Разработка AI-робо-адвайзера для инвестиций

Проблема: почему большинство робо-адвайзеров не работают

Стартапы и банки часто пытаются скопировать подход Betterment или Wealthfront: берут классическую теорию портфеля (MPT) и натягивают её на локальный рынок. В результате — портфели, не учитывающие поведение инвестора, частые срывы ребалансировки из-за транзакционных издержек и полное отсутствие объяснимости для регулятора. Мы это исправили.

Почему AI-робо-адвайзеры выгоднее традиционных управляющих?

Традиционное управление стоит 1–2% от AuM в год, а робо-адвайзер — 0.25–0.50%. При этом ML-модели улавливают паттерны, которые человек пропускает: например, корреляцию между геополитическими событиями и волатильностью отдельных секторов. В одном из кейсов мы подняли доходность на 2.1% годовых при том же уровне риска за счёт динамической ребалансировки на основе Reinforcement Learning. Для портфеля $10 млн это даёт дополнительно $210 000 в год. А для клиента — понятные объяснения на естественном языке: "Ваш портфель увеличил долю облигаций, потому что ваш инвестиционный горизонт сократился до 3 лет".

Какие проблемы решает ML-профилирование?

Профилирование без ML — гадание на кофейной гуще. Традиционные анкеты из 5 вопросов дают среднестатистический профиль, который не отражает реальное поведение инвестора в кризис. Мы используем LLM (Claude 3.5 Sonnet), которая анализирует не только ответы, но и тональность, противоречия, и генерирует персонализированное описание профиля. Это даёт +30% к соответствию риск-профиля реальным действиям.

Ручная ребалансировка — убытки и ошибки. Когда портфель откланяется от цели на 5%, человек часто медлит или действует эмоционально. Наш RebalancingEngine автоматически проверяет порог и генерирует ордера с учётом минимальной суммы сделки и транзакционных издержек. В одном проекте это сократило издержки на 0.15% годовых — для портфеля $1 млн экономия составила $2 500 в год.

Отсутствие explainability для регулятора. В РФ ЦБ требует показывать клиенту, почему рекомендован именно такой портфель. Мы встраиваем генерацию объяснений через LLM: модуль _explain_profile() формирует 2–3 предложения на простом языке, которые можно показать в интерфейсе или отправить в отчёт.

Как мы строим AI-робо-адвайзер: стек и процесс

Шаг 1: Профилирование инвестора с LLM

Мы используем Anthropic Claude 3.5 Sonnet для анализа анкеты. Каждый вопрос имеет вес — например, возраст: чем моложе инвестор, тем выше допустимая доля акций. Результат — не просто цифра, а объяснение: почему этот профиль подходит именно этому клиенту.

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: Оптимизация портфеля (Markowitz + ML-прогноз)

Вместо исторических ожиданий мы используем предсказания доходностей от Gradient Boosting и корректируем ковариационную матрицу через shrinkage. Оптимизация решает задачу максимизации Sharpe ratio с боксовыми ограничениями (2–40% на одну бумагу). Результат — эффективная граница, по которой мы выбираем портфель под профиль клиента.

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: Мониторинг и ребалансировка

Дрейф портфеля отслеживается в реальном времени. Если отклонение от целевого веса превышает 5%, запускается генерация ордеров: BUY для недооценённых бумаг, SELL для переоценённых. Все ордера проверяются на минимальный объём сделки, чтобы избежать дробных лотов.

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

Что входит в работу?

Какие этапы разработки включает проект?

Для наглядности приведём план с примерными временными рамками:

Сроки и стоимость

Сроки зависят от сложности интеграций: MVP за 3–4 месяца, полноценная платформа — от 8 до 12 месяцев. Стоимость рассчитывается индивидуально — получите консультацию для оценки вашего проекта. Мы работаем с FinTech-стартапами и банками, имеем 10+ лет опыта в ML и 50+ реализованных проектов в области автоматизации инвестиций. Закажите разработку робо-адвайзера под ключ — адаптируем решение под вашу брокерскую инфраструктуру.

Типичные ошибки при внедрении робо-адвайзеров

• Использование только исторических данных без учёта режимных переключений (регуляторные изменения, кризисы). Мы добавляем stress-тесты по сценариям.
• Игнорирование минимальных сумм сделок — приводит к отклонениям портфеля. Наш engine блокирует мелкие ордера.
• Отсутствие понятного объяснения для клиента — нарушение требований ЦБ. LLM-генерация объяснений решает это.

Гарантируем — ваш робо-адвайзер будет соответствовать регуляторным стандартам и обеспечит доходность на 1.5–2.5% выше, чем наивная ребалансировка. Оценим ваш проект свяжитесь с нами для консультации.