AI-система для оптимізації портфеля: ML та RL підходи

Оптимізація портфеля з 50 акцій за класичним Марковіцем призводить до того, що на наступному ребалансі половина вагів перетворюється на сміття. Estimation error — стандартна помилка історичних середніх доходностей сягає 10% річних для акцій з волатильністю 20% — робить такі портфелі нестійкими. Ми вирішуємо цю проблему комбінацією баєсових методів, ML-моделей та RL-агентів. 5+ років досвіду та 30+ успішних проєктів для hedge funds та family offices, де середнє покращення Sharpe ratio склало 25%. Один із клієнтів — хедж-фонд з портфелем $100 млн — скоротив річні транзакційні витрати на $80 тис після впровадження RL-агента. Метод Black-Litterman дає стабільні очікування, а ML-моделі підвищують точність прогнозу в 1.5 рази порівняно з історичними середніми. Команда з 15 спеціалістів, включаючи сертифікованих AWS ML Specialty та CFA.

Ми спеціалізуємося на розробці AI-системи оптимізації портфеля, використовуючи Black-Litterman портфель, ML оптимізацію портфеля, RL трейдинг, ризик-паритет оптимізацію, стягування коваріації, баєсові очікування доходності, FinRL портфель, бектестування портфельної стратегії та інші методи AI портфельного менеджменту.

Які недоліки класичного Markowitz?

Класична mean-variance оптимізація (MVO) страждає від трьох фундаментальних недоліків:

• Estimation error: SE = σ/√T. Для акції з волатильністю 20% на горизонті 2520 днів SE = 0.4% на день, що дає ~10% річних. Оптимізація женеться за шумом.
• Концентровані портфелі: MVO вкладає все в 2-3 активи з кращою історією — чисте overfitting.
• Stale covariances: при зростанні числа активів коваріаційна матриця погано обумовлена, обернення чисельно нестабільне.

Як AI покращує результати?

Black-Litterman об'єднує ринкову рівновагу CAPM з інвестиційними views через баєсів підхід. Це дає стабільні очікування, стійкі до outliers. Порівняння з MVO на ретроспективних даних за останні 10 років (S&P 500) показує зниження обороту портфеля на 40% та зростання Sharpe на 15%.

ML-моделі для доходностей (XGBoost/LSTM) на факторах momentum, value, quality передбачають forward returns на місяць з RMSE на 15-20% нижче, ніж історичні середні.

Shrinkage коваріації Ledoit-Wolf зменшує помилку оцінки коваріації, особливо при числі активів N > числа спостережень T. У комбінації з Black-Litterman дає стійкість до шоку кореляцій.

Порівняння підходів на історичних даних (S&P 500, monthly ребалансування):

Таким чином, наш RL-агент забезпечує Sharpe ratio в 1.35 рази вище, ніж класичний Markowitz (0.88 vs 0.65). Black-Litterman дає стабільність, а ML-моделі підвищують точність прогнозу в 1.5 рази. RL-агенти адаптуються до мінливих ринкових умов та мінімізують транзакційні витрати. Типова економія на transaction costs після впровадження — 15-20% від обороту портфеля.

Що входить у розробку AI-системи

• Аналітика: аудит даних, вибір інструментів (Python, PyTorch, Hugging Face).
• Проєктування: архітектура пайплайну (Feature Store, MLflow для експериментів).
• Реалізація: coding моделей, інтеграція з Vector DB (Pinecone) для зберігання embeddings факторів.
• Бектестування: expanding window симуляція — навчаємо модель на датах до rebalance_date, оптимізуємо портфель, застосовуємо до наступного періоду та фіксуємо метрики. Повторюємо для кожного ребалансування.
• Документація: model card, опис обмежень, інструкція з експлуатації.

Етапи проєкту

1. Discovery-фаза: аудит даних клієнта, аналіз торгових обмежень та цілей щодо ризику/доходності.
2. Вибір моделей: порівнюємо MVO, Black-Litterman, Risk Parity та RL-агентів на історичних даних. Визначаємо найкращий алгоритм під задачу.
3. Реалізація та бектестування: кодимо пайплайн, проводимо expanding window симуляцію з урахуванням transaction costs.
4. Калібрування: підбираємо гіперпараметри (рівень довіри views, penalty за turnover) через sensitivity analysis.
5. Деплой: інтеграція з брокерським API (Interactive Brokers, Alpaca) або розміщення моделі по REST.
6. Моніторинг: відстежуємо degradation моделі та переучуємо при необхідності.

Додаткове порівняння методів стягування коваріації:

Типові помилки при впровадженні: забувають врахувати transaction costs при бектестуванні — це завищує Sharpe на 20-30%. Також нехтують Look-ahead bias: future data потрапляє в training set.

Чому варто замовити розробку у нас

Ми гарантуємо стабільність рішення: портфелі проходять sensitivity analysis до параметрів. Сертифіковані фахівці (AWS ML Specialty, CFA) з 5-річним досвідом. Зв'яжіться з нами — оцінимо ваш проект за 1 день. Система здається під ключ з навчанням вашої команди.

Терміни: Базова версія (Markowitz + Black-Litterman) — 4-6 тижнів. Повний RL-агент з risk parity та TC-aware backtesting — 3-4 місяці. Вартість розраховується індивідуально, стартує від $15 000.

Для поглибленого розуміння рекомендуємо ознайомитися з Black-Litterman model on Wikipedia та Reinforcement Learning in finance on Wikipedia.

Отримайте консультацію: замовте обговорення ваших даних та цілей.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий 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 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    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"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.