### Обзор золотодобывающего сектора: текущее состояние

RocketCapital Идея алгоритмической стратегии с элементами искусственного интеллекта интересная и перспективная. Видно, что вы проделали большую работу по сбору и обработке данных. Однако текущее поведение портфеля показывает, что система нуждается в серьёзной доработке. 1. Отсутствие диверсификации внутри российского рынка. Почти все бумаги из одной категории — средняя капитализация, технологический или циклический сектор. В портфеле нет устойчивых компаний из сырьевого, энергетического и финансового сегментов, которые могли бы компенсировать просадки. 2. Недостаточная фильтрация по качеству эмитентов. Алгоритм не отсеивает компании с волатильной прибылью, высоким долгом и низкой ликвидностью. Поэтому в портфель попадают бумаги, которые могут сильно просесть даже без фундаментальных новостей. 3. Нет адаптации под фазу рынка. Когда рынок снижается или уходит в боковик, стратегия не корректирует веса и не переходит в защитные сектора. В результате портфель «зависает» и теряет в стоимости, не имея дивидендной поддержки. 4. Отсутствие системы риск-контроля. Нет ограничений по доле бумаги, сектору и допустимой просадке. Даже простое распределение 10% на одну позицию и лимит 30% на сектор улучшили бы результат и снизили волатильность. 5. Недостаточное тестирование гипотез. Видно, что стратегия не проходила полноценную проверку на исторических данных (backtest). Алгоритм скорее «угадывает», чем статистически подтверждает закономерности. Что стоит доработать Добавить в выборку дивидендные и стабильные бумаги: энергетика, телеком, крупные экспортеры (Лукойл, Татнефть, Сургут, Россети, МТС, Новатэк и др.). Ввести простые фильтры качества — рентабельность, долговая нагрузка, положительный денежный поток. Раз в неделю проводить автоматическую ребалансировку с учётом тренда (например, держать только те акции, что выше 200-дневной средней). Ограничить вес одной бумаги не более 10%, сектора — до 30%, добавить небольшой денежный буфер. Провести проверку на исторических данных, чтобы подтвердить устойчивость алгоритма хотя бы за 3–5 лет разных рыночных фаз. Главная мысль: Стратегия интересная по замыслу, но пока выглядит как исследовательский прототип. Без адаптации под рыночные режимы, проверки гипотез и риск-менеджмента она не сможет показывать стабильный результат. Потенциал есть, но нужна системная работа над качеством фильтров и управлением риском.

