Розробка AI-системи персонального інвестиційного портфеля

Типовий робоадвайзер пропонує стандартний набір ETF — але не враховує, що ви хочете виключити нафтові компанії або запланувати велику покупку через 3 роки. Завдання: автоматичне ребалансування портфеля з урахуванням індивідуальних обмежень і податкової оптимізації. Ми вирішили її через NLP-інтерфейс на базі LLM, який розуміє запити природною мовою та адаптується під життєві події. Компанія має 5+ років досвіду в AI/ML та понад 20 успішних проєктів. Гарантуємо безпеку даних (шифрування AES-256) та відповідність стандартам.

Як AI обробляє ваш інвестиційний запит?

Користувач пише: «Хочу інвестувати в AI-компанії, але уникнути Tesla». Система запускає ланцюжок: виокремлює сектор (AI), виняток (TSLA), перевіряє поточний портфель, пропонує конкретні дії. Модель використовує chain-of-thought міркування для багатокрокового аналізу. Наша AI-система виконує запити в 3 рази швидше за традиційні робоадвайзери.

from anthropic import Anthropic import numpy as np import json class PersonalInvestmentAdvisor: def __init__(self): self.llm = Anthropic() self.conversation_history = [] def process_investment_request(self, user_input: str, portfolio: dict, market_data: dict) -> dict: """Обработка инвестиционного запроса на естественном языке""" # Контекст портфеля portfolio_summary = self._summarize_portfolio(portfolio) self.conversation_history.append({ "role": "user", "content": user_input }) response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=600, system=f"""You are a personal investment advisor. You help users manage their investment portfolio. Be direct and specific. Always mention risks. Speak in Russian if user writes in Russian. Current portfolio: {portfolio_summary} Market context: {json.dumps(market_data, ensure_ascii=False)[:500]} Important: Never guarantee returns. Always mention that past performance doesn't predict future results. For specific trades, provide exact amounts and timing.""", messages=self.conversation_history ) advice = response.content[0].text self.conversation_history.append({ "role": "assistant", "content": advice }) # Парсинг конкретных действий из ответа actions = self._extract_actions(advice, portfolio) return { 'advice': advice, 'suggested_actions': actions, 'requires_confirmation': len(actions) > 0 } def _summarize_portfolio(self, portfolio: dict) -> str: total_value = sum(p['value'] for p in portfolio.get('positions', [])) positions = [] for pos in portfolio.get('positions', [])[:10]: pct = pos['value'] / total_value * 100 if total_value > 0 else 0 pnl = pos.get('unrealized_pnl', 0) positions.append(f"{pos['ticker']}: {pct:.1f}% (P&L: {pnl:+.1f}%)") return f"Total: ${total_value:,.0f}\n" + "\n".join(positions) def _extract_actions(self, advice_text: str, portfolio: dict) -> list[dict]: """Извлечение конкретных торговых действий из текста советника""" response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=300, messages=[{ "role": "user", "content": f"""Extract concrete investment actions from this advice. Advice: {advice_text} Return JSON array of actions (empty if no specific trades suggested): [{{"action": "BUY|SELL|REBALANCE", "ticker": "AAPL", "amount_usd": 1000, "reason": "..."}}]""" }] ) try: return json.loads(response.content[0].text) except Exception: return [] class TaxLossHarvester: """Автоматический tax-loss harvesting""" def find_harvesting_opportunities(self, portfolio: dict, wash_sale_window: int = 30) -> list[dict]: """Поиск позиций с убытком для налоговой оптимизации""" opportunities = [] today = pd.Timestamp.now() for position in portfolio.get('positions', []): unrealized_loss = position.get('unrealized_pnl_usd', 0) if unrealized_loss >= -100: # Минимальный убыток для оптимизации continue # Проверка wash sale rule (30 дней) last_purchase_date = pd.to_datetime(position.get('last_purchase_date')) days_held = (today - last_purchase_date).days if days_held < wash_sale_window: continue # Слишком недавно куплено tax_savings = abs(unrealized_loss) * 0.13 # НДФЛ 13% opportunities.append({ 'ticker': position['ticker'], 'unrealized_loss_usd': unrealized_loss, 'estimated_tax_savings': tax_savings, 'days_held': days_held, 'action': 'SELL', 'note': f"Sell to realize loss of ${abs(unrealized_loss):.0f}, save ~${tax_savings:.0f} in taxes" }) return sorted(opportunities, key=lambda x: x['unrealized_loss_usd']) class ESGScreener: """Фильтрация активов по ESG-критериям""" def __init__(self, esg_scores: dict): self.esg_scores = esg_scores # {ticker: {E: 0-100, S: 0-100, G: 0-100}} def filter_by_esg(self, candidates: list[str], preferences: dict) -> list[str]: """ preferences: {'min_environmental': 60, 'exclude_sectors': ['weapons', 'tobacco']} """ filtered = [] for ticker in candidates: scores = self.esg_scores.get(ticker, {}) # Минимальные пороги if scores.get('E', 50) < preferences.get('min_environmental', 0): continue if scores.get('S', 50) < preferences.get('min_social', 0): continue if scores.get('G', 50) < preferences.get('min_governance', 0): continue # Исключение секторов exclude = preferences.get('exclude_sectors', []) if any(s in (scores.get('sector', '').lower()) for s in exclude): continue filtered.append(ticker) return filtered 

