Розробка AI-робо-адвайзера для інвестицій

Розробка AI-робо-адвайзера для інвестицій

Проблема: чому більшість робо-адвайзерів не працюють

Стартапи та банки часто намагаються скопіювати підхід Betterment або Wealthfront: беруть класичну теорію портфеля (MPT) і натягують її на локальний ринок. У результаті — портфелі, які не враховують поведінку інвестора, часті зриви ребалансування через транзакційні витрати та повна відсутність пояснюваності для регулятора. Ми це виправили.

Чому AI-робо-адвайзери вигідніші за традиційних керуючих?

Традиційне управління коштує 1–2% від AuM на рік, а робо-адвайзер — 0.25–0.50%. При цьому ML-моделі вловлюють патерни, які людина пропускає: наприклад, кореляцію між геополітичними подіями та волатильністю окремих секторів. В одному з кейсів ми підняли дохідність на 2.1% річних при тому ж рівні ризику за рахунок динамічної ребалансировки на основі Reinforcement Learning. Для портфеля $10 млн це дає додатково $210 000 на рік. А для клієнта — зрозумілі пояснення природною мовою: "Ваш портфель збільшив частку облігацій, тому що ваш інвестиційний горизонт скоротився до 3 років".

Які проблеми вирішує ML-профілювання?

Профілювання без ML — ворожіння на кавовій гущі. Традиційні анкети з 5 питань дають середньостатистичний профіль, який не відображає реальну поведінку інвестора в кризу. Ми використовуємо LLM (Claude 3.5 Sonnet), яка аналізує не лише відповіді, але й тональність, суперечності, та генерує персоналізований опис профілю. Це дає +30% до відповідності ризик-профілю реальним діям.

Ручне ребалансування — збитки та помилки. Коли портфель відхиляється від цілі на 5%, людина часто зволікає або діє емоційно. Наш RebalancingEngine автоматично перевіряє поріг і генерує ордери з урахуванням мінімальної суми угоди та транзакційних витрат. В одному проекті це скоротило витрати на 0.15% річних — для портфеля $1 млн економія склала $2 500 на рік.

Відсутність explainability для регулятора. У різних юрисдикціях регулятори вимагають показувати клієнту, чому рекомендовано саме такий портфель. Ми вбудовуємо генерацію пояснень через LLM: модуль _explain_profile() формує 2–3 речення простою мовою, які можна показати в інтерфейсі або надіслати в звіт.

Як ми будуємо AI-робо-адвайзер: стек і процес

Шаг 1: Профілювання інвестора з LLM

Ми використовуємо Anthropic Claude 3.5 Sonnet для аналізу анкети. Кожне питання має вагу — наприклад, вік: чим молодший інвестор, тим вища допустима частка акцій. Результат — не просто цифра, а пояснення: чому цей профіль підходить саме цьому клієнту.

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: Оптимізація портфеля (Markowitz + ML-прогноз)

Замість історичних очікувань ми використовуємо прогноз дохідностей від Gradient Boosting та коригуємо коваріаційну матрицю через shrinkage. Оптимізація вирішує задачу максимізації Sharpe ratio з боксовими обмеженнями (2–40% на один папір). Результат — ефективна границя, за якою ми обираємо портфель під профіль клієнта.

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: Моніторинг і ребалансування

Дрейф портфеля відстежується в реальному часі. Якщо відхилення від цільової ваги перевищує 5%, запускається генерація ордерів: BUY для недооцінених паперів, SELL для переоцінених. Всі ордери перевіряються на мінімальний обсяг угоди, щоб уникнути дробових лотів.

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

Що входить в роботу?

Які етапи розробки включає проект?

Для наочності наведемо план з приблизними часовими рамками:

Строки та вартість

Строки залежать від складності інтеграцій: MVP за 3–4 місяці, повноцінна платформа — від 8 до 12 місяців. Вартість розраховується індивідуально — отримайте консультацію для оцінки вашого проекту. Ми працюємо з FinTech-стартапами та банками, маємо 10+ років досвіду в ML та 50+ реалізованих проектів у сфері автоматизації інвестицій. Замовте розробку робо-адвайзера під ключ — адаптуємо рішення під вашу брокерську інфраструктуру.

Типові помилки при впровадженні робо-адвайзерів

• Використання лише історичних даних без урахування режимних перемикань (регуляторні зміни, кризи). Ми додаємо stress-тести за сценаріями.
• Ігнорування мінімальних сум угод — призводить до відхилень портфеля. Наш engine блокує дрібні ордери.
• Відсутність зрозумілого пояснення для клієнта — порушення вимог регулятора. LLM-генерація пояснень вирішує це.

Гарантуємо — ваш робо-адвайзер відповідатиме регуляторним стандартам і забезпечить дохідність на 1.5–2.5% вищу, ніж наївне ребалансування. Оцініть ваш проект — зв'яжіться з нами для консультації.