Хоу Пен’юе (Hoy Pengyue)Шолойко, Антоніна Сергіївна2025-12-042025-12-042025-11-27Hou P. Development of the financial trading under globalization : Dissertation ... Doctor of Philosophy : 072 Finance, Banking and Insurance. Kyiv, 2025. 297 p.UDC 336.76https://ir.library.knu.ua/handle/15071834/8734Hou P. Development of the financial trading under globalization. – Qualifying scientific work (manuscript rights reserved). Dissertation for the scientific degree of Doctor of Philosophy in the specialty 072 – Finance, Banking and Insurance. – Taras Shevchenko National University of Kyiv, Ministry of Education and Science of Ukraine. – Taras Shevchenko National University of Kyiv, Ministry of Education and Science of Ukraine. – Kyiv, 2025. The dissertation focuses on enhancing theoretical and practical aspects and providing recommendations for the further development of financial trading under globalization in order to increase the efficiency, stability, and inclusivity of developed and emerging financial markets. It offers a systematized view of modern financial trading and is based on an overall approach, which allows for suggesting actionable solutions for problematic issues and achieving set tasks. Grounded in a critical analysis of existing formulations of the “financial trading” concept, a more comprehensive definition was proposed. Specifically, financial trading is defined as an immediate or specifically pre-set process performed by financial trading participants, based on the features of one or more financial assets and market information, with the purpose of obtaining direct or indirect financial benefits. This definition holistically incorporates all components of the concept, namely, essence, content, and result. Financial trading participants were generalised into two groups: systemic participants (brokers, market makers) and investment participants (individual traders, institutional investors, high-frequency traders, sovereign wealth funds). This approach makes it possible to identify critical variations in trading behaviour, profit strategies, trade sizes, risk horizons, and decision-making logic. Such grouping not only advances the theoretical understanding of participant heterogeneity but also supports targeted regulatory interventions and risk profiling. The classification of financial trading was improved by combining hierarchical and faceted methods. The proposed approach provides a multidimensional structure of financial trading by integrating hierarchical logic with flexible faceted classification, using such features as object, technology, place, execution, purpose, and market structure. It enables more precise analysis of financial trading and allows regulators to account for the diversity of its types. The financial trading risks (including market, credit, operational, liquidity, and systemic risks) were characterized, which led to the generalisation of quantitative models into a toolkit for risk assessment in globalized, technologically advanced financial markets. The types of financial trading strategies were defined. A fundamental shift from traditional rule-based strategies to data-driven and algorithmic approaches, including machine learning algorithms, deep reinforcement learning, and the emerging application of Large Language Models in predictive analytics, was identified. This analysis made it possible to create the Four-Quadrant of financial trading strategies, which categorizes financial trading strategies based on the machine technology level (i.e., the level of machine learning autonomy) and the trading strategy level. The four types include autonomous intelligent financial trading (high tech, high strategy), intelligent-assisted financial trading (low tech, high strategy), traditional modern financial trading (low tech, low strategy), and mechanical financial trading (high tech, low strategy). This approach provides a comprehensive framework for analysing the intersection of technology and financial trading strategy, aiding in the understanding of implications for financial market stability and regulation. The five-level hierarchy of the information basis for financial trading efficiency was proposed. It includes: 1) foundational data (e.g., prices, volumes), 2) aggregated data (e.g., returns, volatility, correlations), 3) macroeconomic indicators (e.g., GDP, inflation), 4) financial systems data (e.g., regulatory frameworks, market interactions), and 5) economic context data (e.g., geopolitical factors, technological progress). This hierarchy helps organize complex data inputs, embodying an entropy-complexity-stability trade-off; prevents information overload; facilitates layered analytical depth; and provides a more structured understanding of the information environment within which efficient financial trading decisions are made. The periodization of the development of financial trading and its