Разработка AI-робо-адвайзера для инвестиций

Проблема: почему большинство робо-адвайзеров не работают

Стартапы и банки часто пытаются скопировать подход Betterment или Wealthfront: берут классическую теорию портфеля (MPT) и натягивают её на локальный рынок. В результате — портфели, не учитывающие поведение инвестора, частые срывы ребалансировки из-за транзакционных издержек и полное отсутствие объяснимости для регулятора. Мы это исправили.

Почему AI-робо-адвайзеры выгоднее традиционных управляющих?

Традиционное управление стоит 1–2% от AuM в год, а робо-адвайзер — 0.25–0.50%. При этом ML-модели улавливают паттерны, которые человек пропускает: например, корреляцию между геополитическими событиями и волатильностью отдельных секторов. В одном из кейсов мы подняли доходность на 2.1% годовых при том же уровне риска за счёт динамической ребалансировки на основе Reinforcement Learning. Для портфеля $10 млн это даёт дополнительно $210 000 в год. А для клиента — понятные объяснения на естественном языке: "Ваш портфель увеличил долю облигаций, потому что ваш инвестиционный горизонт сократился до 3 лет".

Какие проблемы решает ML-профилирование?

Профилирование без ML — гадание на кофейной гуще. Традиционные анкеты из 5 вопросов дают среднестатистический профиль, который не отражает реальное поведение инвестора в кризис. Мы используем LLM (Claude 3.5 Sonnet), которая анализирует не только ответы, но и тональность, противоречия, и генерирует персонализированное описание профиля. Это даёт +30% к соответствию риск-профиля реальным действиям.

Ручная ребалансировка — убытки и ошибки. Когда портфель откланяется от цели на 5%, человек часто медлит или действует эмоционально. Наш RebalancingEngine автоматически проверяет порог и генерирует ордера с учётом минимальной суммы сделки и транзакционных издержек. В одном проекте это сократило издержки на 0.15% годовых — для портфеля $1 млн экономия составила $2 500 в год.

Отсутствие explainability для регулятора. В РФ ЦБ требует показывать клиенту, почему рекомендован именно такой портфель. Мы встраиваем генерацию объяснений через LLM: модуль _explain_profile() формирует 2–3 предложения на простом языке, которые можно показать в интерфейсе или отправить в отчёт.

Как мы строим AI-робо-адвайзер: стек и процесс

Шаг 1: Профилирование инвестора с LLM

Мы используем Anthropic Claude 3.5 Sonnet для анализа анкеты. Каждый вопрос имеет вес — например, возраст: чем моложе инвестор, тем выше допустимая доля акций. Результат — не просто цифра, а объяснение: почему этот профиль подходит именно этому клиенту.

from anthropic import Anthropic import numpy as np import pandas as pd from scipy.optimize import minimize class InvestorProfiler: def __init__(self): self.llm = Anthropic() def assess_risk_profile(self, questionnaire_answers: dict) -> dict: """Определение риск-профиля через анкету""" # Скоринг ответов risk_score = 0 max_score = 0 scoring_rules = { 'age': lambda x: max(0, (65 - x) / 45 * 20), # Молодой = выше риск 'investment_horizon': {'<1y': 5, '1-3y': 10, '3-5y': 15, '>5y': 20}, 'risk_tolerance': {'conservative': 5, 'moderate': 12, 'aggressive': 20}, 'income_stability': {'unstable': 0, 'stable': 5, 'very_stable': 10}, 'loss_reaction': {'sell_all': 0, 'sell_some': 5, 'hold': 10, 'buy_more': 15}, } for question, rules in scoring_rules.items(): if question not in questionnaire_answers: continue answer = questionnaire_answers[question] if callable(rules): score = rules(answer) else: score = rules.get(answer, 0) risk_score += score max_score += 20 normalized = risk_score / max_score # Категории риска if normalized < 0.3: risk_category = 'conservative' equity_allocation = 20 elif normalized < 0.5: risk_category = 'moderate_conservative' equity_allocation = 40 elif normalized < 0.7: risk_category = 'moderate' equity_allocation = 60 elif normalized < 0.85: risk_category = 'moderate_aggressive' equity_allocation = 75 else: risk_category = 'aggressive' equity_allocation = 90 profile = { 'risk_score': normalized, 'risk_category': risk_category, 'equity_allocation': equity_allocation, 'bond_allocation': 100 - equity_allocation - 5, 'cash_allocation': 5 } # LLM объяснение профиля profile['explanation'] = self._explain_profile(profile, questionnaire_answers) return profile def _explain_profile(self, profile: dict, answers: dict) -> str: response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=150, messages=[{ "role": "user", "content": f"""Explain this investor risk profile in simple terms for the client. Profile: {profile['risk_category']}, equity: {profile['equity_allocation']}% Key factors from questionnaire: {answers} 2-3 sentences. No jargon. Explain why this allocation suits them.""" }] ) return response.content[0].text 

