🇷🇺 Russian Investment Analysis Pipeline

Продвинутый инструмент для комплексного анализа российских инвестиционных портфелей с применением современных математических моделей и методов количественной финансовой инженерии.

🚀 Возможности

📊 Комплексный анализ портфелей

✅ Анализ российских акций, драгметаллов и криптовалют
✅ Расчет ключевых метрик риска и доходности
✅ Визуализация результатов в высоком качестве (300 DPI)
✅ Поддержка множественных портфелей

🧮 Математические модели

✅ Геометрическое броуновское движение для моделирования цен активов
✅ Портфельная теория Марковица для оптимизации
✅ VaR/CVaR для оценки рисков
✅ Корреляционный анализ для диверсификации
✅ Логнормальные прогнозы с доверительными интервалами
✅ Теория игр для стратегического анализа

📈 Визуализация и отчетность

✅ Графики производительности и просадок
✅ Диаграммы риск-доходность
✅ Тепловые карты корреляций
✅ Веерные диаграммы прогнозов
✅ JSON-отчеты с детальными метриками

🎯 Быстрый старт

Установка

# Клонирование репозитория
git clone https://github.com/your-username/investment-pipeline.git
cd investment-pipeline

# Установка зависимостей
pip install -r requirements.txt

# Или через Poetry
poetry install

Создание тестовых портфелей

python investment_pipeline.py --create-samples

Запуск анализа

# Анализ одного портфеля
python investment_pipeline.py my_portfolio.json

# Анализ нескольких портфелей
python investment_pipeline.py conservative_ru.json balanced_ru.json aggressive_ru.json

📋 Формат входных данных

JSON-структура портфеля

{
    "name": "Консервативный российский портфель",
    "assets": {
        "SBER": 0.25,    // Сбербанк
        "LKOH": 0.20,    // ЛУКОЙЛ
        "NVTK": 0.15,    // Новатэк
        "GLDRUB": 0.20,  // Золото в рублях
        "SLVRUB": 0.10,  // Серебро в рублях
        "MTSS": 0.10     // МТС
    }
}

Поддерживаемые активы

📈 Российские акции

Голубые фишки: SBER, LKOH, NVTK, ROSN, GAZP, PLZL, GMKN, CHMF, MTSS, SNGS
Второй эшелон: FIVE, OZON, YNDX, MGNT, TATN, NLMK, MAGN, ALRS, PHOR, RTKM
Технологии: AFLT, POLY, MOEX, TCSG, PIKK, FIXP, YNDX
Энергетика: HYDR, FEES, UPRO, IRAO, MSNG
Банки: CBOM, BSPB, SBERP
Другие: TRNFP, LSRG, DSKY, RUAL, VSMO, AKRN, UWGN, FLOT, SMLT, ETLN, LNTA, DIXY, APTK, LIFE, MDMG, SELG, POGR, KROT, KRKO

🥇 Драгметаллы в рублях

GLDRUB (Золото)
SLVRUB (Серебро)
PLTRUB (Платина)
PLDRUB (Палладий)

₿ Криптовалюты в рублях

BTCRUB (Bitcoin)
ETHRUB (Ethereum)
ADDRUB (Cardano)
BNBRUB (Binance Coin)
XRPRUB (Ripple)
DOTRUB (Polkadot)
MATRUB (Polygon)
SOLRUB (Solana)

🧮 Математические модели и методы

1. Геометрическое броуновское движение (Geometric Brownian Motion)

Применение: Моделирование цен активов при отсутствии реальных данных

Математическая модель:

dS = μSdt + σSdW

где:

S - цена актива
μ - дрифт (средняя доходность)
σ - волатильность
W - винеровский процесс

Реализация:

# Формула с поправкой Ито: dln(S) = (μ - 0.5σ²)dt + σdW
price_changes = (drift - 0.5 * volatility**2) * dt + volatility * np.sqrt(dt) * random_shocks
log_prices = np.log(start_price) + np.cumsum(price_changes)
prices = np.exp(log_prices)

2. Портфельная теория Марковица (Modern Portfolio Theory)

