AI-парсинг SEC EDGAR: извлечение метрик из 10-K, 10-Q, 8-K

Парсинг SEC EDGAR: от сырого HTML к структурированным данным

Ручной разбор 10-K на 400 страниц занимает у аналитика полдня. Ошибки при извлечении Revenue из таблиц — каждая пятая запись. Мы построили систему, которая за 5 минут выдёргивает все ключевые метрики, риски и тренды из PDF в структурированный JSON. И делает это на потоке — 500 отчётов в час. В отличие от обычных парсеров, наш пайплайн использует LLM для адаптивного извлечения, что позволяет обрабатывать отчёты с нестабильной разметкой. Например, SEC EDGAR меняет HTML-структуру каждый квартал, но модель по контексту находит нужные секции.

Проблемы, которые решаем

Rate limiting и нестабильная структура. EDGAR не даёт больше 10 запросов в секунду, а HTML-разметка отчётов меняется от квартала к кварталу. Обычные парсеры на BeautifulSoup ломаются на первой же замене class на id. Наш пайплайн использует LLM для адаптивного извлечения — модель по контексту определяет, где лежит Revenue, даже если таблица переименована.

Извлечение неструктурированных разделов. MD&A, Risk Factors — это проза объёмом 20–30 страниц. Просто взять текст — мало. Нужно отделить тренды от фактов, найти числа в естественном языке ("revenue increased by 12% to $5.2B") и вычислить sentiment. Для этого применяем chain-of-thought промпты с few-shot примерами из эталонных отчётов.

Сравнение год к году. Риск, который год назад был третьим, а сегодня — первым, сигналит о проблемах. Система автоматически строит дельты: извлекает Item 1A текущего и предыдущего года, вычисляет семантическую близость параграфов и маркирует новое, усиленное или ослабленное. Результат — список красных флагов с объяснением.

Как мы это делаем: стек и кейс

Используем гибридную архитектуру: Python + LangChain + OpenAI GPT-4 (или локальный vLLM с LLaMA 3). Векторное хранилище — Qdrant для семантического поиска по историческим отчётам. Развёртывание через Kubeflow на кластере GPU (A10G).

from langchain.chains import create_extraction_chain
from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(model="gpt-4", temperature=0.1)
schema = {
    "properties": {
        "revenue": {"type": "number"},
        "net_income": {"type": "number"},
        "risk_factors_new": {"type": "array", "items": {"type": "string"}}
    }
}
chain = create_extraction_chain(llm, schema)
result = chain.run(filing_text)

Кейс: распарсили 5000 годовых отчётов за ночь. Клиент — хедж-фонд, который хотел отслеживать ротацию ритейла в 10-K. Наша система за 8 часов обработала все 5000 документов, выделила топ-10 компаний с резким ростом упоминаний "inflation" и "supply chain". Ручная проверка показала точность 97% по рискам. Сравнение: три аналитика неделю пилили бы то же самое. Наше решение в 10 раз быстрее и точнее. Свяжитесь с нами, чтобы обсудить аналогичный проект. Получите консультацию по вашим задачам.

Как система справляется с rate limit EDGAR?

SEC ограничивает запросы до 10 в секунду. Мы реализовали адаптивный троттлинг с очередью и повторными попытками при ошибках 429. Для массового парсинга используем распределённую архитектуру на базе Ray — нагрузка распределяется между инстансами, что позволяет обрабатывать до 500 отчётов в час без блокировки.

Почему точность извлечения достигает 98,5%?

Мы комбинируем правила XPath для табличных данных и fine-tuned LLM для текстовых разделов. Кросс-валидация: числовые данные сверяются с предыдущими периодами, а текстовые — с помощью семантического поиска по эталонным отчётам. Для финансовых показателей точность ключевых метрик — 98,5%.

Сравнение подходов: ручной и автоматический парсинг

Экономия на масштабе: при обработке 1000 отчётов в месяц затраты снижаются в 10 раз, что окупает внедрение за 2–3 месяца.

Этапы работы

1. Аналитика — обсуждаем какие отчёты, метрики и сигналы нужны. Собираем эталонные отчёты для кросс-валидации.
2. Проектирование — выбираем модели (GPT-4 / LLaMA 3 / Mistral), проектируем схему выходных данных и пайплайн аугментации.
3. Реализация — пишем адаптер к EDGAR, парсеры, цепочки LangChain, модуль дельт и дашборд.
4. Тестирование — прогоняем на 100 случайных отчётах, сравниваем с ручным разбором. Добиваемся recall > 95% по ключевым полям.
5. Деплой — разворачиваем в вашем кластере или SaaS. Настраиваем мониторинг (аптайм, latency p99, количество обработанных отчётов).

