All issues

Коллективное поведение может выступать в роли механизма терморегуляции и играть ключевую роль при выживании группы организмов. Такие явления в среде животных, как правило, являются предметом изучения биологии, так как внезапные переходы к коллективному поведению трудно дифференцировать от психологической и социальной адаптации животных в группе. Тем не менее в работе указывается важный пример, когда стая животных демонстрирует фазовые переходы, сходные с явлением классической тепловой конвекции в жидкостях и газах. Этот вопрос может быть изучен также экспериментально в рамках синтетических систем, состоящих из самодвижущихся роботов, которые действуют по определенному заданному алгоритму. Обобщая оба эти случая, мы рассматриваем задачу о фазовых переходах в плотной группе взаимодействующих самодвижущихся агентов. Врамк ах микроскопической теории мы предлагаем математическую модель явления, в которой агенты представлены в виде тел, взаимодействующих друг с другом в соответствии с эффективным потенциалом особого вида, выражающим стремление агентов двигаться в направлении градиента общего теплового поля. Показано, что управляющим параметром задачи является численность группы. Дискретная модель с индивидуальной динамикой агентов воспроизводит большинство явлений, наблюдаемых как в естественных стаях животных, демонстрирующих коллективную терморегуляцию, так и в синтетических сложных системах, состоящих из роботов. Наблюдается фазовый переход 1-го рода со сменой агрегатного состояния в среде агентов, который заключается в самосборке первоначальной слабоструктурированной массы агентов в плотные квазикристаллические структуры. Кроме того, показано, что с увеличением численности скопления наблюдается фазовый переход 2-го рода в форме тепловой конвекции, который включает внезапное ожижение группы и переход к вихревому движению. Последнее обеспечивает более эффективное расходование энергии в случае синтетической системы взаимодействующих роботов и коллективное выживание всех особей в случае природных стай животных. С ростом численности группы происходят вторичные бифуркации, вихревая структура толпы агентов усложняется.

Collective behavior can serve as a mechanism of thermoregulation and play a key role in the joint survival of a group of organisms. In higher animals, such phenomena are usually the subject of study of biology since sudden transitions to collective behavior are difficult to differentiate from the psychological and social adaptation of animals. However, in this paper, we indicate several important examples when a flock of higher animals demonstrates phase transitions similar to known phenomena in liquids and gases. This issue can also be studied experimentally within the framework of synthetic systems consisting of self-propelled robots that act according to a certain given algorithm. Generalizing both of these cases, we consider the problem of phase transitions in a dense group of interacting selfpropelled agents. Within the framework of microscopic theory, we propose a mathematical model of the phenomenon, in which agents are represented as bodies interacting with each other in accordance with an effective potential of a special type, expressing the desire of agents to move in the direction of the gradient of the joint thermal field. We show that the number of agents in the group, the group power, is the control parameter of the problem. A discrete model with individual dynamics of agents reproduces most of the phenomena observed both in natural flocks of higher animals engaged in collective thermoregulation and in synthetic complex systems. A first-order phase transition is observed, which symbolizes a change in the aggregate state in a group of agents. One observes the self-assembly of the initial weakly structured mass of agents into dense quasi-crystalline structures. We demonstrate also that, with an increase in the group power, a second-order phase transition in the form of thermal convection can occur. It manifests in a sudden liquefaction of the group and a transition to vortex motion, which ensures more efficient energy consumption in the case of a synthetic system of interacting robots and the collective survival of all individuals in the case of natural animal flocks.With an increase in the group power, secondary bifurcations occur, the vortex structure in agent medium becomes more complicated.

Сеточно-характеристический метод успешно применяется для решения различных гиперболических систем уравнений в частных производных (например, уравнения переноса, акустики, линейной упругости). Он позволяет корректно строить алгоритмы на контактных границах и границах области интегрирования, в определенной степени учитывать физику задачи (распространение разрывов вдоль характеристических поверхностей), обладает важнымдля рассматриваемых задач свойством монотонности. В случае двумерных и трехмерных задач используется процедура расщепления по пространственным направлениям, позволяющая решить исходную систему путем последовательного решения нескольких одномерных систем. На настоящий момент во множестве работ используются схемы до третьего порядка точности при решении одномерных задач и простейшие схемы расщепления, которые в общем случае не позволяют получить порядок точности по времени выше второго. Значительное развитие получило направление операторного расщепления, доказана возможность повышения порядка сходимости многомерных схем. Его особенностью является необходимость выполнения шага в обратном направлении по времени, что порождает сложности, например, для параболических задач.

В настоящей работе схемы расщепления 3-го и 4-го порядка были применены непосредственно к решению двумерной гиперболической системы уравнений в частных производных линейной теории упругости. Это позволило повысить итоговый порядок сходимости расчетного алгоритма. В работе эмпирически оценена сходимость по нормам $L_1$ и $L_\infty$ с использованиемана литических решений определяющей системы достаточной степени гладкости. Для получения объективных результатов рассмотрены случаи продольных и поперечных плоских волн, распространяющихся как вдоль диагонали расчетной ячейки, так и не вдоль нее. Проведенные численные эксперименты подтверждают повышение точности метода и демонстрируют теоретически ожидаемый порядок сходимости. При этом увеличивается в 3 и в 4 раза время моделирования (для схем 3-го и 4-го порядка соответственно), но не возрастает потребление оперативной памяти. Предложенное усовершенствование вычислительного алгоритма сохраняет простоту его параллельной реализации на основе пространственной декомпозиции расчетной сетки.

The grid-characteristic method is successfully used for solving hyperbolic systems of partial differential equations (for example, transport / acoustic / elastic equations). It allows to construct correctly algorithms on contact boundaries and boundaries of the integration domain, to a certain extent to take into account the physics of the problem (propagation of discontinuities along characteristic curves), and has the property of monotonicity, which is important for considered problems. In the cases of two-dimensional and three-dimensional problems the method makes use of a coordinate splitting technique, which enables us to solve the original equations by solving several one-dimensional ones consecutively. It is common to use up to 3-rd order one-dimensional schemes with simple splitting techniques which do not allow for the convergence order to be higher than two (with respect to time). Significant achievements in the operator splitting theory were done, the existence of higher-order schemes was proved. Its peculiarity is the need to perform a step in the opposite direction in time, which gives rise to difficulties, for example, for parabolic problems.

In this work coordinate splitting of the 3-rd and 4-th order were used for the two-dimensional hyperbolic problem of the linear elasticity. This made it possible to increase the final convergence order of the computational algorithm. The paper empirically estimates the convergence in L1 and L∞ norms using analytical solutions of the system with the sufficient degree of smoothness. To obtain objective results, we considered the cases of longitudinal and transverse plane waves propagating both along the diagonal of the computational cell and not along it. Numerical experiments demonstrated the improved accuracy and convergence order of constructed schemes. These improvements are achieved with the cost of three- or fourfold increase of the computational time (for the 3-rd and 4-th order respectively) and no additional memory requirements. The proposed improvement of the computational algorithm preserves the simplicity of its parallel implementation based on the spatial decomposition of the computational grid.

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.