Персональные финансы: как знания помогают принимать верные решения

Автор: Денис Аветисян

Новый подход к рекомендациям финансовых активов объединяет персональные данные и рыночную информацию, чтобы повысить качество советов.

"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

Исследование демонстрирует, что модификация стратегии FLARKO путём интеграции извлечения информации (RAG) и параллельного извлечения информации значительно улучшает согласованность предпочтений (Pref@3) и прибыльность (Prof@3), при этом показатель Comb@3, отражающий частоту рекомендаций одновременно прибыльных и соответствующих поведению активов, служит количественной оценкой эффективности данной оптимизации, а стандартная ошибка пропорций указывает на статистическую значимость полученных результатов.

Многоэтапный поиск знаний в графах позволяет эффективно дополнять большие языковые модели для персонализированных финансовых рекомендаций, особенно в условиях ограниченных вычислительных ресурсов.

Несмотря на многообещающий потенциал больших языковых моделей (LLM) в сфере персонализированных финансовых рекомендаций, их применение затруднено ограничениями контекста и риском генерации недостоверной информации. В данной работе, посвященной теме ‘Parallel and Multi-Stage Knowledge Graph Retrieval for Behaviorally Aligned Financial Asset Recommendations’, предложен фреймворк RAG-FLARKO, использующий многоступенчатый и параллельный поиск в графах знаний для повышения качества рекомендаций. Данный подход позволяет эффективно интегрировать информацию о поведении пользователя и рыночные данные в LLM, особенно выигрышно проявляя себя при использовании более компактных моделей. Способствует ли это созданию надежных и эффективных систем финансового AI, доступных даже в условиях ограниченных ресурсов?

За пределами Традиционных Рекомендаций: Поиск Контекста

Традиционные системы рекомендаций, несмотря на свою широкую распространенность, зачастую демонстрируют ограниченное понимание истинных предпочтений пользователя и сложных закономерностей рынка. Это приводит к тому, что предлагаемые товары или услуги могут быть нерелевантными или не учитывать текущий контекст потребностей. Вместо глубокого анализа, многие алгоритмы полагаются на упрощенные модели поведения, игнорируя такие факторы, как сезонность, тренды, социальное влияние или индивидуальные изменения в вкусах. В результате, пользователи сталкиваются с неэффективными предложениями, что снижает их удовлетворенность и доверие к системе, а также упускаются возможности для более точного и персонализированного взаимодействия. Неспособность учитывать нюансы предпочтений и динамику рынка является существенным ограничением, препятствующим развитию более интеллектуальных и эффективных рекомендательных систем.

Существующие методы рекомендательных систем часто сталкиваются с трудностями при одновременном анализе личной истории покупок пользователя и оперативных рыночных данных. Традиционные алгоритмы, как правило, фокусируются на паттернах в прошлых транзакциях, игнорируя факторы, такие как текущий спрос, сезонность или изменения в предпочтениях аудитории. Это приводит к тому, что рекомендации могут быть неактуальными или не соответствовать текущим потребностям пользователя. Более продвинутые системы стремятся интегрировать оба типа данных, но сталкиваются с вычислительными сложностями и необходимостью разработки эффективных моделей для обработки и сопоставления разнородной информации. Успешная интеграция этих данных позволит создавать более точные и персонализированные рекомендации, значительно повышая удовлетворенность пользователей и эффективность предлагаемых продуктов или услуг.

Многоступенчатое Извлечение: Формирование Контекстуальной Основы

В основе нашей системы лежит многоступенчатый процесс извлечения данных (Multi-Stage Retrieval), предназначенный для построения релевантных подграфов знаний. Этот процесс объединяет информацию из двух источников: персонального графа знаний (Personal KG), содержащего данные о транзакциях пользователя, и рыночного графа знаний (Market KG), предоставляющего актуальную рыночную информацию. Комбинирование этих данных позволяет формировать контекст, необходимый для анализа и принятия решений, путем создания подграфов, включающих как историю взаимодействия пользователя, так и текущую рыночную ситуацию. Использование графов знаний обеспечивает структурированное представление данных и эффективный поиск релевантной информации.

Персональный поиск транзакций является начальным этапом процесса, использующим язык запросов SPARQL для доступа к истории операций пользователя, хранящейся в Персональном Графе Знаний (Personal KG). Этот этап позволяет извлечь информацию о предыдущих покупках и взаимодействиях пользователя, формируя основу для дальнейшего анализа и построения релевантных подграфов. Запросы SPARQL позволяют точно определить и извлечь необходимые данные из графа знаний, учитывая структуру и взаимосвязи между различными сущностями, представляющими транзакции и связанные с ними объекты.

После извлечения данных о транзакциях пользователя, система приступает к Market Retrieval — процессу запроса к Market KG посредством языка запросов SPARQL. Этот этап предназначен для обогащения формируемого подграфа актуальными рыночными данными, в частности, информацией из поля TenWeekPriceSummary, содержащего сводку цен за последние десять недель. Полученные данные позволяют учитывать текущую рыночную конъюнктуру при дальнейшем анализе и предоставлении рекомендаций.

Многоэтапный конвейер RAG-FLARKO обеспечивает последовательное извлечение релевантной информации.

RAG-FLARKO: Расширение Рекомендаций с Помощью Знаний и Генерации

Представляем RAG-FLARKO — расширение фреймворка FLARKO, которое объединяет генерацию, дополненную поиском (Retrieval-Augmented Generation), с логическим выводом на основе структурированного графа знаний. Данный подход позволяет использовать как информацию, извлеченную из внешних источников, так и существующие связи между сущностями в графе знаний для формирования более обоснованных и релевантных рекомендаций. В основе RAG-FLARKO лежит интеграция результатов поиска подграфа знаний в контекст большой языковой модели, что обеспечивает более глубокое понимание запроса и генерацию осмысленных ответов.