Применение: Оптимизация соотношения риск-доходность

Ключевые формулы:

Взвешенная доходность портфеля:

R_p = Σ(w_i * R_i)

Годовая доходность:

μ_annual = μ_daily × 252

Годовая волатильность:

σ_annual = σ_daily × √252

Коэффициент Шарпа:

SR = (R_p - R_f) / σ_p

3. Модели риска (Risk Models)

Value at Risk (VaR)

Определение: Максимальный ожидаемый убыток с заданной вероятностью

Формула:

VaR_α = F^(-1)(α)

где F^(-1) - обратная функция распределения доходностей

Conditional Value at Risk (CVaR)

Определение: Ожидаемый убыток при условии превышения VaR

Формула:

CVaR_α = E[R | R ≤ VaR_α]

Максимальная просадка (Maximum Drawdown)

Определение: Максимальное падение стоимости портфеля от пика

Формулы:

C(t) = Π(1 + R_i)                    # Кумулятивная доходность
M(t) = max{C(s) : s ≤ t}             # Бегущий максимум
DD(t) = (C(t) - M(t)) / M(t)         # Просадка
maxDD = min{DD(t)}                    # Максимальная просадка

4. Корреляционный анализ (Correlation Analysis)

Применение: Анализ взаимосвязей между активами

Пирсоновская корреляция:

ρ = Cov(X,Y) / (σ_X × σ_Y)

5. Логнормальная модель прогнозирования (Lognormal Forecasting Model)

Применение: Построение доверительных интервалов для прогнозов

Формула:

S(t) = S(0) × exp((μ - 0.5σ²)t + σ√t × Z)

где Z ~ N(0,1) - стандартная нормальная случайная величина

6. Теория игр (Game Theory)

Применение: Анализ стратегического взаимодействия портфелей

Компоненты:

Матрица выплат: U = Return - penalty × Risk
Функции лучшего ответа: BR_i(s_j) = argmax U_i(s_i, s_j)
Смешанные стратегии: E[U] = Σ p_i × p_j × U(i,j)

7. Кластеризация волатильности (Volatility Clustering)

Применение: Моделирование GARCH-эффектов для криптовалют

Модель:

σ(t) = σ_base × ε(t)

где ε(t) ~ N(1, 0.1) - случайные шоки волатильности

📊 Выходные файлы

После выполнения анализа создаются следующие файлы в папке output/:

📈 Графики

performance_analysis.png - Кумулятивная доходность и просадки
risk_return_analysis.png - Диаграмма риск-доходность
correlation_heatmap.png - Корреляционная матрица активов
portfolio_composition.png - Состав портфелей (круговые диаграммы)
var_analysis.png - Анализ VaR и распределения доходностей
fan_chart.png - Веерная диаграмма прогнозов
game_theory_analysis.png - Анализ теории игр

📋 Данные

analysis_results.json - Детальные результаты анализа в JSON-формате

🎨 Примеры визуализации

График производительности

Performance Analysis

Диаграмма риск-доходность

Risk-Return Analysis

Корреляционная матрица

Correlation Heatmap

🔧 Технические требования

Системные требования

Python: 3.7+
RAM: 4GB+ (для больших портфелей)
Дисковое пространство: 100MB+

Основные зависимости

numpy>=1.21.0          # Численные вычисления
pandas>=1.3.0          # Обработка данных
matplotlib>=3.5.0      # Визуализация
seaborn>=0.11.0        # Статистические графики
scipy>=1.7.0           # Научные вычисления
requests>=2.25.0       # HTTP-запросы к API

🚀 Использование в коде

Базовый пример

from investment_pipeline import RussianInvestmentPipeline

# Создание анализатора
pipeline = RussianInvestmentPipeline(output_dir="my_analysis")

# Запуск полного анализа
pipeline.run_full_analysis([
    "conservative_ru.json",
    "balanced_ru.json", 
    "aggressive_ru.json"
])

