Разработка AI-агента для финансового анализа
AI-агент финансового анализа обрабатывает финансовые данные, формирует аналитические выводы, рассчитывает показатели и генерирует отчёты. Комбинация Text-to-SQL для работы с данными, Code Interpreter для расчётов и LLM для интерпретации делает агента способным отвечать на сложные аналитические вопросы без участия финансиста.
Ключевые инструменты финансового агента
from openai import OpenAI
from pydantic import BaseModel
from typing import Literal, Optional
import pandas as pd
import json
client = OpenAI()
financial_tools = [
{
"type": "function",
"function": {
"name": "query_financial_database",
"description": "Запрос к финансовой базе данных (выручка, расходы, бюджет, факт)",
"parameters": {
"type": "object",
"properties": {
"sql_query": {"type": "string"},
"description": {"type": "string"},
},
"required": ["sql_query"]
}
}
},
{
"type": "function",
"function": {
"name": "calculate_financial_metrics",
"description": "Рассчитать финансовые показатели",
"parameters": {
"type": "object",
"properties": {
"metric": {
"type": "string",
"enum": ["EBITDA", "ROE", "ROA", "ROIC", "NPV", "IRR", "payback_period",
"gross_margin", "operating_margin", "net_margin", "current_ratio",
"debt_to_equity", "working_capital"]
},
"input_data": {"type": "object"},
},
"required": ["metric", "input_data"]
}
}
},
{
"type": "function",
"function": {
"name": "build_financial_model",
"description": "Построить финансовую модель (DCF, бюджет, P&L прогноз)",
"parameters": {
"type": "object",
"properties": {
"model_type": {"type": "string", "enum": ["dcf", "budget_variance", "pnl_forecast"]},
"parameters": {"type": "object"},
},
"required": ["model_type", "parameters"]
}
}
},
{
"type": "function",
"function": {
"name": "generate_financial_report",
"description": "Сформировать финансовый отчёт",
"parameters": {
"type": "object",
"properties": {
"report_type": {"type": "string"},
"period": {"type": "string"},
"data": {"type": "object"},
},
"required": ["report_type", "period"]
}
}
},
]
def calculate_financial_metrics(metric: str, input_data: dict) -> str:
"""Точный расчёт финансовых метрик"""
calculators = {
"EBITDA": lambda d: d["revenue"] - d["cogs"] - d["opex"] + d.get("da", 0),
"gross_margin": lambda d: (d["revenue"] - d["cogs"]) / d["revenue"] * 100,
"operating_margin": lambda d: d["ebit"] / d["revenue"] * 100,
"ROE": lambda d: d["net_income"] / d["equity"] * 100,
"ROA": lambda d: d["net_income"] / d["total_assets"] * 100,
"current_ratio": lambda d: d["current_assets"] / d["current_liabilities"],
"debt_to_equity": lambda d: d["total_debt"] / d["equity"],
}
calculator = calculators.get(metric)
if not calculator:
return f"Metric {metric} not implemented"
try:
result = calculator(input_data)
return json.dumps({
"metric": metric,
"result": round(result, 4),
"unit": "%" if metric in ["gross_margin", "operating_margin", "ROE", "ROA"] else "x",
})
except KeyError as e:
return f"Missing required field: {e}"
except ZeroDivisionError:
return "Division by zero: check denominator values"
Агент план-факт анализа
FINANCIAL_ANALYST_PROMPT = """Ты — финансовый аналитик CFO-уровня.
Твои задачи:
1. Анализировать финансовые данные точно и методологически корректно
2. Использовать инструменты для расчётов — никогда не считай в уме
3. При отклонениях план/факт — выявлять причины (price effect, volume effect, mix)
4. Давать конкретные рекомендации, а не абстрактные наблюдения
5. Указывать на аномалии и потенциальные риски
Методология:
- При анализе P&L разбивай отклонения на ценовые и объёмные
- При оценке эффективности используй сравнение со стандартными отраслевыми бенчмарками
- При прогнозах — указывай confidence interval и ключевые допущения"""
def financial_analysis_agent(question: str, context_data: dict = None) -> str:
messages = [
{"role": "system", "content": FINANCIAL_ANALYST_PROMPT},
{"role": "user", "content": question},
]
if context_data:
messages.insert(1, {
"role": "system",
"content": f"Контекст данных:\n{json.dumps(context_data, ensure_ascii=False, indent=2)}"
})
# Агентный цикл
for _ in range(8):
response = client.chat.completions.create(
model="gpt-4o",
messages=messages,
tools=financial_tools,
)
msg = response.choices[0].message
messages.append(msg)
if not msg.tool_calls:
return msg.content
for tool_call in msg.tool_calls:
tool_name = tool_call.function.name
tool_args = json.loads(tool_call.function.arguments)
result = execute_financial_tool(tool_name, tool_args)
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": result,
})
Практический кейс: план-факт анализ производственной компании
Задача: ежемесячный план-факт анализ P&L с разбивкой по продуктовым линейкам и регионам. Ранее занимал 2 дня у финансового аналитика.
Данные: PostgreSQL, 8 таблиц (actual_pnl, budget_pnl, products, regions, cost_centers...).
Пример взаимодействия:
Запрос: «Проанализируй выполнение бюджета по выручке за март 2026. Выяви причины отклонений.»
Агент:
-
query_financial_database— план vs факт по продуктам -
calculate_financial_metrics— процент выполнения по каждой линейке -
query_financial_database— объёмы и цены для price/volume decomposition -
build_financial_model— waterfall chart данные - Интерпретация: «Общее отклонение -8.3M руб (-4.2%). Основные факторы: снижение объёма продаж продукта А (-5.1M, объёмный эффект), частично компенсировано ростом цен на продукт Б (+2.1M, ценовой эффект). Регион ЦФО — единственный с перевыполнением (+1.8M), Урал — наибольшее отставание (-6.2M)...»
Результаты:
- Время подготовки ежемесячного отчёта: 2 дня → 3.5 часа
- Покрытие показателей: идентично
- Качество интерпретаций (оценка CFO): 4.1/5.0
Ключевая проблема: агент хорошо считает, но интерпретации sometimes избыточно осторожные. Настраивается через систем-промпт.
Автоматическая аномалия-детекция
def detect_anomalies_in_data(financial_data: pd.DataFrame) -> list[dict]:
"""Статистическое выявление аномалий перед передачей в LLM"""
anomalies = []
for column in financial_data.select_dtypes(include="number").columns:
mean = financial_data[column].mean()
std = financial_data[column].std()
z_scores = (financial_data[column] - mean) / std
outliers = financial_data[abs(z_scores) > 2.5]
if not outliers.empty:
for idx, row in outliers.iterrows():
anomalies.append({
"column": column,
"value": row[column],
"z_score": round(z_scores[idx], 2),
"period": str(idx),
})
return anomalies
Сроки
- Проектирование финансового агента: 1 неделя
- Разработка инструментов и SQL-слой: 2–3 недели
- Интеграция с ERP/1С: 2–3 недели
- Верификация расчётов с финансистами: 2 недели
- Итого: 7–10 недель