В рамках системы RAG-FLARKO, извлеченный подграф знаний интегрируется в контекст больших языковых моделей Qwen3-0.6B и Qwen3-1.7B. Этот процесс позволяет модели учитывать структурированную информацию из графа знаний при генерации рекомендаций активов. Включение подграфа в контекст обеспечивает более точное и релевантное формирование ответа, поскольку модель получает доступ к дополнительным фактам и взаимосвязям между активами, что улучшает качество и обоснованность выдаваемых рекомендаций.

Для повышения эффективности вычислений, в рамках данной работы исследуются методы квантования моделей (Model Quantization). Квантование предполагает снижение разрядности весов и активаций большой языковой модели (LLM), что приводит к уменьшению потребляемой памяти и ускорению процесса инференса. В частности, рассматриваются методы, позволяющие снизить точность представления данных с 32-битной плавающей точки до 8-битной или даже ниже, без существенной потери в качестве генерируемых рекомендаций. Применение квантования позволяет сократить вычислительные затраты и требования к аппаратным ресурсам, делая LLM более доступными для развертывания в условиях ограниченной инфраструктуры.

Оценка Успеха: Метрики и Производительность

Для оценки качества рекомендаций, генерируемых системой $RAG-FLARKO$, применялся комплекс ключевых метрик. Показатель $Hits@3$ определяет долю случаев, когда релевантный элемент присутствует среди первых трех предложенных вариантов. Метрика $Pref@3$ измеряет, насколько предпочтительны предложенные рекомендации для пользователя, также оценивая первые три результата. Наконец, $Prof@3$ фокусируется на прибыльности предложений, определяя долю случаев, когда среди первых трех вариантов присутствует наиболее выгодный для пользователя. Комбинация этих метрик позволяет всесторонне оценить эффективность системы $RAG-FLARKO$ в предоставлении релевантных, предпочтительных и прибыльных рекомендаций.

Метрика $Comb@3$ представляет собой комплексный показатель, объединяющий оценку соответствия рекомендаций предпочтениям пользователя и их потенциальную прибыльность. В отличие от отдельных метрик, фокусирующихся лишь на одном аспекте, $Comb@3$ позволяет получить целостную картину эффективности системы рекомендаций. Этот показатель учитывает не только то, насколько точно система предсказывает интересы пользователя, но и то, насколько выгодными являются предложенные варианты. Использование $Comb@3$ особенно ценно при анализе систем, где важна не только релевантность, но и экономический эффект от рекомендаций, предоставляя возможность оптимизировать систему для достижения максимальной эффективности в обоих аспектах.

Результаты исследований демонстрируют существенное улучшение показателей $Comb@3$, что свидетельствует об эффективности системы $RAG-FLARKO$ в сравнении с базовыми методами. Особенно заметно превосходство наблюдается при использовании модели $Qwen3-0.6B$, где комплексная оценка, учитывающая как соответствие предпочтениям, так и прибыльность рекомендаций, значительно превосходит аналогичные показатели других систем. Данный факт подтверждает, что $RAG-FLARKO$ способна предоставлять не только релевантные, но и потенциально более выгодные рекомендации, что делает её перспективным решением для различных приложений, требующих оптимизации пользовательского опыта и экономической эффективности.

Исследование, представленное в данной работе, демонстрирует, что эффективное извлечение знаний из графов, особенно в контексте финансовых рекомендаций, требует не просто построения систем, но и понимания их динамики. Как однажды заметил Джон фон Нейманн: «В науке нет абсолютно ничего, что было бы абсолютно определено». Это особенно верно для систем рекомендаций, где даже самые тщательно спроектированные алгоритмы не могут предвидеть все возможные сценарии. Многоступенчатый подход RAG-FLARKO, фокусирующийся на адаптивном извлечении знаний, подчеркивает важность гибкости и устойчивости к неопределенности. Настоящая устойчивость начинается там, где кончается уверенность в непогрешимости модели, и данная работа является ярким тому подтверждением. Мониторинг становится не просто инструментом, а способом бояться осознанно, предвидя потенциальные точки отказа.

Что Дальше?

Представленная работа, стремясь упорядочить хаос финансовых рекомендаций, лишь демонстрирует фундаментальную истину: архитектура есть способ откладывать хаос, но не побеждать его. Система RAG-FLARKO, безусловно, улучшает качество рекомендаций, особенно для моделей, ограниченных в ресурсах. Однако, вопрос не в оптимизации извлечения знаний, а в признании неизбежности их неполноты. Знания, представленные в графах, всегда будут лишь бледным отражением сложной и непредсказуемой реальности поведения финансовых рынков и индивидуальных предпочтений.

Вместо поиска «лучших практик» — их попросту не существует, есть лишь выжившие — следует сосредоточиться на разработке систем, способных изящно обрабатывать ошибки и неопределенность. Следующий шаг — это не улучшение алгоритмов извлечения, а создание механизмов, позволяющих модели осознавать границы своей компетенции и уметь признавать собственное незнание. Порядок есть лишь кэш между двумя сбоями, и задача исследователя — увеличить время жизни этого кэша, а не верить в его вечность.

Будущие работы должны исследовать не только способы улучшения извлечения знаний, но и методы оценки надежности этих знаний, а также способы адаптации модели к меняющимся условиям и новым данным. Попытки создать идеальную систему рекомендаций обречены на провал. Гораздо перспективнее — создание системы, способной учиться на своих ошибках и эволюционировать вместе с рынком.

Оригинал статьи: https://arxiv.org/pdf/2511.11583.pdf

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

Смотрите также:

2025-11-18 13:49