Для прогноза купонной доходности и дюрации ключевой фактор — длина доступного ряда. На российском долговом рынке трансформеры часто переобучаются из‑за низкой ликвидности, а LSTM показывают стабильность на историях от 3 до 5 лет. Ниже — разбор на реальных тикерах ОФЗ и промпты для проверки.
Для корзины ОФЗ и высоколиквидных корпоратов (Лукойл, Газпром) LSTM с двумя слоями и Dropout даёт среднюю ошибку MAE в диапазоне 3–8 б.п. Трансформеры с механизмом внимания выигрывают на объёмах > 1000 записей, но на российских данных такие ряды редки из‑за малого числа торговых дней и частых реструктуризаций. GRU — золотая середина: быстрее LSTM, но чуть хуже по точности.
Прямой промпт: «Рассчитай модифицированную дюрацию для ОФЗ 26238 на основе алгоритма LSTM с окном в 60 дней. Используй цены закрытия с MOEX за последние 3 года. Ограничь прогноз на 10 дней и укажи доверительный интервал 90%». Для Claude можно добавить просьбу объяснить логику — это улучшает интерпретацию. Ни одна из моделей не выполняет расчёты сама: вы даёте ей CSV с признаками, а она генерирует код на Python.
Минимальный набор: дневные цены закрытия, объём торгов, дата купонной выплаты, номинал, дата погашения. Из внешних — ключевая ставка ЦБ, индекс RGBI. Для российского рынка критично добавить флаги «дисконт к номиналу» при санкционных рисках. Все признаки должны быть без пропусков — пропуски заполняются forward‑fill, иначе нейросеть выдаёт сдвиг.
Налог на купонный доход и прирост стоимости — это внешний слой после расчёта модели. Промпт: «Рассчитай чистую доходность к погашению с учётом налога 13% для облигации с купоном 10% годовых. Используй LSTM‑прогноз цены на дату оферты». В самом ИИ налоговый вычет не вшит — подаёте готовый блок кода на Python с функциями calc_nkd и tax_adjust.
Дюрация (модифицированная) — чувствительность цены к изменению доходности на 1%. Прогнозируя дюрацию, модель оценивает риск портфеля при скачках ставки ЦБ. Прямой промпт: «Обучи GRU на панельных данных 20 выпусков ОФЗ. Цель — спрогнозировать модифицированную дюрацию через 30 дней. Используй лаги цены, объёма и ключевой ставки». На российском рынке ошибка в дюрации на 0,2 года может менять взвешенную доходность на 0,5%.
Главная — подача номинальной цены без учёта НКД. Нейросеть учит корреляцию «низкая цена → высокая доходность», а реальный кэшфлоу искажается. Вторая — игнорирование событийной природы: оферт, погашений, досрочных выкупов. Добавляйте бинарные фичи «ближе 30 дней до оферты». Третья — переобучение при снятии данных по одному выпуску: используйте кросс‑валидацию по разным эмитентам.
Да, как обёртку для генерации кода. ChatGPT или Claude пишут скрипт на Python с LSTM, но сами по себе не хранят рыночные данные — вы передаёте CSV. Никогда не вводите тикеры с просьбой «посчитать доходность» — модель может ошибиться в расчётах НКД.
| Архитектура | MAE прогноза доходности (б.п.) | Время обучения (сек, 100 эпох) |
|---|---|---|
| LSTM (2 слоя, 64 нейрона, Dropout 0,2) | 3–7 | 120–180 |
| GRU (1 слой, 128 нейронов) | 4–9 | 90–130 |
| Трансформер (4 головы внимания, 2 энкодера) | 5–12 | 300–500 |
| Гибрид (LSTM + Attention) | 3–6 | 200–280 |
| Критерий | LSTM | Трансформер |
|---|---|---|
| Точность на коротких рядах (< 500 точек) | Стабильна, переобучения нет | Падает, требует > 1000 точек |
| Устойчивость к шуму (пропуски, выбросы) | Высокая за счёт скрытого состояния | Низкая: шум в ряде внимания искажает паттерн |
| Скорость обучения | Средняя (120–180 сек) | Низкая (300–500 сек) на CPU |
| Интерпретируемость | Веса входных лагов понятны | Механизм внимания сложно связать с факторами |
| Требования к данным | Минимум 3 года дневных записей | Нужны 5+ лет и несколько эмитентов |
Загрузите дневные котировки выпусков ОФЗ (тикеры SU26238, SU26248) через API Мосбиржи. Используйте библиотеку `moex_python`. Сохраните CSV с колонками: date, close, volume, coupon_date, maturity. Минимум 3 года.