Сроки и стоимость

Сроки: от 4 до 12 недель в зависимости от сложности (базовый парсинг vs. кастомные бизнес-правила). Стоимость рассчитывается индивидуально — зависит от объёма отчётов, требуемых моделей и необходимости GPU-кластера. В среднем, инвестиция окупается за 2–3 месяца за счёт сокращения времени аналитиков на 80%.

Что входит в работу

Типичные ошибки и как их избежать

• Игнорировать XBRL — многие 10-K содержат iXBRL-теги. Если их не парсить, потеряете точность. Мы используем arelle для извлечения axis/concept.
• Слишком агрессивный rate limit — блокировка IP на сутки. Ставим time.sleep(0.15) между запросами и мониторим заголовок X-RateLimit-Remaining.
• Не проверять encoding — SEC хранит документы в Windows-1252. Без перекодировки сломается UTF-8. Применяем chardet и автоматически конвертируем.

Наш опыт — 7+ лет в NLP, 30+ проектов в финансовой аналитике. Предоставляем гарантию на точность извлечения (98%+ по контракту). Закажите пилотный парсинг 50 документов — результат покажем за 2 дня. Получите консультацию по вашим задачам. Подробнее о формате EDGAR — Wikipedia.

NLP разработка: классификация текстов, NER, эмбеддинги и извлечение информации

К нам приходит задача: обрабатывать 50 тысяч обращений в службу поддержки — сейчас всё вручную. Датасет — 3000 размеченных примеров, 12 категорий, дисбаланс: одна категория занимает 40% выборки, три по 1-2%. Baseline accuracy — 78%. Звучит неплохо, пока не смотришь на recall по редким классам: 0.31, 0.44, 0.28. Именно эти классы — жалобы и угрозы оттока — важнее всего бизнесу.

Это типичный проект NLP разработки. Проблема не в алгоритме, а в том, что accuracy — не та метрика. Наш опыт показывает: в 30+ проектах мы начинаем с анализа бизнес-метрик и только потом выбираем модель.

Почему accuracy — не та метрика для редких классов?

Accuracy игнорирует дисбаланс. Если класс «отток» встречается в 2% случаев, модель может предсказывать «всё хорошо» и получить 98% accuracy — но бизнес теряет клиентов. Решение: F1 macro (усреднение по всем классам) или weighted F1. Для NER — strict entity F1 (только точные совпадения). Гарантируем: после выбора правильной метрики качество модели становится измеримым и прогнозируемым.

Классификация текста: от BERT до дистилляции

BERT-подобные модели — стандарт для классификации. ruBERT-base или ruBERT-large от DeepPavlov для русского языка. multilingual-e5-large — если нужно работать с несколькими языками в одном пайплайне. XLM-RoBERTa-large — сильный multilingual backbone.

Fine-tuning для классификации: добавляем classification head поверх [CLS]-токена, обучаем 3-5 эпох с lr=2e-5, weight decay=0.01. При дисбалансе — weighted CrossEntropyLoss или focal loss с gamma=2.0. Пишите — покажем code snippet.

Кейс с дисбалансом. Датасет — 3000 примеров, дисбаланс 1:20. Решение: class_weight через sklearn + CrossEntropyLoss. Дополнительно — augmentation редких классов через backtranslation (ru→en→ru через MarianMT). Recall по редким классам вырос с 0.31 до 0.67 при незначительном падении accuracy (76%→74%). Полная NLP разработка под ключ заняла 3 недели.

Дистилляция для production. BERT-large даёт F1 0.89, но inference на CPU — 180ms. Дистилляция в DistilBERT или ruBERT-tiny2 снижает latency до 25ms при F1 0.84. Экспорт в ONNX Runtime даёт дополнительный 1.5-2x. Оценим проект — рассчитаем экономию на инфраструктуре.

NER: распознавание именованных сущностей

NER — извлечение персон, организаций, локаций, дат, сумм, номеров документов. Для общих категорий (PER, ORG, LOC) предобученные модели работают хорошо. Для специализированных (медицинские термины, юридические понятия) — нужен fine-tuning.

Разметка данных. Основная стоимость NER-проекта. Для качественной модели — 500-2000 размеченных предложений на каждый тип сущности. Инструменты: Label Studio (open source) или Prodigy (от создателей spaCy). Формат IOB2 — стандарт.