RocketCapital Очень интересная и концептуально зрелая идея RocketCapital — формализовать инвестиционные гипотезы в виде обучающейся модели. К сожалению, до настоящего времени стратегия не дала положительного результата. Но я понимаю, почему проект сейчас не даёт положительной доходности: архитектура в целом сильная, но стратегия пока методологически “сырая”, особенно в части валидации и адаптации к рыночной реальности. Ниже я написал системный разбор и позволил себе предложить автору некоторые рекомендации по усилению. 1. Ключевые слабые места стратегии 1.1. Недостаточная проверка гипотез (backtesting и out-of-sample тесты) Автор декларирует проверку на исторических данных, но не ясно: проводилось ли разделение на train/test/validation; использовались ли скользящие окна (rolling windows); учтён ли эффект «look-ahead bias» (заглядывание в будущее). Без этого модель может идеально подгоняться под прошлые данные и полностью «плыть» на новых. Решение: использовать walk-forward optimization (пошаговую проверку на скользящих периодах); оценивать стабильность факторов на разных временных окнах (год, квартал, кризисные периоды); применять метрики Sharpe, Sortino, Max Drawdown, Information Ratio, а не просто доходность. 1.2. Неопределённость в структуре модели Автор говорит о «гибкой архитектуре», но не указывает, какие именно алгоритмы применяются: линейные модели (высокая интерпретируемость, слабая нелинейность), деревья/ансамбли (XGBoost, CatBoost — хорошо работают для табличных данных), нейросети (сильные, но плохо объяснимые). !!! Без чёткой гипотезы о форме зависимости (линейная/нелинейная) невозможно построить устойчивую систему. Решение: начать с ансамблей деревьев (CatBoost, LightGBM) с интерпретацией через SHAP или Permutation Importance; выделить несколько «сегментов рынка» (капитализация, сектор, регион) и строить модели внутри сегментов, а не общую. 1.3. Отсутствие фактора времени и адаптации Даже идеальная модель без «временной памяти» быстро деградирует. Финансовые рынки обладают эффектом regime shift — корреляции и причинно-следственные связи постоянно меняются. Решение: добавить онлайн-переобучение или периодическую перекалибровку (например, каждые 30–60 дней); внедрить мониторинг метрик (drift detection): PSI, KS, population stability index; реализовать систему триггеров «модель устарела → переобучить». 1.4. Недооценка поведенческих и внешних факторов Только финансовые метрики не объясняют всё: политика ЦБ, новости, санкции, инсайдерская активность и т.д. Решение: добавить альтернативные данные (новостные индексы, поисковые тренды, индексы страха, ESG-оценки); использовать embedding-модели для новостных потоков (FinBERT, GPT-финансовый fine-tune). 2. Концептуальные улучшения для устойчивой доходности 2.1. Многофакторная модель влияния (вариант: Bayesian Structural Time Series) Позволяет оценить вклад каждого показателя (маржа, долг, капзатраты) в прогноз капитализации. 2.2. Ensemble of Models: Комбинация: - фундаментальная модель (долгосрочный потенциал), - техническая модель (вход/выход), - риск-менеджмент (stop-loss/volatility filter). 2.3. Meta-Learner (Stacking): Обучить метамодель, которая на основе результатов отдельных моделей выбирает оптимальную комбинацию сигналов. 2.4. Explainability Layer: Добавить визуализацию вклада факторов (через SHAP/Feature importance), чтобы повышать доверие и корректировать гипотезы. 3. Итог Идея абсолютно правильная — переход от интуиции к алгоритму. Но пока это не стратегия, а научно-исследовательский прототип. Он даёт сигналы, но не управляет капиталом. Для выхода «в плюс» нужно: 1. Ввести строгую процедуру тестирования и адаптации (rolling backtest + drift detection). 2. Обеспечить интерпретируемость факторов (SHAP/Permutation). 3. Добавить риск-менеджмент и фильтры волатильности. 4. Перейти к pipeline-архитектуре MLOps, как на схеме в вашем примере. #ии_анализ #прояви_себя_в_пульсе #пульс

💬 Искусственный интеллект, стратегия и человеческая ответственность Сегодня у меня состоялся интересный диалог с автором одной известной инвестиционной стратегии. Вместо обсуждения структуры портфеля и управления рисками автор неожиданно сосредоточился на… пунктуации моих сообщений. Он подсчитал дефисы, анализировал стиль и попытался определить, не пишет ли за меня искусственный интеллект. Это, признаюсь, вызвало у меня не раздражение, а профессиональный интерес. Потому что речь ведь не о запятых — а о качестве мышления и ответственности за результат. Когда речь идёт о деньгах инвесторов, важно не кто печатает текст — человек или алгоритм, а насколько логично, точно и честно объясняются цифры и решения. Если искусственный интеллект способен структурнее описать риски и просадку, чем автор стратегии с тысячами подписчиков, — это не угроза, а зеркало нашей профессиональной среды. Не технология обесценивает человека, а человеческая неготовность отвечать за последствия своих решений. Лично я вижу в этом не конфликт, а показатель времени: мы живём в эпоху, где цифры стали честнее слов, а ответственность важнее харизмы. Интеллект — будь он естественным или искусственным — измеряется не орфографией, а логикой, прозрачностью и способностью признавать ошибки. 📌 Когда человек доверяет свои деньги стратегии, он ожидает не литературных пассажей, а управленческих решений, ведущих к прибыли. Риторика может быть безупречной, стиль — безукоризненным, но капитал не растёт от грамматики. Инвестор покупает не текст — он покупает способность автора (как профессионального инвестора с многолетним стажем) нести ответственность за динамику средств, а не за пунктуацию. Желаю всем здоровья и процветания. #полет_вверх , #искуственный_интеллект , #профессионализм