AI-парсинг SEC EDGAR: вилучення метрик з 10-K, 10-Q, 8-K

Парсинг SEC EDGAR: від сирого HTML до структурованих даних

Ручний розбір 10-K на 400 сторінок займає в аналітика півдня. Помилки при вилученні Revenue з таблиць — кожен п'ятий запис. Ми побудували систему, яка за 5 хвилин витягує всі ключові метрики, ризики та тренди з PDF у структурований JSON. І робить це на потоці — 500 звітів на годину. На відміну від звичайних парсерів, наш пайплайн використовує LLM для адаптивного вилучення, що дозволяє обробляти звіти з нестабільною розміткою. Наприклад, SEC EDGAR змінює HTML-структуру кожен квартал, але модель за контекстом знаходить потрібні секції.

Проблеми, які вирішуємо

Rate limiting і нестабільна структура. EDGAR не дає більше 10 запитів на секунду, а HTML-розмітка звітів змінюється від кварталу до кварталу. Звичайні парсери на BeautifulSoup ламаються на першій же заміні class на id. Наш пайплайн використовує LLM для адаптивного вилучення — модель за контекстом визначає, де лежить Revenue, навіть якщо таблиця перейменована.

Вилучення неструктурованих розділів. MD&A, Risk Factors — це проза об'ємом 20–30 сторінок. Просто взяти текст — мало. Потрібно відокремити тренди від фактів, знайти числа в природній мові ("revenue increased by 12% to $5.2B") і обчислити sentiment. Для цього застосовуємо chain-of-thought промпти з few-shot прикладами з еталонних звітів.

Порівняння рік до року. Ризик, який рік тому був третім, а сьогодні — першим, сигналізує про проблеми. Система автоматично будує дельти: вилучає Item 1A поточного та попереднього року, обчислює семантичну близькість параграфів і маркує нове, посилене або ослаблене. Результат — список червоних прапорців з поясненням.

Як ми це робимо: стек і кейс

Використовуємо гібридну архітектуру: Python + LangChain + OpenAI GPT-4 (або локальний vLLM з LLaMA 3). Векторне сховище — Qdrant для семантичного пошуку за історичними звітами. Розгортання через Kubeflow на кластері GPU (A10G).

from langchain.chains import create_extraction_chain
from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(model="gpt-4", temperature=0.1)
schema = {
    "properties": {
        "revenue": {"type": "number"},
        "net_income": {"type": "number"},
        "risk_factors_new": {"type": "array", "items": {"type": "string"}}
    }
}
chain = create_extraction_chain(llm, schema)
result = chain.run(filing_text)

Кейс: розпарсили 5000 річних звітів за ніч. Клієнт — хедж-фонд, який хотів відстежувати ротацію ритейлу в 10-K. Наша система за 8 годин обробила всі 5000 документів, виділила топ-10 компаній з різким зростанням згадок "inflation" і "supply chain". Ручна перевірка показала точність 97% за ризиками. Порівняння: три аналітика тиждень пилили б те саме. Наше рішення в 10 разів швидше і точніше. Зв'яжіться з нами, щоб обговорити аналогічний проект. Отримайте консультацію за вашими задачами.

Як система справляється з rate limit EDGAR?

SEC обмежує запити до 10 на секунду. Ми реалізували адаптивний тротлінг з чергою і повторними спробами при помилках 429. Для масового парсингу використовуємо розподілену архітектуру на базі Ray — навантаження розподіляється між інстансами, що дозволяє обробляти до 500 звітів на годину без блокування.

Чому точність вилучення досягає 98,5%?

Ми комбінуємо правила XPath для табличних даних і fine-tuned LLM для текстових розділів. Крос-валідація: числові дані звіряються з попередніми періодами, а текстові — за допомогою семантичного пошуку за еталонними звітами. Для фінансових показників точність ключових метрик — 98,5%.

Порівняння підходів: ручний і автоматичний парсинг

Економія на масштабі: при обробці 1000 звітів на місяць витрати знижуються в 10 разів, що окупає впровадження за 2–3 місяці.

Етапи роботи

1. Аналітика — обговорюємо які звіти, метрики та сигнали потрібні. Збираємо еталонні звіти для крос-валідації.
2. Проектування — обираємо моделі (GPT-4 / LLaMA 3 / Mistral), проектуємо схему вихідних даних і пайплайн аугментації.
3. Реалізація — пишемо адаптер до EDGAR, парсери, ланцюжки LangChain, модуль дельт і дашборд.
4. Тестування — прогоняємо на 100 випадкових звітах, порівнюємо з ручним розбором. Досягаємо recall > 95% за ключовими полями.
5. Деплой — розгортаємо у вашому кластері або SaaS. Налаштовуємо моніторинг (uptime, latency p99, кількість оброблених звітів).