Архитектура. Token classification поверх BERT: каждому токену метка (B-PER, I-PER, O). spaCy 3.x с transformer pipeline — удобный production-выбор.

Вложенные сущности. Стандартные IOB-модели не обрабатывают вложенные сущности (организация внутри адреса). Для таких задач — span-based NER: SpanBERT или SpERT. Сложнее, но правильно.

Постобработка обязательна. Модель предсказывает токены — нужны нормализованные сущности. Дата — dateparser. Суммы — regex + валидация. Имена — дедупликация через rapidfuzz. Входит в нашу стандартную поставку.

Sentiment Analysis и opinion mining

Бинарная классификация positive/negative работает с BERT из коробки. Сложность — аспектная тональность (ABSA): «в ресторане хорошая кухня, но ужасный сервис». Для ABSA: aspect extraction (NER) + sentiment по каждому аспекту. Joint модели BERT-for-ABSA — качество на русских данных ниже из-за дефицита датасетов. RuSentiment, SentiRuEval — основные ресурсы.

Для продакшена с простым позитив/негатив/нейтраль: distil-модели достаточно. Три класса, balanced датасет, 2000+ примеров — F1 macro 0.82-0.87 за 1-2 дня.

Суммаризация текста

Экстрактивная суммаризация (выбираем предложения) — TextRank или BM25 без обучения. Быстро, не галлюцинирует. Хорошо для длинных документов.

Абстрактивная (генерирует новый текст) — seq2seq: mT5, mBART, FRED-T5, ruT5-large. Для production через LLM API (GPT-4, Claude) — часто лучший трейдофф стоимость/качество/скорость.

Эмбеддинги: векторные представления текста

Эмбеддинги — основа семантического поиска, дедупликации, кластеризации, RAG. Качество критически влияет на downstream задачи.

Модели. E5-large-v2, BGE-M3, multilingual-e5-large — сильные multilingua embedders. sentence-transformers/paraphrase-multilingual-mpnet-base-v2 — быстрый вариант. Для русского: ru-en-RoSBERTa (Skoltech) хорош на semantic textual similarity.

Как оценить качество эмбеддингов? MTEB benchmark — стандарт. Но топовые результаты на MTEB не гарантируют успех на доменном датасете — строим домен-специфичный eval.

Fine-tuning эмбеддингов. Если стандартные модели не дают нужного Recall@k — contrastive learning на доменных парах с MultipleNegativesRankingLoss. 500-2000 пар, 1-3 эпохи — 5-15% прирост Recall@k.

Размерность и хранение. E5-large: 1024 dim, float32 — 4KB на вектор. При 10M документов — 40GB. Квантизация int8 снижает до 10GB. FAISS IVF_PQ — ещё компактнее, но с потерями. Входит в наши рекомендации по деплою.

Извлечение информации

Структурированное извлечение — одна из частых задач. Примеры: ключевые условия договора, технические характеристики, даты и суммы из счетов.

1. Regex + rule-based. Для ИНН, ОГРН, сумм, дат — надёжнее нейросети. Не требует данных.
2. NER + постобработка. Для вариативных форматов.
3. LLM с structured output. GPT-4 / Claude с JSON schema — для сложных документов. Стоимость: ~$0.001-0.01 на документ. Для 10k+ документов/день — считаем экономику.

Гарантируем гибрид: regex/NER для типовых полей + LLM для edge cases. Сертификат доверия: 5 лет на рынке, >30 проектов.

Этапы работы

Прототип на существующих данных — 1-3 недели. Production-система с CI/CD — 1.5-2.5 месяца. Стоимость рассчитывается индивидуально — напишите, получите консультацию и оценку.

Что входит в работу

• Документация по архитектуре модели и пайплайну
• Доступы к модели через REST API (FastAPI + ONNX)
• Обучение команды заказчика (2 часа вебинара + Q&A)
• Гарантия на точность модели на оговоренной тестовой выборке
• Поддержка 3 месяца после сдачи (багфикс, адаптация под новые данные)

Наш опыт

Более 5 лет в NLP, 30+ проектов от классификации до RAG-систем. Команда включает ML-инженеров с опытом в Hugging Face, spaCy, LangChain, MLOps. Используем vLLM, Kubeflow, Weights & Biases — продакшен-стек, а не игрушки. Пишите — оценим проект за 2 дня.