regulatory environment was refined by identifying the six stages of financial trading functioning through focusing on the activities of international and national regulators; legal provisions (securities laws, anti-money laundering regulations, market abuse regulations); and Tech-specific regulations for algorithmic and high-frequency trading, Blockchain, and AI technologies, etc. In contrast to previous studies, which focused on pre-2010 events, this periodization emphasizes the post-2010 regulatory landscape, which is characterized by the impact of responsible investing, the implementation of new technologies, and the development of decentralized finance to ensure market stability, investor protection, and fair practices in a globalized context. Founded on the generalisation of global financial trading tendencies, the “lag cycle” explanation of financial trading cyclicality in emerging and developed financial markets was proposed. Emerging markets’ financial cycles typically lag behind those of developed markets by one phase (accumulation, growth, distribution, correction). This approach highlights the deep interconnectedness and synchronization of global financial markets, providing a basis for understanding cyclical interdependence and risk transmission. A dynamic model for assessing financial trading efficiency was developed. This comprehensive mathematical model integrates price dynamics (stochastic differential equations); a price-related efficiency index based on deviations from fundamental financial asset prices; liquidity factor and transaction costs; and information flow rates with exponential decay. These components were combined into a single metric of financial trading efficiency (ε(t)). The model provides a quantitative, dynamic measure of financial trading efficiency; integrates real-world frictions (liquidity, costs) and information dynamics; and is superior to traditional models for practical application in financial trading. The financial trading risk management framework under globalization was developed. It considers market, credit, operational, liquidity, and systemic risks and includes AI enhancements for real-time monitoring and predictive insights. It features a structured 5-step process for real-world implementation, allowing for dynamic adaptation to information asymmetries, market shocks, and algorithmic bias. Unlike conventional static models, this framework provides a comprehensive, systematic, and adaptive approach to managing the full spectrum of financial trading risks in modern globalized markets. Its universality and adaptability make it suitable for both regulators and market participants to enhance forecasting, compare strategy efficiency, and strengthen systemic resilience. Finally, the recommendations for a stable financial trading environment under globalization were generalised, based on five key conditions: 1) market efficiency and information availability, 2) cross-border capital flows and risk sharing, 3) regulatory framework and institutional support, 4) technological infrastructure and trading platforms, and 5) foreign exchange and currency market liquidity. These proposals integrate institutional, technological, and regulatory elements into a coherent system. Such an integrated approach ensures that market growth is not achieved at the cost of systemic vulnerability. It offers policymakers and institutions a universal and adaptable roadmap for fostering resilient, transparent, and sustainable financial trading globally, thereby reducing the probability of crises and strengthening investor confidence. The dynamic model for enhancing financial trading profitability was developed. This model integrates macroeconomic variables (e.g., interest rates, trade balances, policy shifts) with trading contextual factors (e.g., liquidity depth, market access, AI utilization). It extends classical profitability models toward adaptive and future-oriented decision-making systems. The model enables scenario-based analysis and real-time strategic forecasting, offering value to institutional investors, regulatory bodies, and strategic analysts. Its flexibility allows it to adapt to varying market conditions and anticipate profit shifts in response to geopolitical, economic, or technological disruptions. Key words: risk, risk assessment, risk management, cryptocurrency, stock market, S&P 100, foreign exchange market, exchange rate, liquidity, transaction costs, investment decision, investment efficiency, investment strategy, sustainable development, ESG.Хоу П. Розвиток фінансового трейдингу в умовах глобалізації. