курсам по финансовой математике и статистическому анализу данных. Ключевым моментом явилось то, что интерес к финансовой математике приходил постепенно и осознанно – именно для этого и создавалась непрерывная линейка курсов, связанных с анализом данных (данная линейка курсов является одной из основ новой специализации «Экономика и анализ данных», запускаемой в МИЭФ в 2026 г.) Поэтому выбор Платона писать диплом по количественным методам в финансах был естественным как для него, так и для меня.
По-настоящему сильный диплом обычно получается при активном участии студента в выборе темы. Задачу Платон поставил амбициозную: продолжить направление исследования, предложенное в известной статье «Deep hedging» 2018 г., в которой обсуждался вопрос выбора портфеля финансовых инструментов. При этом предлагался современный подход, основанный на методах искусственного интеллекта – т.н. reinforcement learning (обучение с подкреплением, когда обучаемая модель-агент получает награду за правильные действия. С каждым новым повторением такая модель ведет себя лучше и лучше, постепенно «понимая», как решать поставленную задачу).
Особенностью фундаментальных работ является то, что зачастую не дается пошаговая инструкция, как действовать при решении конкретной задачи – предлагается общий метод и класс задач, которые можно решать. И именно данный момент стал самым сложным для Платона – за кажущейся легкостью и понятностью скрывалась огромная работа по поиску точной постановки, подбора конкретной модели, а далее ее численная реализация. Однако методичная самостоятельная работа, полное погружение в тематику исследования, систематические обсуждения прогресса по работе со мной, а также выступления на прикладном семинаре «Количественный анализ» а рамках программы ICEF Academia позволили Платону получить очень серьезный результат на стыке финансов, количественных методов и методов искусственного интеллекта, который был по достоинству оценен как на защите дипломных работ, так и экспертами конкурса студенческих работ.
Люлько Ярослав Александрович
Международный институт экономики и финансов: доцент