Инвестиции в китайские REIT с помощью искусственного интеллекта: новый подход

Автор: Денис Аветисян

Исследователи разработали и протестировали многоагентную систему, управляемую большими языковыми моделями, для торговли китайскими публичными REIT, демонстрируя потенциал повышения доходности.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

Архитектура многоагентной системы торговли REIT, представленная на рисунке, демонстрирует сложную взаимосвязь между агентами, каждый из которых функционирует как автономный участник рынка, стремящийся к оптимизации портфеля, что в совокупности формирует динамичную и саморегулирующуюся торговую экосистему, где поведение каждого агента влияет на общую стабильность и эффективность системы.

Предложена и эмпирически оценена многоагентная система на основе больших языковых моделей для инвестирования в китайские публичные инвестиционные фонды недвижимости (REIT).

Несмотря на растущую популярность китайских публичных инвестиционных фондов недвижимости (REITs), эффективное использование неструктурированной информации для повышения доходности остается сложной задачей. В данной работе, посвященной разработке и эмпирическому исследованию многоагентной инвестиционной системы на основе больших языковых моделей (‘Design and Empirical Study of a Large Language Model-Based Multi-Agent Investment System for Chinese Public REITs’), предложена архитектура, включающая агентов для анализа новостей, событий, ценового импульса и рыночной динамики. Полученные результаты демонстрируют, что многоагентный подход, использующий как универсальные, так и специализированные модели, значительно превосходит стратегию удержания активов по показателям доходности, коэффициенту Шарпа и максимальной просадке. Возможно ли дальнейшее повышение эффективности подобных систем за счет усовершенствования алгоритмов обучения агентов и интеграции дополнительных источников данных?

Низкая Волатильность: Эхо Будущих Сбоев

В условиях низковолатильных рынков, таких как китайский рынок инвестиционных фондов недвижимости (REIT), традиционные стратегии торговли зачастую демонстрируют неудовлетворительные результаты. Это связано с тем, что стандартные подходы, ориентированные на значительные колебания цен, оказываются неэффективными при минимальных ценовых движениях. Рынок характеризуется ограниченным диапазоном колебаний, что требует разработки и применения более тонких, специализированных методик. Успешная торговля в подобных условиях предполагает отказ от привычных схем и внедрение адаптивных стратегий, способных извлекать прибыль даже из незначительных изменений цен и учитывать специфику рынка, где традиционные индикаторы могут давать ложные сигналы.

Рынок китайских инвестиционных фондов недвижимости (REIT) характеризуется крайне ограниченными колебаниями цен, что требует разработки специализированной аналитической модели. Традиционные стратегии, ориентированные на значительные ценовые движения, здесь оказываются неэффективными. Вместо этого, успешная торговля в подобных условиях предполагает способность извлекать прибыль из незначительных сигналов и микротрендов, которые остаются незамеченными при использовании стандартных подходов. Данная модель должна учитывать особенности формирования цен в условиях низкой волатильности и уметь фильтровать рыночный шум, выявляя даже самые слабые импульсы, способные привести к небольшому, но стабильному доходу. Особое внимание уделяется анализу объемов торгов, корреляций между различными активами и выявлению аномалий, которые могут сигнализировать о потенциальных возможностях для получения прибыли.

Успешная навигация в условиях низкой волатильности требует от инвесторов гибкой системы, способной выявлять и использовать даже незначительные колебания рынка. В отличие от традиционных стратегий, ориентированных на крупные ценовые движения, эффективный подход подразумевает акцент на микроскопических изменениях и скрытых тенденциях. Такая система должна быть способна к быстрой адаптации к меняющимся условиям, учитывать специфику каждого актива и использовать сложные алгоритмы для анализа данных. Именно способность к выявлению и капитализации даже минимальных рыночных движений становится ключевым фактором успеха в периоды затишья и низкой волатильности, позволяя извлекать прибыль из ситуаций, которые другие участники рынка могут упустить из виду.

Мультиагентная Система: Коллективный Интеллект для REIT

Предлагаемая `MultiAgentFramework` представляет собой систему, использующую коллективный интеллект специализированных агентов для повышения доходности инвестиций в REIT с учетом риска. В основе системы лежит принцип декомпозиции задачи управления портфелем на ряд подзадач, решаемых независимыми агентами, каждый из которых специализируется на определенном аспекте анализа рынка или принятия решений. Взаимодействие между агентами осуществляется посредством обмена информацией и сигналами, что позволяет системе адаптироваться к изменяющимся рыночным условиям и оптимизировать стратегию инвестирования с целью достижения максимальной доходности при заданном уровне риска. Использование мультиагентного подхода позволяет эффективно обрабатывать большие объемы данных и учитывать множество факторов, влияющих на стоимость REIT, что повышает точность прогнозов и улучшает результаты инвестирования.

