AI4Finance Foundation: экосистема FinGPT, FinRL и FinRobot для алготрейдинга

На ai4finance.org фонд AI4Finance Foundation объединяет десятки open-source проектов для применения AI в финансах. Если смотреть на карту целиком, три столпа формируют каркас:

Вокруг каждого столпа — «спутники»: сборщики данных, симуляторы, специализированные среды. Ниже — разбор того, что внутри и как это использовать.

1. FinGPT — финансовые LLM через LoRA

FinGPT — это не одна модель, а пайплайн: данные → дообучение → приложения. Идея: не обучать LLM с нуля (дорого), а адаптировать существующую модель под финансовые задачи.

Зачем LoRA?

LoRA (Low-Rank Adaptation) — ключевая техника FinGPT. Вместо переобучения всех миллиардов параметров базовой модели, LoRA добавляет к выбранным слоям маленькие обучаемые матрицы низкого ранга:

• Дешевле по GPU — обучается адаптер, а не вся модель
• Проще сравнивать — разные адаптеры к одной базе
• Компактное хранение — только adapter_model.bin вместо гигабайтов

Типичный рецепт в train_lora.py:

from peft import LoraConfig, get_peft_model

peft_config = LoraConfig(
    task_type=TaskType.CAUSAL_LM,
    r=8,                           # ранг адаптера
    lora_alpha=32,                 # масштаб
    lora_dropout=0.1,
    target_modules=['query_key_value'],  # какие слои оборачиваем
)
model = get_peft_model(model, peft_config)

Ранг r: больше → больше ёмкость, но и риск переобучения на шумных заголовках. Типичные значения: 4–16.

Спутники: FinNLP и FinRAG

• FinNLP — ETL для финансового NLP: новости, соцсети, SEC-отчёты, earning calls. Базовый класс управляет прокси, ретраями, rate-limiting — без чего публичные источники быстро банят.

• FinRAG — RAG-пайплайн: PDF/Word → чанки → векторное хранилище (Milvus) → LLM отвечает с опорой на документы. Дополняет FinGPT, но не заменяет его.

2. FinRL — reinforcement learning для трейдинга

FinRL связывает рыночные данные, Gymnasium-среду и готовые DRL-библиотеки (ElegantRL, RLlib, Stable-Baselines3).

Как работает торговая среда

StockTradingEnv наследует gym.Env. Агент принимает решения:

action_space = spaces.Box(low=-1, high=1, shape=(stock_dim,))

observation_space = spaces.Box(low=-np.inf, high=np.inf, shape=(state_dim,))

Встроенный риск-менеджмент: параметр turbulence_threshold переводит агента в режим «рынок слишком волатилен — выходим в кэш». Это попытка встроить управление рисками в MDP, а не только максимизацию PnL.

Пайплайн обучения

DataProcessor → clean → add_indicators → [optional VIX] → df_to_array → env → DRL agent

train.py маршрутизирует на разные бэкенды:

Спутники FinRL

Важно: качество RL-стратегии определяется постановкой задачи, а не алгоритмом. Утечка будущего в фичах, неверные комиссии, нереалистичное исполнение «по close» уничтожат любой агент.

3. FinRobot — оркестрация AI-агентов

FinRobot — UX и сценарии поверх FinGPT/FinRL. Вместо одного промпта — коллектив агентов с ролями, toolkits и RAG.

Библиотека ролей

Класс FinRobot наследует AssistantAgent из AutoGen. Если передать строку — роль ищется в library:

class FinRobot(AssistantAgent):
    def __init__(self, agent_config: str | Dict):
        if isinstance(agent_config, str):
            name = agent_config.replace("_Shadow", "")
            agent_config = library[name]  # profile, responsibilities, system_message
        super().__init__(name, system_message, ...)

Доступные роли включают equity research, risk analysis, portfolio management — каждая со своим набором инструментов и промптом.

Equity Research: единый промпт данных

EquityResearchAgentManager строит отчёт по секциям (tagline, overview, valuation, risks). Ключевой паттерн: _prepare_financial_data_prompt формирует один markdown с метриками и новостями для всех секций — меньше рассинхрона между «рисками» и «оценкой».

Где заканчивается FinRobot

Оркестрация не заменяет валидацию данных, бэктест и комплаенс. FinRobot — это слой представления, а не торговый движок.

Сводка по экосистеме

Ссылки

• 🌐 Сайт: ai4finance.org
• 💻 GitHub: AI4Finance-Foundation
• 📚 Индекс: Awesome_AI4Finance

Всё выше — открытый исследовательский код; это не персональная инвестиционная рекомендация. Перед реальными сделками проверяйте допущения симулятора, издержки, проскальзывание и регуляторные ограничения.