Терміни та вартість

Терміни: від 4 до 12 тижнів залежно від складності (базовий парсинг vs. кастомні бізнес-правила). Вартість розраховується індивідуально — залежить від обсягу звітів, необхідних моделей та потреби в GPU-кластері. В середньому, інвестиція окупається за 2–3 місяці за рахунок скорочення часу аналітиків на 80%.

Що входить в роботу

Типові помилки та як їх уникнути

• Ігнорувати XBRL — багато 10-K містять iXBRL-теги. Якщо їх не парсити, втратите точність. Ми використовуємо arelle для вилучення axis/concept.
• Надто агресивний rate limit — блокування IP на добу. Ставимо time.sleep(0.15) між запитами та моніторимо заголовок X-RateLimit-Remaining.
• Не перевіряти encoding — SEC зберігає документи в Windows-1252. Без перекодування зламається UTF-8. Застосовуємо chardet і автоматично конвертуємо.

Наш досвід — 7+ років у NLP, 30+ проектів у фінансовій аналітиці. Надаємо гарантію на точність вилучення (98%+ за контрактом). Замовте пілотний парсинг 50 документів — результат покажемо за 2 дні. Отримайте консультацію за вашими задачами. Детальніше про формат EDGAR — Wikipedia.

NLP розробка: чому accuracy не підходить для рідкісних класів?

До нас приходить задача: обробляти 50 тисяч звернень до служби підтримки — зараз все вручну. Датасет — 3000 розмічених прикладів, 12 категорій, дисбаланс: одна категорія займає 40% вибірки, три по 1‑2%. Baseline accuracy — 78%. Звучить непогано, поки не дивишся на recall по рідкісних класах: 0.31, 0.44, 0.28. Саме ці класи — скарги та загрози відтоку — найважливіші для бізнесу.

Це типовий проект NLP розробки. Проблема не в алгоритмі, а в тому, що accuracy — не та метрика. Наш досвід показує: у понад 30 проектах ми починаємо з аналізу бізнес‑метрик і лише потім обираємо модель.

Чому accuracy — не та метрика для рідкісних класів?

Accuracy ігнорує дисбаланс. Якщо клас «відтік» зустрічається у 2% випадків, модель може передбачати «все добре» і отримати 98% accuracy — але бізнес втрачає клієнтів. Рішення: F1 macro (усереднення за всіма класами) або weighted F1. Для NER — strict entity F1 (лише точні збіги). Гарантуємо: після вибору правильної метрики якість моделі стає вимірною та прогнозованою.

Класифікація тексту: від BERT до дистиляції

BERT-подібні моделі — стандарт для класифікації. ruBERT-base або ruBERT-large від DeepPavlov для російської мови. multilingual‑e5‑large — якщо потрібно працювати з кількома мовами в одному пайплайні. XLM‑RoBERTa‑large — сильний multilingual backbone.

Fine‑tuning для класифікації: додаємо classification head поверх [CLS]‑токена, навчаємо 3‑5 епох з lr=2e‑5, weight decay=0.01. При дисбалансі — weighted CrossEntropyLoss або focal loss з gamma=2.0. Пишіть — покажемо code snippet.

Кейс з дисбалансом. Датасет — 3000 прикладів, дисбаланс 1:20. Рішення: class_weight через sklearn + CrossEntropyLoss. Додатково — augmentation редкісних класів через backtranslation (ru→en→ru через MarianMT). Recall по рідкісних класах виріс з 0.31 до 0.67 при незначному падінні accuracy (76%→74%). Повна NLP розробка під ключ зайняла 3 тижні.

Дистиляція для production. BERT‑large дає F1 0.89, але inference на CPU — 180ms. Дистиляція в DistilBERT або ruBERT‑tiny2 знижує latency до 25ms при F1 0.84. DistilBERT працює в 7 разів швидше за BERT‑large при падінні F1 лише на 5%. Експорт в ONNX Runtime з int8 quantization дає додатковий 1.5‑2x. Оцінимо проект — розрахуємо економію на інфраструктурі.

Як вибрати модель класифікації під ваш датасет?

Для малих датасетів (до 5000 прикладів) достатньо fine‑tuned DistilBERT. Якщо потрібна багатомовність — XLM‑RoBERTa. При жорстких обмеженнях latency — дистильована модель з ONNX Runtime. Ми допомагаємо обрати оптимальний трейдофф якість/швидкість/вартість інфраструктури.

NER: розпізнавання іменованих сутностей

NER — вилучення персон, організацій, локацій, дат, сум, номерів документів. Для загальних категорій (PER, ORG, LOC) переднавчені моделі працюють добре. Для спеціалізованих (медичні терміни, юридичні поняття) — потрібен fine‑tuning.

