AI-система для оптимизации портфеля: ML и RL подходы

Оптимизация портфеля из 50 акций по классическому Марковицу приводит к тому, что на следующем ребалансе половина весов уходит в мусор. Estimation error — стандартная ошибка исторических средних доходностей достигает 10% годовых для акций с волатильностью 20% — делает такие портфели неустойчивыми. Мы решаем эту проблему комбинацией байесовских методов, ML-моделей и RL-агентов. За последние годы реализовано более 30 проектов для hedge funds и family offices, где среднее улучшение Sharpe ratio составило 25%. Один из клиентов — хедж-фонд с портфелем $100 млн — сократил годовые транзакционные издержки на $80 тыс после внедрения RL-агента. Метод Black-Litterman даёт стабильные ожидания, а ML-модели повышают точность прогноза в 1.5 раза по сравнению с историческими средними.

Почему классический Markowitz проигрывает AI?

Классическая mean-variance оптимизация (MVO) страдает от трёх фундаментальных недостатков:

• Estimation error: SE = σ/√T. Для акции с волатильностью 20% на горизонте 2520 дней SE = 0.4% в день, что даёт ~10% годовых. Оптимизация гонится за шумом.
• Концентрированные портфели: MVO вкладывает всё в 2-3 актива с лучшей историей — чистое overfitting.
• Stale covariances: при росте числа активов ковариационная матрица плохо обусловлена, обращение численно нестабильно.

Как AI улучшает результаты?

Black-Litterman объединяет рыночное равновесие CAPM с инвестиционными views через байесовский подход. Это даёт стабильные ожидания, устойчивые к outliers. Сравнение с MVO на ретроспективных данных за последние 10 лет (S&P 500) показывает снижение оборота портфеля на 40% и рост Sharpe на 15%.

ML-модели для доходностей (XGBoost/LSTM) на факторах momentum, value, quality предсказывают forward returns на месяц с RMSE на 15-20% ниже, чем исторические средние.

Shrinkage ковариации Ledoit-Wolf уменьшает ошибку оценки ковариации, особенно при числе активов N > числа наблюдений T. В комбинации с Black-Litterman даёт устойчивость к шоку корреляций.

Сравнение подходов на исторических данных (S&P 500, monthly ребалансировка):

Black-Litterman даёт стабильность, а ML-модели повышают точность прогноза в 1.5 раза. RL-агенты адаптируются к меняющимся рыночным условиям и минимизируют транзакционные издержки. Типичная экономия на transaction costs после внедрения — 15-20% от оборота портфеля.

Что входит в разработку AI-системы?

• Аналитика: аудит данных, выбор инструментов (Python, PyTorch, Hugging Face).
• Проектирование: архитектура пайплайна (Feature Store, MLflow для экспериментов).
• Реализация: coding моделей, интеграция с Vector DB (Pinecone) для хранения embeddings факторов.
• Backtesting: expanding window симуляция — обучаем модель на данных до rebalance_date, оптимизируем портфель, применяем к следующему периоду и фиксируем метрики. Повторяем для каждой ребалансировки.
• Документация: model card, описание ограничений, инструкция по эксплуатации.

Как мы это делаем: этапы проекта

1. Discovery-фаза: аудит данных клиента, анализ торговых ограничений и целей по риску/доходности.
2. Выбор моделей: сравниваем MVO, Black-Litterman, Risk Parity и RL-агенты на исторических данных. Определяем лучший алгоритм под задачу.
3. Реализация и backtesting: кодим пайплайн, проводим expanding window симуляцию с учётом transaction costs.
4. Калибровка: подбираем гиперпараметры (уровень доверия views, penalty за turnover) через sensitivity analysis.
5. Деплой: интеграция с брокерским API (Interactive Brokers, Alpaca) или размещение модели по REST.
6. Мониторинг: отслеживаем degradation модели и переобучаем при необходимости.

Дополнительное сравнение методов shrinkage ковариации:

Типичные ошибки при внедрении: забывают учесть transaction costs при backtesting — это завышает Sharpe на 20-30%. Также пренебрегают Look-ahead bias: future data попадает в training set.

Почему стоит заказать разработку у нас?

Мы гарантируем стабильность решения: портфели проходят sensitivity analysis к параметрам. Сертифицированные специалисты (AWS ML Specialty, CFA). Свяжитесь с нами — оценим ваш проект за 1 день. Система сдаётся под ключ с обучением вашей команды.

Сроки: Базовая версия (Markowitz + Black-Litterman) — 4-6 недель. Полный RL-агент с risk parity и TC-aware backtesting — 3-4 месяца. Стоимость рассчитывается индивидуально.

Для углублённого понимания рекомендуем ознакомиться с Black-Litterman model и Reinforcement Learning in finance.

Получите консультацию: закажите обсуждение ваших данных и целей.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.