В рамках разработанной системы используются специализированные агенты, каждый из которых отвечает за определенный аспект анализа рынка недвижимости (REITs). Агент PriceMomentumAgent анализирует динамику цен для выявления трендов и импульсов, что позволяет учитывать краткосрочные изменения на рынке. EventAgent отслеживает значимые события, такие как публикации финансовых отчетов, изменения в законодательстве или макроэкономические показатели, способные повлиять на стоимость активов. Агент MarketAgent осуществляет макроуровневое распределение капитала, учитывая общую экономическую ситуацию и рыночные циклы, для оптимизации портфеля REITs.

Агент прогнозирования (`PredictionAgent`) в рамках системы предназначен для формирования прогнозов динамики цен на активы REIT. Он использует исторические данные и текущие рыночные показатели для оценки вероятных изменений стоимости. Полученные прогнозы передаются агенту принятия решений (`DecisionAgent`), который преобразует их в конкретные торговые сигналы, определяющие действия по покупке или продаже активов. Эти сигналы основаны на заданных параметрах риска и доходности, а также на стратегии управления портфелем, что позволяет системе автоматически реагировать на изменяющиеся рыночные условия и оптимизировать инвестиционную стратегию.

Прогнозирование Цен: Языковые Модели на Службе Инвестора

Агент прогнозирования, PredictionAgent, использует небольшую языковую модель, Qwen38B, специально адаптированную для прогнозирования направлений изменения цен. Модель Qwen38B была подвергнута тонкой настройке (fine-tuning) с целью повышения точности предсказаний относительно восходящего или нисходящего движения цены актива. В процессе настройки использовались исторические данные о ценах, что позволило модели выявить корреляции и закономерности, необходимые для формирования прогнозов. Выходные данные модели представляют собой вероятностные оценки направлений движения цены, которые служат основой для принятия торговых решений.

Для адаптации модели к конкретным торговым целям используются методы контролируемого обучения (SupervisedFineTuning) и обучения с подкреплением (ReinforcementLearning). Контролируемое обучение предполагает использование размеченных данных о прошлых рыночных движениях для обучения модели предсказывать будущие изменения цен. Обучение с подкреплением, в свою очередь, позволяет модели учиться на собственных действиях, получая вознаграждение за прибыльные прогнозы и штрафы за убыточные, что способствует оптимизации стратегии принятия решений и максимизации прибыли.

В основе системы прогнозирования лежит предварительно обученная модель $DeepSeekR1$ , обеспечивающая надежную основу для последующей адаптации. Модель $DeepSeekR1$ прошла обучение на обширном корпусе данных, что позволило ей выявить и усвоить сложные зависимости и паттерны, присутствующие в различных типах данных. Данный процесс предварительного обучения значительно улучшает способность модели $Qwen38B$ , используемой для прогнозирования ценовых движений, к эффективному анализу и интерпретации рыночных данных, повышая точность выявления сложных взаимосвязей и прогнозирования будущих изменений.

Модель, использующая комбинацию методов обучения, формирует прогнозы движения цены, представляя их в виде вероятностных оценок. Это позволяет не просто предсказывать направление изменения цены, но и оценивать степень уверенности в этом прогнозе. Полученные вероятности служат основой для принятия обоснованных торговых решений, позволяя учитывать риски и потенциальную доходность каждой сделки. Система может, например, использовать пороги вероятности для автоматического открытия или закрытия позиций, или предоставлять трейдеру информацию для ручного принятия решения, учитывая степень уверенности модели в ее прогнозе.

Эффективность и Управление Рисками: Результаты Бэктестинга

Результаты ретроспективного тестирования демонстрируют стабильную положительную доходность разработанного `MultiAgentFramework`. В ходе симуляций, агент DeepSeek-R1 достиг кумулятивной доходности в 15.50%, а агент Qwen3-8B-FT — 13.75%. Эти показатели существенно превосходят доходность пассивной стратегии “Купи и держи” (Buy & Hold), которая составила лишь 10.69%. Полученные данные свидетельствуют о способности системы, основанной на взаимодействии множества агентов, эффективно генерировать прибыль в различных рыночных условиях, превосходя традиционные инвестиционные подходы.