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 072 – фінанси, банківська справа та страхування. – Київський національний університет імені Тараса Шевченка Міністерства освіти і науки України. – Київський національний університет імені Тараса Шевченка Міністерства освіти і науки України. Київ, 2025. Дисертація присвячена удосконаленню теоретичних і практичних аспектів та наданню рекомендацій щодо подальшого розвитку фінансового трейдингу в умовах глобалізації задля підвищення ефективності, стабільності та інклюзивності розвинених фінансових ринків і фінансових ринків, що розвиваються. В дисертаційній роботі на основі комлексного підходу представлено систематизований погляд на сучасний фінансовий трейдинг, що дозволяє запропонувати дієві рішення проблемних питань та досягти поставлених завдань. На основі критичного аналізу існуючих дефініцій поняття «фінансовий трейдинг» запропоновано більш повне визначення фінансового трейдингу як безпоcереднього чи спеціально заданого процесу, що реалізується його учасниками на основі характеристик одного або кількох фінансових активів і ринкової інформації з метою одержання прямих або непрямих фінансових вигод. Це визначення цілісно поєднує всі компоненти дефініції, зокрема сутність, зміст та результат. Здійснено узагальнення учасників фінансового трейдингу на дві групи: системні учасники (брокери, маркет-мейкери) та інвестиційні учасники (індивідуальні трейдери, інституційні інвестори, високочастотні трейдери, суверенні фонди). Такий підхід дозволяє визначити критичні відмінності в торговельній поведінці, стратегіях отримання прибутку, обсягах торгів, горизонтах ризику та логіці прийняття рішень. Таке групування не лише покращує теоретичне розуміння гетерогенності учасників, але й підтримує цілеспрямоване регуляторне втручання та профілювання ризиків. Удосконалено класифікацію фінансового трейдингу на основі поєднання ієрархічного та фасетного методів. Запропонований підхід відображає багатовимірну структуру фінансового трейдингу шляхом поєднання ієрархічної логіки з гнучкою фасетною класифікацією на основі використання таких класифікаційних ознак, як об’єкт, технологія, місце здійснення фінансового трейдингу, мета, структура ринку тощо. Це уможливить здійснення більш точного аналізу фінансового трейдингу та дозволить регуляторам враховувати різноманітність його видів. Охарактеризовано ризики фінансового трейдингу (ринкові, кредитні, операційні ризики, ризики ліквідності, системні ризики). Це дозволило узагальнити кількісні моделі у набір інструментів для оцінки ризиків на глобалізованих, технологічно розвинених фінансових ринках. Визначено типи стратегій фінансового трейдингу. Виявлено фундаментальний перехід від традиційних стратегій фінансового трейдингу, заснованих на правилах, до підходів, керованих даними та алгоритмічними підходами, включаючи алгоритми машинного навчання, глибокого навчання з підкріпленням та застосування великих мовних моделей у прогнозній аналітиці. Це дозволило створити чотири квадранти стратегій фінансового трейдингу, що уможливлює групування стратегій фінансового трейдингу на основі рівня машинних технологій (тобто рівня автономності машинного навчання) та рівня торгової стратегії на чотири типи: автономний інтелектуальний фінансовий трейдинг (високий рівень машинних технологій, високий рівень торгової стратегії), фінансовий трейдинг з інтелектуальною підтримкою (низький рівень машинних технологій, високий рівень торгової стратегії), традиційний сучасний фінансовий трейдинг (низький рівень машинних технологій, низький рівень торгової стратегії), механічний фінансовий трейдинг (високий рівень машинних технологій, низький рівень торгової стратегії). Це забезпечує комплексну основу для аналізу перетину технологій та стратегій фінансового трейдингу, допомагаючи зрозуміти наслідки для стабільності та регулювання фінансового ринку. Запропоновано п’ятирівневу ієрархію інформаційної основи ефективного фінансового трейдингу, а саме: рівень 1) базові дані (наприклад, ціни, обсяги); рівень 2) агреговані дані (наприклад, прибутковість, волатильність, кореляції); рівень 3) макроекономічні показники (наприклад, ВВП, інфляція); рівень 4) дані фінансових систем (наприклад, регуляторні рамки, ринкова взаємодія); рівень 5) дані економічного контексту (наприклад, геополітичні фактори, технологічний прогрес). Це допомагає впорядкувати складні вхідні дані, уможливлюючи компроміс між ентропією-складністю-стабільністю та запобігаючи інформаційному перевантаженню; а також сприяє багаторівневій аналітичній глибині для більш структурованого розуміння інформаційного середовища, в якому приймаються рішення щодо ефективного фінансового трейдингу. Удосконалено періодизацію розвитку фінансового трейдингу та його регуляторного середовища шляхом ідентифікації шести етапів функціонування фінансового трейдингу, зосереджуючись на діяльності міжнародних і національних регуляторів; законодавчих положеннях про цінні папери, правилах боротьби з відмиванням грошей, правилах щодо зловживань на ринку; технологічних нормативних актах для алгоритмічного / високочастотного трейдингу, блокчейні, технологіях штучного інтелекту тощо. На відміну від попередніх досліджень, які зосереджувалися