Розробка AI-системи ребалансування портфеля

При дрейфі інвестиційного портфеля від цільових ваг інвестори втрачають до 2% річної дохідності — це підтверджують дослідження. Традиційні методи ребалансування (календарне раз на квартал або за порогом відхилення) ігнорують транзакційні витрати, податкові наслідки та ринковий режим. Наша AI-система ребалансування поєднує стохастичне керування, RL-агент та автоматичний tax-loss harvesting для максимізації after-tax returns. У цій статті розберемо ключові компоненти такого рішення — від формалізації задачі до інтеграції з брокером.

Чому момент ребалансування важливий

Calendar rebalancing (раз на місяць/квартал) ігнорує ринкові умови: на зростаючому ринку постійно продає активи, що зросли, створюючи drag, а на волатильному — може ребалансувати перед розворотом. Threshold rebalancing (при відхиленні > N%) краще, але все ще статичне правило. Smart rebalancing враховує transaction costs (не ребалансувати, якщо TC > очікуваної користі), використовує market timing сигнал (відкладає ребалансування при сильному тренді) та податкову оптимізацію (надає перевагу продажу збиткових позицій — tax-loss harvesting).

Як AI вибирає оптимальний момент для ребалансування?

Формалізація задачі. Вартість відхилення від цільових ваг (drift cost) обчислюється як річне tracking error, зважене на матрицю коваріації. Вартість ребалансування — це сума абсолютних змін ваг, помножена на вартість портфеля та комісію за угоду (TC). AI вирішує задачу мінімізації суми drift cost, rebalancing cost та tax cost.

Стохастичне керування. Оптимальна no-trade zone — діапазон ваг, всередині якого ребалансувати невигідно. Аналітичне рішення отримано в роботі Almgren: зона залежить від волатильності, комісії та ліквідності. На практиці ми реалізуємо чисельний розрахунок на кожному кроці.

RL для ребалансування. Окрім аналітичного підходу, використовуємо навчання з підкріпленням. Стан (state) включає поточні ваги, цільові ваги та ринкові умови. Дії (actions): часткове ребалансування (50%), повне або відмова. Нагорода (reward): дохідність портфеля за вирахуванням витрат та штрафу за дрейф. Приклад коду:

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, {}

Що таке tax-loss harvesting і як AI його оптимізує?

Для оподатковуваних рахунків критична можливість фіксувати збитки. Принцип: продавати позиції зі збитком, одночасно замінюючи на корельований актив (уникаючи wash-sale rule — 30-денне обмеження). AI-алгоритм оцінює податкову вигоду (податкова ставка * нереалізований збиток) та порівнює з транзакційними витратами. Якщо вигода вища, система автоматично виконує угоду. Backtesting показує, що автоматичний tax-loss harvesting додає 0.5-1.5% after-tax returns щорічно. Приклад розрахунку кандидатів:

def tax_loss_harvesting(portfolio, tax_rate=0.20, wash_sale_window=30):
    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

Порівняння підходів до ребалансування

Drift Monitoring та тригери

Система безперервно відстежує ваги портфеля. Тригери ребалансування включають перевищення максимального відхилення по одному активу (наприклад, 5%), порушення ліміту концентрації (вага перевищує цільову в 1.5 раза) та сигнал зміни ринкового режиму (кризове виявлення). Налаштовуються критичні пороги для автоматичного виконання.

Щоденна перевірка ваг формує warning при дрейфі > 3%, щотижня надсилається звіт з рекомендаціями. Автоматичне виконання вмикається при перевищенні critical threshold.

Інтеграція з брокером

Підтримуються API провідних брокерів: Interactive Brokers (FIX + REST), Alpaca (REST), Saxo Bank, Dukascopy. Робочий процес:

1. Розрахунок поточних ваг (ринкова вартість / NAV).
2. AI-рішення: ребалансувати чи ні.
3. Розрахунок ордерів (net difference, round-lot).
4. Відправлення ордерів через брокерський API.
5. Підтвердження виконання, оновлення book.

Що входить у розробку AI-системи ребалансування

• Аналіз поточного портфеля та правил ребалансування.
• Розробка математичної моделі дрейфу та витрат.
• Навчання RL-агента на історичних даних.
• Інтеграція з брокерським API.
• Тестування на out-of-sample даних.
• Документація та навчання команди.
• Підтримка 6 місяців після запуску.

Терміни розробки

Терміни орієнтовно: базова версія (threshold-based + TC-оптимізація) — 2-3 тижні; розширена (RL + tax harvesting + broker integration) — 8-12 тижнів. Вартість розраховується індивідуально.

Наші інженери мають досвід розробки алгоритмічних торгових систем та управління портфелями. Ми гарантуємо прозорість алгоритмів, повну документацію та підтримку. Зв'яжіться з нами для оцінки вашого портфеля та обговорення термінів впровадження. Замовте пілотний проект — ми розрахуємо економічний ефект на ваших даних.

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.