Продвинутый пример

# Создание кастомного портфеля
custom_portfolio = {
    "name": "Мой портфель",
    "assets": {
        "SBER": 0.30,
        "LKOH": 0.25,
        "GLDRUB": 0.20,
        "BTCRUB": 0.15,
        "MTSS": 0.10
    }
}

# Сохранение в файл
import json
with open("custom_portfolio.json", "w") as f:
    json.dump(custom_portfolio, f, ensure_ascii=False, indent=2)

# Анализ
pipeline = RussianInvestmentPipeline()
pipeline.run_full_analysis(["custom_portfolio.json"])

📚 Документация API

Основные классы

`RussianInvestmentPipeline`

Методы:

load_portfolios(files) - Загрузка портфелей из JSON
fetch_market_data(days=730) - Получение рыночных данных
calculate_portfolio_metrics() - Расчет метрик портфелей
create_performance_chart() - График производительности
create_risk_return_chart() - Диаграмма риск-доходность
create_correlation_heatmap() - Корреляционная матрица
create_fan_chart() - Веерная диаграмма прогнозов
create_game_theory_chart() - Анализ теории игр
run_full_analysis(files) - Полный анализ

🤝 Вклад в проект

Мы приветствуем вклад в развитие проекта! Пожалуйста, ознакомьтесь с CONTRIBUTING.md для получения подробной информации.

Как внести вклад

Fork репозитория
Создайте feature branch (git checkout -b feature/amazing-feature)
Commit изменения (git commit -m 'Add amazing feature')
Push в branch (git push origin feature/amazing-feature)
Откройте Pull Request

Области для улучшения

Добавление новых математических моделей
Интеграция с дополнительными API
Улучшение визуализации
Оптимизация производительности
Расширение документации

📄 Лицензия

Этот проект распространяется под лицензией MIT. См. файл LICENSE для получения подробной информации.

🙏 Благодарности

Мосбиржа за предоставление API для российских активов
Сообщество Python за отличные библиотеки для научных вычислений
Академическое сообщество за фундаментальные исследования в области финансовой математики

📞 Контакты

Автор: Investment Analysis System
Email: your-email@example.com
GitHub: @your-username
Telegram: @your-telegram

⭐ Поддержка проекта

Если проект оказался полезным, поставьте звездочку ⭐ на GitHub!

⚠️ Дисклеймер: Данный инструмент предназначен исключительно для образовательных и исследовательских целей. Результаты анализа не являются инвестиционными рекомендациями. Всегда проводите собственное исследование перед принятием инвестиционных решений.

🇷🇺 Russian Investment Analysis Pipeline

🚀 Возможности

📊 Комплексный анализ портфелей

🧮 Математические модели

📈 Визуализация и отчетность

🎯 Быстрый старт

Установка

Создание тестовых портфелей

Запуск анализа

📋 Формат входных данных

JSON-структура портфеля

Поддерживаемые активы

📈 Российские акции

🥇 Драгметаллы в рублях

₿ Криптовалюты в рублях

🧮 Математические модели и методы

1. Геометрическое броуновское движение (Geometric Brownian Motion)

2. Портфельная теория Марковица (Modern Portfolio Theory)

3. Модели риска (Risk Models)

Value at Risk (VaR)

Conditional Value at Risk (CVaR)

Максимальная просадка (Maximum Drawdown)

4. Корреляционный анализ (Correlation Analysis)

5. Логнормальная модель прогнозирования (Lognormal Forecasting Model)

6. Теория игр (Game Theory)

7. Кластеризация волатильности (Volatility Clustering)

📊 Выходные файлы

📈 Графики

📋 Данные

🎨 Примеры визуализации

График производительности

Диаграмма риск-доходность

Корреляционная матрица

🔧 Технические требования

Системные требования

Основные зависимости

🚀 Использование в коде

Базовый пример

Продвинутый пример

📚 Документация API

Основные классы

RussianInvestmentPipeline

🤝 Вклад в проект

Как внести вклад

Области для улучшения

📄 Лицензия

🙏 Благодарности

📞 Контакты

⭐ Поддержка проекта

Описание

Конвейеры

`RussianInvestmentPipeline`