Анализ результатов бэктестинга выявил значительное превосходство разработанной многоагентной системы в отношении коэффициента Шарпа. Показатели, достигающие 1.71 для агента DeepSeek-R1 и 1.77 для Qwen3-8B-FT, существенно превышают значение 0.75, характерное для пассивной стратегии «Купи и держи». Данный коэффициент, отражающий доходность с поправкой на риск, указывает на то, что система генерирует более высокую доходность при сравнимом или даже меньшем уровне риска, что свидетельствует о её эффективности в управлении инвестиционным портфелем и способности обеспечивать стабильный доход даже в периоды волатильности рынка.

Анализ максимальной просадки, ключевого показателя риска, продемонстрировал значительное преимущество разработанной многоагентной системы. В ходе тестирования, стратегия, основанная на агенте DeepSeek-R1, зафиксировала максимальную просадку в -4.09%, а Qwen3-8B-FT — в -3.46%. Эти значения существенно ниже, чем у пассивной стратегии “Купи и держи”, где максимальная просадка составила -11.12%. Данный результат указывает на повышенную устойчивость системы к неблагоприятным рыночным колебаниям и её способность более эффективно сохранять капитал в периоды спада, что делает её привлекательной для инвесторов, ориентированных на снижение рисков.

Результаты тестирования демонстрируют, что разработанная многоагентная система эффективно использует коллективный интеллект своих компонентов для формирования устойчивой и осознанной с точки зрения риска доходности. В ходе анализа исторических данных, система последовательно превосходит простую стратегию «купи и держи», не только по показателю общей доходности $\text{CumulativeReturn}$ , но и по коэффициенту Шарпа $\text{SharpeRatio}$ , что свидетельствует о более высокой доходности на единицу принятого риска. При этом, система характеризуется значительно меньшей максимальной просадкой $\text{MaximumDrawdown}$ , указывая на её повышенную устойчивость к неблагоприятным рыночным колебаниям и способность минимизировать потери в периоды спада. Таким образом, наблюдаемая эффективность подтверждает, что синергия между агентами позволяет системе адаптироваться к меняющимся условиям и генерировать стабильную прибыль, контролируя при этом уровень риска.

Сравнение общей чистой стоимости активов (NAV) по всем счетам фондов показывает различия между тремя стратегиями.

Исследование демонстрирует, что системы, основанные на взаимодействии множества агентов и больших языковых моделей, способны к адаптации и достижению лучших результатов в динамичной среде, чем статичные стратегии. Это подтверждает мысль о том, что архитектура — это способ откладывать хаос, поскольку система, способная к обучению и самокоррекции, снижает риски, связанные с непредсказуемостью рынка недвижимости. Как говорил Ральф Уолдо Эмерсон: «Всякий человек есть центр вселенной». В данном контексте, каждый агент системы — это отдельный центр принятия решений, взаимодействующий с другими, формируя коллективный разум, способный к эффективному инвестированию в китайские REITs. Порядок, достигаемый этой сложной системой, представляет собой лишь временный кеш между неизбежными колебаниями рынка.

Что дальше?

Представленная работа, подобно любому пророчеству, лишь обозначила горизонт, а не его исполнение. Система, управляемая языковыми моделями и многоагентными взаимодействиями, — это не решение, а скорее, новый способ формулировать вопросы. Улучшение показателей по сравнению с пассивной стратегией — это, конечно, обнадеживающе, но истинная проверка заключается не в краткосрочной прибыли, а в устойчивости к непредсказуемым сдвигам в реальности. Каждая оптимизация, каждая «успешная» сделка — это лишь отсрочка неизбежного столкновения с тем, что не было учтено.

Будущие исследования неизбежно столкнутся с проблемой интерпретируемости. Если система «молчит», не выдавая ясных объяснений своих действий, это не признак спокойствия, а подготовка к неожиданностям. Попытки «объяснить» решения нейронной сети — это, в лучшем случае, пост-рационализация, а в худшем — создание иллюзии контроля. Истинный прогресс заключается не в том, чтобы заставить систему говорить, а в том, чтобы научиться слушать её молчание.

В конечном итоге, эта работа напоминает о том, что финансовые системы — это не механизмы, а экосистемы. Их нельзя сконструировать, можно лишь взращивать. Каждый архитектурный выбор — это пророчество о будущей поломке. И отладка никогда не закончится — мы просто перестанем смотреть.

Оригинал статьи: https://arxiv.org/pdf/2602.00082.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-02-03 10:35