LLM-помощник для ребалансировки инвестиционного портфеля

Войти

Появилась идея реализовать небольшого помощника на основе современных LLM (Large Language Models) — таких как ChatGPT, DeepSeek, Qwen, Grok, Llama. У нас есть инвестиционный портфель с определенной балансировкой. Например, классическое распределение активов может выглядеть так: 50% — акции 30% — облигации (государственные и корпоративные) 10% — золото и сырьевые товары 10% — кэш Раз в месяц мы хотим проводить ребалансировку портфеля, основываясь на внешних данных и наших инвестиционных стратегиях. Для подбора оптимальной стратегии необходимо анализировать различные данные. Одним из ключевых источников являются новости. В чем проблема анализа новостных данных? Базово — это задача NLP (Natural Language Processing — обработка естественного языка). Это сложная область, и как правило для решения задач в ней нужны хорошо подготовленные данные и правильная модель. Имел опыт работы с таким фреймворком как spacy задача заключалась к анализу на стоп слова в тексте🧐. В общем чем больше контекст тем тяжелее решить задачу. Потому для моей задачи будет проще и быстрее использовать LLM (к тому же у нас не прод решение😅). Итого: нужно проанализировать экономические новости и на их основе принять решение — стоит ли что то менять в нашем портфеле. Техническая реализация: В качестве источников данных будем использовать экономические новостные ресурсы (например, телеграм-каналы) После минимальной предобработки текста будем передавать его в LLM с подготовленным промптом, например такого: text Проанализируй следующие новости и дай рекомендации по ребалансировке портфеля: НОВОСТИ: [текст новостей] ПОРТФЕЛЬ: [структура портфеля] КРИТЕРИИ: - Оцени риски для каждой позиции - Предложи изменения в распределении активов - Обоснуй рекомендации ссылками на новости На выходе получаем готовую рекомендацию по управлению портфелем🙂.

Регрессия и короткий горизонт. Сегодня проверяю метод наименьших квадратов (МНК) в регрессионном анализе. В прошлом посте я использовал его для расчёта Beta. Сейчас попробовал построить на основе того же метода предсказание поведения цены акции. В текущем варианте за основу были взяты три периода с разными длинами (лагами): от 1 до 3 дней. Период обучения модели — с января по сентябрь 2025 года. Тестовый период — с октября по декабрь. Вот какие результаты получились, стратегия «купи и держи» vs. МНК: OZPH +6.17% vs +24.2% 🟢 T +7.46% vs +19.47% 🟢 OZON +9.29% vs -6.58% 🔴 SBER +4.71% vs +1.23% 🔴 YDEX +18.78% vs +3.65% 🔴 Выводы: 1. Всё же МНК в таком формате пытается предсказать значение (величину доходности), а для торговли нам важнее направление (движение вверх или вниз). 2. Модель нестабильна: в некоторых случаях стратегия даёт значительный прирост, а в некоторых уходит в минус относительно рынка. 3. Результат сильно зависит от количества лагов (параметров), что подтверждает чувствительность модели к входным данным. 4. В расчётах я не учитывал комиссию брокера, но при реальной торговле частая смена позиций может «съесть» значительную часть прибыли. Не является индивидуальной инвестиционной рекомендацией. #технологии #python #программирование #машинное_обучение

Сравнение Beta: где мой расчет отличается от брокера. Рассчитал коэффициент Beta для нескольких интересующих меня акций и сравнил свои цифры с данными, которые публикует брокер. Вот что получилось: PLZL SBER YDEX - Тут всё совпало идеально. Поведение этих акций стабильно во времени. OZON Стал более чувствителен по отношению к индексу (моя Beta выше, чем у брокера). VSMO OZPH Тут разница отрицательная (моя Beta ниже), значит, активы стали более защитными относительно индекса IMOEX. T LKOH SFIN Небольшие изменения, в пределах статистической погрешности. В чём может быть причина такой разницы? Я вижу три основных фактора: 1) Тип цены. Я брал цену закрытия по дням. Брокер, возможно, использует немного другую цену (например, среднюю цену за сессию или ещё что то). 2) Разные периоды окна для расчёта. У меня данные только за последний год, у брокера это может быть, средняя Beta за 3 или 5 лет. 3) Методология расчёта. Возможно, брокер использует более сложную модель, например сглаживает выбросы или ещё как то предварительно валидирует данные. P.S. Так и не смог разобраться, как вытащить готовую Beta через API. Пришлось вручную копировать из веб-версии.😭 Не является индивидуальной инвестиционной рекомендацией. #технологии #python #программирование

Расчёт коэффициента Beta YDEX Начал погружаться в методы прогнозирования стоимости. Один из базовых инструментов для таких задач - метод наименьших квадратов (МН) из регрессионного анализа (область машинного обучения). На удивление я сразу нашёл практическое применение этого метода. Это расчёт Beta, эта цифра находится в раздел "Все показатели" у акций Т-брокера. Я решил попробовать рассчитаться его самостоятельно и заодно разобраться как работает метод. Что я делал: 1 Сбор данных. В описание указано "Волатильность акции к индексу IMOEX". Значит, нам нужны исторические данные акции и индекса. Я выгрузил их через API биржи за период в 1 год. 2 Подготовка данных. Рассчитал логарифмическую доходность (постепенно привыкаю к этому формату) для акции и индекса. 3 Расчёт Beta. Это самое интересное. В библиотеке numpy уже есть готовый и оптимизированный метод — np.linalg.lstsq (от англ. least squares). Всё, что нужно — это передать туда доходности. На выходе получаем коэффициенты Beta и Alpha (есть и другие технические значения, но сейчас они не в приоритете). 5 Визуализация. Построил график: красная линия на скрине — это и есть линия регрессии. Она показывает наиболее вероятную зависимость доходности акции от движения индекса. Любая прямая определяется простой функцией: y = b*x +a (да да, опять математика нам помогает🥸) , где b и есть та самая Beta. - если Beta > 1, акция более волатильна, чем рынок. При движении индекса вверх она может дать большую доходность, но при падении — принесет более существенный убыток. - если Beta < 1, то акция считается «защитной». Движение индекса влияет на неё слабее: она меньше падает в кризис, но и растет спокойнее рынка. У меня получилась Beta = 0.693, в то время как у брокера она указана как 0.7. В целом попал. На днях сделаю расчёт для других бумаг для сравнения. Не является индивидуальной инвестиционной рекомендацией. #программирование #python #технологии