Чому tax-loss harvesting дає відчутну економію?

Алгоритм шукає позиції з нереалізованим збитком > $100 і перевіряє правило wash sale (30 днів). При волатильності ринку такі можливості виникають регулярно. Економія становить 0.3–0.8% від активів під управлінням на рік — це суттєво при довгостроковому зростанні. Для портфеля $500,000 річна економія сягає $1,500–4,000. Наш модуль автоматично обчислює податок (13% ПДФО) і пропонує продажі з розрахунком вигоди. Наприклад, при збитку в $5,000 економія на податках досягає $650.

Які проблеми вирішує AI-система?

Перша — складність налаштування робоадвайзера під індивідуальні цілі. Стандартні анкети не охоплюють специфічні побажання на кшталт виключення секторів або врахування майбутніх великих витрат. Друга — податкова неефективність: без автоматичного tax-loss harvesting інвестори втрачають до 0.8% річної дохідності. Третя — подієве ребалансування: народження дитини, купівля будинку або ринковий шок вимагають негайного перегляду портфеля, а ручний аналіз займає дні.

Модулі системи та їхні функції

Інвестиційна оптимізація досягається за рахунок комбінації tax-loss harvesting та подієвого ребалансування. Система безперервно сканує портфель на предмет збиткових позицій і автоматично пропонує продажі з урахуванням податкових наслідків.

Як AI адаптується під життєві події?

Система слухає події: народження дитини, купівля будинку, вихід на пенсію. При настанні події перераховує оптимальний розподіл активів. Наприклад, при наближенні горизонту інвестування (менше 3 років) частка акцій знижується, облігацій — зростає. Модель враховує tax implications і уникає надмірної торгівлі.

Порівняння: традиційний робоадвайзер vs AI-система

Що входить у роботу?

• Документація: опис архітектури, API-контракти, model card для LLM.
• Вихідний код: модулі PersonalInvestmentAdvisor, TaxLossHarvester, ESGScreener, інтеграція з брокерським API.
• Навчання: 2-денний workshop для вашої команди.
• Підтримка: 1 місяць після деплою (режим 24/7).

Процес роботи

1. Аналітика: аудит поточного портфеля та цілей інвестора.
2. Проектування: вибір LLM (Claude 3.5 / GPT-4), налаштування vector DB для зберігання історії.
3. Реалізація: розробка NLP-інтерфейсу, модулів tax-loss та ESG.
4. Тестування: верифікація на історичних даних, A/B тести latency.
5. Деплой: розгортання на GPU-інстансах (Triton Inference Server), моніторинг p99 latency.

Оцініть можливості системи для вашого портфеля — зв'яжіться з нами для консультації. Система поставляється під ключ за 3–6 місяців залежно від складності інтеграції.