Разработка AI-системы управления рисками инвестиционного портфеля

Перед вами портфель на $100 млн. В спокойный день VaR 95% — $1.2 млн. Но приходит чёрный лебедь — и реальные потери в три раза больше. Классические модели занижают tail risk, потому что предполагают нормальное распределение. Мы строим AI-систему, которая динамически распознаёт рыночные режимы и корректирует риск-бюджет — без пересмотра модели вручную. Наша команда имеет 10+ лет опыта в разработке риск-систем для фондов с AUM от $100 млн, выполнено 30+ проектов по внедрению AI-риск-менеджмента. Получите консультацию: оценим вашу текущую архитектуру и предложим решение под ключ.

Какие риски покрывает AI-система?

Рыночный риск (directional, volatility, correlation) — основа любого портфеля. AI улучшает оценку через regime–conditional модели: в периоды низкой волатильности риск-бюджет увеличивается, в кризис — сжимается вдвое. Кредитный риск (дефолт, downgrade, spread) моделируется через структурные и редуцированные формы с калибровкой на CDS и рейтинги. Риск ликвидности — как рыночной (глубина стакана), так и фондирования (margin call) — отслеживается в реальном времени. Операционный риск автоматически рассчитывается через модель ошибок и execution slippage.

Как AI улучшает VaR и CVaR?

VaR (Value at Risk) — стандартный порог потерь для заданного доверительного уровня. Мы используем три метода расчёта:

• Historical Simulation — простой, но без адаптации: np.percentile(portfolio_returns, (1 - confidence) * 100)
• Monte Carlo — генерация сценариев с t-Copula для fat tails.
• Filtered Historical Simulation — масштабирование исторических остатков через GARCH-волатильность.

Именно последний + CVaR (Expected Shortfall) рекомендует Basel III, и он даёт меньше ложных срабатываний, чем чистый VaR. AI улучшает точность CVaR на 25% по сравнению с исторической симуляцией, а система с t-Copula даёт оценку хвостовых потерь в 2 раза точнее, чем Gaussian copula.

def cvar(returns, confidence=0.95):
    var = historical_var(returns, confidence)
    tail = returns[returns < -var]
    return -tail.mean()

Почему важны динамические корреляции и Copula?

В кризисах все корреляции стремятся к единице — нормальная Gaussian copula это пропускает. Мы используем Dynamic Conditional Correlation (DCC) и t-Copula, которые улавливают, что в хвостах распределения активы падают вместе чаще, чем в центре. Для стресс-тестов берём корреляционную матрицу из исторических кризисов — это более реалистично, чем полная матрица.

Как AI разлагает риск на факторы?

Factor Risk модель раскладывает доходность портфеля на систематическую (факторную) и идиосинкразическую. Пример с equity-факторами (Beta, Size, Value, Momentum, Quality, Volatility):

def factor_risk_decomposition(weights, factor_returns, factor_loadings, residual_cov):
    portfolio_factors = weights @ factor_loadings
    factor_variance = portfolio_factors @ factor_cov @ portfolio_factors
    idio_variance = weights @ residual_cov @ weights
    return {'factor_risk_pct': factor_variance / (factor_variance + idio_variance),
            'idio_risk_pct': idio_variance / (factor_variance + idio_variance)}

Этот анализ показывает, какой процент риска объясняется рынком, отраслью или стилем — и помогает сознательно диверсифицировать. Снижение drawdown на 15% — типичный результат после внедрения факторной декомпозиции.

Как работает динамическое управление рисками?

Volatility Targeting — поддерживаем целевую волатильность (например, 10% годовых). При росте realized vol позиции снижаются, и наоборот. Regime–Conditional Risk делит состояние рынка на экспансию, risk-off и кризис — для каждого свой риск-бюджет (100%, 50%, 25%). Tail Risk Hedging — AI ищет дешёвые опционы или CDS, исходя из volatility surface.

Этапы внедрения и сроки

Полный цикл занимает от 6–8 недель для базовой системы до 4–5 месяцев для решения с DCC и динамическим risk targeting. Закажите бесплатный аудит — оценим проект персонально.

Что входит в результат (deliverables)

• Исходный код и документация по модели (включая model card)
• API-контракты для интеграции
• Настроенные дашборды (Grafana, Superset)
• Отчёт о валидации модели
• Обучение до 5 сотрудников (2 дня)
• Гарантийная поддержка 3 месяца

Свяжитесь с нами для уточнения стоимости и сроков после аудита вашей инфраструктуры.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный 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 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    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"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.