на подіях до 2010 року, така періодизація наголошує на регуляторному ландшафті після 2010 року, оскільки він має такі особливості, як вплив на фінансовий трейдинг відповідального інвестування, впровадження нових технологій, розвиток децентралізованого фінансування задля забезпечення стабільності ринку, захисту інвесторів та чесної практики в глобалізованому контексті. На основі узагальнення тенденцій фінансового трейдингу в світі в умовах глобалізації було запропоновано пояснення циклічності фінансового трейдингу на фінансових ринках, що розвиваються, та розвинених фінансових ринках через наявність «лаг-циклу». Це означає, що цикли фінансові ринків, що розвиваються, зазвичай відстають від циклів розвинених фінансових ринків на одну фазу (накопичення, зростання, розподіл, корекція). Такий підхід підкреслює глибокий взаємозв’язок та синхронізацію фінансових ринків у світі, забезпечуючи підхід для розуміння циклічної взаємозалежності та передачі ризиків. Побудовано динамічну модель оцінки ефективності фінансового трейдингу. Це є комплексна математична модель, яка інтегрує динаміку цін (стохастичне диференціальне рівняння); індекс цінової ефективності, що базується на відхиленні від фундаментальної ціни фінансового активу; коефіцієнт ліквідності та транзакційні витрати; швидкість потоку інформації з експоненціальним спадом, що були об’єднані в єдину метрику ефективності фінансового трейдингу (ε(t)). Така модель забезпечує кількісну, динамічну міру ефективності фінансового трейдингу; інтегрує реальні тертя (ліквідність, витрати) та динаміку інформації; перевершує традиційні моделі в контексті практичного застосування у фінансовому трейдингу. Набув подальшого розвитку фреймворк ризик-менеджменту фінансового трейдингу в умовах глобалізації. Він враховує ринкові, кредитні, операційні, системні ризики та ризики ліквідності, включає застосування штучного інтелекту для моніторингу в режимі реального часу, прогнозного аналізу та має структурований 5-етапний процес для впровадження в реальних умовах, що дозволяє динамічно адаптуватися до інформаційної асиметрії, ринкових потрясінь та алгоритмічних упереджень. На відміну від традиційних статичних моделей, ця система забезпечує комплексний, систематичний та адаптивний підхід до управління повним спектром ризиків фінансового трейдингу на сучасних глобалізованих фінансових ринках. Універсальність та адаптивність роблять фреймворк прийнятним як для регуляторів, так і для учасників фінансового ринку для покращення прогнозування, порівняння ефективності стратегій та зміцнення системної стійкості. Узагальнено пропозиції щодо формування стабільного середовища фінансового трейдингу, що базуються на п’яти ключових умовах. Пропозиції поєднують інституційні, технологічні та регуляторні компоненти в цілісну систему та включають такі ключові умови стабільності: 1) ефективність ринку та доступність інформації, 2) транскордонні потоки капіталу та розподіл ризиків, 3) регуляторна база та інституційна підтримка, 4) технологічна інфраструктура та торговельні платформи, 5) ліквідність валютного ринку. Таке поєднання забезпечує інтегративний та збалансований підхід, який гарантує, що зростання ринку не досягається ціною системної вразливості. Він забезпечує універсальну та адаптовану дорожню карту для полісімейкерів і установ задля сприяння стійкому, прозорому та сталому фінансовому трейдингу в усьому світі, тим самим знижуючи ймовірність криз і зміцнюючи довіру інвесторів. Побудовано динамічну модель для підвищення прибутковості фінансового трейдингу. Ця модель інтегрує макроекономічні змінні (наприклад, процентні ставки, торговельні баланси, політичні зміни) з факторами трейдинг контексту (наприклад, глибина ліквідності, доступ до ринку, використання штучного інтелекту). Дана модель розширює класичні моделі прибутковості до адаптивних та орієнтованих на майбутнє систем прийняття рішень. Модель також дозволяє проводити сценарний аналіз та стратегічне прогнозування в режимі реального часу, пропонуючи цінність інституційним інвесторам, регуляторним органам та стратегічним аналітикам. Гнучкість моделі дозволяє їй адаптуватися до змінних ринкових умов та передбачати зміни прибутку у відповідь на геополітичні, економічні чи технологічні збої. Ключові слова: ризик, оцінка ризику, ризик-менеджмент, криптовалюта, фондовий ринок, S&P 100, валютний ринок, валютний курс, ліквідність, трансакційні витрати, інвестиційне рішення, інвестиційна ефективність, інвестиційна стратегія, сталий розвиток, ESG.enriskrisk assessmentrisk managementcryptocurrencystock marketS&P 100foreign exchange marketexchange rateliquiditytransaction costsinvestment decisioninvestment efficiencyinvestment strategysustainable developmentESG.ризикоцінка ризикуризик-менеджменткриптовалютафондовий риноквалютний риноквалютний курсліквідністьтрансакційні витратиінвестиційне рішенняінвестиційна ефективністьінвестиційна стратегіясталий розвитокДисертація