Платформа
Платформа American Investor — это данные, финансовые модели и ИИ-агенты, соединённые в единую систему. Первичные источники институционального уровня питают собственные модели, построенные на каузальной методологии; ИИ-агенты, настроенные под наши методы, работают на каждом этапе — от обработки данных до разработки моделей.
Ценность не в отдельных компонентах, а в их связке. Данные без модели — шум, модель без честной методологии — иллюзия, ИИ без заданной рамки — генератор правдоподобных ошибок. Платформа собирает их так, чтобы каждый уровень усиливал следующий, а не работал в изоляции.
Подход
В основе моделей лежит принцип каузальной конструкции: индикатор рассчитывается исключительно на данных, доступных на момент расчёта. Подгонка на полной истории завышает качество сигнала и исключает воспроизводимость, поэтому исключается на уровне построения. Каждая метрика приводится к общей шкале каузальным перцентильным ранжированием по прошлому окну — скользящему для нормализации, десятилетнему для перцентилей, — а не по всему ряду.
Входные данные поступают из первичных источников с раскрытием актуальности: у каждой величины указана дата, на которую она верна. Результаты прогнозов публикуются полностью — подтвердившиеся наравне с несостоявшимися. Методология раскрыта в объёме, достаточном для независимой проверки. Этим исследование отличается от маркетинга.
Данные
Данные поступают из первичных источников: официальной статистики, биржевых и регуляторных массивов, поставщиков рыночных котировок. Ниже — конкретный состав по типам.
| Тип данных | Источник |
|---|---|
| Макростатистика, ставки, ликвидность | FRED (Federal Reserve Economic Data) |
| Счёт Казначейства, размещения долга | Fiscal Data Казначейства США |
| Прогноз роста экономики | ФРБ Нью-Йорка, Staff Nowcast |
| Цены бумаг и фондов | Tiingo |
| Опционы, волатильность, соотношение пут/колл | CBOE |
| Позиции участников фьючерсного рынка | CFTC, отчёты о позициях |
| Отчётность эмитентов, сделки инсайдеров | SEC EDGAR |
| Маржинальный долг, короткие позиции | FINRA |
| Потоки в фонды денежного рынка | ICI |
| Настроения частных инвесторов | AAII |
| Настроения управляющих | NAAIM |
| Кредитные спреды | FRED (Baa − 10 лет) |
У каждой величины в отчётах указана дата актуальности. Дневной и структурный слои данных разделены.
Финансовые модели
Как строится вывод
Первичные источники с раскрытием актуальности. У каждой величины — дата, на которую она верна.
Каузальный расчёт: только данные, доступные на момент расчёта. Нормализация перцентильным ранжированием по прошлому окну.
Сведение сигналов воедино: компоненты и их вклад. Точка сборки, из которой растут выводы.
Сценарии с вероятностями и триггерами пересмотра.
Методологический стек
Статистика и нормализация
Показатели приводятся к общей шкале скользящей Z-нормализацией (Z-score — отклонение от среднего в стандартных отклонениях) на каузальном окне 252 торговых дня и каузальным перцентильным ранжированием на десятилетней истории. Распределения доходностей рассчитываются условно: медиана и межквартильный размах 25/75.
Событийный анализ и валидация
Каждый сигнал проходит событийный анализ с форвардными окнами 5, 21 и 63 дня и расчётом доли верных срабатываний. Пороги срабатывания проверяются на исторических данных, устойчивость выводов — анализом чувствительности к допущениям.
Вероятностные модели
Вероятности оцениваются эмпирическим байесовским подходом: базовая частота события по истории плюс документированное обновление текущими факторами. В расчётах применяются логистическая регрессия вероятности стрессовых событий с раскрытием AUC (площадь под ROC-кривой) и объёма выборки, симуляция Монте-Карло для сценарной чувствительности и анализ переключения режимов — классификация состояний рынка по заданным правилам и эмпирическая матрица вероятностей перехода между ними.
Эконометрика
Связь ликвидности с ценами активов оценивается регрессионно, с раскрытием R² (доля объяснённой дисперсии). Прогноз банковских резервов строится факторно — арифметической декомпозицией по компонентам QT (количественное ужесточение), TGA (счёт Казначейства в ФРС) и RRP (обратное РЕПО).
Состав применяемых методов определяется задачей выпуска; в каждом отчёте раскрыто, какие из них использованы.
Принципы
Каузальность
Сигналы, перцентили и пороги рассчитываются только на данных, доступных на момент расчёта. Заглядывание в будущее исключено на уровне построения — ни в бэктесте, ни в живом сигнале.
Честность данных
Статус каждого источника раскрыт: доступный отмечается зелёным, недоступный — красным, без маскировки и замены выдумкой. У каждой величины указана дата актуальности. Первичные данные сверяются по двум независимым источникам, пробелы отмечаются, а не заполняются оценкой. Результаты прогнозов публикуются полностью.
Воспроизводимость
Метод раскрыт в объёме, достаточном для независимой проверки. Под каждым графиком — источник, формула, период. Бэктесты приводятся по годам, бенчмарк симметричен.
ИИ-агенты
ИИ-агенты, обученные под нашу методологию.
Мы применяем ИИ широко — от сбора данных до разработки моделей. Наши ИИ-агенты обучены специально под задачи, философию и методы American Investor: каузальность без заглядывания вперёд, честность данных, воспроизводимость. Это не универсальный инструмент поверх аналитики, а часть самого метода.
Охват данных
Обрабатывают массивы в объёме, недоступном ручному анализу. Находят закономерности и слепые зоны, не видимые на выборке.
Разработка моделей
Проектируют и тестируют модели по заданию аналитика, в рамках нашей методологии. Постановка задачи и приёмка результата — за человеком.
Скорость реакции
Пересчитывают сигналы при появлении новых данных, освобождая аналитика от рутины.
ИИ усиливает метод, человек принимает решение.
ИИ встроен в цепочку обработки: сбор и нормализация массивов, поиск закономерностей, подготовка черновых данных, разработка и тестирование моделей по заданию аналитика. Он расширяет охват данных, недоступный ручному анализу, выявляет закономерности и слепые зоны. Постановка задачи, ограничения и приёмка результата остаются за человеком.
Как это соединяется
Три опоры работают последовательно. Первичные данные поступают в модели с раскрытием актуальности. Модели считают каузально — только на данных, доступных на момент расчёта — и сводят сигналы в единую матрицу. ИИ-агенты проходят через всю цепочку: расширяют охват данных, ищут закономерности, разрабатывают и тестируют модели по заданию аналитика.
Замкнутость системы и есть преимущество. Данные проверяют модели, модели дисциплинируют ИИ заданной методологией, ИИ расширяет охват данных. Ни один слой не работает в изоляции, поэтому результат воспроизводим и устойчив к ошибке отдельного компонента.