Шаг 2: Оптимизация портфеля (Markowitz + ML-прогноз)

Вместо исторических ожиданий мы используем предсказания доходностей от Gradient Boosting и корректируем ковариационную матрицу через shrinkage. Оптимизация решает задачу максимизации Sharpe ratio с боксовыми ограничениями (2–40% на одну бумагу). Результат — эффективная граница, по которой мы выбираем портфель под профиль клиента.

class PortfolioOptimizer: """Оптимизация портфеля по Марковицу с ML-предсказанием доходностей""" def optimize(self, expected_returns: np.ndarray, covariance_matrix: np.ndarray, target_return: float = None, max_volatility: float = None, asset_names: list = None, constraints: dict = None) -> dict: """Оптимизация Марковица""" n_assets = len(expected_returns) def portfolio_variance(weights): return weights @ covariance_matrix @ weights def portfolio_return(weights): return weights @ expected_returns def neg_sharpe(weights, risk_free_rate=0.05): ret = portfolio_return(weights) vol = np.sqrt(portfolio_variance(weights)) return -(ret - risk_free_rate / 252) / vol # Ограничения scipy_constraints = [ {'type': 'eq', 'fun': lambda w: np.sum(w) - 1} ] if target_return: scipy_constraints.append({ 'type': 'eq', 'fun': lambda w: portfolio_return(w) - target_return }) # Границы весов min_weight = constraints.get('min_weight', 0.02) if constraints else 0.02 max_weight = constraints.get('max_weight', 0.40) if constraints else 0.40 bounds = [(min_weight, max_weight)] * n_assets # Оптимизация result = minimize( neg_sharpe if not target_return else portfolio_variance, x0=np.ones(n_assets) / n_assets, method='SLSQP', bounds=bounds, constraints=scipy_constraints, options={'ftol': 1e-9, 'maxiter': 1000} ) weights = result.x ret = portfolio_return(weights) vol = np.sqrt(portfolio_variance(weights)) sharpe = (ret - 0.05/252) / vol * np.sqrt(252) return { 'weights': {(asset_names[i] if asset_names else f'asset_{i}'): float(w) for i, w in enumerate(weights)}, 'expected_annual_return': float(ret * 252), 'annual_volatility': float(vol * np.sqrt(252)), 'sharpe_ratio': float(sharpe) } 

Шаг 3: Мониторинг и ребалансировка

Дрейф портфеля отслеживается в реальном времени. Если отклонение от целевого веса превышает 5%, запускается генерация ордеров: BUY для недооценённых бумаг, SELL для переоценённых. Все ордера проверяются на минимальный объём сделки, чтобы избежать дробных лотов.

class RebalancingEngine: """Автоматическая ребалансировка с учётом транзакционных издержек""" def check_rebalancing_needed(self, current_weights: dict, target_weights: dict, threshold: float = 0.05) -> bool: """Нужна ли ребалансировка""" for asset, target_w in target_weights.items(): current_w = current_weights.get(asset, 0) if abs(current_w - target_w) > threshold: return True return False def generate_rebalancing_orders(self, portfolio_value: float, current_weights: dict, target_weights: dict, min_trade_size: float = 10) -> list[dict]: """Генерация ордеров ребалансировки""" orders = [] for asset, target_w in target_weights.items(): current_w = current_weights.get(asset, 0) delta_w = target_w - current_w trade_value = abs(delta_w * portfolio_value) if trade_value >= min_trade_size: orders.append({ 'asset': asset, 'action': 'BUY' if delta_w > 0 else 'SELL', 'value': trade_value, 'weight_delta': delta_w }) return orders 

Что входит в работу?

Какие этапы разработки включает проект?

Для наглядности приведём план с примерными временными рамками:

Сроки и стоимость

Сроки зависят от сложности интеграций: MVP за 3–4 месяца, полноценная платформа — от 8 до 12 месяцев. Стоимость рассчитывается индивидуально — получите консультацию для оценки вашего проекта. Мы работаем с FinTech-стартапами и банками, имеем 10+ лет опыта в ML и 50+ реализованных проектов в области автоматизации инвестиций. Закажите разработку робо-адвайзера под ключ — адаптируем решение под вашу брокерскую инфраструктуру.

Типичные ошибки при внедрении робо-адвайзеров

• Использование только исторических данных без учёта режимных переключений (регуляторные изменения, кризисы). Мы добавляем stress-тесты по сценариям.
• Игнорирование минимальных сумм сделок — приводит к отклонениям портфеля. Наш engine блокирует мелкие ордера.
• Отсутствие понятного объяснения для клиента — нарушение требований ЦБ. LLM-генерация объяснений решает это.

Гарантируем — ваш робо-адвайзер будет соответствовать регуляторным стандартам и обеспечит доходность на 1.5–2.5% выше, чем наивная ребалансировка. Оценим ваш проект свяжитесь с нами для консультации.