Рассчитайте доходность к погашению (YTM) по формуле с учётом НКД. Добавьте лаги цены за 5, 10, 20 дней и скользящие средние. Нормализуйте MinMax‑Scaler в [0,1]. Разделите выборку на train (80%) и test (20%) по времени — без перемешивания.
Начните с LSTM: 2 слоя по 64 нейрона, Dropout 0,2, оптимизатор Adam со скоростью 0,001. Для трансформера — 4 головы, d_model 64, позиционное кодирование. Валидация — кросс‑валидация по годам (no‑look‑forward).
Обучите модель на 150 эпохах с early stopping (терпимость 10 эпох). На тестовой выборке считайте MAE и RMSE для YTM и дюрации. Сравните с бэйзлайном (ARIMA). Если MAE > 10 б.п. — увеличьте количество лагов или добавьте фичу ключевой ставки.
Постройте график прогноз vs факт. Отметьте точки с высокой ошибкой — часто это периоды резкого снижения ставки ЦБ. При отклонении прогноза от текущей YTM более 15 б.п. с вероятностью 60–70% стоит смещать дюрацию портфеля. Не доверяйте моделям, не пересчитанным на свежих данных.
Да, как обёртку для генерации кода. ChatGPT или Claude пишут скрипт на Python с LSTM, но сами по себе не хранят рыночные данные — вы передаёте CSV. Никогда не вводите тикеры с просьбой «посчитать доходность» — модель может ошибиться в расчётах НКД.
Claude с режимом аналитика: загрузите csv с ценами, попросите построить LSTM‑прогноз на 10 дней и выдать таблицу с доверительными интервалами. Для запуска потребуется Python локально — Claude даёт готовый код, который вы копируете в Google Colab.
Для LSTM 2 слоя × 64 нейрона на 1000 строк хватит CPU (расчёт за 2–3 минуты). Трансформер с 4 головами и 100 эпохами потребует GPU — используйте Google Colab бесплатно. Если ставите задачу на 50 выпусков — GPU обязателен.
Минимум раз в месяц после выхода данных по новой ставке ЦБ. Для корпоративных облигаций — после каждого публичного рейтингового действия. Если модель не обновлять, ошибка прогноза может вырасти в 2–3 раза за квартал.
Добавьте пост‑обработку: после расчёта YTM моделью примените функцию `ytm_after_tax = ytm * (1 - 0.13)` для купонного дохода и `price_change * (1 - 0.13)` для прироста. В промпт включайте: «используй ставку налога 13% для физических лиц РФ».
Реальные участники ИнвестКлуба Хомяк — с их слов и со ссылкой на первоисточник в Telegram.
Точка входазашла пробно на 1 месяц после рекламы
Что изменилосьосталась на 1,5 года — структурированные знания, прямые эфиры с экспертами, освоила ИИ-инструменты
«Когда-то я зашла пробно, на 1 месяц. Прошло 1,5 года, а я по-прежнему там. Один только искусственный интеллект чего стоит.»история в Telegram →
Точка входавозрастной скепсис, долго не решался зайти в закрытый клуб
Что изменилосьгора структурированных материалов, отзывчивое сообщество, которое помогает и подсказывает
«Возрастной скепсис мешал зайти — думал, всё как обычно. Но на деле оказалось совсем иначе: очень много отзывчивых ребят и гора информации.»история в Telegram →
«В Хомяке уже полтора года… кайфовое, живое сообщество. Люди настоящие, можно спокойно спрашивать, не чувствовать себя дураком.»
«Зашла пробно на 1 месяц. Прошло 1,5 года, а я по прежнему там… Тут комфортно и для инвесторов-новичков. Вся информация отлично структурирована.»
Ещё реальные отзывы участников — t.me/traderreviews