Розмітка даних. Основна вартість NER‑проекту. Для якісної моделі — 500‑2000 розмічених речень на кожен тип сутності. Інструменти: Label Studio (open source) або Prodigy (від творців spaCy). Формат IOB2 — стандарт.

Архітектура. Token classification поверх BERT: кожному токену мітка (B‑PER, I‑PER, O). spaCy 3.x з transformer pipeline — зручний production‑вибір.

Вкладені сутності. Стандартні IOB‑моделі не обробляють вкладені сутності (організація всередині адреси). Для таких задач — span‑based NER: SpanBERT або SpERT. Складніше, але правильно.

Постобробка обов’язкова. Модель передбачає токени — потрібні нормалізовані сутності. Дата — dateparser. Суми — regex + валідація. Імена — дедуплікація через rapidfuzz. Входить у нашу стандартну поставку.

Sentiment Analysis та opinion mining

Бінарна класифікація positive/negative працює з BERT з коробки. Складність — аспектна тональність (ABSA): «у ресторані хороша кухня, але жахливий сервіс». Для ABSA: aspect extraction (NER) + sentiment за кожним аспектом. Joint моделі BERT‑for‑ABSA — якість на російських даних нижча через дефіцит датасетів. RuSentiment, SentiRuEval — основні ресурси.

Для продакшену з простим позитив/негатив/нейтраль: distil‑моделі достатньо. Три класи, balanced датасет, 2000+ прикладів — F1 macro 0.82‑0.87 за 1‑2 дні.

Сумарізація тексту

Екстрактивна сумарізація (обираємо речення) — TextRank або BM25 без навчання. Швидко, не галюцинує. Добре для довгих документів.

Абстрактивна (генерує новий текст) — seq2seq: mT5, mBART, FRED‑T5, ruT5‑large. Для production через LLM API (GPT‑4, Claude) — часто найкращий трейдофф вартість/якість/швидкість. Звертайте увагу на context window моделі: для документів > 4k токенів використовуйте chunking.

Ембеддинги: векторні представлення тексту

Ембеддинги — основа семантичного пошуку, дедуплікації, кластеризації, RAG. Якість критично впливає на downstream задачі.

Моделі. E5‑large‑v2, BGE‑M3, multilingual‑e5‑large — сильні multilingua embedders. sentence‑transformers/paraphrase‑multilingual‑mpnet‑base‑v2 — швидкий варіант. Для російської: ru‑en‑RoSBERTa (Skoltech) хороший на semantic textual similarity.

Як оцінити якість ембеддингів? MTEB benchmark — стандарт. Але топові результати на MTEB не гарантують успіх на доменному датасеті — будуємо домен‑специфічний eval.

Fine‑tuning ембеддингів. Якщо стандартні моделі не дають потрібного Recall@k — contrastive learning на доменних парах з MultipleNegativesRankingLoss. 500‑2000 пар, 1‑3 епохи — 5‑15% приріст Recall@k.

Розмірність та зберігання. E5‑large: 1024 dim, float32 — 4KB на вектор. При 10M документів — 40GB. INT8 quantization знижує до 10GB. FAISS IVF_PQ — ще компактніше, але з втратами. Входить у наші рекомендації по деплою.

Вилучення інформації

Структуроване вилучення — одна з частих задач. Приклади: ключові умови договору, технічні характеристики, дати та суми з рахунків.

1. Regex + rule-based. Для ІПН, ЄДРПОУ, сум, дат — надійніше нейромережі. Не потребує даних.
2. NER + постобробка. Для варіативних форматів.
3. LLM з structured output. GPT‑4 / Claude з JSON schema — для складних документів. Вартість: залежить від обсягу документів. Для 10k+ документів/день — рахуємо економіку.

Гарантуємо гібрид: regex/NER для типових полів + LLM для edge cases. Сертифікат довіри: 5 років на ринку, >30 проектів.

Етапи роботи

Прототип на існуючих даних — 1‑3 тижні. Production‑система з CI/CD — 1.5‑2.5 місяця. Вартість розраховується індивідуально — зв'яжіться з нами для консультації та оцінки.

Що входить у роботу

• Документація з архітектури моделі та пайплайну
• Доступи до моделі через REST API (FastAPI + ONNX)
• Навчання команди замовника (2 години вебінару + Q&A)
• Гарантія на точність моделі на обумовленій тестовій вибірці
• Підтримка 3 місяці після здачі (багфікс, адаптація під нові дані)

Наш досвід

Понад 5 років у NLP, 30+ проектів від класифікації до RAG‑систем. Команда включає ML‑інженерів з досвідом у Hugging Face, spaCy, LangChain, MLOps. Використовуємо vLLM, Kubeflow, Weights & Biases — продакшен‑стек, а не іграшки. Замовте консультацію — оцінимо проект за 2 дні.