Разработка AI-системы ребалансировки портфеля

Разработка AI-системы ребалансировки портфеля

Ребалансировка — возврат портфеля к целевым весам после дрейфа. Простейшая стратегия: раз в квартал продать выросшее, купить упавшее. AI-подход оптимизирует момент, частоту и метод ребалансировки с учётом транзакционных издержек и налоговых последствий.

Почему момент ребалансировки важен

Calendar rebalancing (раз в месяц/квартал) — игнорирует рыночные условия:

• В растущем рынке постоянно продаёт выросшие активы → drag
• В volatile рынке может ребалансироваться перед разворотом

Threshold rebalancing (при отклонении > N%): лучше, но всё ещё статическое правило.

Smart rebalancing:

• Учитывает transaction costs: не ребалансировать, если TC > ожидаемой пользы
• Использует market timing сигнал: откладывает ребалансировку при сильном тренде
• Налоговая оптимизация: предпочитает продавать убыточные позиции (tax-loss harvesting)

Формализация задачи

Стоимость отклонения от целевых весов:

def drift_cost(current_weights, target_weights, penalty=0.5):
    """
    Tracking error due to drift: annualized vol × drift_magnitude
    """
    drift = current_weights - target_weights
    drift_variance = drift @ cov_matrix @ drift
    return np.sqrt(drift_variance * 252)

Стоимость ребалансировки:

def rebalancing_cost(current_weights, new_weights, portfolio_value, tc=0.001):
    trades = np.abs(new_weights - current_weights)
    return trades.sum() * portfolio_value * tc

Оптимальная ребалансировка: минимизировать drift_cost + rebalancing_cost + tax_cost.

AI-алгоритм optimal rebalancing

Стохастическое управление (непрерывное время): Оптимальная "no-trade zone" — диапазон весов, в котором не ребалансируют из-за TC. Решение дифференциального уравнения (Almgren, 2005).

RL для ребалансировки:

# State: current_weights, target_weights, market_conditions
# Actions: [partial rebalance 50%, full rebalance, no action]
# Reward: -drift_cost - tc_cost + return_capture

class RebalancingEnv(gym.Env):
    def step(self, action):
        if action == 2:  # full rebalance
            cost = rebalancing_cost(self.weights, self.targets)
            self.weights = self.targets.copy()
        elif action == 1:  # partial rebalance
            self.weights = 0.5 * self.weights + 0.5 * self.targets
            cost = rebalancing_cost(self.weights, self.targets) * 0.5
        else:  # no action
            cost = 0

        self.weights = apply_market_returns(self.weights)
        reward = portfolio_return - cost - drift_penalty(self.weights, self.targets)
        return self.state, reward, done, {}

Tax-Loss Harvesting

Ключевая возможность для налогооблагаемых счетов:

Принцип: продавать позиции с убытком для фиксации tax loss, одновременно заменяя на коррелированный актив (избегая wash-sale rule в США — 30-дневное ограничение).

def tax_loss_harvesting(portfolio, tax_rate=0.20, wash_sale_window=30):
    """
    Идентифицируем позиции с нереализованными убытками.
    Если tax_savings > transaction_costs → harvest.
    Заменяем на коррелированный актив из списка substitutes.
    """
    harvest_candidates = []
    for ticker, position in portfolio.items():
        unrealized_loss = position.unrealized_pnl
        if unrealized_loss < 0:
            tax_benefit = abs(unrealized_loss) * tax_rate
            tc = abs(unrealized_loss) * 0.001  # 10 bps TC
            if tax_benefit > tc:
                harvest_candidates.append({
                    'ticker': ticker,
                    'net_benefit': tax_benefit - tc,
                    'substitute': find_substitute(ticker)
                })
    return harvest_candidates

Backtesting показывает: автоматический tax-loss harvesting добавляет 0.5-1.5% after-tax returns ежегодно.

Drift Monitoring и триггеры

Continuous monitoring:

def check_rebalance_triggers(current_weights, target_weights, thresholds):
    drift = np.abs(current_weights - target_weights)

    # Threshold triggers
    if drift.max() > thresholds['single_asset']:  # e.g., 5%
        return 'REBALANCE_PARTIAL'

    if (current_weights / target_weights).max() > thresholds['concentration']:  # e.g., 1.5×
        return 'REBALANCE_FULL'

    # Correlation breakdown trigger (crisis detection)
    if regime == 'crisis' and drift.sum() > thresholds['crisis_drift']:
        return 'REBALANCE_IMMEDIATE'

    return 'NO_ACTION'

Алерты:

• Ежедневная проверка весов → если дрейф > 3% → warning
• Еженедельный отчёт: текущие vs. целевые веса, рекомендации
• Автоматическое исполнение при превышении critical threshold (настраивается)

Интеграция с брокером

Prime broker / custody:

• Interactive Brokers API: FIX protocol + REST API для реальных ордеров
• Alpaca: REST API, доступен для автоматической торговли
• Saxo Bank / Dukascopy: FIX + REST для институциональных клиентов

Workflow:

1. Расчёт текущих весов (рыночная стоимость каждой позиции / NAV)
2. AI-решение: ребалансировать или нет
3. Расчёт ордеров (net difference, round-lot)
4. Отправка ордеров через брокерский API
5. Подтверждение исполнения, обновление book

Сроки: threshold-based ребалансировка с TC-optimizing — 2-3 недели. RL-агент с tax harvesting и broker integration — 8-12 недель.